车位检测装置、电子设备及方法与流程

本发明涉及信息技术领域，尤其涉及一种车位检测装置、电子设备及方法。

背景技术：

随着社会经济的发展，汽车数量日益增多。在寸土寸金的城市中，停车一直是困扰车主的一个问题，他们希望能够快速得到周边停车场的车位信息。同样，对于停车场管理方而言，他们也需要时刻了解停车场的车位信息从而能够有效控制车辆进出并实时分享给各位车主。另外，对于某些大型停车场，由于设计的问题，总有部分区域车满为患，而部分区域空位很多，车主需要花费很多精力搜寻空车位，这时候车主也迫切希望能够实时给出停车场各区域的车位信息。这种实时信息的收集显然不能靠人力来完成。

随着科技的进步，越来越多的技术被开发出来用于固定车位的车位状态检测，例如对每个车位安装探测雷达，出入口计数等。但是，使用该方法的成本较高。

近些年来，图像处理技术也被应用到车位状态检测中，相比很多以往的技术，一个视频监控摄像头可以覆盖很多停车位，使得检测所需的成本投入大为降低。现有的车位检测方法通常采用轮廓法或者机器学习法。

应该注意，上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

技术实现要素：

但是发明人发现，当利用上述现有的轮廓法检测车位时，虽然轮廓法适合各种视角场合，但是一旦车位具有丰富细节或者有较多遮挡，则无法进行有效的检测，当利用上述现有的机器学习法检测车位时，虽然机器学习法对于细节能够较好的处理，但是对于视角有较高的要求，同时机器学习法的性能严重依赖于训练结果的好坏，而且 对于低对比度、低照度情况下的检测效果较差。并且，由于场景光线变化导致视频图像的变化也会影响检测精度，例如白天，阳光，夜晚，灯光等。另外，行人及车辆的运动也会对检测的稳定性造成很大的影响。

本发明实施例提供一种车位检测装置、电子设备及方法，基于车位图像的运动状态进行检测，能够保证检测结果的稳定性；将轮廓法和机器学习法结合起来进行检测，并且在利用机器学习法之前在场景不清晰的情况下进行清晰化处理，能够有效的结合轮廓法和机器学习法的优点，处理速度较快且能够适用于各种场景，且具有较高的检测精度，另外，基于稳态图像进行检测，能够抑制随机噪声，提高检测精度。

根据本发明实施例的第一方面，提供一种车位检测装置，所述装置对于停车场的监控视频，以预定帧数的图像为单位依次进行检测，所述装置包括：第一检测单元，所述第一检测单元用于在对每个预定帧数的图像进行检测时，对在当前预定帧数内具有运动信息的车位，将所述车位的检测结果确定为维持前一个预定帧数的所述车位的检测结果；第二检测单元，所述第二检测单元用于在对每个预定帧数的图像进行检测时，对在当前预定帧数内没有运动信息的车位的图像逐个进行检测；其中，所述第二检测单元包括：比较单元，所述比较单元用于在对每个在当前预定帧数内没有运动信息的车位的图像进行检测时，将当前预定帧数的所述车位的稳态图像与前一个预定帧数的所述车位的稳态图像进行比较，当比较结果为相似时，将所述车位的检测结果确定为维持前一个预定帧数的所述车位的检测结果，当比较结果为不相似时，根据当前预定帧数的所述车位的稳态图像中的轮廓判断所述车位是否满足空车位的特征；第一处理单元，所述第一处理单元用于当所述车位满足空车位的特征时，将所述车位的检测结果确定为空车位，当所述车位不满足空车位的特征时，检测当前场景是否清晰，在当前场景不清晰的情况下，对当前预定帧数的所述车位的稳态图像进行清晰化处理；第三检测单元，所述第三检测单元用于利用机器学习法对所述车位的稳态图像进行检测，获得所述车位的检测结果。

