邵奇可,盧 熠,陳一葦

(浙江工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院(軟件學(xué)院),杭州 310023)

近年來,隨著我國高速公路事業(yè)的迅猛發(fā)展,服務(wù)區(qū)作為高速公路的重要配套設(shè)施,已經(jīng)成為反映高速公路服務(wù)能力和展示地方經(jīng)濟(jì)發(fā)展成果的重要窗口.服務(wù)區(qū)整體服務(wù)水平的高低和服務(wù)質(zhì)量的好壞既影響高速公路的運(yùn)行安全與效率,也關(guān)系著沿線區(qū)域經(jīng)濟(jì)的健康發(fā)展.近年來,隨著公眾出行車輛數(shù)量的爆炸性增長(zhǎng),導(dǎo)致部分高速公路服務(wù)區(qū)在高峰期尤其是節(jié)假日車位緊張,許多車輛無處可停,公眾在服務(wù)區(qū)停留時(shí)的舒適度較差.因此,實(shí)時(shí)對(duì)外發(fā)布高速公路服務(wù)區(qū)的停車場(chǎng)車位信息,有利于滿足公眾高品質(zhì)出行需求,提高高速公路服務(wù)區(qū)對(duì)外公共服務(wù)形象.

目前,針對(duì)停車場(chǎng)車位檢測(cè)方法主要分傳感器檢測(cè)和視頻檢測(cè)兩大類.傳感器車位檢測(cè)方法主要包括：感應(yīng)線圈檢測(cè)[1]、聲波檢測(cè)[2]、紅外檢測(cè)[3]以及基于射頻識(shí)別技術(shù)檢測(cè)方法[4]等.其中,感應(yīng)線圈檢測(cè)需要在每個(gè)車位地下埋設(shè)地感線圈,進(jìn)而通過線圈內(nèi)電流的變化來判斷相應(yīng)車位上是否停有車輛,地感線圈的施工要求較高,并且地感線圈容易損壞且更換、維修成本高;聲波車位檢測(cè)是在每個(gè)車位上方安裝超聲波探測(cè)器,通過回波檢測(cè)來判斷車位上有無車輛停泊;紅外車位檢測(cè)是通過檢測(cè)車位上反射光或遮光的情況來判斷車位狀態(tài)是否發(fā)生變化.不難發(fā)現(xiàn),不論是超聲波車位檢測(cè)方法還是紅外車位檢測(cè)方法,兩種檢測(cè)方法都需要在停車位表面逐個(gè)車位安裝檢測(cè)傳感器,除此之外,這兩種方法并不適合高速公路服務(wù)區(qū)停車場(chǎng)車位檢測(cè)的情況;至于基于射頻識(shí)別技術(shù)車位檢測(cè)方法,則是通過在每個(gè)車位內(nèi)安裝一個(gè)射頻識(shí)別標(biāo)簽來探測(cè)相應(yīng)車位情況,為了獲取相應(yīng)車位的信息,還需再配備專門的射頻識(shí)別閱讀器來讀取標(biāo)簽里存儲(chǔ)的信息,然后將獲得的數(shù)據(jù)上傳到上位機(jī).這種檢測(cè)方法可靠性良好,然而需要較高的成本,此外,其局限性還體現(xiàn)在對(duì)天氣條件的變化較為敏感.

