黃偉杰,張 希,趙柏暄,朱旺旺

(上海交通大學(xué) 機(jī)械與動力工程學(xué)院,上海 200240)

隨著社會經(jīng)濟(jì)的發(fā)展和人民生活水平的提高,人們對生活質(zhì)量提出更高的要求,汽車作為一種出行便捷的交通方式,保有量不斷增加.而停車設(shè)施由于成本和空間的限制,增長率受限,停車位稀缺,停車用戶花費(fèi)大量時間尋找車位,導(dǎo)致停車時間和成本增加,還惡化了交通擁堵問題[1].如果能夠縮短駕駛員在尋找車位上花費(fèi)的精力,無疑是十分友好的.通過人工智能和通訊技術(shù)結(jié)合,提高停車場的智能化管理水平,有利于縮短空閑車位尋找時間,提升停車場交通效率[2,3].現(xiàn)有的智能停車場車位分類系統(tǒng)主要包括了基于磁阻傳感器和基于圖像兩種[4].基于磁阻傳感器的方案需要部署大量的傳感器單元以覆蓋停車場,一般一個傳感器單元負(fù)責(zé)檢測一個車位,導(dǎo)致安裝繁瑣,成本高昂.傳統(tǒng)停車場管理中,地磁系統(tǒng)和單一的手持終端占比超過70%,智能化管理水平較低[5].基于圖像的車位檢測算法中,由于相機(jī)的視野覆蓋范圍廣,幾個相機(jī)就可以覆蓋整個的停車場.加上為了安全的考慮,大多停車場已經(jīng)預(yù)裝了監(jiān)控攝像機(jī),直接使用預(yù)裝的監(jiān)控相機(jī)對停車場中的車位進(jìn)行檢測,充分的利用已有的設(shè)備,不會帶來成本的增加,無疑是十分方便的.

目前,國內(nèi)外的很多學(xué)者都對圖像檢測的車位檢測技術(shù)展開了研究.其中,江浩斌等人[6]利用魚眼相機(jī)對周圍的車位角標(biāo)識線進(jìn)行識別,通過車位角位置還原出車位位置,但是車位角所占的區(qū)域較小,特征容易受到破壞.王春香等人[7]使用4 個魚眼相機(jī)實(shí)現(xiàn)鳥瞰視覺系統(tǒng),對魚眼相機(jī)拼接成的全向鳥瞰圖使用Radon 直線檢測,檢測出的直線相交確定出車位角.方法缺少先驗(yàn)的信息,直線的局部缺失都會導(dǎo)致算法失效.Chen 等人[8]使用快速角點(diǎn)檢測算法提取車位的特征角點(diǎn),對圖像進(jìn)行預(yù)處理后根據(jù)檢測到角點(diǎn)的大小使用RANSAC 算法評估角點(diǎn)的可信度,方法僅適用于車位角特征良好的場景.Harahap等人[9]通過對車位粉刷字符串,通過文本檢測器對字符串進(jìn)行識別來確定車位,算法需要耗費(fèi)大量的人力進(jìn)行車位部署,移植性較差.Sairam 等人[10]使用CNN 模型,通過對車位進(jìn)行像素級的分割,從而在圖像中直接將車位檢測出來,實(shí)際上大部分的車位像素特征和一般地面相近,直接使用像素特征魯棒性較差.

本文通過對停車場的車位進(jìn)行檢測,實(shí)時地判斷出每個車位的狀態(tài),提高停車場的交通效率.以停車場安裝攝像頭采集的監(jiān)控視頻流數(shù)據(jù)為輸入,提取監(jiān)控視頻中的圖像實(shí)時地對停車場中車位進(jìn)行識別,并區(qū)分出是否為可泊車車位.首先是進(jìn)行圖像的預(yù)處理,獲取規(guī)則化的圖像并且提取出圖像的邊緣;接著是提取出表征車位的車位線,對于非車位線部分進(jìn)行濾除;其次是根據(jù)檢測出的車位線構(gòu)建出車位編號和車位位置映射關(guān)系的車位表;然后是根據(jù)車位表裁剪出車位圖像擴(kuò)充車位分類器模型數(shù)據(jù)集;最后是使用分類模型對圖像中的車位狀態(tài)進(jìn)行判斷.