根据本发明实施例的第二方面，提供一种电子设备，包括根据本发明实施例的第一方面所述的车位检测装置。

根据本发明实施例的第三方面，提供一种车位检测方法，对于停车场的监控视频，以预定帧数的图像为单位依次进行检测，所述检测方法包括：在对每个预定帧数的图像进行检测时，对在当前预定帧数内具有运动信息的车位，将所述车位的检测结果确 定为维持前一个预定帧数的所述车位的检测结果；在对每个预定帧数的图像进行检测时，对在当前预定帧数内没有运动信息的车位的图像逐个进行检测；其中，所述在对每个预定帧数的图像进行检测时，对在当前预定帧数内没有运动信息的车位的图像逐个进行检测，包括：在对每个在当前预定帧数内没有运动信息的车位的图像进行检测时，将当前预定帧数的所述车位的稳态图像与前一个预定帧数的所述车位的稳态图像进行比较，当比较结果为相似时，将所述车位的检测结果确定为维持前一个预定帧数的所述车位的检测结果，当比较结果为不相似时，根据当前预定帧数的所述车位的稳态图像中的轮廓判断所述车位是否满足空车位的特征；当所述车位满足空车位的特征时，将所述车位的检测结果确定为空车位，当所述车位不满足空车位的特征时，检测当前场景是否清晰，在当前场景不清晰的情况下，对当前预定帧数的所述车位的稳态图像进行清晰化处理；利用机器学习法对所述车位的稳态图像进行检测，获得所述车位的检测结果。

本发明的有益效果在于：基于车位图像的运动状态进行检测，能够保证检测结果的稳定性；将轮廓法和机器学习法结合起来进行检测，并且在利用机器学习法之前在场景不清晰的情况下进行清晰化处理，能够有效的结合轮廓法和机器学习法的优点，处理速度较快且能够适用于各种场景，且具有较高的检测精度，另外，基于稳态图像进行检测，能够抑制随机噪声，提高检测精度。

参照后文的说明和附图，详细公开了本发明的特定实施方式，指明了本发明的原理可以被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本发明的实施方式包括许多改变、修改和等同。

针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。

应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。

附图说明

所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施方式，并与文字描述一起来阐释本发明的原理。显而易见 地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1是本发明实施例1的车位检测装置的结构示意图；

图2是本发明实施例1的当前L帧的4个平均值帧的图像；

图3是本发明实施例1的当前L帧的关于运动信息的图像；

图4是本发明实施例1的当前L帧的稳态检测图；

图5是本发明实施例1的前一个L帧的稳态检测图；

图6是本发明实施例1的当前L帧的稳态检测图的轮廓图；

图7是本发明实施例2的电子设备的结构示意图；

图8是本发明实施例2的电子设备的系统构成的一示意框图；

图9是本发明实施例3的车位检测方法的流程图；

图10是本发明实施例3的图9中步骤902的方法流程图；

图11是本发明实施例4的车位检测方法的流程图。

具体实施方式

参照附图，通过下面的说明书，本发明的前述以及其它特征将变得明显。在说明书和附图中，具体公开了本发明的特定实施方式，其表明了其中可以采用本发明的原则的部分实施方式，应了解的是，本发明不限于所描述的实施方式，相反，本发明包括落入所附权利要求的范围内的全部修改、变型以及等同物。

实施例1

图1是本发明实施例1的车位检测装置的结构示意图。如图1所示，车位检测装置100对于停车场的监控视频，以预定帧数的图像为单位依次进行检测，该装置100包括：

第一检测单元101，用于在对每个预定帧数的图像进行检测时，对在当前预定帧数内有运动的车位，将该车位的检测结果确定为维持前一个预定帧数的该车位的检测结果；

第二检测单元102，用于在对每个预定帧数的图像进行检测时，对在当前预定帧数内没有运动的车位的图像逐个进行检测；

其中，第二检测单元102包括：

比较单元103，用于在对每个在当前预定帧数内没有运动的车位的图像进行检测时，将当前预定帧数的该车位的稳态图像与前一个预定帧数的该车位的稳态图像进行比较，当比较结果为相似时，将该车位的检测结果确定为维持前一个预定帧数的所述车位的检测结果，当比较结果为不相似时，根据当前预定帧数的该车位的稳态图像中的轮廓判断该车位是否满足空车位的特征；

第一处理单元104，用于当该车位满足空车位的特征时，将该车位的检测结果确定为空车位，当该车位不满足空车位的特征时，检测当前场景是否清晰，在当前场景不清晰的情况下，对当前预定帧数的该车位的稳态图像进行清晰化处理；

第三检测单元105，用于利用机器学习法对该车位的稳态图像进行检测，获得该车位的检测结果。

由上述实施例可知，基于车位图像的运动状态进行检测，能够保证检测结果的稳定性；将轮廓法和机器学习法结合起来进行检测，并且在利用机器学习法之前在场景不清晰的情况下进行清晰化处理，能够有效的结合轮廓法和机器学习法的优点，处理速度较快且能够适用于各种场景，且具有较高的检测精度，另外，基于稳态图像进行检测，能够抑制随机噪声，提高检测精度。

