楊瀧迪,姜月秋,高宏偉

視覺(jué)的車(chē)位智能識(shí)別研究

楊瀧迪,姜月秋,高宏偉

(沈陽(yáng)理工大學(xué) 信息科學(xué)與工程學(xué)院，沈陽(yáng)110159)

針對(duì)車(chē)輛的人均持有量增加，并出現(xiàn)的“停車(chē)難”問(wèn)題，結(jié)合先進(jìn)的機(jī)器視覺(jué)和圖像處理等知識(shí)，提出一種基于視覺(jué)檢測(cè)停車(chē)位識(shí)別技術(shù)。主要通過(guò)對(duì)圖像的預(yù)處理、圖像分割、圖像特征提取等算法的研究來(lái)對(duì)停車(chē)場(chǎng)視頻和圖像處理，進(jìn)而把目標(biāo)從停車(chē)場(chǎng)背景中提取出來(lái)，最后構(gòu)建基于VC++6.0的停車(chē)場(chǎng)車(chē)位自動(dòng)識(shí)別系統(tǒng)。研究成果對(duì)于利用圖像處理來(lái)檢測(cè)停車(chē)場(chǎng)的停車(chē)位狀態(tài)具有一定的意義。結(jié)果表明，自動(dòng)識(shí)別技術(shù)行之有效。

圖像處理；視覺(jué)檢測(cè)；車(chē)位自動(dòng)識(shí)別；空閑判斷

隨著圖像處理技術(shù)的不斷發(fā)展，為提供停車(chē)場(chǎng)車(chē)位的實(shí)時(shí)信息，各大城市設(shè)計(jì)了停車(chē)場(chǎng)車(chē)位檢測(cè)系統(tǒng)，旨在司機(jī)能夠快速找到停車(chē)位[1]。目前國(guó)內(nèi)外有許多研究機(jī)構(gòu)應(yīng)用圖像處理技術(shù)進(jìn)行停車(chē)場(chǎng)智能化研究[2]，美國(guó)的ITS運(yùn)用先進(jìn)技術(shù)，將計(jì)算機(jī)技術(shù)、數(shù)字通信傳輸技術(shù)、自動(dòng)化控制技術(shù)以及繼承系統(tǒng)化等這些技術(shù)應(yīng)用到現(xiàn)有的車(chē)位系統(tǒng)之中，減輕了對(duì)資源重復(fù)利用以實(shí)現(xiàn)智能化系統(tǒng)的優(yōu)化且提高了實(shí)時(shí)性。國(guó)內(nèi)對(duì)停車(chē)場(chǎng)管理系統(tǒng)也進(jìn)行了大量的研究，其中具有代表性的有以下幾種:第一種是通過(guò)視頻卡為管理介質(zhì)的基于遺傳算法的最短搜索車(chē)位方法[3]；第二種停車(chē)場(chǎng)管理系統(tǒng)研究主要是通過(guò)圖像處理技術(shù)實(shí)現(xiàn)對(duì)現(xiàn)有收費(fèi)系統(tǒng)和車(chē)牌系統(tǒng)的完善[4]；第三種具體實(shí)現(xiàn)方法是將藍(lán)牙技術(shù)引入以往的停車(chē)場(chǎng)系統(tǒng)應(yīng)用中[5]；第四種是通過(guò)RFID中間件技術(shù)和工作流管理技術(shù)實(shí)現(xiàn)停車(chē)場(chǎng)管理系統(tǒng)，對(duì)于汽車(chē)的定位識(shí)別采用遠(yuǎn)距離射頻識(shí)別設(shè)備和線(xiàn)圈檢測(cè)器來(lái)實(shí)現(xiàn)，汽車(chē)的入庫(kù)和出庫(kù)控制通過(guò)顯示牌和紅綠燈完成，所有的終端設(shè)施都運(yùn)用分布式結(jié)構(gòu)加以實(shí)現(xiàn)管理[6]。但是，低智能化、低集成度是目前國(guó)內(nèi)停車(chē)場(chǎng)管理系統(tǒng)的不足之處，這種方式極大地阻礙了車(chē)位的整體利用和有效監(jiān)管，并且國(guó)內(nèi)的停車(chē)場(chǎng)管理系統(tǒng)功能發(fā)展不均衡。

