JERMSURAWONG Jermsak,AHSAN Umair,HAIDARAbdulhamid,DONG Haiwei*，MAVRIDIS Nikolaos

（1.紐約大學(xué),美國(guó)紐約州紐約市；2.麻省理工學(xué)院,美國(guó)馬薩諸塞州劍橋市）

1 引言

由于私家車的增長(zhǎng)，停車管理問(wèn)題越來(lái)越迫切.一方面，過(guò)少的停車位會(huì)引起交通擁堵并導(dǎo)致停車占用其他空間[1，2].另一方面，如果停車位過(guò)多，容易造成土地資源的浪費(fèi)，而且間接促進(jìn)了私家車的進(jìn)一步增長(zhǎng)，背離了環(huán)境友好型的交通發(fā)展模式[3].對(duì)實(shí)際數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，對(duì)于制定合理的決策具有重要意義.本文嘗試?yán)脝螖z像機(jī)空位檢測(cè)系統(tǒng)，對(duì)位于阿布扎比市區(qū)的通用路外停車場(chǎng)全天的停車數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析.

為給交通管理和決策制定提供依據(jù)，已有許多針對(duì)小汽車停車問(wèn)題的研究，其中停車需求是重要的研究對(duì)象之一[4].“停車需求是車輛在指定地點(diǎn)、關(guān)聯(lián)位置和一定時(shí)間內(nèi)的累積值……它應(yīng)該是觀測(cè)時(shí)間內(nèi)的最大車輛觀測(cè)數(shù)”[5].因此，停車需求表示停車場(chǎng)在時(shí)間維度上的利用率.調(diào)整停車位的大小和數(shù)量[6]、估算利潤(rùn)和環(huán)境成本[7]、評(píng)價(jià)政策的效果和預(yù)測(cè)未來(lái)需求[8]都依賴于對(duì)停車需求的統(tǒng)計(jì)分析.

停車需求首先被用于確定停車位的大小.目前，許多路外停車場(chǎng)的建設(shè)標(biāo)準(zhǔn)都參考美國(guó)交通工程師學(xué)會(huì)停車研究所(Institute of Transportation Engineers’Parking Generation)的研究成果.這本書(shū)明確了不同性質(zhì)的土地利用的最小停車需求.然而，研究成果中的數(shù)據(jù)來(lái)自于單一土地利用性質(zhì)的郊區(qū)[1]，而未兼顧到混合土地利用的情況，事實(shí)上，對(duì)于后者，停車需求相對(duì)更小.因此，在停車場(chǎng)的設(shè)計(jì)過(guò)程中，利用低成本、高效率的方法獲得更加精確的停車需求顯得非常重要.

除了停車場(chǎng)設(shè)計(jì)之外，評(píng)價(jià)既有停車場(chǎng)的停車需求對(duì)于制定停車政策也是有意義的，比如常用來(lái)確定合理的停車費(fèi)用.高停車需求下有限的停車位會(huì)導(dǎo)致停車費(fèi)提高，而收費(fèi)過(guò)低則造成停車位緊張，收費(fèi)過(guò)高則會(huì)降低利用率，浪費(fèi)公共資源，合理的價(jià)格才能使資源得到最有效的利用.舊金山成功實(shí)施了一種先進(jìn)的停車收費(fèi)系統(tǒng)，它可以根據(jù)不同時(shí)段和當(dāng)天的實(shí)際停車情況進(jìn)行收費(fèi)[4]，但是對(duì)于事先未確定的停車費(fèi)的最優(yōu)定價(jià)不能僅僅依賴于停車需求，因?yàn)樗鼉H僅是實(shí)際的停車人數(shù)，還應(yīng)當(dāng)通過(guò)調(diào)查獲得在某種收費(fèi)價(jià)格水平下有停車意愿的所有數(shù)量.

目前，存在兩種較為常用的停車需求估計(jì)方法.第一種是基于仿真建模，模型既有方便的簡(jiǎn)化形式，也有需要大量數(shù)據(jù)、計(jì)算過(guò)程復(fù)雜的形式[9].實(shí)際上在預(yù)測(cè)停車需求方面，有許多針對(duì)影響停車選擇的因素，包括走行距離、停車費(fèi)、可用停車位、違法停車罰款等[10,11].一些模型根據(jù)概率理論考慮了駕駛員對(duì)這些因素的感知成本和效用估計(jì)[12]，其他模型利用機(jī)器學(xué)習(xí)方法根據(jù)時(shí)間參數(shù)來(lái)確定對(duì)當(dāng)前停車設(shè)施的需求[13].這些方法都需要根據(jù)實(shí)際數(shù)據(jù)進(jìn)行標(biāo)定，并且停車需求可由實(shí)際數(shù)據(jù)統(tǒng)計(jì)得到.以智能停車系統(tǒng)[14]為代表的自動(dòng)化系統(tǒng)能夠有效收集停車信息[15].這些系統(tǒng)可進(jìn)一步分為侵入式和非侵入式兩類[16].比如，需要將無(wú)線[17]或有線傳感器[18]安裝在復(fù)雜的設(shè)備上的屬于侵入式系統(tǒng)，而另外一種非侵入式系統(tǒng)，如微波雷達(dá)、被動(dòng)式聲線列陣傳感器、被動(dòng)式紅外傳感器等更便于安裝[14].這兩種系統(tǒng)都是資源密集型的，僅可用于收集短時(shí)數(shù)據(jù).所以，更好的解決方法是采用基于圖像檢測(cè)的一對(duì)多系統(tǒng)，這種系統(tǒng)成本更低而且更靈活，屬于非侵入式的系統(tǒng).