1 預(yù)處理

真實(shí)工況中,由于光照分布不均勻和光照強(qiáng)度變化,相機(jī)采集的數(shù)據(jù)往往會伴隨著許多的噪聲.為了提高算法的魯棒性,在車位檢測之前必須對圖像進(jìn)行預(yù)處理,消除環(huán)境帶來的隨機(jī)噪聲,獲取消噪后規(guī)則化的圖像.

1.1 數(shù)據(jù)采集

車位檢測與分類的使用的數(shù)據(jù)是露天車場中高清攝像機(jī)拍攝的圖像進(jìn)行預(yù)處理后得到的.相機(jī)的安裝位置允許和停車場有一定的角度,但是要求能夠拍到完整的停車場,在停車場改造后或者首次采集圖像的時候要求車位線沒有受到物體的遮擋.

本文中使用的相機(jī)為TP-LINK500 網(wǎng)絡(luò)高清相機(jī).表1中給出相機(jī)的相關(guān)參數(shù).

表1 相機(jī)參數(shù)

1.2 逆透視化

由于相機(jī)安裝空間的限制,獲取的停車場圖像與車位線之間往往會存在夾角.一方面,訓(xùn)練車位分類模型的時候,為了提高算法的泛化能力,數(shù)據(jù)集需要包括不同條件下的停車場數(shù)據(jù),規(guī)則化的圖像方便對原有的數(shù)據(jù)集進(jìn)行增量式的擴(kuò)充,提高數(shù)據(jù)集的豐富程度.另一方面,規(guī)則化后的圖像更有利于后端處理的準(zhǔn)確性,提高算法魯棒性.

在圖像坐標(biāo)系下坐標(biāo)和世界坐標(biāo)系下的坐標(biāo)的轉(zhuǎn)換關(guān)系可以表示為:

其中,[u,v]表示像素坐標(biāo),z表示坐標(biāo)點(diǎn)在相機(jī)坐標(biāo)系下的深度,K表示相機(jī)的內(nèi)參矩陣,T表示從世界坐標(biāo)系變換到相機(jī)坐標(biāo)系下的變換矩陣(包括旋轉(zhuǎn)和平移的部分),[xw,yw,zw]表示坐標(biāo)點(diǎn)在世界坐標(biāo)系下的坐標(biāo).

逆透視化是對停車場做平面假設(shè),假定停車場在世界坐標(biāo)系下為一個平面.將世界坐標(biāo)系原點(diǎn)設(shè)定在地面上,以向上為z軸可以看作zw=0,則原始的圖像坐標(biāo)和逆透視化后的圖像坐標(biāo)與世界坐標(biāo)之間的簡化對應(yīng)關(guān)系分別為:

式中給出了原始圖像和逆透視化后圖像對應(yīng)的變換關(guān)系,兩者的變換關(guān)系記為單應(yīng)性矩陣(homegraphy)[11].框選出車場4 個角點(diǎn),計(jì)算出對應(yīng)的單應(yīng)矩陣,對圖像進(jìn)行逆透視變換,調(diào)節(jié)圖像角度,將視圖轉(zhuǎn)為正鳥瞰圖.圖1為原始視圖,圖2給出逆透視化后的效果.

圖1 原始圖像

圖2 逆透視化后結(jié)果

1.3 頂帽變換

真實(shí)環(huán)境難免會存在光照分布不均勻和光照強(qiáng)度變化,這些都會影響到圖像檢測的準(zhǔn)確性,給后續(xù)檢測帶來不可預(yù)估的后果[12].加上停車場中與車位線顏色接近的白色車輛也會對后續(xù)的檢測帶來干擾.

