室内泊车引导地图智能重构方法与流程

本发明涉及人工智能和图像处理技术，具体涉及到一种室内泊车引导地图智能重构方法。

背景技术：

随着社会经济水平的快速发展，中国的汽车保有量持续增长，虽然极大方便了城市居民的生活与出行，但是也显现出了一系列的交通问题，影响交通效率，降低车主的驾车体验。

国内，以滴滴打车、高德地图和百度地图为主的几家智能交通服务云提供商，利用海量数据进行路径动态规划，提供了精准的导航服务，极大程度改善了道路的有效利用率。但是目前这些云服务提供商，主要业务还是集中于城市马路和高速公路等，对于驾驶的最后一公里——停车场导航，还没有提供支持，停车难问题仍然严重。在繁华的地段，每次寻找车位都要耗费一定量的汽油和时间，甚至比驾驶途中所消耗的还多。在不熟悉停车场的情况下，想要找回车的停放地点也颇费功夫。现有导航软件只能将用户引导到停车场所在地，而对停车场内部的结构，是否有空闲车位等信息都一无所知。停车场导航的断层主要由室外的GPS定位方法无法移植到室内和室内的地图信息缺失两个方面因素造成。

数字化、网络化时代，联网设备数目猛增，流量的飞速增长。室内作为人群活动的主要地点，也是网络流量的主要来源，人们对于室内服务的需求凸显。如何应用室内流量数据，提供更加人性化、智能化的服务，是服务提供商探寻的一个热点方向。以华为为首的通信综合方案提供商，联合国内互联网企业积极推动室内的数字化进程，构建数字室内生态。在数字化浪潮的推动下，国内各大导航服务提供商已经接入了室内商场图层，能够实现楼层预览、商店查询等操作。尽管室内商场地图方面发展迅速，但是室内停车场地图的研究依然较少。如今的智能停车场解决方案由诸多停车场运营商提供，这些运营商互不兼容，没有一个统一的平台，非本平台用户也无法获得停车场数据。构建室内停车场图层，接入地图提供商，为用户提供统一开放的停车场地图的需求涌现。