另一方面,基于視頻檢測(cè)車位方法由于其利用現(xiàn)有的停車場(chǎng)監(jiān)控設(shè)備,無須對(duì)停車場(chǎng)車位地面進(jìn)行改動(dòng),而且設(shè)備維護(hù)與維修容易.因此,此類方法更具有推廣應(yīng)用價(jià)值.目前,基于視頻的車位檢測(cè)算法可以分為兩大類,一類是基于車牌的檢測(cè)算法[5],一類是從車位狀態(tài)變化特點(diǎn)角度出發(fā)的檢測(cè)算法如：基于方差的檢測(cè)算法[6]、基于紋理特征的檢測(cè)算法[7]、基于邊緣檢測(cè)的檢測(cè)算法[8]、基于標(biāo)記的檢測(cè)算法[9]以及基于相關(guān)性判別的檢測(cè)算法[10].基于車牌的檢測(cè)算法雖然精確度良好,但是需要從視頻中獲取車牌區(qū)域并且進(jìn)行劃分和識(shí)別,需要非常精密的算法來支撐,實(shí)現(xiàn)的過程較為復(fù)雜,在實(shí)際應(yīng)用中,這種方法對(duì)攝像頭安裝的位置與數(shù)量均有嚴(yán)格要求,一旦攝像頭安裝的角度不合理,發(fā)生了車牌遮擋等問題,那么檢測(cè)結(jié)果就會(huì)受到非常大的影響.基于車位狀態(tài)變化特點(diǎn)的檢測(cè)方法往往需要對(duì)固定的場(chǎng)景且在相對(duì)固定的光照條件下,去確定一個(gè)閾值,再對(duì)圖像進(jìn)行二值化,從而達(dá)到圖像分割的目的,這在工程實(shí)際運(yùn)用中缺乏普遍性,泛化能力差,受光線和場(chǎng)景影響較大.如：文獻(xiàn)[11]以灰度值對(duì)道路進(jìn)行分割,該方法通過去噪點(diǎn)及小波邊緣檢測(cè)預(yù)處理,對(duì)預(yù)處理后的圖像進(jìn)行閾值化,再結(jié)合道路的連通性識(shí)別道路,但是在雨雪天氣下分割效果極差.文獻(xiàn)[12]中提出用Canny 算子邊緣檢測(cè)的圖像分割算法,這種分割方法對(duì)有陰影遮擋的效果很差.文獻(xiàn)[13,14]中提出一種基于種子區(qū)域增長(zhǎng)的道路分割算法,這種算法對(duì)彎曲的道路以及惡劣天氣環(huán)境下沒有很好的魯棒性.文獻(xiàn)[15]中提出使用特種攝像頭對(duì)車位進(jìn)行檢測(cè),這種方法雖然可以對(duì)車位的狀態(tài)進(jìn)行識(shí)別,但是需要安裝基于特定場(chǎng)景、環(huán)境,需要定制和微調(diào)的定點(diǎn)定焦攝像頭,對(duì)實(shí)際工程成本開銷較大.在文獻(xiàn)[16]中指出一種非參數(shù)背景減除算法——核密度估計(jì)（KDE）,雖然有利于新訓(xùn)練樣本的加入,但計(jì)算復(fù)雜度過大,去實(shí)時(shí)性較差,不適合應(yīng)用于實(shí)際場(chǎng)景中.

為此,本文利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行高速公路停車場(chǎng)區(qū)域分割與車輛檢測(cè).在原有COCO 數(shù)據(jù)集的基礎(chǔ)上擴(kuò)充自己的數(shù)據(jù)集;利用權(quán)重共享的方法,在區(qū)域分割與目標(biāo)識(shí)別方面對(duì)特征提取網(wǎng)絡(luò)進(jìn)行權(quán)重共享,從而達(dá)到聯(lián)合訓(xùn)練的目的;進(jìn)而,應(yīng)用了特征金字塔網(wǎng)絡(luò),解決目標(biāo)檢測(cè)中多尺度問題,以提升小目標(biāo)識(shí)別的性能;最后,利用車位的先驗(yàn)值計(jì)算出剩余車位.