頂帽變換表示為原圖像與原圖像開操作的差,可以凸顯出暗背景下的亮對象,刪除大部分的非均勻背景[13],可以緩解光照不均勻和白色車輛的干擾.

其中,f表示原圖像灰度圖,f·b表示原圖像的開操作.

1.4 Canny 邊緣檢測

邊緣檢測是從圖像中提取有用結(jié)構(gòu)信息的一種技術(shù),可以去除圖像中的干擾信息,提高檢測的效率.

圖像的獲取過程中不可避免地會引入許多的噪聲,對檢測產(chǎn)生干擾.在邊緣檢測前進(jìn)行高斯濾波,可以降低灰度的尖銳變化,抑制高斯分布的噪聲.高斯濾波表達(dá)式如下:

其中,Hij表示坐標(biāo)權(quán)重值,x,y表示坐標(biāo),σ2表示的是濾波器方差.

Canny 邊緣檢測是近些年來應(yīng)用最為廣泛的邊緣檢測算法之一[13].Canny 邊緣檢測的標(biāo)準(zhǔn)是盡可能低的錯誤率檢測邊緣,盡可能準(zhǔn)確的捕捉圖像盡可能多的邊緣.

Canny 邊緣檢測[14]中梯度的計(jì)算離散為圖像中像素橫軸和縱軸方向的差分值,得到圖像中每個像素的差分值后可計(jì)算出圖像的梯度G和方向θ:

其中,Du(u,v)表示像素橫軸方向的差分值,Dv(u,v)表示像素縱軸方向的差分值.

2 車位線檢測

表征車位包括車位角點(diǎn)和車位線.車位識別中包括基于特征角點(diǎn)檢測和特征直線檢測兩種方式.基于特征直線檢測的檢測算法需要在保證召回率的基礎(chǔ)上提高檢測的準(zhǔn)確率.一方面需要檢測出所有的車位直線,保證召回率,另一方面,需要盡量地濾除掉非車位線的干擾直線.

2.1 LSD 直線檢測

高召回率、穩(wěn)定的直線檢測算法是車位識別和檢測的關(guān)鍵.高召回率的直線檢測保證車位線檢測的完整性,提高車位檢測的自動化程度.目前最廣泛使用的直線檢測方法是霍夫直線檢測算法,但是霍夫直線檢測時間復(fù)雜度和空間復(fù)雜度較高,并且誤檢率較高,直接使用霍夫直線檢測的結(jié)果召回率低,往往需要大量的人工操作對原有的車位進(jìn)行補(bǔ)充,自動化程度較低.LSD 直線檢測能夠在線性的時間內(nèi)得到亞像素級別的精度檢測效果,比較完整的對圖像中的車位線進(jìn)行檢測.

圖像中的直線檢測就是尋找出圖像中變化比較大的像素,LSD 直線檢測通過檢測圖像中局部直的輪廓,進(jìn)行直線分割,從而檢測出直線[15].

本文對比了霍夫直線檢測和LSD 直線檢測的結(jié)果.從結(jié)果上看,LSD 直線檢測的召回率遠(yuǎn)高于霍夫直線檢測.表2中給出了霍夫直線檢測與LSD 直線檢測的召回率.

表2 直線檢測召回率對比

2.2 干擾直線濾除

LSD 直線檢測召回率極高,局部的小直線也會被檢測出來,故檢測后需要濾除掉不符合要求的直線,包括:(1)角度異常的直線;(2)長度異常的直線.由于車位線存在寬度,同一車位線在直線檢測過程中會檢測出兩條直線,需要對車位線做合并的操作,如果兩條直線的距離小于閾值,將兩條直線合并成一條直線.

3 車位檢測

檢測好的直線可以用于車位的檢測.每個車位包括4 個角點(diǎn),車位檢測時在直線檢測的基礎(chǔ)上對車位進(jìn)行編號,車位表中保存車位編號以及對應(yīng)的角點(diǎn)像素坐標(biāo).

