基于圖像處理的車輛目標(biāo)檢測(cè)系統(tǒng)

鄭子秋 范榮 周擎蒼

摘 ?要：相對(duì)于傳統(tǒng)的車位目標(biāo)識(shí)別技術(shù)，文章采用了基于圖像處理的目標(biāo)檢測(cè)方法。實(shí)驗(yàn)中訓(xùn)練和測(cè)試的數(shù)據(jù)來(lái)自國(guó)際公開數(shù)據(jù)集PKLot，文章采用基于方向梯度直方圖（HOG）和支持向量機(jī)（SVM）對(duì)正負(fù)樣本集提取特征并生成模板，對(duì)待檢測(cè)的圖像提取出特征并與模板進(jìn)行對(duì)比，最后用矩形框標(biāo)識(shí)檢測(cè)的車輛目標(biāo)，經(jīng)多次獨(dú)立測(cè)試，可用車位的檢測(cè)準(zhǔn)確率在94%以上，試驗(yàn)過(guò)程中，測(cè)試了大約35萬(wàn)張車位圖像，包含四個(gè)場(chǎng)景下的不同停車場(chǎng)圖像，驗(yàn)證了設(shè)計(jì)流程的可行性。

關(guān)鍵詞：目標(biāo)檢測(cè);圖像處理;室外停車場(chǎng)

中圖分類號(hào)：TP391 ? ? ? ? 文獻(xiàn)標(biāo)志碼：A ? ? ? ? 文章編號(hào)：2095-2945（2020）19-0036-04

Abstract： Different from the traditional parking target recognition technology， this paper adopts the target detection method based on image processing. The data trained and tested in the experiment come from the international open data set PKLot. This paper uses Histogram of Oriented Gradient （HOG） and Support Vector Machine （SVM） to extract features from positive and negative sample sets and generate templates， extract features from the detected images and compare them with templates， and finally uses rectangular boxes to identify the detected vehicle targets. After many independent tests， the detection accuracy of available parking spaces is more than 94%. About 350，000 parking images are tested， including different parking images in four scenes to verify the feasibility of the design process.

Keywords： target detection; image processing; outdoor parking lot

引言

近年來(lái)我國(guó)汽車數(shù)量飛速增長(zhǎng)，停車難問(wèn)題日益突出，為了解決日益凸顯的交通問(wèn)題，結(jié)合電子傳感、計(jì)算機(jī)科學(xué)等技術(shù)，建立了智能交通系統(tǒng)（Intelligent Transportation System，ITS），車位識(shí)別系統(tǒng)是智能交通系統(tǒng)的一個(gè)重要組成部分。傳統(tǒng)采用地感線圈、紅外線、超聲波[1]等方式進(jìn)行智能車位識(shí)別，優(yōu)劣勢(shì)如表1所示。

基于圖像處理的車位檢測(cè)方法具有信息量大、硬件成本低而且無(wú)須開挖路面等優(yōu)點(diǎn)。相比于傳統(tǒng)的傳感器監(jiān)控方法，采用基于圖像處理的方法只需要少量攝像頭就可同時(shí)監(jiān)控多個(gè)車位，大大節(jié)省了停車場(chǎng)管理成本，后期也可以在地圖APP中加入可用車位的顯示模塊，引導(dǎo)車主停車，提高車主的停車效率，對(duì)于推進(jìn)相關(guān)的研究以及提高交通信息化水平有十分重要的意義。

1 目標(biāo)狀態(tài)檢測(cè)系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

本文以實(shí)際應(yīng)用場(chǎng)景中的停車場(chǎng)圖像為主要研究對(duì)象，研究室外環(huán)境下車位狀態(tài)識(shí)別算法，進(jìn)而對(duì)室外停車場(chǎng)可用車位進(jìn)行檢測(cè)?；趫D像處理的目標(biāo)識(shí)別基本流程為：圖像數(shù)據(jù)獲取、圖像預(yù)處理、特征提取變換、分類器選擇以及分類決策[2]。

1.1 數(shù)據(jù)獲取

PKLot數(shù)據(jù)集是計(jì)算機(jī)視覺(jué)、模式識(shí)別和智能交通領(lǐng)域公開測(cè)試的基準(zhǔn)數(shù)據(jù)之一，發(fā)布于2015年，圖像拍攝的天氣環(huán)境包括陰天、陰雨以及晴天等[3]。該數(shù)據(jù)集一個(gè)由PUCPR行政大樓前的圖片組成，一個(gè)由UFPR組成，由于拍攝角度不同，UFPR又分為UFPR04和UFPR05兩個(gè)數(shù)據(jù)子集，該數(shù)據(jù)集被作為可用空車位檢測(cè)的基準(zhǔn)數(shù)據(jù)集之一。[4]本實(shí)驗(yàn)采用了PKLot數(shù)據(jù)集對(duì)車位狀態(tài)識(shí)別算法進(jìn)行試驗(yàn)驗(yàn)證。

1.2 圖像預(yù)處理

圖像預(yù)處理用于剔除圖像中的無(wú)用信息，盡可能簡(jiǎn)化圖像并突出重要信息，圖像成像受諸多因素干擾，圖像在傳輸或量化中均有可能產(chǎn)生噪聲，這些噪聲可能會(huì)造成重要信息的失真，導(dǎo)致目標(biāo)的屬性發(fā)生變化，所以需要預(yù)處理對(duì)圖像進(jìn)行優(yōu)化。圖像預(yù)處理一般有灰度化、濾波，增強(qiáng)、二值化等操作流程[5]。圖像預(yù)處理后提高了圖像質(zhì)量，為特征提取提供必要的基礎(chǔ)。

1.3 特征提取

特征提取是指觀測(cè)圖像中目標(biāo)物體的信息，選擇恰當(dāng)?shù)奶卣髅枋鏊阕犹崛∵@些信息的過(guò)程，為避免提取到的特征位數(shù)太大，需要進(jìn)行特征變換。HOG即方向梯度直方圖法，是一種特征值檢測(cè)的方式，它主要是利用了圖片中特征點(diǎn)的梯度信息作為特征值，可以用來(lái)做目標(biāo)檢測(cè)。本實(shí)驗(yàn)中采用了HOG特征提取的方法，對(duì)圖像的邊緣特征和局部特性進(jìn)行檢測(cè)，將圖像劃分為大小統(tǒng)一的小區(qū)域cell，利用多個(gè)cell組成的塊block對(duì)梯度向量進(jìn)行歸一化處理[6]，使結(jié)果擁有更好的魯棒性。

HOG特征提取的實(shí)現(xiàn)步驟為：輸入圖像->圖像標(biāo)準(zhǔn)化->計(jì)算梯度->計(jì)算cell中每個(gè)像素幅值和方向->計(jì)算重疊的每個(gè)block內(nèi)的HOG描述子->串聯(lián)所有block區(qū)域的HOG描述子->得到圖像HOG特征。