技术实现要素：

为解决上述问题，本发明利用图像处理技术对室内停车场的紧急疏散指引地图进行自动识别，实现室内泊车引导的数字化地图的智能重构，使其便于平台化应用和推广。

为了实现上述目的，本发明所采用的具体技术方案如下：

一种室内泊车引导地图智能重构方法，其关键在于包括以下步骤：

S1：获取车库应急逃生地图并进行图像预处理，输出二值化图像和道路中箭头位置；

S2：基于形状特征识别出车位位置；

S3：提取出道路位置信息；

S4：基于车位位置和道路位置进行叠加重构形成泊车引导地图。

可选地，所述形状特征包括Hu矩、圆周率、周长、面积和凹凸性，该形状特征对于旋转和平移具有不变性，并且对微量的形变不敏感。

可选地，步骤S2中采用密度聚类法识别出车位位置，具体包括：

S21：初始化变量i＝1；

S22：从样本集合S中任选一个未分类的样本点c，分类为簇Gi；

S23：将样本集合S中落在样本点c的δ邻域的未分类点，标记为类别Gi；

S24：若样本集合S中所有点已经被分类，转步骤S25，否则更新i＝i+1，转步骤S22；

S25：将G1～Gn按照点的个数从大到小排列得到P；

S26：从P的头部选择一个未进行合并测试的类别g；

S27：检测g与其余类别是否可合并，更改过类别的簇不参与测试；

S28：重复S26和S27直到P被遍历完成；

S29：返回具有最多样本点的类，作为车位。

可选地，步骤S27中检测类别g与其余类别是否可合并的步骤为：

S271：设簇G1和G2由核心样本c1和c2生成，分别具有N1和N2个元素，且N1＞N2；

S272：统计G2中样本点被包含在G1样本点δ邻域的个数为Nx；

S273：计算相似度k＝Nx/N2，当相似度k大于阈值t时，判定两个簇为同一类别，进行合并。

可选地，步骤S23中所述δ邻域采用无量纲化的切比雪夫距离作为度量，其中，N维空间上两点p，q的切比雪夫距离计算方式为：

x1～xn表示p点的n个特征值，y1～yn表示q点的n个特征值，当切比雪夫距离小于预设阈值时，认定其属于δ邻域。

可选地，步骤S3中提取道路位置信息的步骤包括：

S31：将图像变换到HSI颜色域，通过箭头颜色获得箭头区域掩膜图像；

S32：对于掩膜图像去除小的连通域，去除箭头区域的误识别；

S33：利用箭头掩膜去除原始图像中的箭头，生成无箭头的彩色图像；

S34：将彩色图像进行二值化，去除二值图像中小联通区域，并执行膨胀操作，弥合一些小的区域断点；

S35：将箭头区域作为种子点集合，对二值图像进行漫水填充，得到道路区域；

S36：对道路区域执行二值变换得到距离灰度图，执行固定阈值二值化，消除非车行道的小支路，得到真实车道区域；

S37：对真实车道区域执行骨架提取，得到最终结果。

可选地，步骤S3中提取道路位置信息的步骤还包括：

S38：去除道路骨架进行直线近似处理；

S39：去除道路骨架进行毛刺去除处理。

可选地，步骤S39中通过遍历骨架中所有的分支，去除长度小于阈值的末端线来实现毛刺去除。

本发明的显著效果是：

本发明方法填补了利用应急逃生地图自动识别技术，对室内停车场引导地图进行重构的研究空白，具有几乎零成本、数据源易于获得等优点，有极强的推广性和兼容性。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1为本发明方法的总体设计流程图；

图2为车位识别流程图；

图3为道路提取流程图；

图4为地图重构样例图；

图5为基于密度聚类的车位识别效果图；

图6为基于密度聚类方法通用性测试样例图片；

图7为道路骨架提取图；

图8为毛刺去除及曲线近似后的道路图；

图9为图4重构的室内泊车引导地图。

具体实施方式

下面将结合附图对本发明的技术方案实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。

本发明方法的具体流程如图1所示，采集到车库应急逃生地图信息之后，先将其进行预处理操作，输出二值化图像和箭头位置，即采用形状分析办法对地图中的所有形状的轮廓进行特征提取，特征向量选择可以选择Hu矩、圆周率、周长、面积和凹凸性。接着，采用聚类分析的方法对所提取的形状特征进行分类，标记出地图中的车位及其位置，然后用漫水填充、骨架细化的方法得到车道路线。最后通过车位识别结果和道路提取结果相融合得到引导地图重构的结果。

其中，车位识别模块的具体流程如图2所示，读取经过预处理的图像数据之后，也就是读入二值化图像数据，进行轮廓提取，接着完成形状特征的提取，最后经过以聚类方法完成的轮廓分类，实现输出车位点坐标。

道路提取模块如图3所示，输入经过预处理后的图像数据之后，经过漫水填充，进行基于距离的滤波，之后进行骨架提取，接着去除毛刺，进行直线的近似，最后输出岔路点，完成道路提取。

在进行车位识别时，对于人眼来说标识出停车场指引地图的车位十分容易，但是这一任务对于计算机而言并不简单。计算机存储和处理图像以像素点为单位，而车位信息依赖于区域、边界和轮廓等高维度特征，这些信息在像素点级是无法获取的。本发明结合引导地图中车位的特点，给出车位的一般定义。利用该定义，程序能够准确识别车位，并使得识别程序具有一般性。车位的一般性定义如下：

(1)车位是由若干条线段包围而成的联通集；

(2)每个车位具有相同的形状；

(3)车位构成的联通集具有面积、周长相近的特点；

(4)车位构成的联通集内像素点灰度值均匀；

(5)车位是图像中重复最多的元素。

为了实现处理的自动化和减少识别方法对人为先验信息的依赖，本文引入密度聚类分析方法，利用车位模型假设中车位为图像中重复最多元素，即车位为最多的一类形状这一原则，对所有形状进行归类，利用投票机制得到数目最多的一类形状，认定为车位，具体包括：