3.1 感興趣區(qū)域提取與車位確定

真實(shí)環(huán)境中僅依靠直線檢測將所有的車道線都完整的檢測出來顯然是困難的.本文將車位線的檢測建模成貝葉斯濾波問題.我們假設(shè)相連的車位會形成一個矩形區(qū)域(rectangle box),且直線檢測后的車位線有足夠的信息來描述該矩形區(qū)域.根據(jù)先驗(yàn)條件將問題從僅對車位線位置進(jìn)行估計(jì)轉(zhuǎn)為同時對車位線位置和整列車位形成的矩形區(qū)域進(jìn)行估計(jì).增加車位線位置和車位矩形區(qū)域之間的約束關(guān)系.

其中,x表示估計(jì)的車位線的位置,y表示估計(jì)的每一列的車位矩形區(qū)域,z表示的是觀測的數(shù)據(jù),這里表示的相機(jī)數(shù)據(jù),η表示觀測數(shù)據(jù)和僅使用直線檢測車位線表示矩形區(qū)域的概率比值.

通過直線檢測和直線濾除之后可以過濾掉大量的干擾直線,為了獲得效果更加良好的車位線,需要對感興趣區(qū)域(矩形區(qū)域)進(jìn)行確定.我們將車位矩形位置的確定分為確定內(nèi)部點(diǎn)和利用內(nèi)部點(diǎn)確定矩形邊界兩步.

(1)確定內(nèi)部點(diǎn)

過濾掉干擾直線后的直線為觀測直線.如果車位矩形區(qū)域是存在的,則觀測直線的信息應(yīng)是能將車位矩形確定出來.矩形中的點(diǎn)包含了矩形邊上的點(diǎn)和矩形中的點(diǎn).算法1 給出確定矩形內(nèi)部點(diǎn)的具體算法.

算法1.搜索停車區(qū)域內(nèi)部點(diǎn)輸入:觀測直線集合.輸出:停車位矩形區(qū)域的內(nèi)部點(diǎn).1.沿著橫軸平行方向畫探測直線.2.觀測直線有足夠交點(diǎn)的為感興趣直線,感興趣直線與探測直線交點(diǎn)為候選點(diǎn).3.從候選點(diǎn)沿縱軸方向畫過濾直線.4.過濾掉和觀測直線交點(diǎn)過少的候選點(diǎn).5.剩下和觀測直線有足夠交點(diǎn)的即為矩形內(nèi)部點(diǎn).

(2)矩形邊界確定

確定內(nèi)部點(diǎn)后,以這些點(diǎn)為種子點(diǎn),根據(jù)這些種子點(diǎn)進(jìn)行Box 邊界的確定.算法2 給出找到矩形邊界的具體算法.

算法2.車位矩形區(qū)域的確定輸入:觀測直線集合,矩形內(nèi)部種子點(diǎn).輸出:所有停車位矩形區(qū)域的邊界.1.遍歷種子點(diǎn),以種子點(diǎn)為初始內(nèi)部點(diǎn),和左右邊界的交點(diǎn)為初始外部點(diǎn).2.將內(nèi)部點(diǎn)和外部點(diǎn)不斷二分,直到找到離種子點(diǎn)最遠(yuǎn)的內(nèi)部點(diǎn)為Box 左右邊界點(diǎn).3.同理找到離種子點(diǎn)最近的內(nèi)部點(diǎn)作為Box 上下邊界點(diǎn).4.確定好邊界點(diǎn)之后,按照邊界點(diǎn)框選出該種子點(diǎn)對應(yīng)的Box.5.對Box 中的其余種子點(diǎn)框選出對應(yīng)的Box,對同個框內(nèi)的Box 求并,邊界內(nèi)種子點(diǎn)不再使面積增加后確定出Box,標(biāo)記Box 內(nèi)種子點(diǎn)為遍歷過的種子點(diǎn).6.對未遍歷過的種子點(diǎn)繼續(xù)按照以上步驟,確定所有的車位矩形區(qū)域.