在基于視覺(jué)的研究領(lǐng)域中，目標(biāo)檢測(cè)一直是研究的焦點(diǎn).Bong等人利用像素檢測(cè)臨界值來(lái)區(qū)分車輛和空位，雖然臨界值不能隨著光條件的改變而自發(fā)性地變化，但他用邊緣檢測(cè)進(jìn)行了修正[19].盡管如此，這種方法在車輛距離攝像機(jī)較遠(yuǎn)或車輛圖像占有像素點(diǎn)較少的情況下的檢測(cè)效果仍然較差.Fabian在這種方法的基礎(chǔ)上利用車輛像素的同質(zhì)化特征，計(jì)算了同質(zhì)化的像素塊數(shù)量[20].同樣，這種方法也要求圖像具有較高的精細(xì)度，因此這種方法對(duì)于單攝像機(jī)檢測(cè)系統(tǒng)在大規(guī)模停車場(chǎng)的適用性有限.本文提出的算法需要的像素很少，單攝像機(jī)的覆蓋范圍超過(guò)150個(gè)停車位.

另外，有一些研究嘗試?yán)脵C(jī)器學(xué)習(xí)判斷停車狀態(tài)[21,22]，這種方法在光線變化的條件下的穩(wěn)定性稍差.為了解決這個(gè)問(wèn)題，Huang提出了一種基于貝葉斯理論的檢測(cè)方法，這個(gè)研究詳細(xì)到基于美國(guó)海軍氣象天文臺(tái)根據(jù)光線方向?qū)τ白舆M(jìn)行了建模，以此避免影子被錯(cuò)誤識(shí)別成黑色車輛[23].可以看出，這種方法很復(fù)雜，雖然可以通過(guò)影子識(shí)別車輛，但車輛的外形存在差異.此外，雖然該方法的精確度可以達(dá)到99%[23]，但僅在白天被測(cè)試過(guò).而本文提出的方法在夜間依然可以得到同樣令人滿意的效果.

還有一些可在夜間使用的空位識(shí)別系統(tǒng)的少量案例[24].遺憾的是，Macdonell和Lobo檢測(cè)到的夜間圖像只能覆蓋5個(gè)停車位[25].日本測(cè)試了基于模糊C均值算法識(shí)別空位的系統(tǒng)，得到了較為滿意的結(jié)果.該研究收集了兩個(gè)月的全天數(shù)據(jù)[26]，但是研究區(qū)域在一個(gè)多層停車場(chǎng)的頂層，車位數(shù)不到30個(gè).所以，檢測(cè)區(qū)域不能完全代表整個(gè)停車場(chǎng)，并且?？康能囕v較少，以至于難以獲得更有效的統(tǒng)計(jì)數(shù)據(jù).

對(duì)停車場(chǎng)進(jìn)行全天的研究并不多，最系統(tǒng)的一次研究是由香港運(yùn)輸署委托的，估算了4 000個(gè)停車場(chǎng)從7:30至22:30的停車需求[27].結(jié)果發(fā)現(xiàn)停車需求曲線具有相似性，并且停車場(chǎng)可以根據(jù)周邊土地利用性質(zhì)進(jìn)行分類.由得到的需求模型，該研究根據(jù)周邊土地利用性質(zhì)提出了停車需求預(yù)測(cè)方法.雖然這類方法能夠滿足應(yīng)用需要，但在全天時(shí)段內(nèi)觀測(cè)的停車需求有可能出現(xiàn)偏差，因?yàn)榧词拱滋斓耐＼嚽€很相似，夜間的差別可能會(huì)很大.因此，研究不能夠預(yù)先假設(shè)停車行為的動(dòng)態(tài)時(shí)間區(qū)間，而應(yīng)該基于全天的經(jīng)驗(yàn)數(shù)據(jù).

目前關(guān)于停車研究的另一個(gè)局限性在于即使停車場(chǎng)接近飽和，仍然將利用率作為唯一指標(biāo).當(dāng)每個(gè)需要停車的駕駛員都能夠?？吭谕＼噲?chǎng)，并因此被看做是整個(gè)停車需求的一部分的時(shí)候，利用率確實(shí)能夠代表停車需求.然而，當(dāng)停車場(chǎng)接近飽和時(shí)，并不是所有想要停車的駕駛員都能夠成功獲得停車位.僅從利用率來(lái)評(píng)價(jià)整個(gè)停車需求必然排除了沒(méi)有成功獲得停車位的那部分人的需求.除了描述利用率隨時(shí)間的變化，更為詳細(xì)的研究會(huì)記錄在停車場(chǎng)出入口處進(jìn)入和離開(kāi)停車場(chǎng)的車輛數(shù)[28].實(shí)際上，在利用率近似飽和的情況下，根據(jù)進(jìn)入和駛出停車場(chǎng)的車輛數(shù)可以得到?jīng)]有找到停車位的那部分停車需求.然而，以往研究中往往忽略了這種潛在的停車需求.本文的方法檢測(cè)的數(shù)據(jù)能夠用于研究停車位在空閑之后多久再次被占用.當(dāng)大多數(shù)停車位已被占用，潛在需求較高就表現(xiàn)為新來(lái)的車輛會(huì)迅速占用剛空出的停車位.當(dāng)停車場(chǎng)接近飽和時(shí)，它進(jìn)一步捕獲了沒(méi)有成功停車的那部分需求，是一種更精確的描述方法.