通過(guò)對(duì)大量的停車(chē)場(chǎng)圖像進(jìn)行研究，在對(duì)停車(chē)場(chǎng)車(chē)位圖像進(jìn)行預(yù)處理后，對(duì)圖像的關(guān)鍵區(qū)域進(jìn)行分割，獲取圖像中感興趣的區(qū)域以達(dá)到提取車(chē)位信息的目的。識(shí)別時(shí)，將背景差法和幀差法相結(jié)合得出像素變化的三種判據(jù)，通過(guò)這三種判據(jù)對(duì)車(chē)位上的變化信息進(jìn)行檢測(cè)，這種方法對(duì)車(chē)位快速識(shí)別具有重要意義。

1 圖像預(yù)處理檢測(cè)識(shí)別方法

均值濾波是線(xiàn)性濾波，是對(duì)圖像像素分析時(shí)，要先選定一個(gè)窗口作為樣板，該樣板由目前一個(gè)像素鄰域內(nèi)的幾個(gè)像素組成，其值為這些像素灰度值的平均值[7]。

中值濾波是非線(xiàn)性的濾波方法，它通常在一像素點(diǎn)的周?chē)∫粋€(gè)滑動(dòng)窗口，先對(duì)窗口內(nèi)的灰度值進(jìn)行排序取出其中間值，然后用這個(gè)中間值來(lái)代替該點(diǎn)的像素值。

圖像邊緣增強(qiáng)是指周邊像素灰度有改動(dòng)并被標(biāo)注的像素集合,即為信號(hào)發(fā)生奇異突變的地方。奇異信號(hào)從邊沿的方向灰度值劇烈變動(dòng)，一般分成階躍邊緣和屋頂邊緣兩種方式。

Roberts算子是基于一階微分的邊緣檢測(cè)算子，流程即是通過(guò)局部的差分法來(lái)查找圖像的邊緣。

由于Roberts算子可能會(huì)影響圖像邊沿效果,用Roberts算子處理后的圖像結(jié)果的邊沿光滑程度不理想,所以只能通過(guò)其他的方式處理Roberts算子的邊沿圖像。

梯度法的原理是通過(guò)梯度的幅值獲取邊緣處的極值,此種方式不會(huì)抑制運(yùn)算方向,而且能取得邊緣的方向數(shù)據(jù),它的優(yōu)點(diǎn)是定位的精確值高,缺點(diǎn)是對(duì)噪聲相對(duì)較為敏感[8]。

Canny邊緣檢測(cè)算子基本思想是先計(jì)算圖像的灰度值進(jìn)行均方差，目的使圖像平滑，為了使圖像邊緣明顯清晰，需要求像素梯度的幅值和方向，通過(guò)比較梯度幅值與相鄰像素的梯度幅值，去除幅值小的像素，并結(jié)合其他的算子使圖像邊緣清晰。圖像經(jīng)過(guò)邊緣化處理后，需要比較閾值，從而確定輪廓。

二值化是圖像處理的基本操作，為了使圖像變得更為簡(jiǎn)單，將整個(gè)圖像呈現(xiàn)出明顯的只有黑和白的視覺(jué)效果，把像素點(diǎn)的灰度值區(qū)分為0或255。

針對(duì)圖像二值化進(jìn)行深入研究，由于全局閾值法分割算法對(duì)圖像分布直方圖呈雙峰分布時(shí)比較有效，按照大津閾值法對(duì)圖像進(jìn)行二值化分割后，前景與背景的類(lèi)間方差達(dá)到最大，最終結(jié)合本文的選題背景對(duì)停車(chē)場(chǎng)車(chē)位監(jiān)測(cè)，選取大津閾值對(duì)圖像進(jìn)行二值化處理，處理后的圖像清晰，取得較好的效果。