1 系統(tǒng)架構(gòu)

整個(gè)高速公路服務(wù)區(qū)停車場(chǎng)管理系統(tǒng)主要由視頻采集系統(tǒng)、視頻分析系統(tǒng)以及信息發(fā)布系統(tǒng)組成.視頻采集系統(tǒng)主要功能是完成對(duì)現(xiàn)有停車場(chǎng)監(jiān)控?cái)z像頭的視頻采集;視頻分析系統(tǒng)的主要功能是車位檢測(cè)和數(shù)據(jù)分析,主要包括三個(gè)子模塊：車位識(shí)別模塊、數(shù)據(jù)分析模塊、信息匯總模塊.這些模塊用于出入于停車場(chǎng)的車輛信息,以及停車場(chǎng)的車位占用情況匯總,從而形成匯總數(shù)據(jù)存儲(chǔ)在云服務(wù)器.信息發(fā)布系統(tǒng)主要的功能是將現(xiàn)有的匯總數(shù)據(jù),通過WEB 端和APP 方式發(fā)布出去,使用戶能夠在各個(gè)接入互聯(lián)網(wǎng)的設(shè)備上輕易的獲取需要的資源信息.系統(tǒng)整體架構(gòu)如圖1所示.

圖1 系統(tǒng)整體架構(gòu)

(1)視頻采集系統(tǒng)

本系統(tǒng)采用基于視頻的高速公路服務(wù)區(qū)停車場(chǎng)車位檢測(cè)與管理.為確保本系統(tǒng)提供的停車位信息實(shí)時(shí)、準(zhǔn)確,就必須對(duì)分布在不同停車區(qū)域內(nèi)的監(jiān)控?cái)z像頭進(jìn)行實(shí)時(shí)的視頻采集.在實(shí)際應(yīng)用過程中,高速服務(wù)區(qū)停車場(chǎng)的監(jiān)控?cái)z像頭由于種類多、廠家不一、型號(hào)多樣,因此必須采取統(tǒng)一的數(shù)據(jù)傳輸協(xié)議.本系統(tǒng)利用局域網(wǎng)直接訪問停車場(chǎng)內(nèi)監(jiān)控?cái)z像機(jī),并利用攝像機(jī)提供的rtsp 協(xié)議,調(diào)取服務(wù)區(qū)停車場(chǎng)內(nèi)監(jiān)控?cái)z像頭的實(shí)時(shí)視頻流,系統(tǒng)采樣頻率5 s/幀.

(2)視頻分析系統(tǒng)

視頻分析系統(tǒng)采用C++,Python 等技術(shù)進(jìn)行開發(fā),對(duì)車位檢測(cè)算法和系統(tǒng)的業(yè)務(wù)邏輯進(jìn)行分層處理.車位檢測(cè)算法的主要功能是將視頻采集系統(tǒng)獲得的停車場(chǎng)內(nèi)視頻流數(shù)據(jù)進(jìn)行車輛識(shí)別和車型識(shí)別,并實(shí)時(shí)統(tǒng)計(jì)該停車區(qū)域內(nèi)不同車型的車輛數(shù)量.業(yè)務(wù)邏輯層根據(jù)算法檢測(cè)的實(shí)時(shí)車輛信息,利用停車場(chǎng)車位的先驗(yàn)知識(shí),實(shí)時(shí)計(jì)算出該區(qū)域的空余停車位信息,即在得到圖像中車輛數(shù)量以后,判斷該圖像位于第i 個(gè)點(diǎn)位,再由第i 個(gè)點(diǎn)位的先驗(yàn)車位總數(shù)計(jì)算得出空余車位數(shù)量,最后完成對(duì)該停車場(chǎng)區(qū)域空余車位的統(tǒng)計(jì)及其數(shù)據(jù)存儲(chǔ).

(3)信息發(fā)布系統(tǒng)