本文收集一天的數(shù)據(jù)，利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)根據(jù)停車位的視覺(jué)特征來(lái)確定其占用狀態(tài).空位檢測(cè)系統(tǒng)解決了三個(gè)技術(shù)問(wèn)題：首先，通過(guò)自動(dòng)匹配路面像素值來(lái)計(jì)算停車位和車道之間的顏色距離，并且能夠根據(jù)光強(qiáng)變化和光強(qiáng)的非均衡性進(jìn)行調(diào)整；其次，將光照不足的部分近似為與其有相似特征值的光照充足的部分，并將兩部分進(jìn)行合并；最后，特別系統(tǒng)性地考察了夜間的空位檢測(cè)，選擇適當(dāng)?shù)膮^(qū)域獲得參考顏色值.總體而言，檢測(cè)系統(tǒng)有兩個(gè)主要優(yōu)點(diǎn)：其一，和其他方法相比，它依賴的像素點(diǎn)較少，單攝像機(jī)能夠覆蓋超過(guò)150個(gè)停車位；其二，在周圍建筑物遮擋造成的光照變化和光強(qiáng)不均勻時(shí)具有較好的穩(wěn)定性.此外，該方法便于實(shí)施、容易計(jì)算，能夠得到很好的實(shí)驗(yàn)結(jié)果.在持續(xù)一天的實(shí)驗(yàn)過(guò)程中，占用停車位的檢測(cè)精度為99.9%，空閑停車位的檢測(cè)精度為97.9%，特別適合全天數(shù)據(jù)的統(tǒng)計(jì).由于傳統(tǒng)方法借助利用率描述停車需求不能夠捕獲沒(méi)有找到停車位那部分的需求，本文提出了停車場(chǎng)接近飽和時(shí)停車需求的統(tǒng)計(jì)方法，該方法能夠估算出停車場(chǎng)擁擠狀態(tài)的更精確的停車需求.本文提出的方法可以用于混合土地利用性質(zhì)下停車需求的估算，這通常難以在現(xiàn)行的單一土地利用性質(zhì)的計(jì)算標(biāo)準(zhǔn)中得到.此外，該方法可用于評(píng)價(jià)政策的實(shí)施效果，比如實(shí)行停車收費(fèi)等.

2 技術(shù)問(wèn)題

（1）問(wèn)題1：白天光照變化與光強(qiáng)不均勻.

在室外停車場(chǎng)，光強(qiáng)不僅隨時(shí)間變化，并且不均勻，如圖1所示.周圍建筑物的影子會(huì)延伸至停車場(chǎng)，這個(gè)問(wèn)題在城市停車場(chǎng)中很明顯，因?yàn)橥＼噲?chǎng)通常會(huì)被建筑物包圍.圖像分析可以給出停車場(chǎng)狀態(tài)不變的情況下停車位在不同時(shí)間的變化特征.表1列出了停車位從無(wú)陰影區(qū)到陰影區(qū)后平均統(tǒng)計(jì)指標(biāo)的降低率.本文提出的方法應(yīng)當(dāng)能夠動(dòng)態(tài)地響應(yīng)光照的變化，包括光強(qiáng)及其不均勻性.

圖1 問(wèn)題1,從早至晚停車場(chǎng)的光照變化與光強(qiáng)的不均勻性Fig.1 Problem 1,different light intensity and non-uniformity in the car park from morning to evening time.(a)Morning.(b)Noon.(c)Evening

（2）問(wèn)題2：清晨和傍晚光強(qiáng)不足.

雖然能夠解決光強(qiáng)在白天的變化問(wèn)題，但是光強(qiáng)嚴(yán)重不足給圖像的細(xì)節(jié)分析造成了嚴(yán)重影響.這種光強(qiáng)嚴(yán)重不足的情況通常發(fā)生在白天和夜間交替的時(shí)段，即關(guān)燈之后的清晨和開(kāi)燈之前的傍晚，如圖2中(a)、(b)所示.這種條件下圖像像素值的統(tǒng)計(jì)結(jié)果與照明條件良好的情況有所區(qū)別，傍晚像素值的值域及其標(biāo)準(zhǔn)差明顯比下午小.由于傍晚車輛活動(dòng)頻繁，在此關(guān)鍵時(shí)期獲得準(zhǔn)確的空位檢測(cè)結(jié)果十分重要.

表1 停車位從無(wú)陰影區(qū)到陰影區(qū)后平均統(tǒng)計(jì)指標(biāo)的降低率Table 1 Comparison of Average Statistical Measures for the Non-Shaded Spots with the Shaded Spots

圖2 問(wèn)題2和問(wèn)題3，其中(a)、(b)光強(qiáng)不足Fig.2 Problem 2 and 3,(a,b)Limited light intensity

（3）問(wèn)題3：夜間不同的光照模式.

雖然夜間的持續(xù)燈光不會(huì)使圖像特征值隨時(shí)間產(chǎn)生復(fù)雜變化，但是燈柱射出的短距離單光源不同于白天日光下的圖像，如圖2（c）.因?yàn)槁窡粽彰鲀H集中在停車位，空閑車位的顏色比附近路面更亮，兩者顏色差別很大，直接比較兩個(gè)區(qū)域會(huì)得到錯(cuò)誤的車輛停放信息.

3 方法

從2012年7月3日上午9點(diǎn)至4日上午9點(diǎn)，我們記錄了位于阿布扎比市區(qū)內(nèi)一個(gè)露天停車場(chǎng)為期一天的數(shù)據(jù).為了避免遮擋，攝像機(jī)被安置在相鄰大樓的第29層.研究區(qū)域包含9條車道，每條車道一側(cè)有14個(gè)停車位，所以一共包括126個(gè)停車位.這種大范圍的觀測(cè)將每個(gè)停車位的像素值減少到30×14個(gè).建立神經(jīng)網(wǎng)絡(luò)，利用一個(gè)視頻幀來(lái)訓(xùn)練樣本，然后用于分析圖像記錄.