2 車(chē)位狀態(tài)檢測(cè)

車(chē)位存在判斷算法采用基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)來(lái)完成對(duì)車(chē)位狀態(tài)的粗檢測(cè)。對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)中的背景差分法和幀間差分法的研究和比較發(fā)現(xiàn)，這兩種方法的實(shí)質(zhì)都是將兩幀圖像進(jìn)行減運(yùn)算，以此作為啟示，可以將動(dòng)態(tài)圖像中連續(xù)兩幀進(jìn)行差運(yùn)算，然后再將其和背景差進(jìn)行與運(yùn)算，這樣就達(dá)到了加大目標(biāo)信息權(quán)重的目的，同時(shí)還能減小靜態(tài)背景的影響，得到更多的運(yùn)動(dòng)目標(biāo)，更好地將運(yùn)動(dòng)目標(biāo)從背景圖像中分離出來(lái)。

車(chē)位狀態(tài)檢測(cè)的目的主要包括兩個(gè)方面:一是檢測(cè)車(chē)位區(qū)域是否有變化；二是確認(rèn)變化是否來(lái)自于車(chē)輛。

車(chē)位狀態(tài)檢測(cè)算法的三種判據(jù)

1)變化發(fā)生判據(jù)K1

由于本文是將改進(jìn)的幀間差別法應(yīng)用到車(chē)位狀態(tài)的檢測(cè)當(dāng)中，幀差法的核心思想是:將視頻圖像序列中的前一幀圖像與當(dāng)前幀圖像做差得到差圖像；在差圖像中，沒(méi)有變化的區(qū)域的像素值為0，發(fā)生變化的部分像素值會(huì)出現(xiàn)很大的變化，以此檢測(cè)出圖像中變化區(qū)域。

變化發(fā)生判據(jù)K1(t)由以下公式可得:

Xi(t)=Ii(t)-Bi(t),i=1,2,3,…,n

(1)

(2)

式中:n為某車(chē)位像素面積；Ii(t)、Bi(t)分別為第i點(diǎn)像素在t時(shí)刻的前景、背景像素值；Xi(t)為像素復(fù)制變化量；K1(t)為累計(jì)的幅值變化量。

由此可知，車(chē)位狀態(tài)沒(méi)有變化的時(shí)候，當(dāng)前幀與前一幀幾乎沒(méi)有發(fā)生變化，K1(t)的值趨近于0；車(chē)位狀態(tài)發(fā)生變化的時(shí)候，會(huì)引起當(dāng)前幀和前一幀的像素值發(fā)生改變，此時(shí)K1(t)變大。所以，K1(t)可以作為車(chē)位狀態(tài)變化發(fā)生的判據(jù)來(lái)反映車(chē)位的狀態(tài)變化。

2)變化幅值一致性判據(jù)K2

K1(t)可以檢測(cè)出車(chē)位狀態(tài)的變化情況，但是其對(duì)于兩幀之間發(fā)生的變化很敏感。而在現(xiàn)實(shí)的停車(chē)場(chǎng)的實(shí)時(shí)監(jiān)控中，由于反光，日照強(qiáng)度和樹(shù)蔭等等都會(huì)造成像素值的幅值差異。

為了降低以上情況帶來(lái)的誤差，加強(qiáng)算法的可靠性，要對(duì)不同狀況下的像素幅值變化進(jìn)行分析找出它們的規(guī)律，以此來(lái)判定車(chē)位狀態(tài)是否改變。

當(dāng)車(chē)位圖像中車(chē)位像素幅值是因?yàn)殛幱盎蛘呤枪庹瞻l(fā)生變化時(shí)，圖像中像素值的變化始終在一個(gè)很小的范圍內(nèi)，可以用方差來(lái)對(duì)圖像的像素幅值變化的一致性進(jìn)行判定:

(3)

(4)

3)變化比例的一致性判據(jù)K3

當(dāng)光強(qiáng)度發(fā)生變化時(shí)，雖然會(huì)引起像素值幅值發(fā)生變化，但是當(dāng)前幀圖像中各個(gè)像素與前一幀圖像的比值是一致的，即其比值的數(shù)學(xué)特征值為0。所以，可以通過(guò)判定前一幀與當(dāng)前幀中對(duì)應(yīng)點(diǎn)像素比值的方差來(lái)判斷像素幅值的變化是否是由于照度變化引起的，具體計(jì)算方法如下:

(5)

(6)

(7)

通過(guò)對(duì)車(chē)位狀態(tài)變化的三個(gè)判據(jù)公式的研究能夠發(fā)現(xiàn):當(dāng)圖像中的車(chē)位沒(méi)有改變時(shí)，即沒(méi)有運(yùn)動(dòng)目標(biāo)進(jìn)入該區(qū)域，幅值的累積變化量K1(t)為0。當(dāng)圖像中的車(chē)位有變化發(fā)生時(shí)，即有運(yùn)動(dòng)目標(biāo)進(jìn)入該區(qū)域，這會(huì)造成大部分的像素值也發(fā)生變動(dòng)，此時(shí)幅值的累積變化量K1(t)將驟然增加。這樣就可以利用K1(t)的變化來(lái)檢測(cè)車(chē)位上的變化。這種檢測(cè)快速便捷，但是光照等變化也會(huì)引起幅值的累積變化量K1(t)變化，從而對(duì)檢測(cè)結(jié)果的準(zhǔn)確性造成影響。

為此引入變化幅值一致性判據(jù)K2(t)。K2(t)根據(jù)車(chē)位像素變化是由于光照強(qiáng)度的變化造成時(shí)，發(fā)生這種變化像素點(diǎn)較為集中，所以像素幅值變化的方差相對(duì)小，此時(shí)雖然K1(t)變大，但是K2(t)依然很小。

但僅僅依靠以上兩個(gè)判據(jù)還不能得到完全準(zhǔn)確的判斷結(jié)果，與此同時(shí)通過(guò)對(duì)由車(chē)位狀態(tài)發(fā)生變化和其他因素發(fā)生變化的圖像的像素值比較，發(fā)現(xiàn)光線(xiàn)發(fā)生變化車(chē)位區(qū)域被遮擋時(shí)盡管像素值的幅值會(huì)發(fā)生明顯的變化，但是車(chē)位圖像中前一幀和當(dāng)前幀對(duì)應(yīng)像素點(diǎn)的變化的比值是相同的，即其數(shù)學(xué)特征方差K3(t)，根據(jù)這個(gè)比值的方差，可以區(qū)分車(chē)位上像素的變化是由環(huán)境內(nèi)光線(xiàn)變化引起的還是車(chē)位的狀態(tài)變化引起的，從而減少誤判。

3 檢測(cè)結(jié)果與分析

分別采用均值濾波和中值濾波對(duì)車(chē)位圖像進(jìn)行處理，結(jié)果見(jiàn)圖1。

圖1 濾波結(jié)果對(duì)比

由圖1a和圖1b的對(duì)比圖可以看出，針對(duì)本文的車(chē)位圖像中值濾波和均值濾波的效果差異不是很明顯，綜合運(yùn)算的時(shí)間復(fù)雜度和空間復(fù)雜度考慮，本文選用過(guò)程較為簡(jiǎn)便的均值濾波對(duì)車(chē)位圖像進(jìn)行去噪處理。