在本实施例中，停车场的监控视频可使用现有方法而获得，例如，通过在停车场上方设置摄像头而获得。

在本实施例中，该预定帧数可根据实际需要而设定。在本实例中，设该预定帧数为L帧，例如，当监控视频每秒传播的帧数为25帧时，可将L设定为100帧，即取4秒时间段内的视频图像。

在本实施例中，第一检测单元101，用于在对每个预定帧数的图像进行检测时，对在当前预定帧数内有运动的车位，将该车位的检测结果确定为维持前一个预定帧数的该车位的检测结果；

在本实施例中，第一检测单元101在对每个预定帧数的图像进行检测时，对在当前预定帧数内有运动的车位，将该车位的检测结果确定为维持前一个预定帧数的该车位的检测结果；例如，如果前一个预定帧数的该车位的检测结果为“空车位”，则在当前预定帧数，将该车位的检测结果维持为“空车位”；如果前一个预定帧数的该车位的检测结果为“非空车位”，则在当前预定帧数，将该车位的检测结果维持为“非空车位”。

第二检测单元102在对每个预定帧数的图像进行检测时，对在当前预定帧数内没有运动的车位的图像逐个进行检测。

以下对本实施例的检测车位在预定帧数内的运动状态的方法进行示例性的说明。

例如，该装置100还可以包括：

第二处理单元106，用于对当前L帧图像中的每N帧图像进行平均化处理，获得M个平均值帧，L＝M*N，L,M,N均为正整数；

第三处理单元107，用于对M个平均值帧逐个进行差分并基于差分的结果进行二值化处理，获得当前L帧图像的关于运动信息的图像；

运动检测单元108，用于根据当前L帧图像的关于运动信息的图像，检测在当前L帧内各个车位的运动状态。

在本实施例中，第二处理单元106、第三处理单元107以及运动检测单元108为可选部件，在图1中用虚线框表示。

在本实施例中，以L＝100，M＝4，N＝25为例进行示例性的说明。

第二处理单元106对当前100帧图像中的每25帧图像进行平均化处理，获得4个平均值帧，其中，进行平均化处理可使用现有的方法。

图2是本发明实施例1的当前L帧的4个平均值帧的图像。如图2所示，这4个平均值帧的图像依次用201-204表示。第三处理单元107对这4个平均值帧逐个进行差分并基于差分的结果进行二值化处理，获得当前100帧图像的关于运动信息的图像。其中，对这4个平均值帧逐个进行差分并基于差分的结果进行二值化处理以获得关于运动信息的图像可使用现有的方法。

图3是本发明实施例1的当前L帧的关于运动信息的图像。如图3所示，将具有运动信息的8个车位用两个框301和302标出，其余车位不具有运动信息。

在本实施例中，运动检测单元108根据该关于运动信息的图像，检测在当前L帧内各个车位的运动状态，其中，将图3中框出的8个车位确定为在当前100帧内具有运动信息，将其余的车位确定为在当前100帧内没有运动信息。

在本实施例中，第二检测单元102对在当前预定帧数内没有运动的车位的图像逐个进行检测。

在本实施例中，第二检测单元102中的比较单元103用于在对每个在当前预定帧数内没有运动的车位的图像进行检测时，将当前预定帧数的该车位的稳态图像与前一 个预定帧数的该车位的稳态图像进行比较，当比较结果为相似时，将该车位的检测结果确定为维持前一个预定帧数的所述车位的检测结果，当比较结果为不相似时，根据当前预定帧数的该车位的稳态图像中的轮廓判断该车位是否满足空车位的特征。

在本实施例中，该稳态图像是指经过预处理的视频图像，例如，当前预定帧数的稳态图像是指对当前预定帧数的各帧图像进行平均化处理后获得的平均值帧的图像。通过对视频图像进行例如平均化处理的预处理，能够有效抑制随机噪声。另外，本发明实施例也可以对视频图像进行其他形式的预处理，只要能够抑制随机噪声即可。