3.1 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)的分類用于確定停車位的占用狀態(tài)，白天和夜間是兩個(gè)雙層前饋的網(wǎng)絡(luò)，具有感知隱層和輸出神經(jīng)元.將從每個(gè)停車位收集到的各種屬性作為輸入，給出的停車狀態(tài)作為輸出.在訓(xùn)練過(guò)程中，每個(gè)網(wǎng)絡(luò)提取一套包括輸入屬性的數(shù)據(jù)樣本，輸出目標(biāo)停車位的實(shí)際狀態(tài)，也就是相應(yīng)停車位的占用情況，并且用本研究提出的一種專用標(biāo)注方法手動(dòng)注解.

攝像機(jī)每秒記錄25幀，白天的訓(xùn)練數(shù)據(jù)僅需要326幀.由于空閑車位數(shù)明顯少于占用車位數(shù)，以固定間隔從地面停車位提取的樣本按比例來(lái)講空閑車位數(shù)很少.因此，這326幀均勻地分布在整個(gè)白天，而夜晚用兩倍頻率來(lái)觀測(cè)更加頻繁的停車活動(dòng)，以及收集更多的空閑車位信息.盡管如此，數(shù)據(jù)樣本仍是有偏的，因?yàn)橐归g比白天時(shí)間短.事實(shí)上，將夜間樣本加倍可以使數(shù)據(jù)樣本更能代表不同光照條件下的地面停車位情況.從夜間開(kāi)燈后的4小時(shí)內(nèi)均勻提取112幀，這段時(shí)間的停車位明顯多于深夜的，并且夜間光強(qiáng)是穩(wěn)定的，樣本仍能代表整夜的情況.由于每一幀覆蓋126個(gè)停車位，因此白天訓(xùn)練序列一共有41 076個(gè)數(shù)據(jù)，其中占用車位39 747個(gè)，空閑車位1 329個(gè)，夜間訓(xùn)練序列有14 112個(gè)停車位，其中占用車位13 731個(gè)，空閑車位381個(gè).

白天和夜間兩個(gè)神經(jīng)網(wǎng)絡(luò)各自的數(shù)據(jù)訓(xùn)練樣本可以進(jìn)一步分成三類.首先，70%的數(shù)據(jù)是采用按比例共軛梯度反向傳播法隨機(jī)選定的.從神經(jīng)網(wǎng)絡(luò)到地面停車位占用或空閑狀態(tài)的預(yù)期輸出，由預(yù)測(cè)誤差項(xiàng)通過(guò)網(wǎng)絡(luò)向后傳播來(lái)確定權(quán)重及調(diào)整偏差使其更加接近地面實(shí)況.其次，除了上述用于訓(xùn)練的70%的數(shù)據(jù)，另外15%的數(shù)據(jù)用于檢驗(yàn)神經(jīng)網(wǎng)絡(luò)的效果，神經(jīng)網(wǎng)絡(luò)會(huì)不斷訓(xùn)練直到這15%的樣本的檢驗(yàn)效果不再提高.最后剩下15%的樣本數(shù)據(jù)作為測(cè)試數(shù)據(jù)序列獨(dú)立用于對(duì)網(wǎng)絡(luò)進(jìn)行評(píng)價(jià).

白天網(wǎng)絡(luò)隱層包括11個(gè)元素，能被正確識(shí)別的測(cè)試數(shù)據(jù)占用車位的檢測(cè)精度為99.9%，空閑車位的檢測(cè)精度為98.5%.夜間網(wǎng)絡(luò)隱層包括10個(gè)元素，占用車位檢測(cè)精度為99.9%，空閑車位的檢測(cè)精度為98.4%.兩個(gè)時(shí)段內(nèi)，空閑車位的檢測(cè)精度都小于占用車位，這是因?yàn)榭臻e車位的數(shù)據(jù)樣本量比占用車位少很多.另外，夜間的誤差貫穿整個(gè)觀測(cè)時(shí)段，而白天的誤差大多集中在清晨和傍晚，這就更加明確了如問(wèn)題2中所述的兩個(gè)時(shí)間段的光照問(wèn)題，建議將它們與白天神經(jīng)網(wǎng)絡(luò)中效果較好的時(shí)間段取近似值.

3.2 特征選擇

停車位的特征總結(jié)如下，五類明顯特征分別是：光特征、像素值統(tǒng)計(jì)特征、邊界特征、顏色特征、時(shí)間特征.

（1）光特征.

這種特征表現(xiàn)為光照的不均勻性和光強(qiáng)變化.首先，顏色距離特征有一個(gè)自適應(yīng)的參考值.由于研究中每個(gè)停車位的尺寸一樣的，顏色距離實(shí)際上就是停車位中每個(gè)像素的顏色距離之和，或者單位面積的顏色距離之和.其次，每個(gè)停車位的陰影狀態(tài)特征確定了該停車位處于陰影區(qū)、無(wú)陰影區(qū)還是陰影不明顯，對(duì)應(yīng)狀態(tài)值分別為0、1、2.

（2）像素值統(tǒng)計(jì)特征.