選擇Roberts算子對(duì)圖像進(jìn)行邊緣提取，如圖2所示，該算子可使圖像保持完整和清晰。

圖2 邊緣增強(qiáng)效果對(duì)比

圖3為車(chē)位線(xiàn)邊緣提取結(jié)果。

圖3 車(chē)位邊緣提取結(jié)果

由圖3可看出，通過(guò)區(qū)域增長(zhǎng)法對(duì)感興趣的車(chē)位線(xiàn)區(qū)域提取，獲得結(jié)果顯示，停車(chē)位的區(qū)域線(xiàn)較為清晰，也可以看出停車(chē)位的輪廓和背景有比較大的不同之處。

用戶(hù)啟動(dòng)停車(chē)場(chǎng)管理系統(tǒng)的界面，如圖4所示。

圖4 停車(chē)場(chǎng)系統(tǒng)管理界面

根據(jù)用戶(hù)名、密碼登錄到系統(tǒng)的后臺(tái)，進(jìn)入停車(chē)場(chǎng)車(chē)位管理系統(tǒng)的工作界面對(duì)停車(chē)場(chǎng)的車(chē)位情況進(jìn)行初始化。也可以進(jìn)入到停車(chē)場(chǎng)車(chē)位管理系統(tǒng)的車(chē)位信息管理界面對(duì)停車(chē)場(chǎng)的車(chē)位信息進(jìn)行增加和刪除，并可以進(jìn)入查詢(xún)管理系統(tǒng)界面對(duì)車(chē)位信息進(jìn)行查詢(xún)。

首先，提取車(chē)位圖像上的對(duì)應(yīng)點(diǎn)像素值。然后，將當(dāng)前圖像分別與前一幀圖像和背景圖像對(duì)應(yīng)點(diǎn)的像素值進(jìn)行差計(jì)算。接著，將兩個(gè)差計(jì)算求得的差進(jìn)行與計(jì)算，求得發(fā)生變化的區(qū)域。最后采用求出變化區(qū)域內(nèi)相近兩幀圖像的對(duì)應(yīng)像素的三個(gè)判據(jù)，判斷變化是否來(lái)自于車(chē)位狀態(tài)的變化。

選取500幀作為一個(gè)時(shí)間段，將VC++和Matlab相結(jié)合，利用前者運(yùn)算效率高和后者良好的制圖能力，提供可視化的評(píng)價(jià)。

1)車(chē)位像素值的變化是由車(chē)輛變化引起時(shí)

大部分像素值會(huì)發(fā)生明顯的變化，K1、K2、K3都會(huì)迅速變大；當(dāng)車(chē)輛停穩(wěn)或者車(chē)輛完全駛離車(chē)位的時(shí)候，變化隨運(yùn)動(dòng)的停止而停止，K1、K2、K3穩(wěn)定在一個(gè)較高的水平上，如圖5所示。

圖5 K值變化

2)車(chē)位內(nèi)無(wú)任何變化時(shí)

各個(gè)像素值也不會(huì)有變化，此時(shí)K1、K2、K3基本穩(wěn)定在0上。

3)車(chē)位上的像素值的變化是由行人進(jìn)入引起時(shí)

當(dāng)行人進(jìn)入停車(chē)位區(qū)域時(shí)，一部分像素值會(huì)迅速地變化，這會(huì)使得K1、K2、K3變大。但是，行人一般具有體積上比車(chē)輛小和運(yùn)動(dòng)變化的比車(chē)輛快等特點(diǎn)。因此，當(dāng)行人離開(kāi)的時(shí)候K1、K2、K3將會(huì)立即降回0。

4)車(chē)位上的像素值變化是由陰影覆蓋引起時(shí)

當(dāng)車(chē)位被陰影完全覆蓋會(huì)造成大部分的像素值變化，這會(huì)使得K1迅速的增加，并穩(wěn)定在一個(gè)比較高的位置上；雖然陰影覆蓋會(huì)使圖像的像素值發(fā)生變化幅值和比例也發(fā)生變化，但其變化趨勢(shì)是一致的，即K2、K3先增大，隨后降至 0。

