葉 卿 徐建閩 林培群

（華南理工大學土木與交通學院 廣州 510640）

0 引言

目前，國內(nèi)各大城市汽車保有量的快速增長導(dǎo)致停車場資源日趨緊張，如何對停車場進行科學管理、提高其運行效率越來越引起管理人員的重視。目前大部分停車場管理系統(tǒng)只是對入場車輛的停車時間、計費進行管理，對停車位的管理尚缺乏有效的手段。停車位車輛存在性檢測是停車位管理的前提，對停車場的資源統(tǒng)籌、人員配置，以及停車導(dǎo)引（可大幅減少停車場內(nèi)的尋位繞行交通）具有重要的意義，因此如何判斷某個停車位上是否有車輛停泊近年來得到了國內(nèi)外工程技術(shù)領(lǐng)域的廣泛關(guān)注［1］。

現(xiàn)有車輛存在性檢測技術(shù)主要有：超聲波、地感線圈、地磁、壓力、紅外、計算機視覺（視頻）等［2］。除計算機視覺外，其他檢測技術(shù)均需為每個車位配置1 個傳感器，設(shè)備安裝、維護工作量大，成本較高。視頻監(jiān)控是許多停車場的基本安防系統(tǒng)，如果能夠直接利用監(jiān)控系統(tǒng)的視頻圖像進行停車位車輛存在性檢測［3－4］，則可在不增加新硬件設(shè)備的情況下獲得有價值的信息。但是，目前計算機視覺檢測技術(shù)大部分采用背景差分、紋理分析等方法［5－6］，受光照、陰影等因素的影響嚴重，在實際應(yīng)用中檢測準確率偏低。

1 總體思路

筆者提出1種基于計算機視覺的停車位車輛存在性檢測方法，其基本內(nèi)容如下：首先在停車場內(nèi)的每個車位上繪制特定的輔助識別圖案［7］，這種圖案具有各向同質(zhì)性的特征以適應(yīng)攝像機在各個角度的拍攝，在大部分光照、陰影的影響下具備圖案特征不變性，且與一般車輛上繪制的圖案具有顯著差別。在此基礎(chǔ)上采用計算機視覺技術(shù)對圖像中各個車位對應(yīng)的圖塊是否存在輔助識別圖案進行檢測，如果圖案的特征存在，則判定該車位沒有車輛停泊，否則該車位有車輛停泊。

2 停車位設(shè)置

2.1 圖案形狀設(shè)計

考慮停車場（尤其是地下停車場）光照（包括固定照明燈、車燈等）、陰影（包括車的陰影，工作人員的陰影等）等眾多因素，輔助識別圖案采用同心環(huán)組、各環(huán)帶具有一定寬度、相鄰環(huán)帶間RGB色差顯著的圖案，其中黑白同心環(huán)組是彩色同心環(huán)組的特殊形式。如光照條件較好、攝像機成像后能準確分辨環(huán)間色差，可采用彩色的同心環(huán)組；如果光照條件較差、陰影干擾嚴重，可采用黑白相間的同心環(huán)組。彩色同心環(huán)組包含更多的信息量，黑白同心環(huán)組表達的信息量相對較少，但可靠性更高，見圖1。

圖1 同心環(huán)組示意圖Fig.1 Concentric rings group

上述輔助識別圖案的特征為：任意經(jīng)過圓心的直線，出現(xiàn)左右對稱、色彩或灰度變化過程一致的情況，見圖2。這種色彩或灰度對稱變化的特征即便在光照較弱、有陰影干擾的環(huán)境下仍具有較強的不變性。

如圖2（b）中，如無遮擋，從左到右考察經(jīng)過圓心的水平直線，直線上的像素則經(jīng)歷“暗—亮—暗—亮—暗—亮—暗”的灰度變化過程，除非有車輛停泊將圖案遮擋，否則總能在圖像中識別出該特征，這為車輛存在性檢測提供了良好的基礎(chǔ)。在具體實施中，輔助識別圖案可通過刷漆（如采用地坪漆、車道線漆）等方式進行繪制，十分經(jīng)濟、簡便。