該特征考慮了停車位圖像像素分散的空間分布，與空閑車位相比，車輛的像素值更廣且空間分布更加不均勻.然而，某些車輛在光線不好的情況下與無(wú)車行駛的路面的統(tǒng)計(jì)指標(biāo)有相似值域.因此這些統(tǒng)計(jì)指標(biāo)有雙層約束，可以通過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)得到每層約束的理想權(quán)重，從統(tǒng)計(jì)指標(biāo)中獲得最優(yōu)值.寬松約束是指整個(gè)觀測(cè)區(qū)域的標(biāo)準(zhǔn)差、熵和像素值的值域.當(dāng)停車位被占用時(shí)，由于車輛通常不會(huì)覆蓋停車位的全部空間，標(biāo)準(zhǔn)差和熵的計(jì)算結(jié)果中必然會(huì)包括一部分路面的像素值，雖然對(duì)整個(gè)停車位的檢測(cè)增加了占用車位的分散性和隨機(jī)性，增大了車輛占用的預(yù)測(cè)，但是也有可能包括相鄰車輛的陰影和重疊部分，也錯(cuò)誤地增加了傳播和隨機(jī)性.寬松約束的另一個(gè)特征是值域，它表征了停車位像素值之間的最大差異，包含像素值中的異常值.較為嚴(yán)格的約束是停車位區(qū)域內(nèi)的標(biāo)準(zhǔn)差和四分位差.從實(shí)際觀測(cè)區(qū)域20%以內(nèi)的范圍里提取像素值可以排除相鄰車輛的干擾.而異常值對(duì)四分位差基本無(wú)干擾，因?yàn)樗硎鞠袼刂档牡?5至第75分位值的差異，并不包括極端值.

（3）邊界特征.

同樣地，邊界特征也有兩層約束.寬松約束使用Canny邊界檢測(cè)方法，由于這種方法按灰度圖像的局部最大梯度來(lái)確定邊界，所以對(duì)模糊邊界比較敏感.對(duì)模糊、清晰邊界有兩種不同的邊界值，不僅輸出清晰邊界，還輸出與清晰邊界相連的模糊邊界.雖然寬松約束邊界檢測(cè)可以定義與空白路面顏色相似的車輛，但它包括了不必要的模糊邊界，比如空閑停車位的斑點(diǎn).清晰邊界特征用Sobel方法，它僅在灰度圖像的最大梯度處定義邊界，因此需要更清晰的車輛特征.

（4）顏色特征.

顏色特征是著色車輛的重要屬性.紅色、綠色、藍(lán)色車輛濾鏡的最大值和平均值都比空閑車位要高很多.在RGB濾鏡中的的最大差值對(duì)于識(shí)別著色車輛與路面起到類似作用.灰色在紅綠藍(lán)濾鏡上有相似的顏色值，因此空閑車位對(duì)任意兩個(gè)濾色鏡的最大差值更小.

（5）時(shí)間特征.

時(shí)間特性考慮了前一幀傳達(dá)的信息.當(dāng)停車狀態(tài)從一幀到另一幀發(fā)生改變時(shí)，表現(xiàn)的特征也會(huì)有很大改變.如果傳播、邊界、隨機(jī)值與前一幀相比是下降的，這就表示被觀測(cè)的停車位在目前這一幀變成空閑狀態(tài)，相反，如果這些值增加，停車位有可能將會(huì)被占用.每一個(gè)新幀中的這種相對(duì)變化并未考慮到白天日光條件的變化，因?yàn)樗鼘?duì)于不變的或者緩慢改變的日光條件是穩(wěn)定的.雖然，停車狀態(tài)保持不變的情況下，這些特征是無(wú)用的，但是當(dāng)停車狀態(tài)快速變化，交通流量較大的情況下，時(shí)間特征是確定停車狀態(tài)的關(guān)鍵因素.

3.3 問(wèn)題1的解決：自適應(yīng)像素參考值

光特征表現(xiàn)為光強(qiáng)變化和光照不均勻.顏色距離計(jì)算了停車位像素和路面一般像素的距離之和.一般像素作為自適應(yīng)的參考值，在白天隨著光強(qiáng)的變化而變化.當(dāng)光照不均勻時(shí)，就會(huì)得到與陰影區(qū)域和非陰影區(qū)域相關(guān)的兩個(gè)一般像素值，陰影狀態(tài)值進(jìn)一步確定停車位是否處在陰影區(qū)域.如果停車位的顏色距離高就表示有車輛占用，顏色距離低就表示與沒(méi)有車輛行駛的路面情況一致，即無(wú)車輛占用.

為了確定一般像素值，首先把圖像轉(zhuǎn)換成YcbCr顏色空間.按照?qǐng)D3（a）中黃色區(qū)域手動(dòng)區(qū)分空白路面.繪制所有區(qū)域像素值的直方圖.如果光線均勻，就會(huì)出現(xiàn)單峰值，如圖3（c）所示.隨著向陰影方的移動(dòng)，直方圖會(huì)出現(xiàn)雙峰，如圖3（d）所示.這兩種情況需要分別研究.

圖3 均勻與非均勻光照Fig.3 Uniform and Non-uniform lighting

如果所有區(qū)域的直方圖只有一個(gè)峰值，就單獨(dú)考慮這些區(qū)域找到出現(xiàn)最頻繁的像素值，并取這些像素值的平均值，就得到了均勻光照條件下的最終像素參考值.如果路面上有車輛，有可能造成一般像素值在某個(gè)區(qū)域內(nèi)異常，從這一區(qū)域內(nèi)得到的值就會(huì)被認(rèn)為是異常值而不納入考慮范圍.

當(dāng)直方圖有兩個(gè)峰值，一個(gè)峰值是在無(wú)陰影區(qū)域最常出現(xiàn)的像素值，另一個(gè)是在陰影區(qū)最常出現(xiàn)的像素值.這兩個(gè)區(qū)域的平均值是用于區(qū)分陰影區(qū)和無(wú)陰影區(qū)的臨界值，按照像素是否超過(guò)了臨界值，將像素分配為0或1，然后識(shí)別出目前二進(jìn)制映像中的最大關(guān)聯(lián)區(qū)域，如圖4（b）所示.在得到最終陰影區(qū)和非陰影區(qū)的劃分界線之前，要事先過(guò)濾圖像除去噪聲，如圖4（c）所示.然后，按照是否處于陰影區(qū)來(lái)劃分停車位，不同區(qū)域的停車位的像素參考值則與停車位所處區(qū)域的像素的峰值相關(guān).