信息發(fā)布系統(tǒng)將形成對(duì)駕駛員是否進(jìn)入服務(wù)區(qū)及進(jìn)入服務(wù)區(qū)后如何快速停車的決策誘導(dǎo),從而調(diào)節(jié)整個(gè)高速服務(wù)區(qū)的區(qū)域停車壓力.駕駛員可以通過系統(tǒng)提供的信息發(fā)布系統(tǒng),利用移動(dòng)APP 實(shí)時(shí)查看目的區(qū)域的空余停車位信息,進(jìn)而選擇采取最高效的行車、停車方案.該系統(tǒng)通過視頻分析系統(tǒng)得到的停車場(chǎng)各個(gè)區(qū)域空余車位,進(jìn)而實(shí)時(shí)傳送給本地停車場(chǎng)的LED 誘導(dǎo)屏,同時(shí)將視頻分析系統(tǒng)的業(yè)務(wù)邏輯層輸出的數(shù)據(jù)轉(zhuǎn)化成與Web 服務(wù)器相對(duì)應(yīng)的格式,并上傳至云端.通過云端Web 服務(wù)器完成對(duì)手機(jī)端與Web 端的信息更新,以便出行者可以根據(jù)高速公路服務(wù)區(qū)停車場(chǎng)管理系統(tǒng)所提供的空余車位信息,選擇是否進(jìn)入該服務(wù)區(qū)停車休息或者根據(jù)提示迅速找到空余車位.

2 車位檢測(cè)算法

考慮到高速公路服務(wù)區(qū)停車場(chǎng)管理需要對(duì)大車、小車停車區(qū)域嚴(yán)格細(xì)分,并且對(duì)不同車型尤其是畜牧車、易燃易爆的油罐車等特殊車輛的停車區(qū)域嚴(yán)格指定,因此需要車位檢測(cè)算法具有良好的復(fù)雜環(huán)境適應(yīng)能力和魯棒性,能夠在不同區(qū)域有效的檢測(cè)出不同車型的車輛信息,才能有效利用停車場(chǎng)車位的先驗(yàn)知識(shí)進(jìn)行空余車位的統(tǒng)計(jì).為此,本文首先對(duì)停車場(chǎng)的車輛信息進(jìn)行擴(kuò)充,建立一個(gè)涵蓋各種車型的車輛數(shù)據(jù)集.

2.1 車輛數(shù)據(jù)集的擴(kuò)充

在許多公共數(shù)據(jù)集中,如COCO 數(shù)據(jù)集,大多數(shù)是國外的車型,側(cè)面、背面照較多,正面較少,且大卡車分了卡車與公共汽車類型,然而在高速公路服務(wù)區(qū)的停車場(chǎng)中,按管理要求對(duì)不同車型的停車區(qū)域需要嚴(yán)格細(xì)分.現(xiàn)有視頻監(jiān)控系統(tǒng)在停車場(chǎng)中的攝像頭,一般多為俯視視角.因此,非常有必要對(duì)車輛數(shù)據(jù)集進(jìn)行了擴(kuò)充,除了包含車輛的側(cè)面、背面,車頂、正面的圖片.并且按不同的車型及其用途細(xì)分為畜牧車、易燃易爆的油罐車、工程維修車、普通貨車、房車和大巴車,如表1所示.本文用到的數(shù)據(jù)集全部來自于現(xiàn)場(chǎng)的攝像頭,篩選了在不同場(chǎng)景、不同天氣下所拍攝到的圖片33 000 多張,為了增加數(shù)據(jù)集的復(fù)雜性,另外采用了11 000 多張網(wǎng)絡(luò)車輛數(shù)據(jù)集.在篩選出的圖片中標(biāo)注油罐車、工程維修車、普通貨車、房車、大巴車和小車六個(gè)車型的先驗(yàn)框,制作樣本數(shù)據(jù)集,車型數(shù)據(jù)集分布如表2所示.使用json 文件進(jìn)行標(biāo)定,每張圖像都有對(duì)應(yīng)各自的json 文件,采用端到端的訓(xùn)練方法訓(xùn)練.