以下对本实施例的获得稳态图像的方法进行示例性的说明。

例如，第二检测单元102还可以包括：获取单元109，用于在对每个在当前预定帧数内没有运动信息的车位的图像进行检测时，对该车位的当前预定帧数的图像进行平均化处理，获得当前预定帧数的该车位的稳态图像。

在本实施例中，获取单元109为可选部件，在图1中用虚线框表示。

在本实施例中，对该车位的当前预定帧数的图像进行平均化处理可使用现有方法。例如，可直接对L帧图像进行平均化处理，也可以在第二处理单元106获得M个平均值帧的基础上，再对M个平均值帧进行平均化处理。

图4是本发明实施例1的当前L帧的稳态检测图，图5是本发明实施例1的前一个L帧的稳态检测图。如图4所示，框401和402中的8个车位(对应于图3中框出的8个车位)由于具有运动信息，直接认为其车位状态相对于前一个L帧没有发生变化，对于其余车位逐个进行检测。其中，框501中的那个车位的稳态检测图与当前L帧中相应车位403的稳态检测图发生了很大的变化，即判断为不相似，则根据该车位403的轮廓判断该车位是否满足空车位的特征，对于其余车位，也直接认为其车位状态相对于前一个L帧没有发生变化。

在本实施例中，获得车位轮廓可使用现有方法，例如，通过索贝尔(Sobel)算子运算后进行门限化处理。图6是本发明实施例1的当前L帧的稳态检测图的轮廓图。

在获得车位的轮廓之后，第一处理单元104当该车位满足空车位的特征时，将该车位的检测结果确定为空车位，当该车位不满足空车位的特征时，检测当前场景是否清晰，在当前场景不清晰的情况下，对当前预定帧数的该车位的稳态图像进行清晰化处理。

其中，根据车位的轮廓判断该车位是否满足空车位的特征可使用现有方法。例如， 首先获得该车位的轮廓信息，其中，可以适当在原始车位的大小基础上向内缩小一部份以消除车位边框及周边车视图的影响，该轮廓信息例如包括轮廓点数及其分布方位、直线长度及方位、特征点位置等，根据这些轮廓信息判断该车位是否满足空车位的特征。

在本实施例中，检测当前场景是否清晰可使用现有方法，例如，检测当前场景的环境亮度是否较暗，或者是否雾。

第一处理单元104在当前场景不清晰的情况下，对当前预定帧数的该车位的稳态图像进行清晰化处理。例如，根据检测结果进行图像增强或去雾等处理，以获得清晰的稳态图像。这样，能够适用于各种场景。

在本实施例中，在当前场景清晰的情况下，第一处理单元104直接将稳态图像输入到第三检测单元105中进行检测，在当前场景不清晰的情况下，第一处理单元104对稳态图像进行清晰化处理后，将经过清晰化处理的稳态图像输入到第三检测单元105中进行检测。

在本实施例中，第三检测单元105利用机器学习法对该车位的稳态图像进行检测，获得该车位的检测结果。其中，可使用现有的机器学习法，例如，可使用现有的支持向量机(SVM，Support Vector Machine)算法或组合分类算法(Adaboost算法)，基于经过训练得到的分类器进行分类，以确定该车位的检测结果为“空车位”或“非空车位”。

由上述实施例可知，基于车位图像的运动状态进行检测，能够保证检测结果的稳定性，另外，将轮廓法和机器学习法结合起来进行检测，并且在利用机器学习法之前在场景不清晰的情况下进行清晰化处理，能够有效的结合轮廓法和机器学习法的优点，处理速度较快且能够适用于各种场景，且具有较高的检测精度。

实施例2

本发明实施例还提供了一种电子设备，图7是本发明实施例2的电子设备的结构示意图。如图7所示，电子设备700包括车位检测装置701，其中，车位检测装置701的结构和功能与实施例1中的记载相同，此处不再赘述。

图8是本发明实施例2的电子设备的系统构成的一示意框图。如图8所示，电子设备800可以包括中央处理器801和存储器802；存储器802耦合到中央处理器801。该图是示例性的；还可以使用其它类型的结构，来补充或代替该结构，以实现电信功 能或其它功能。