圖4 陰影檢測(cè)Fig.4 Shade Detection

3.4 問(wèn)題2的解決：逼近充足照明

如在2.2中提到的問(wèn)題，顏色的分布特征在光強(qiáng)不足的情況下不明顯，而且像素值在光強(qiáng)不足的情況下明顯偏低.白天由于光強(qiáng)足夠，其圖像對(duì)比度較高，在灰度等級(jí)或強(qiáng)度分級(jí)上有較好的直方分布圖.隨著直方圖的適當(dāng)延伸，光強(qiáng)不足條件下的弱對(duì)比圖像能夠接近充足光強(qiáng)的效果，此時(shí)神經(jīng)網(wǎng)絡(luò)效果好.

對(duì)比度可以從灰度共生矩陣中得到.在共生矩陣中，每個(gè)元素都有位置編碼i和j，元素值表示像素值i和j在指定空間關(guān)系中出現(xiàn)的頻率.換言之，矩陣中的每個(gè)元素表示兩個(gè)像素值之間的共生次數(shù)，而位置編碼就是像素值.本文中，空間關(guān)系定義為左鄰接關(guān)系.根據(jù)共生矩陣，對(duì)比度值就是所有像素值與對(duì)應(yīng)位置編碼平方差的乘積之和.如果圖像是不變的，相應(yīng)共生矩陣的對(duì)比度就為0.

對(duì)比度值在夜間下降很快，如圖5（a）所示.在繪制超過(guò)某一臨界值的像素值的直方圖時(shí)，弱對(duì)比圖像可以通過(guò)拉伸直方圖來(lái)補(bǔ)償對(duì)比度，即減小臨界值直到得到滿意的對(duì)比圖像，此時(shí)更多像素被推移到圖中右側(cè)明亮的區(qū)域內(nèi).從圖5（a）中選擇目標(biāo)對(duì)比度值為0.28，剛好此時(shí)對(duì)比度開(kāi)始下降.圖5中（b）和（c）表示臨界值在減小后達(dá)到了目標(biāo)對(duì)比度值.

由表2可知，調(diào)整目標(biāo)對(duì)比度值后，顏色值非常接近光照充足時(shí)的情況，而光照充足條件下無(wú)論是空閑車位還是占用車位采用神經(jīng)網(wǎng)絡(luò)的檢測(cè)效果都很好.然而，與預(yù)期不同的是，空白地面的傳播值在直方圖拉伸之后變大了.事實(shí)上，在調(diào)整之前，光照不足的傳播值也比光照充足的傳播值大.這是因?yàn)榭臻e車位的黑色污點(diǎn)在光照不足時(shí)更加明顯，如圖6所示.但無(wú)論什么情況，空閑車位的傳播值總比占用車位的明顯小.

圖5 光適應(yīng)Fig.5 Light adaptation

表2 調(diào)整目標(biāo)對(duì)比度后特征的平均值Table 2 Average values of features after adjusted to the target contrast value

圖6 同一位置的污點(diǎn)在光照不足時(shí)更顯著Fig.6 Dark stains of the same spot intensified in the limited sunlight

3.5 問(wèn)題3的解決：為參照選擇適當(dāng)區(qū)域

光照條件在夜間是穩(wěn)定的，不需要預(yù)處理，但仍需找到合適的區(qū)域?yàn)橛?jì)算顏色距離確定參考點(diǎn).夜間的光照集中在停車位而不是車道，空閑車位顏色完全不同于地面.本文的方法是選擇每個(gè)停車位前段的半圓區(qū)，因?yàn)檫@部分地面受到與其它光照位置相似的穩(wěn)定光照.

4 結(jié)果

4.1 精度

利用選定的白天和夜間的神經(jīng)網(wǎng)絡(luò)，在對(duì)光照不足的圖像進(jìn)行修正之后，對(duì)全天錄像數(shù)據(jù)進(jìn)行分析和統(tǒng)計(jì).為了保證即使在交通量較大的時(shí)段也能夠捕獲停車狀態(tài)的變化，從錄像中每隔10s提取一幀，然后再?gòu)倪@些幀中提取停車位的特征，輸入到神經(jīng)網(wǎng)絡(luò)中來(lái)判斷停車狀態(tài).之后，每60幀中取1幀作為計(jì)算精度的樣本.這就意味著每隔10 min驗(yàn)證停車狀態(tài)的輸出結(jié)果.總共有17 640個(gè)停車位狀態(tài)等待檢驗(yàn)，其中17 083個(gè)占用車位中僅有9個(gè)檢測(cè)錯(cuò)誤，537個(gè)空閑車位中有11個(gè)被檢測(cè)錯(cuò)誤.全天輸出結(jié)果中占用車位的檢測(cè)精度為99.9%，空閑車位的檢測(cè)精度為97.9%.

4.2 全天的數(shù)據(jù)分析

由于錄像條件和技術(shù)的限制，該天的數(shù)據(jù)丟失了21:20至22:00的40 min，以及8:45至9:00的15 min，共還剩23小時(shí)零5分鐘完整的數(shù)據(jù)，也就是獲得了全天超過(guò)95%的數(shù)據(jù).本節(jié)中將討論利用圖像上的灰色區(qū)域來(lái)表示這兩個(gè)時(shí)間段的情況.