圖2 經(jīng)過同心環(huán)組圓心的直線示意圖Fig.2 Straight crossing the center of concentric rings group

2.2 圖案位置及大小

圖案的位置一般設(shè)置在停車位中間，以車輛正常停泊時能將其全部或大部分覆蓋為原則，其尺寸與攝像機分辨率、焦距、拍攝角度相關(guān)，一般以攝像機中能夠清晰成像（要求每個同心環(huán)帶經(jīng)過攝像機成像后至少有3個像素的寬度）、圖案不超出車位邊線為原則。

在停車場進行輔助識別圖案繪制，見圖3，停車場局部在攝像機中的成像見圖4。

圖3 停車位上的輔助識別圖案Fig.3 Auxiliary recognition pattern on the parking spaces

圖4 停車場局部在攝像機中的成像Fig.4 Parking partial image in the camera

3 圖像檢測算法

由于在攝像機成像之后，圓形可能變成不規(guī)則的類橢圓形，難以進行數(shù)學解析描述，因此采用多邊形（由有限條線段組成）框定一定的圖像區(qū)域，用以近似代表輔助識別圖案的對應(yīng)區(qū)域，多邊形框定的范圍即為圖像檢測區(qū)?？紤]到多邊形檢測區(qū)本身也具有一定的檢索難度，因此以包含多邊形檢測區(qū)的最小規(guī)則矩形（規(guī)則矩形各條邊與x軸或y軸平行，方便進行逐行或逐列掃描）為圖像檢索范圍，這種矩形稱為多邊形的外接矩形。多邊形檢測區(qū)、外接矩形見圖5。

圖5 多邊形檢測區(qū)和外接矩形示意圖Fig.5 Polygon detection area and external rectangle

識別某像素是否在多邊形上，一般有矢量法、面積法、水平／垂直交叉點數(shù)判別法等。對于本文而言，由于需要分析多邊形檢測區(qū)內(nèi)每1個像素的色彩或灰度特征，因此如采用上述方法，則每個像素都需要調(diào)用1次以上算法過程，算法開銷較大［8－9］。為了實現(xiàn)以上目標，需進行下面的定義和算法描述。

定義1。有限多邊形A＝｛I1，I2，…，In｝。其中：Ii為 第i條線段。Ii的起止點為po（Ii），pd（Ii），而分別表示po（Ii）的橫坐標和縱坐標。假如任何水平直線k與A的交點數(shù)量為0，1，2或無窮多個，則A為水平規(guī)則多邊形，記AXR，相應(yīng)的，如果k為垂直直線，則A為垂直規(guī)則多邊形，記AYR。

顯然凸多邊形是水平規(guī)則多邊形和垂直規(guī)則多邊形的特例，而同心環(huán)組輔助識別圖案在攝像機中的成像，可采用凸多邊形進行近似標定。

在笛卡爾坐標系中，記A的外接矩陣為R（A），定義R（A）的左上角為po（R（A）），其坐標，長與高 分別為｛1，2，…，n｝。

定義2。記A的標記矩陣為M（A），定義M（A）的行數(shù)與列數(shù)分別為

i，j∈｛1，2，…，n｝，矩陣元素的值域為｛－1，1｝。令M（A）與R（A）的像素一一對應(yīng)，即M（A）的第1行與R（A）最上1行像素對應(yīng)，M（A）的第1列與R（A）最左1行像素對應(yīng)，以此類推。如M（A）對應(yīng)像素在A上，則令其在M（A）上對應(yīng)的元素取1，否則取－1。