如图8所示，该电子设备800还可以包括：输入单元803、显示器804、电源805。

在一个实施方式中，实施例1所述的车位检测装置的功能可以被集成到中央处理器801中。其中，中央处理器801可以被配置为：在对每个预定帧数的图像进行检测时，对在当前预定帧数内具有运动信息的车位，将所述车位的检测结果确定为维持前一个预定帧数的所述车位的检测结果；在对每个预定帧数的图像进行检测时，对在当前预定帧数内没有运动信息的车位的图像逐个进行检测；其中，所述在对每个预定帧数的图像进行检测时，对在当前预定帧数内没有运动信息的车位的图像逐个进行检测，包括：在对每个在当前预定帧数内没有运动信息的车位的图像进行检测时，将当前预定帧数的所述车位的稳态图像与前一个预定帧数的所述车位的稳态图像进行比较，当比较结果为相似时，将所述车位的检测结果确定为维持前一个预定帧数的所述车位的检测结果，当比较结果为不相似时，根据当前预定帧数的所述车位的稳态图像中的轮廓判断所述车位是否满足空车位的特征；当所述车位满足空车位的特征时，将所述车位的检测结果确定为空车位，当所述车位不满足空车位的特征时，检测当前场景是否清晰，在当前场景不清晰的情况下，对当前预定帧数的所述车位的稳态图像进行清晰化处理；利用机器学习法对所述车位的稳态图像进行检测，获得所述车位的检测结果。

其中，所述预定帧数为L帧，中央处理器801还可以被配置为：对当前L帧图像中的每N帧图像进行平均化处理，获得M个平均值帧，L＝M*N，L,M,N均为正整数；对M个平均值帧逐个进行差分并基于差分的结果进行二值化处理，获得当前L帧图像的关于运动信息的图像；根据当前L帧图像的关于运动信息的图像，检测在当前L帧内各个车位的运动状态。

其中，所述在对每个预定帧数的图像进行检测时，对在当前预定帧数内没有运动信息的车位的图像逐个进行检测，还包括：在对每个在当前预定帧数内没有运动信息的车位的图像进行检测时，对所述车位的当前预定帧数的图像进行平均化处理，获得当前预定帧数的所述车位的稳态图像。

在另一个实施方式中，实施例1所述的车位检测装置可以与中央处理器801分开配置，例如可以将车位检测装置配置为与中央处理器801连接的芯片，通过中央处理器801的控制来实现车位检测装置的功能。

在本实施例中电子设备800也并不是必须要包括图8中所示的所有部件。

如图8所示，中央处理器801有时也称为控制器或操作控件，可以包括微处理器或其它处理器装置和/或逻辑装置，中央处理器801接收输入并控制电子设备800的各个部件的操作。

存储器802，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。并且中央处理器801可执行该存储器802存储的该程序，以实现信息存储或处理等。其它部件的功能与现有类似，此处不再赘述。电子设备800的各部件可以通过专用硬件、固件、软件或其结合来实现，而不偏离本发明的范围。

由上述实施例可知，基于车位图像的运动状态进行检测，能够保证检测结果的稳定性，另外，将轮廓法和机器学习法结合起来进行检测，并且在利用机器学习法之前在场景不清晰的情况下进行清晰化处理，能够有效的结合轮廓法和机器学习法的优点，处理速度较快且能够适用于各种场景，且具有较高的检测精度。

实施例3

本发明实施例还提供一种车位检测方法，对于停车场的监控视频，以预定帧数的图像为单位依次进行检测，其对应于实施例1的车位检测装置。图9是本发明实施例3的车位检测方法的流程图。如图9所示，该方法包括：

步骤901：在对每个预定帧数的图像进行检测时，对在当前预定帧数内具有运动信息的车位，将该车位的检测结果确定为维持前一个预定帧数的该车位的检测结果；

步骤902：在对每个预定帧数的图像进行检测时，对在当前预定帧数内没有运动信息的车位的图像逐个进行检测。

图10是本发明实施例3的图9中步骤902的方法流程图。该方法包括：

步骤1001：在对每个在当前预定帧数内没有运动信息的车位的图像进行检测时，将当前预定帧数的所述车位的稳态图像与前一个预定帧数的该车位的稳态图像进行比较，当比较结果为相似时，将该车位的检测结果确定为维持前一个预定帧数的该车位的检测结果，当比较结果为不相似时，根据当前预定帧数的该车位的稳态图像中的轮廓判断该车位是否满足空车位的特征；

步骤1002：当该车位满足空车位的特征时，将该车位的检测结果确定为空车位，当该车位不满足空车位的特征时，检测当前场景是否清晰，在当前场景不清晰的情况下，对当前预定帧数的该车位的稳态图像进行清晰化处理；