全天的空閑車位圖(FSP)描述了空車位數(shù)量隨時(shí)間的變化.126個(gè)可用車位的最大空車位為33，比例為26%.停車場(chǎng)在6:00至9:00的空車位逐漸變多，因?yàn)檫^(guò)夜停車的居民開(kāi)始出行.9:00以后，隨著其他人來(lái)此地工作，空閑車位高峰數(shù)量逐漸下降.下午13:00至14:00部分小汽車在午餐時(shí)間離開(kāi)此停車場(chǎng)，造成第二次出現(xiàn)較多的空閑車位高峰，最多達(dá)18個(gè)，占所有車位的14%，超過(guò)最高峰時(shí)段數(shù)量的一半.這個(gè)高峰比早高峰持續(xù)時(shí)間短，很可能因?yàn)槿藗冊(cè)绯块_(kāi)車出行的離開(kāi)時(shí)間不一定相同，但一般中午開(kāi)車去吃飯的時(shí)間大體相同.一般情況下空閑車位的數(shù)量都小于10，表示一天內(nèi)的大多數(shù)時(shí)間有92%的停車位均處于被占用狀態(tài)，是一個(gè)較高的利用率.空閑車位比例圖中正值和負(fù)值在一天內(nèi)交替出現(xiàn)，如圖7（b）所示，意味著車輛活動(dòng)較為頻繁，當(dāng)車輛離開(kāi)時(shí)，便有新車占用車位.連續(xù)正值的時(shí)間間隔等于兩個(gè)高峰的時(shí)間間隔.空閑車位比例再次增大出現(xiàn)在晚上的21:00至22:00，那時(shí)人們結(jié)束夜間活動(dòng)離開(kāi)此地.

圖7 統(tǒng)計(jì)結(jié)果Fig.7 Statistical result

4.3 停車需求估計(jì)

當(dāng)停車場(chǎng)接近飽和時(shí)，一種較好的停車需求估計(jì)方法是研究車輛尋找停車位的行為，也可以理解為當(dāng)車輛離開(kāi)一個(gè)車位后，該車位多久再被占用.由于利用率僅能反映停車位數(shù)量可用的停車需求，而本文的這種估計(jì)方法給出了對(duì)停車需求更精確的理解.縱軸為停車位編號(hào)，橫軸表示時(shí)間，黑線表示車位處于空閑狀態(tài).一共分為四種情況.

首先，黑線出現(xiàn)次數(shù)多且短的車位表示有較多車輛離開(kāi)該停車位，且尋找空閑車位的車輛較多.一旦有車離開(kāi)停車位，該停車位就會(huì)很快被占用.結(jié)果是停車場(chǎng)在使用波動(dòng)中達(dá)到了最大利用率.這段時(shí)間為19:00至19:30，如圖8所示.

圖8 19:00-19:30空閑車位出現(xiàn)次數(shù)多且空閑時(shí)間短Fig.8 High number and short length 19:00 to 19:30

圖9 15:45-16:30與23:30-00:30空閑車位出現(xiàn)次數(shù)少且空閑時(shí)間短Fig.9 Low number and short length 15:45 to 16:30 and 23:30 to 00:30

第二，離開(kāi)停車場(chǎng)的車輛數(shù)較少，并且車位一旦空閑就會(huì)馬上被重新占用.這種情況出現(xiàn)在15:45至16:30，如圖9所示.較少有人在下午的中間這段時(shí)間開(kāi)車離開(kāi)，并且?guī)缀跻坏┯熊囯x開(kāi)，車位馬上會(huì)被重新占用.這種情況在23:30至00:30也很顯著.很少有人在深夜開(kāi)車離開(kāi)，但是一旦有人離開(kāi)，總會(huì)有車馬上占用空閑車位.這表明深夜仍然有一定數(shù)量的車尋找過(guò)夜停車位.雖然這種情況也表示了類似于情況一的最大利用率，但是交通量相對(duì)較小.

圖10 02:00-03:00空閑車位出現(xiàn)次數(shù)少且空閑時(shí)間長(zhǎng)Fig.10 Low number and long length 02:00 to 03:00

第三，如圖10所示的這種情況下，很少車輛會(huì)在02:00至03:00時(shí)間段內(nèi)尋找停車位，很少車輛會(huì)在這個(gè)時(shí)間內(nèi)開(kāi)車離開(kāi)停車場(chǎng).本案例中，某車離開(kāi)某一停車位后，該停車位空閑長(zhǎng)達(dá)一個(gè)小時(shí).停車場(chǎng)利用率保持最大且穩(wěn)定.

圖11 7:00-9:00與13:00-14:00空閑車位出現(xiàn)次數(shù)多且空閑時(shí)間長(zhǎng)Fig.11 High number and long length 7:00 to 9:00 and 13:00 to 14:00

最后一種情況，早晨7:00至9:00，黑線出現(xiàn)次數(shù)多且長(zhǎng)，表示較多車輛離開(kāi)停車場(chǎng)且停車位空閑時(shí)間長(zhǎng)，如圖11所示.這段時(shí)間內(nèi)，人們出行上班，于是過(guò)夜車輛離開(kāi)停車場(chǎng).另一個(gè)類似時(shí)間段13:00至14:00，在午飯時(shí)間空出較多停車位.