S21：初始化变量i＝1；

S22：从样本集合S中任选一个未分类的样本点c，分类为簇Gi；

S23：将样本集合S中落在样本点c的δ邻域的未分类点，标记为类别Gi；

S24：若样本集合S中所有点已经被分类，转步骤S25，否则更新i＝i+1，转步骤S22；

S25：将G1～Gn按照点的个数从大到小排列得到P；

S26：从P的头部选择一个未进行合并测试的类别g；

S27：检测g与其余类别是否可合并，更改过类别的簇不参与测试；

S28：重复S26和S27直到P被遍历完成；

S29：返回具有最多样本点的类，作为车位。

步骤S27中检测类别g与其余类别是否可合并的步骤为：

S271：设簇G1和G2由核心样本c1和c2生成，分别具有N1和N2个元素，且N1＞N2；

S272：统计G2中样本点被包含在G1样本点δ邻域的个数为Nx；

S273：计算相似度k＝Nx/N2，当相似度k大于阈值t时，判定两个簇为同一类别，进行合并。

步骤S23中所述δ邻域采用无量纲化的切比雪夫距离作为度量，其中，N维空间上两点p，q的切比雪夫距离计算方式为：

x1～xn表示p点的n个特征值，y1～yn表示q点的n个特征值，当切比雪夫距离小于预设阈值时，认定其属于δ邻域。

在本实施例中，采用实际地下停车场样例图片如图4所示，通过基于密度聚类的车位识别方法处理之后，得到的效果图如图5所示。

先对图4进行预处理并使用局部阈值二值化方法生成二值图像；对二值图像进行轮廓提取，消除所有的外部轮廓只保留子轮廓，并对子轮廓进行面积过滤，将小于阈值200的连通域消除，生成用于进行车位提取的图像。δ邻域采用无量纲化的切比雪夫距离作为度量，设置Hu矩特征组阈值0.2，面积、圆度率、凹凸性分别采用1，0.1，0.1作为阈值，使用基于簇合并的密度聚类，其车位识别的结果如图5所示。图5中白色填充区域代表算法得到的车位区域。观察可得，图5中绝大部分三角形区域被成功识别，不存在误识别形状。简单计算可得算法在该样例中误检率为0％，识别率为97.7％。

为了验证基于密度聚类的车位识别方法通用性，本实施例增加一项黑盒测试。使用与图4相同的特征向量与匹配阈值处理不同的停车场图像。算法处理结果如图6所示，图6中深色区域表示匹配成功区域，观察可知绝大部分车位成功匹配。简单计算可得算法在该样例中误检率为0.5％，识别率为93.4％。实验证明基于密度聚类的车位识别具有一定通用性。

针对道路骨架识别而言，室内地图一般具有一个外边界，外边界将圈定室内范围。在本实施例使用的样例图片中，地下停车场引导地图具有明显的边界，边界圈定了停车场范围，并且完全将停车位和道路包围在内。从视觉分析可以得出，道路是完整边界内非车位和其它建筑标识符的区域，并且具有一定宽度。在使用图像技术执行道路提取时，参照上述结论做出以下几点约束，构成道路的一般性假设为：

(1)道路区域位于封闭边界线内部；

(2)非车位和障碍物区域属于道路区域；

(3)具有一定的宽度，并且宽度大于车位宽度；

(4)道路上具有一定量的引导箭头分布。

完成车位识别之后，对预处理得到的二值化图像进行道路提取，得到结果如图7所示。具体实施时，提取道路位置信息的步骤包括：

S31：将图像变换到HSI颜色域，通过箭头颜色获得箭头区域掩膜图像；

S32：对于掩膜图像去除小的连通域，去除箭头区域的误识别；

S33：利用箭头掩膜去除原始图像中的箭头，生成无箭头的彩色图像；

S34：将彩色图像进行二值化，去除二值图像中小联通区域，并执行膨胀操作，弥合一些小的区域断点；

S35：将箭头区域作为种子点集合，对二值图像进行漫水填充，得到道路区域；

S36：对道路区域执行二值变换得到距离灰度图，执行固定阈值二值化，消除非车行道的小支路，得到真实车道区域；

S37：对真实车道区域执行骨架提取，得到最终结果。

图7显示了样例图4的由道路骨架生成流程得到的道路线，其为单像素点组成的联通线。生成的骨架带有毛刺，并且得到的道路线并非笔直线段。这是由于骨架提取算法对于边缘线的敏感性，并且无论是使用何种提取骨架方法都无法避免，不论是中轴线提取还是形态学细化。需要对骨架进行毛刺去除处理。并且为了让道路更加符合人的视觉观感，将其近似为直线。

因此，步骤S3中提取道路位置信息的步骤还包括：

S38：去除道路骨架进行直线近似处理；

S39：去除道路骨架进行毛刺去除处理。

毛刺去除的难点在于毛刺没有明确的数学定义，所以难以区分毛刺与真实骨架。然而本场景中骨架的主要信息集中于岔路口，即多条支路的相交点，直线段的重要性稍次，特别是短的直线段。因此可以使用如下毛刺定义：

(1)毛刺属于末端线段，即必有一端点其八邻域内只存在一个点；

(2)毛刺的长度不超过一个阈值；

遍历骨架中所有的分支，去除长度小于阈值的末端线得到最后的骨架线。图8为图7执行毛刺去除和直线近似后的结果图，可以看出：毛刺得到了有效的去除，并且道路主要信息仍然保留，即直线近似办法使得非平滑的曲线变成笔直的道路线。

最后，将车位识别与道路提取的结果进行叠加即可得到可用于室内停车场泊车引导地图，如图9所示。将其嵌入高德或百度地图的室内图层并配合室内导航系统，可实现室内车位级的导航与泊车引导。

综上所述，本发明完成了利用车库应急逃生地图生成停车引导地图的发明，解决了行车导航的最后一公里的问题，实现了GPS信号覆盖弱的地方的持续导航，填补了利用应急逃生地图自动识别技术，对室内停车场引导地图进行重构的研究空白。另一方面，本发明方法具有几乎零成本、数据源易于获得等优点，具有极强的推广性。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。