若AXR，M（A）可通過以下算法獲取。

1）令M（A）的每個元素都為－1。

2）自上而下按照行掃描的方式掃描R（A）對應(yīng)每1行：

令min（X）＝＋∞，max（X）＝－∞，分別考察A＝｛I1，I2，…，In｝每條線段與考察直線的關(guān)系。

1）如果某條線段Ii剛好在掃描線上，則如果，那么min（X），如 果 max（X）＜，那 么 max（X）＝

2）如果某條線段Ii與掃描線只有1個交點，其橫坐標為Xc，則如果min（X）＞Xc，那么min（X）＝Xc，如果max（X）＜Xc那么max（X）＝Xc。

3）如果min（X）≤max（X）則，在M（A）中修正對應(yīng)行，該行從第min（X）－（R（A））＋1到max（X）－（R（A））＋1個元素均設(shè)為1。

如AXR，則以上算法采用列掃描。

標記矩陣M（A）在進行實際檢測之前可離線獲得，此后除非攝像機拍攝畫面變動，否則將保持不變，因此可以作為參數(shù)進行存儲。標記矩陣的主要作用是記錄檢測區(qū)的范圍，為后面的目標識別奠定基礎(chǔ)。

4 圖像識別算法

分別考察圖像中各個檢測多邊形，每個檢測多邊形對應(yīng)1個車位，圖像識別算法如下：對于多邊形Ai，令

式中：·表示位乘，即G（Ai）中的像素值與M（Ai）中對應(yīng)的元素值進行代數(shù)積，運算后G（Ai）各像素值保持不變或取相反數(shù)。如果圖像是24位真彩色，則以上計算過程需要對RGB三分量分別進行。

逐行掃描，將像素的色彩向量（或灰度）值離散為標準值。以一定的誤差允許值進行近鄰?fù)惡喜ⅲ唧w來說先采用色彩（或灰度）空間的歐氏距離法進行聚類，再利用形如［A，＊，B］的判決算子，消除2個大區(qū)間（取值為A或B）之間的小區(qū)間＊。

逐行掃描，將每1行像素轉(zhuǎn)化為1個字符串，此時每行像素可抽象為形如“3（A）4（B）2（C）…”的游程編碼序列，其中“A”，“B”，“C”等為色彩向量（灰度）標準值，小括號外的數(shù)字代表在此處色彩向量（灰度）值相等的像素數(shù)，當按照水平方向排列圖塊時這些數(shù)字的和等于目標圖像的寬度（也即多邊形檢測區(qū)外接矩形的寬度）。在此基礎(chǔ)上匹配目標模式［10－11］，如果找到目標模式的行數(shù)大于閾值，則認為目標存在，此時可以判定該車位沒有停車，否則該車位有停車。

5 實例驗證

選取某一停車場的2 個停車位進行實例驗證，利用停車場現(xiàn)有的視頻監(jiān)控系統(tǒng)固定拍攝停車場的某個區(qū)域，見圖6。

圖6 停車場監(jiān)控示意圖Fig.6 Schematic diagram of parking monitoring

為了檢測算法的通用性和魯棒性，實驗選取了攝像頭1d時間內(nèi)的不同光照條件下的車位圖像進行處理，從檢測結(jié)果可以看出，該算法可以排除環(huán)境光線變化對檢測的影響，其準確率為98.12%。

圖7和圖8是停車場車位檢測實驗。停車位上采用了圓環(huán)形狀的輔助識別圖案作為參照背景，在實際應(yīng)用時可采用刷漆的方式進行繪制。圓環(huán)外是外接正8邊形，用以代替圓環(huán)區(qū)域，這樣計算機能更容易檢測到該區(qū)域。

圖7 停車位上無車Fig.7 There is no car on the parking spaces

圖8 停車位上有車Fig.8 There exists car on the parking spaces

6 結(jié)束語

筆者介紹的檢測方法利用了停車位上的輔助識別圖案，能夠加快計算機識別背景的速度和準確率。傳統(tǒng)檢測方法是將整個停車場區(qū)域作為參考背景，存儲大，而本方法只是存儲車位區(qū)域的多邊形，不僅存儲小，而且也簡化了算法。筆者所介紹的方法在地下停車場等光照環(huán)境比較惡劣的條件下具有良好的應(yīng)用前景，特別是大型停車場，需要處理的數(shù)據(jù)量較大，本方法能利用優(yōu)化算法降低系統(tǒng)的計算壓力，提高停車場工作效率。

［1］Lee C H，Wen M G，Han C C，et al.An automatic monitoring approach for unsupervised parking lots in outdoors［C］∥39th Annual International Carnahan Conference on Security Technology，Cas palmos，spain，IEEE，2005：271－274.