表1 擴(kuò)充前后數(shù)據(jù)集對(duì)比

表2 6 種目標(biāo)車型數(shù)據(jù)分布

2.2 網(wǎng)絡(luò)結(jié)構(gòu)與算法流程

考慮到需要有效檢測(cè)兩個(gè)停車區(qū)域的車位信息,因此本文使用了一種高效且有效的前饋網(wǎng)絡(luò)架構(gòu)以共同推理語義分割和圖像分類.在兩個(gè)任務(wù)上共享一個(gè)編碼器以實(shí)現(xiàn)不同的解碼任務(wù).其中解碼器1 的目標(biāo)是解決在停車場(chǎng)中所拍攝到的車輛之間有遮擋且目標(biāo)較小的問題,采取了多尺度特征提取的方式,這種全局特征和局部特征的融合,從不同尺度上盡可能地保留了車輛的特征信息,從而提高了網(wǎng)絡(luò)的特征表達(dá)能力.解碼器2 實(shí)現(xiàn)對(duì)停車場(chǎng)中的道路進(jìn)行了分割.具體結(jié)構(gòu)如圖2所示.

系統(tǒng)充分利用原有的停車場(chǎng)監(jiān)控設(shè)備,首先要對(duì)視頻幀圖像進(jìn)行語義分割.再將分割后的圖像進(jìn)行精確的車輛檢測(cè),檢測(cè)出的車輛依據(jù)車輛的坐標(biāo)以及車輛的置信度IOU 等信息,統(tǒng)計(jì)出該區(qū)域已經(jīng)占用的停車位數(shù)量.最后根據(jù)第i個(gè)點(diǎn)位的先驗(yàn)總車位數(shù)量,計(jì)算出剩余車位數(shù),并發(fā)布到現(xiàn)場(chǎng)顯示屏與手機(jī)終端,對(duì)該高速停車場(chǎng)進(jìn)行實(shí)時(shí)的引導(dǎo).具體算法流程如圖3所示.

圖2 聯(lián)合訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)

2.3 區(qū)域分割

考慮到高速停車場(chǎng)原有監(jiān)控設(shè)備主要滿足安防需求,沒有建立專用的車位檢測(cè)攝像頭,導(dǎo)致一個(gè)攝像頭可以覆蓋到兩個(gè)停車場(chǎng)區(qū)域.為了有效檢測(cè)兩個(gè)停車區(qū)域的車位信息,本文采用對(duì)兩個(gè)區(qū)域中間的道路進(jìn)行分割,如圖4所示.

由于停車場(chǎng)場(chǎng)景復(fù)雜多變,利于本文聯(lián)合訓(xùn)練,本文利用darknet53 卷積神經(jīng)網(wǎng)絡(luò)對(duì)道路的特征進(jìn)行特征提取,在目標(biāo)識(shí)別與區(qū)域分割部分對(duì)特征提取層darknet53 的權(quán)重進(jìn)行共享.考慮到分割時(shí)只分割道路,屬于二分類問題,所以在圖像分割部分選用logistic 邏輯回歸層對(duì)像素點(diǎn)進(jìn)行分類,以達(dá)到分割效果.訓(xùn)練集可表示為：

圖3 車位檢測(cè)算法流程圖

對(duì)這m個(gè)訓(xùn)練樣本,每個(gè)樣本有n維特征.再加上一個(gè)偏置項(xiàng)x0,則每個(gè)樣本中共包含n+1 維特征：

其中,x∈Rn+1,x0=1,y∈{0,1},logistic 函數(shù)計(jì)算公式如下：

在選用損失函數(shù)部分,本文選用binary crossentropy 交叉熵?fù)p失函數(shù),公式如下：

其中,hθ(x)為 預(yù)測(cè)值,y為真值.

圖4 蕭山服務(wù)區(qū)停車場(chǎng)道路分割

2.4 車輛檢測(cè)

由于高速停車場(chǎng)的攝像頭需要滿足安防需求,因此大多數(shù)攝像頭架在了高處,且本系統(tǒng)不打算再額外的安裝特定專用攝像頭.然而原來很多的目標(biāo)檢測(cè)算法都只采用頂層特征做預(yù)測(cè),但是底層特征的語義信息較少,高層語義信息比較豐富,這就導(dǎo)致了對(duì)小目標(biāo)識(shí)別精度不高,因此本文采用多尺度的FPN 算法對(duì)小目標(biāo)進(jìn)行識(shí)別.FPN 通過添加第二個(gè)金字塔提升了標(biāo)準(zhǔn)特征提取金字塔的性能,第二個(gè)金字塔可以從第一個(gè)金字塔選擇高級(jí)特征并傳遞到底層上.通過這個(gè)過程,它允許每一級(jí)的特征都可以和高級(jí)、低級(jí)特征互相結(jié)合,如圖5所示.

