基于表象的可用停車位檢測(cè)方法

提出了一種魯棒方法檢測(cè)可用的停車場(chǎng)。由于攝像頭質(zhì)量較低或者停車場(chǎng)周圍的光線存在動(dòng)態(tài)變化,因此很難準(zhǔn)確地檢測(cè)或識(shí)別出汽車。此外提出的基于表象的方法比基于識(shí)別的方法更有效,因?yàn)槠錈o需獲得龐大的多視角控制目標(biāo)?；诒硐蟮耐＼囄粰z測(cè)方法的整體框圖如圖1所示，圖1中自適應(yīng)背景模型用作目標(biāo)檢測(cè)模塊。自適應(yīng)背景模型包括離線背景模型和在線背景模型。在整個(gè)補(bǔ)償光線的緩慢變化過程中，離線背景模型在開始檢測(cè)前起作用，而在線背景模型是離線模型的更新版本。

該自適應(yīng)背景模型考慮了模糊區(qū)域動(dòng)態(tài)混合特性及邊緣方向直方圖密度。動(dòng)態(tài)背景模型亮度變化的均方差用來動(dòng)態(tài)調(diào)節(jié)混合測(cè)對(duì)象。但是在背景光線強(qiáng)度動(dòng)態(tài)變化的過程中，則需要依據(jù)自適應(yīng)混合特征。邊緣方向直方圖密度在低對(duì)比度情況下作為停車位檢測(cè)對(duì)象。在進(jìn)行了模型建立和停車位檢測(cè)方法確立后，采用仿真分析和實(shí)景試驗(yàn)方法驗(yàn)證了該停車位檢測(cè)方法。試驗(yàn)結(jié)果表明，基于攝像頭而采用的自適應(yīng)混合特征算法可以有效處理光線的動(dòng)態(tài)變化。特性的比例。模糊區(qū)域密度是采用高斯遮罩加權(quán)進(jìn)行魯棒密度估算的停車場(chǎng)預(yù)先確定區(qū)域的密度。邊緣方向直方圖密度是夜景模式低對(duì)比度情況下預(yù)先確定區(qū)域的邊緣方向直方圖密度。

在正常背景光線強(qiáng)度下，只采用模糊區(qū)域密度作為停車位檢

Choeychuen K.et al.2012 IEEE Computer Science and Software Engineering (JCSSE),May 30 2012-June 1 2012.

編譯：賀蓉