所以當(dāng)車(chē)位被陰影完全覆蓋，K1迅速增大后穩(wěn)定在較高水平，K2、K3先增大，隨后降至 0。如圖6所示。

圖6 陰影完全覆蓋車(chē)位時(shí)的K值

5)車(chē)位部分被陰影覆蓋時(shí)

車(chē)位圖像中會(huì)有一部分像素值的變化很小，一部分像素值變化很大，所以K1、K2、K3迅速增大然后穩(wěn)定在一個(gè)低于車(chē)輛變化時(shí)的幅值水平。

由于幀差法檢測(cè)車(chē)位狀態(tài)時(shí)是用每一幀與背景圖像和前一幀分別相減，如果對(duì)每一幀圖像都進(jìn)行上述處理會(huì)導(dǎo)致計(jì)算量很大，所以本文選擇一個(gè)時(shí)間段對(duì)圖像進(jìn)行抽樣檢測(cè)，分別計(jì)算采樣時(shí)刻的狀態(tài)判據(jù)并進(jìn)行背景更新。

車(chē)位狀態(tài)變化的判定如下:

1)若K1、K2、K3的數(shù)值都在0附近，則認(rèn)為車(chē)位狀態(tài)沒(méi)有任何變化，更新此幀為新的背景圖；

2)若K1、K2、K3的數(shù)值突然增大然后穩(wěn)定在一個(gè)相對(duì)高的數(shù)值上，則認(rèn)為車(chē)位上有車(chē)輛的變化，并更新此圖為新的背景圖；

3)若K1、K2、K3沒(méi)有發(fā)生上邊任何一種的變化，則不更新背景圖像。

如此便初步檢測(cè)出車(chē)位上是否有信息變化。

分別在停車(chē)場(chǎng)的不同區(qū)域不同位置的三個(gè)攝像頭的監(jiān)控結(jié)果進(jìn)行抽樣，其中A區(qū)的一號(hào)攝像頭距離目標(biāo)區(qū)域的直線(xiàn)距離為40m，拍攝角度與水平地面平行；B區(qū)的一號(hào)攝像頭距離目標(biāo)區(qū)域的直線(xiàn)距離80m，拍攝角度與水平地面成30°夾角；C區(qū)的三號(hào)攝像頭距離目標(biāo)區(qū)域的直線(xiàn)距離為50m，拍攝角度與水平地面成25°夾角。圖7為區(qū)域狀態(tài)及查詢(xún)結(jié)果，表1為車(chē)位檢測(cè)結(jié)果，表2為車(chē)位狀態(tài)檢測(cè)結(jié)果。

圖7 每個(gè)區(qū)域狀態(tài)及查詢(xún)結(jié)果

檢測(cè)區(qū)域?qū)嶋H車(chē)位數(shù)檢測(cè)車(chē)位數(shù)漏檢數(shù)正確識(shí)別率/%A區(qū)440100B區(qū)1110190.9C區(qū)440100

表2 對(duì)車(chē)位狀態(tài)的檢測(cè)結(jié)果

本文采用的車(chē)位檢測(cè)和車(chē)位狀態(tài)識(shí)別算法對(duì)攝像頭拍攝角度的影響不是很敏感，在30°以?xún)?nèi)的拍攝角度不會(huì)對(duì)結(jié)果造成很大的影響。而攝像頭的拍攝距離對(duì)車(chē)位檢測(cè)和車(chē)位狀態(tài)的識(shí)別有一定的影響，但只要保證其距離范圍在50m以?xún)?nèi)，對(duì)檢測(cè)和識(shí)別結(jié)果的影響可以控制。相較于基于傳感器的識(shí)別方法與基于訓(xùn)練器樣本識(shí)別法耗費(fèi)大量人力物力采集樣本，占用資源較多，耗時(shí)費(fèi)力，造價(jià)昂貴，本方法更加簡(jiǎn)便，在一定可控范圍內(nèi)的識(shí)別率也更高。

4 結(jié)束語(yǔ)