框選好感興趣區(qū)域作為車位檢測的限定范圍,車位線與限定范圍需要做對齊操作,包括:(1)延伸限定范圍內(nèi)直線到ROI 邊緣;(2) 去掉超過ROI 邊緣部分.經(jīng)過對齊后最終確定出車位.圖3中表示的是提取感興趣區(qū)域的圖像,白色區(qū)域?yàn)樘崛〉母信d趣區(qū)域,最終的車位檢測結(jié)果如圖4所示.

圖3 提取ROI 車位區(qū)域和檢測出的直線

圖4 車位檢測結(jié)果

3.2 車位識別

表征車位的方式有車位線和角點(diǎn)兩種方式.兩種表征方式對車位描述的信息都是完整的,可以進(jìn)行轉(zhuǎn)換.角點(diǎn)表征車位的方式給后續(xù)的圖像切片和車位位置的記錄帶來方便,所以本文采用角點(diǎn)表征的車位識別方式.

車位的角點(diǎn)包括:(1)橫向車位線與縱向車位線之間的交點(diǎn);(2) 橫向直線和ROI 矩形區(qū)域邊緣的交點(diǎn);(3)縱向直線和ROI 矩形區(qū)域邊緣的交點(diǎn).對車位角點(diǎn)根據(jù)像素坐標(biāo)進(jìn)行排序,每個感興趣矩形區(qū)域中包括三排的車位角點(diǎn),每兩排車位角點(diǎn)組成一排的車位像素角點(diǎn)坐標(biāo).按照車位編號和車位角點(diǎn)的映射關(guān)系,構(gòu)建車位表.算法3 給出車位表構(gòu)建的具體算法.

算法3.車位表構(gòu)建輸入:停車位矩形區(qū)域,車位角點(diǎn).輸出:每個車位對應(yīng)的角點(diǎn)和編號.1.根據(jù)矩形區(qū)域?qū)④囄唤屈c(diǎn)拆分成多個的車位角點(diǎn)集合.2.對矩形區(qū)域中的點(diǎn)根據(jù)縱向坐標(biāo)拆分多個點(diǎn)列.3.在每個點(diǎn)集中,對于每一點(diǎn)列中的點(diǎn),得到同個點(diǎn)列后面最近的一個點(diǎn)以及相鄰點(diǎn)列的兩個點(diǎn),組成車位.

4 車位分類

車位按照被占用空間的大小分為3 類:車位空間足以泊車,車位空間不足以泊車,車位泊有他車,如表3.車位表中記錄著每個車位的像素角點(diǎn)坐標(biāo),一方面,可以裁剪出每個車位的圖像進(jìn)行歸一化后作為訓(xùn)練的樣本;另一方面,車位表記錄車位的位置,使用分類模型對車位進(jìn)行實(shí)時的狀態(tài)識別.

表3 車位標(biāo)簽

4.1 訓(xùn)練集建立

為了提高模型的泛化性和魯棒性,訓(xùn)練集中要包括不同光照條件,不同停車場下樣本.根據(jù)停車場中車位表中記錄車位的位置,對圖像進(jìn)行裁剪,切片出來的圖像作為訓(xùn)練的樣本.裁剪出來的車位圖像基于車位被占用空間的大小總共分為3 類,第1 類是泊車區(qū)域空閑或者泊車區(qū)域被鄰近車位占用區(qū)域過較小,有足夠的空間用于泊車;第2 類為車位被鄰近車位泊車占用區(qū)域過大,剩余車位空間不足以泊車;第3 類為車位上泊有車輛,無法泊車.3 種類型的圖像紋理差距較大,能夠更加準(zhǔn)確的描述車位的類型.

根據(jù)光線強(qiáng)度的不同,本文將訓(xùn)練集分為了3 類,一類是僅有白天的數(shù)據(jù);一類是僅有夜晚的數(shù)據(jù);最后一類是白天夜晚的混合數(shù)據(jù).車位的圖像因?yàn)橥＼噲霏h(huán)境的不同和相機(jī)角度的變化都會有所區(qū)別,在對數(shù)據(jù)集進(jìn)行擴(kuò)充的時候需要將新的樣本進(jìn)行規(guī)則化后加入數(shù)據(jù)集中.