步骤1003：利用机器学习法对该车位的稳态图像进行检测，获得该车位的检测结果。

在本实施例中，判断运动状态的方法、获得稳态图像的方法、根据轮廓判断是否为空车位的方法、对稳态图像进行清晰检测以及清晰化处理的方法以及利用机器学习法对稳态图像进行检测的方法与实施例1中的记载相同，此处不再赘述。

由上述实施例可知，基于车位图像的运动状态进行检测，能够保证检测结果的稳定性，另外，将轮廓法和机器学习法结合起来进行检测，并且在利用机器学习法之前在场景不清晰的情况下进行清晰化处理，能够有效的结合轮廓法和机器学习法的优点，处理速度较快且能够适用于各种场景，且具有较高的检测精度。

实施例4

本发明实施例还提供一种车位检测方法，对于停车场的监控视频，以L帧图像为单位依次进行检测，其对应于实施例1的车位检测装置。图11是本发明实施例4的车位检测方法的流程图。如图11所示，该方法包括：

步骤1101：对当前L帧图像中的每N帧图像进行平均化处理，获得M个平均值帧，L＝M*N，L,M,N均为正整数；

步骤1102：对M个平均值帧逐个进行差分并基于差分的结果进行二值化处理，获得当前L帧图像的关于运动信息的图像；

步骤1103：根据当前L帧图像的关于运动信息的图像，检测在当前L帧内各个车位的运动状态；

步骤1104：将车位计数的初始值设为0；

步骤1105：判断车位计数是否小于图像中的总车位数；当判断结果为“是”时，进入步骤1106，当判断结果为“否”时，结束处理；

步骤1106：判断该车位在当前L帧内是否具有运动信息；当判断结果为“是”时，进入步骤1107，当判断结果为“否”时，进入步骤1108；

步骤1107：将该车位的检测结果确定为维持前一个L帧的该车位的检测结果，并将车位数加1；

步骤1108：对该车位的当前L帧图像进行平均化处理，获得当前L帧的稳态图像；

步骤1109：判断该车位的当前L帧的稳态图像与前一个L帧的稳态图像是否相似；当判断结果为“是”时，进入步骤1107，当判断结果为“否”时，进入步骤1110；

步骤1110：获得当前L帧的该车位的稳态图像中的轮廓；

步骤1111：判断该轮廓是否满足空车位的特征；当判断结果为“是”时，进入步骤1115；当判断结果为“否”时，进入步骤1112；

步骤1112：判断当前场景是否清晰；当判断结果为“是”时，进入步骤1114，当判断结果为“否”时，进入步骤1113；

步骤1113：对该车位的稳态图像进行清晰化处理；

步骤1114：利用机器学习法对该车位的稳态图像进行检测；

步骤1115：将该车位的检测结果确定为空车位；

步骤1116：将该车位的检测结果确定为非空车位。

在本实施例中，上述各个步骤中使用的方法与实施例1中的记载相同，此处不再赘述。

由上述实施例可知，基于车位图像的运动状态进行检测，能够保证检测结果的稳定性，另外，将轮廓法和机器学习法结合起来进行检测，并且在利用机器学习法之前在场景不清晰的情况下进行清晰化处理，能够有效的结合轮廓法和机器学习法的优点，处理速度较快且能够适用于各种场景，且具有较高的检测精度。

本发明实施例还提供一种计算机可读程序，其中当在车位检测装置或电子设备中执行所述程序时，所述程序使得计算机在所述车位检测装置或电子设备中执行实施例3或实施例4所述的车位检测方法。

本发明实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得计算机在车位检测装置或电子设备中执行实施例3或实施例4所述的车位检测方法。

本发明以上的装置和方法可以由硬件实现，也可以由硬件结合软件实现。本发明涉及这样的计算机可读程序，当该程序被逻辑部件所执行时，能够使该逻辑部件实现上文所述的装置或构成部件，或使该逻辑部件实现上文所述的各种方法或步骤。本发明还涉及用于存储以上程序的存储介质，如硬盘、磁盘、光盘、DVD、flash存储器等。

以上结合具体的实施方式对本发明进行了描述，但本领域技术人员应该清楚，这些描述都是示例性的，并不是对本发明保护范围的限制。本领域技术人员可以根据本发明的精神和原理对本发明做出各种变型和修改，这些变型和修改也在本发明的范围内。