5 研究結(jié)論

用實(shí)際統(tǒng)計(jì)數(shù)據(jù)對(duì)停車需求進(jìn)行估計(jì)對(duì)于停車場(chǎng)管理和政策制定非常重要.本文構(gòu)建了一個(gè)簡(jiǎn)便高效的單攝像機(jī)空位檢測(cè)系統(tǒng)，能夠?qū)κ彝馔＼噲?chǎng)進(jìn)行全天候的檢測(cè)和分析.利用位于阿布扎比市區(qū)內(nèi)的一個(gè)通用室外停車場(chǎng)對(duì)系統(tǒng)進(jìn)行檢驗(yàn)，并得到了全天的統(tǒng)計(jì)結(jié)果.本文在系統(tǒng)中嵌入了事先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，基于從停車場(chǎng)的錄像中提取的視覺(jué)特征來(lái)判斷占用狀態(tài)和停車需求.研究結(jié)果表明，除清晨和中午較早的時(shí)候人們離開(kāi)該地去上班或吃午飯外，白天的大部分時(shí)間停車位都處于被占用狀態(tài)，停車場(chǎng)利用率達(dá)到了92%.當(dāng)停車場(chǎng)接近飽和時(shí)，從未滿足需求的角度對(duì)停車需求進(jìn)行了更準(zhǔn)確的定義.利用構(gòu)建的系統(tǒng)和方法，可以得到全天準(zhǔn)確的停車需求，可為制定停車政策提供依據(jù)，比如根據(jù)停車需求改變收費(fèi)水平，或者根據(jù)需求的時(shí)間分布特征來(lái)設(shè)計(jì)共享停車位的措施，以使停車需求達(dá)到均衡.

[1]Shoup D.Truth in transportation planning[J].Journal of Transportation and Statistics,2003,6(1):1-16.

[2]Blumer K,H Halaseh,et al.Cost-effective single-camera multi-car parking monitoring and vacancy detection towards real-world parking statistics and real-time reporting[J].Neural Information Processing,Lecture Notes in Computer Science,2012,7667:506-515.

[3]Pandhe A,A March.Parking availability influences on travel mode:Melbourne CBD offices[J].Australia Planner,2012,49(2):161-171.

[4]Pierce G,D Shoup.Getting the prices right:An evaluation of pricing parking by demand in San Francisco[J].Journal of the American Planning,2013,79(1):67-81.

[5]Parking generation,3rd edition[M].Washington,DC,Institute of Transportation Engineers,2004:48-52.

[6]Mukhija V,D Shoup.Quantity versus quality in offstreet parking requirements[J].Journal of the American Planning Association,2006,72(3):296-308.

[7]Albanese B,G Matlack.Environmental auditing:utilizing of parking lots in hattiesburg,mississippi,usa,and impacts on local streams[J].Environmental Management,1998,24(2):265-271.

[8]Wong S C,C O Tong,et al.Development of parking demand models in Hong Kong[J].ASCE Journal of Urban Planning and Development,2000,126:55-74.

[9]Young W.A review of parking lot design models[J].Transport Reviews:A Transnational Transdisciplinary Journal,1988,8(2):161-181.

[10]Teknomo K,K Hokao.Parking behavior in central business district:A case study of surabaya,Indonesia[J].EASTS Journal,1997,2(2):551-570.

[11]Waerden P V D,H Oppewal,et al.Adaptive choice behavior of motorists in congested shopping centre parking lots[J].Transportation,1993,20(4):395-408.

[12]Ottomanelli M,M Dell'Orco,et al.Modelling parking choice behavior using possibility theory[J].Transportation Planning and Technology,2011,34(7):647-667.

[13]Rojas D,G Centeno.Predicting parking demand using neural networks[R].IIE Annual Conference,2006:1-6.

[14]Idris M Y I,Y Y Leng,et al.Car park system:A review of smart parking system and its technology[J].Information Technology Journal,2009,8:101-113.

[15]Bonsall P W.The changing face of parking-related data collection and analysis:The role of new technologies[J].Transportation,1991,18(1):83-106.

[16]Mimbela L Y,L A Klein.A summary of vehicle detection and surveillance technologies used in intelligent transportation systems[R],New Mexico State University,2007.

[17]Yan G,W Yan,et al.Smart parking:A secure and intelligent parking system[J].IEEE Intelligent Transportation Systems Magazine,2011,3(1):18-30.

[18]Wolff J,T Heuer,et al.Parking monitor system based on magnetic field sensors[C].IEEE Intelligent Transportation Systems Conference,2006:1275-1279.

[19]Bong D B L.,K C Ting,et al.Integrated approach in the design ofcarpark cccupancy information system(COINS)[J].IAENG International Journal of Computer Science,2008,35(1):7-14.

[20]Fabian T.An algorithm for parking lot occupation detection[C].7th Computer Information Systems and Industrial Management Applications,2008:165-170.

[21]True N.Vacant parking space detection in static images[M],University of California,San Diego,2007.

[22]Wu Q,C C Huang,et al.Robust parking space detection considering inter-space correlation[C].IEEE International Conference Multimedia Expo,2007:659-662.

[23]Jermsurawong J,M U Ahsan,et al.Car parking vacancy detection and its application in 24-hour statistical analysis[C].10th International Conference on Frontiers of Information Technology,2012:84-90.

[24]Huang C,S Wang.A hierarchical bayesian generation framework for vacant parking space detection[J].IEEE Transactions on Circuits and Systems for Video Technology,2010,20(12):1770-1785.

[25]Macdonell A,J Lobo.Visual sensor for smart parking[R],Boston University,2011.

[26]Ichihashi H,T Katada,et al.Improvement in the performance of camera based vehicle detector for parking lot[C].IEEE International Conference on Fuzzy System,2010:1950-1956.

[27]Tong C O,S C Wong,et al.Estimation of parking accumulation profiles from survey data[J].Transportation,2004,31(2):183-202.

[28]Hamid N A.Utilization patterns of park and ride facilities among kuala lumpur commuters[J].Transportation,2009,36(3):295-307.