［2］彭春華，劉建業(yè)，劉岳峰，等.車輛檢測傳感器綜述［J］.傳感器與微系統(tǒng)，2007，26（6）：4－8.Peng Chunhua，Liu Jianye，Liu Yuefeng，et al.Review of vehicle detection sensors［J］.Transducer and Microsystem Technologies，2007，26（6）：4－8.（in Chinese）.

［3］李宇成，嚴娟莉，王目樹，等.利用視頻圖像檢測車位狀態(tài)的方法［J］.計算機工程與設(shè)計，2012，33（1）：282－286.Li Yucheng，Yan Juanli，Wang Mushu et al.Approach for parking spaces detection base on vedio images［J］.Computer Engineering and Design，2012，33（1）：282－286.（in Chinese）.

［4］羅小巧，姜 龍，瞿少成，等.基于視頻的停車場車位監(jiān)控算法研究［J］.電子測量技術(shù)，2012，35（2）：33－37.Luo Xiaoqiao，Jiang Long，Qu Shaocheng，et al.Research on viedo－based monitoring algorithm of parking spaces［J］.Electronic Measurement Technology，2012，35（2）：33－37.（in Chinese）.

［5］黃戰(zhàn)華，馬 銘，蔡懷宇，等.一種基于視頻的停車場車位監(jiān)控算法［J］.科學技術(shù)與工 程，2007，17（7）：4511－4514.Huang Zhanhua，Ma Ming，Cai Huaiyu，et al.Algorithm for parking spaces monitoring based on vedio［J］.Science Technology and Engineering，2007，17（7）：4511－4514.（in Chinese）.

［6］蔣大林，鄧紅麗，平 彧，等.基于視頻圖像的多特征車位檢測算法［J］.北京工業(yè)大學學報，2008，34（2）：137－140.Jiang Dalin，Deng Hongli，Ping Yu，et al.Parking cell detection algorithm of multiple characteristic based on video image［J］.Journal of Beijing University of Technology，2008，34（2）：137－140.（in Chinese）.

［7］孟 焱，孫 軍，湯一平.基于機器視覺的停車位檢測技術(shù)的研究［J］.計算機測量與控制，2012，20（3）：638－641.Meng Yan，Sun Jun，Tang Yiping.Research on parking state detection method based on machine vision［J］.Computer Measurement and Control，2012，20（3）：638－641.（in Chinese）.

［8］劉 薇，朱 虹，楊向波.停車場視頻監(jiān)視系統(tǒng)中的陰影檢測方法［J］.機械科學與技術(shù)，2008，27（5）：673－676.Liu Wei，Zhu Hong，Yang Xiangbo.Shadow detection method for vedio surveillance systems in a park－ing lot［J］.Mechanical Science and Technology，2008，27（5）：673－676.（in Chinese）.

［9］林培群，徐建閩，卞建勇.一種用于交通信息采集的圖像背景快速估計方法［J］.交通信息與安全，2009，27（3）：138－141.Lin Peiqun，Xu Jianmin，Bian Jianyong.A fast Approach to image background estimation for traffic information collection［J］.Journal of Transport Information and Safety，2009，27（3）：138－141.（in Chinese）.

［10］Theodoridis S.Pattern recognition［M］.Beijing：Publishing House of Electronics Industry，2010.

［11］范立南，韓曉微，張廣淵.圖像處理與模式識別［M］.北京：科學出版社，2007.Fan Linan，Han Xiaowei，Zhang Guangyuan.Image processing and pattern recognition［M］.Beijing：Science Press，2007.（in Chinese）