對(duì)于停車(chē)場(chǎng)空閑車(chē)位實(shí)時(shí)監(jiān)測(cè)，提出了基于視頻檢測(cè)的判別方法，采用視覺(jué)檢測(cè)技術(shù)，對(duì)動(dòng)態(tài)視頻的前后兩幀圖像進(jìn)行對(duì)比檢測(cè)，然后對(duì)所得結(jié)果進(jìn)行邏輯與運(yùn)算，提高了目標(biāo)信息的權(quán)重，還能進(jìn)一步減小靜態(tài)背景的影響，從而將更多的目標(biāo)從背景中分離出來(lái)。此種方法原理簡(jiǎn)單，可執(zhí)行性強(qiáng)，但相比于單一的目標(biāo)檢測(cè)，增加了一些實(shí)時(shí)判斷的計(jì)算量，影響了判斷方式的實(shí)時(shí)性，隨著圖像處理技術(shù)的不斷提高，數(shù)據(jù)采集設(shè)備技術(shù)的不斷完善，該方法的實(shí)時(shí)性將越來(lái)越好。

[1]李鴻雁.2013 年道路交通安全形勢(shì)總體平穩(wěn)——汽車(chē)保有量達(dá)1.37億輛，大中型客貨車(chē)、農(nóng)村面包車(chē)安全問(wèn)題突出[J].商用汽車(chē),2014(4):7-9.

[2]高鵬，張子秦.城市交通擁堵分析及對(duì)策研究[J].交通科技與經(jīng)濟(jì)，2011(2):22-25.

[3]段紅.基于圖像識(shí)別技術(shù)的智能交通監(jiān)控系統(tǒng)研究[D].淮南:安徽理工大學(xué)，2007.

[4]馬國(guó)峰，虞喆麟，江偉林.基于智能化系統(tǒng)的干道交通信號(hào)管理與控制[J].企業(yè)技術(shù)開(kāi)發(fā),2012(3):31-32.

[5]孔祥剛.基于PCI總線(xiàn) DSP 圖像處理試驗(yàn)平臺(tái)的研究[D].杭州:浙江大學(xué)，2003.

[6]王輝，吳欽章.基于圖像質(zhì)量評(píng)價(jià)的自動(dòng)圖像復(fù)原技術(shù)[J].傳感技術(shù)學(xué)報(bào)，2012(7):930-935.

[7]符溪.智能停車(chē)場(chǎng)系統(tǒng)設(shè)計(jì)和實(shí)現(xiàn)[D].湘潭:湘潭大學(xué)，2011.

[8]陽(yáng)瑞婷.木工鋸片鋸齒綜合尺寸檢測(cè)系統(tǒng)的研究[D].武漢:華中科技大學(xué)，2009.

(責(zé)任編輯:馬金發(fā))

Automatic Identification Technology of Parking Based on Visual Inspection

YANG Longdi,JIANG Yueqiu,GAO Hongwei

(Shenyang Ligong University,Shenyang 110159,China)

For vehicles per each citizen holdings increases and the “parking” problem is appearing,combined with advanced knowledge such as machine vision and image processing,based on visual inspection parking space recognition is proposed in this paper.The parking video and image processing are performed mainly through the image pretreatment,image segmentation,and image feature extraction algorithm,which means that the target is extracted from background from the parking lot，and target recognition is studied on the parking;At last，parking automatic identification system in parking lot is built by VC++6.0.Simulation results show that image processing application is meaningful to detect parking state，which has effective automatic identification performance.

image processing;visual inspection;automatic identification;free judgment

2016-05-09

遼寧省“百千萬(wàn)人才工程”培養(yǎng)經(jīng)費(fèi)資助項(xiàng)目(2013921032)

楊瀧迪(1988—)，男，碩士研究生；通訊作者:姜月秋(1975—)，女，教授，博士，研究方向:衛(wèi)星通信和網(wǎng)絡(luò)管理技術(shù)，圖像處理等。

1003-1251(2017)01-0071-06

TN911

A