停車場分類的目的主要是為了區(qū)分出能夠泊車的停車位和不能夠泊車的車位,因此,第1 類和第2 類的車位合并成一種不可泊車車位類型,第3 類車位為單獨(dú)一類可以泊車類型.

4.2 車位分類模型訓(xùn)練

支持向量機(jī)(support vector machine,SVM)是建立在統(tǒng)計(jì)學(xué)理論和結(jié)構(gòu)風(fēng)險最小原理基礎(chǔ)上的,能夠很好地解決小樣本、非線性、高維度和局部最小點(diǎn)等實(shí)際問題[16].SVM 學(xué)習(xí)的基本想法是求解出能夠正確劃分?jǐn)?shù)據(jù)集并且?guī)缀伍g隔最大的最優(yōu)分離超平面.對于線性可分的數(shù)據(jù)集來說,幾何間隔最大的分離超平面是唯一的.此外,SVM 模型利用空間的核函數(shù)取代高維特征空間,方便的解決樣本維數(shù)過高帶來的非線性問題.本文中的數(shù)據(jù)量較少,和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法相比,使用SVM 模型進(jìn)行二分類時可以達(dá)到理論上的最優(yōu)解.

如前文所示,車位分類根據(jù)車位被占用空間的大小總共分為3 個類別.所以,本文訓(xùn)練了3 個支持向量機(jī)分類器分別實(shí)現(xiàn)兩種類別樣本的分類,SVM1 實(shí)現(xiàn)空間不足以泊車車位和車位上泊有車位樣本的分類,SVM2 實(shí)現(xiàn)空間不足以泊車和空間足夠泊車樣本的分類,SVM3 實(shí)現(xiàn)車位泊有他車和有足夠泊車空間車位的分類,最終通過對3 個SVM 分類器的分類結(jié)果進(jìn)行投票,確定圖像的最終類別.特別的,當(dāng)3 個分類器將測試樣本歸類到3 個不同的類別的時,則判定該樣本為無效樣本,將其剔除出樣本集后,重新訓(xùn)練分類模型.本文對比4 種分類器的效果.為進(jìn)一步的擴(kuò)充數(shù)據(jù),提高模型的泛化性,在模型訓(xùn)練中對圖像進(jìn)行鏡像和非對稱操作.對于每個數(shù)據(jù),模型使用70%作為訓(xùn)練數(shù)據(jù),以及使用30%作為驗(yàn)證數(shù)據(jù),訓(xùn)練100 次.表4中分別列出了白天數(shù)據(jù)、夜晚數(shù)據(jù)以及白天夜晚混和數(shù)據(jù)3 種數(shù)據(jù)集下的每種模型檢測的平均準(zhǔn)確率(%).

表4 不同分類器對比

從最后訓(xùn)練出來的結(jié)果來看,最近鄰分類器(NearestCentroid)在3 種數(shù)據(jù)集中的訓(xùn)練結(jié)果均較差,所以在車位分類中不選用該分類器.使用隨機(jī)梯度分類器(SGDClassifier)和使用線性核(linear)的SVM 模型在純白天的數(shù)據(jù)和純夜晚的數(shù)據(jù)中檢測效果良好,但是在混合數(shù)據(jù)中檢測效果較差,說明這種方法對光照比較敏感,不同光線下的檢測效果會有差距,魯棒性較差.多層感知器(MLPClassifier)和使用高斯核(rbf)的SVM 模型,兩者都具有較高的準(zhǔn)確率,但是綜合對比的結(jié)果上來看,在不同工況下,使用高斯核函數(shù)的SVM 模型檢測結(jié)果方差小,檢測更加的穩(wěn)定.所以最后選擇了帶高斯核的SVM 模型進(jìn)行車位的分類,訓(xùn)練好的模型稱為停車場車位檢測模型PSCM (the parking spot classification model).

4.3 車位分類

訓(xùn)練好的PSCM 車位檢測模型可以用于車場圖像中車位的實(shí)時分類,輸入為攝像頭實(shí)時采集的監(jiān)控視頻流數(shù)據(jù)圖像和建立好的車位表,輸出為每個車位對應(yīng)的類型.算法4 中給出車位分類的具體算法.

算法4.車位分類算法輸入:監(jiān)控圖像,車位表,分類模型.輸出:空車位位置,數(shù)量.1.根據(jù)車位表對圖像進(jìn)行切片,切片圖像作為待分類車位圖.2.對每個車位圖進(jìn)行分類.根據(jù)時序信息進(jìn)行狀態(tài)跳轉(zhuǎn).3.對車位狀態(tài)結(jié)果進(jìn)行統(tǒng)計(jì),記錄車場中空間足以泊車的車位位置和數(shù)量.4.進(jìn)行可視化.

3種類型中,車位空間足以泊車的類型是在提高停車場交通效率中最關(guān)注的實(shí)時信息.在對車位進(jìn)行分類的同時,實(shí)時地記錄下空閑車位的數(shù)量和位置.圖5、圖6表示了從視頻中取出并經(jīng)過逆透視變化后的原始圖像以及車位檢測和分類算法最終輸出的結(jié)果.

圖5 逆透視變化后的圖像

圖6 車位分類結(jié)果

4.4 視頻流中車位的檢測與分類

從視頻流數(shù)據(jù)中逐幀取出停車場圖像進(jìn)行車位分類,每一幀都是離散的圖像數(shù)據(jù),檢測出來的結(jié)果具有跳變性.本文采用有限狀態(tài)機(jī)的方式來表示車位狀態(tài)的跳轉(zhuǎn).在車位分類中,定義召回率準(zhǔn)確檢測出來的可泊車車位占實(shí)際所有的可泊車車位的比例,準(zhǔn)確率表示準(zhǔn)確檢測出來的可泊車車位占所有檢測出來的可泊車車位的比例.在車位檢測問題中,召回率較低表示的是將檢測的泊車區(qū)域較少,影響停車場車位的利用率,而在車位分類中準(zhǔn)確率較低表示的是將不能泊車的車位檢測成了足以泊車車位,準(zhǔn)確率低對于后續(xù)的泊車安全性產(chǎn)生影響.所以,在車位的分類問題中,召回率和準(zhǔn)確率的權(quán)重不一致,準(zhǔn)確性對安全直接產(chǎn)生影響,應(yīng)當(dāng)給更高的權(quán)重.采用有限狀態(tài)機(jī)的方式進(jìn)行車位狀態(tài)變化的判斷.從不足以泊車狀態(tài)變成足以泊車狀態(tài)需要采用計(jì)數(shù)機(jī)制,在連續(xù)超過多幀的足以泊車狀態(tài)才判定該車位變化為足以泊車狀態(tài).

5 結(jié)論與展望

本文針對室外的停車場,設(shè)計(jì)了一種高召回率的車位檢測算法以及一種高準(zhǔn)確率的車位分類算法.本系統(tǒng)的優(yōu)點(diǎn)是使用的傳感器簡單,可以利用原有停車場中的相機(jī),成本低,對安裝的要求相對較低,部署方便.在進(jìn)行車位線檢測時,先驗(yàn)使用檢測率極高的LSD 直線檢測,實(shí)現(xiàn)高召回率的車位線檢測.將車位形成矩形區(qū)域的假設(shè)和車位線檢測綁定進(jìn)行優(yōu)化,實(shí)現(xiàn)車位線檢測更高的召回率.使用投票機(jī)制的SVM 模型,實(shí)驗(yàn)驗(yàn)證出分類模型具有極高的分類準(zhǔn)確性.系統(tǒng)顯著的提高停車場車位使用的效率,緩解停車場停車難的問題,可移植性強(qiáng).未來將進(jìn)一步提高系統(tǒng)使用的場景,擴(kuò)充系統(tǒng)來滿足不同場景的使用.