圖5 金字塔特征融合結(jié)構(gòu)圖

本文的目標(biāo)預(yù)測(cè)是在不同特征層進(jìn)行的,因此在網(wǎng)絡(luò)深層對(duì)整張圖像中的小目標(biāo)預(yù)測(cè)具有良好的效果.在層與層之間使用ResNet 進(jìn)行連接,以便在模型訓(xùn)練的時(shí)候可以直接對(duì)網(wǎng)絡(luò)的殘差進(jìn)行訓(xùn)練,極大的抑制了梯度消失與梯度彌散的情況發(fā)生.聯(lián)合訓(xùn)練的損失以分割,檢測(cè)和分類的損失總和給出.

2.5 聯(lián)合訓(xùn)練

為了在訓(xùn)練過程可以實(shí)現(xiàn)端到端的訓(xùn)練,本文利用卷積神經(jīng)網(wǎng)絡(luò)darknet53 作為語義分割和目標(biāo)檢測(cè)的共享編碼器,在實(shí)現(xiàn)訓(xùn)練端到端的復(fù)合卷積神經(jīng)網(wǎng)絡(luò)的同時(shí),使用json 文件格式進(jìn)行標(biāo)定,使得每張圖像都有各自對(duì)應(yīng)的json 文件.

在聯(lián)合訓(xùn)練中,分別計(jì)算了兩個(gè)解碼器的前向傳遞損失函數(shù),在反向傳播過程中進(jìn)行計(jì)算梯度下降.這具有一個(gè)優(yōu)勢(shì),即可對(duì)不同的解碼器進(jìn)行各自不同權(quán)重的訓(xùn)練.例如：目標(biāo)識(shí)別需要對(duì)小目標(biāo)部分進(jìn)行特征金字塔的特征提取,而本文中的語義分割部分是對(duì)道路進(jìn)行分割,區(qū)域比較大,不需要金字塔網(wǎng)絡(luò)的特征提取部分,同時(shí)這也極大的加快了對(duì)語義分割網(wǎng)絡(luò)的前向推理速度.

3 應(yīng)用實(shí)例及性能分析

本文車位檢測(cè)算法已應(yīng)用在杭千高速建德服務(wù)區(qū)、杭州繞城蕭山服務(wù)區(qū)的停車場(chǎng)管理系統(tǒng)中.通過對(duì)采集車輛、停車場(chǎng)數(shù)據(jù)制作數(shù)據(jù)集.在Imagenet 數(shù)據(jù)集下,利用darknet53 特征提取網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練.訓(xùn)練采用的硬件配置如下：CPU,Intel Corei 7-6800k@3.40GHz×12;GPU,GeForce GTX 1080Ti×2.該算法對(duì)于區(qū)域分割與對(duì)車輛的目標(biāo)識(shí)別準(zhǔn)確率達(dá)94.74%,幀率達(dá)到25fps.分割算法可以很好的應(yīng)對(duì)陰影遮擋、雨雪天氣,具有良好的泛化性,如圖6、圖7所示.

圖6 蕭山服務(wù)區(qū)陰影遮擋道路分割

由于停車場(chǎng)中一些車輛被遮擋超過70%,導(dǎo)致算法在處理圖像的過程中,所能獲得該被遮擋的車輛的像素點(diǎn)較少,以至于網(wǎng)絡(luò)在圖像中能提取的車輛細(xì)粒度以及紋理特征較少,在分類器分類的時(shí)候?qū)⑵浞诸悶槟繕?biāo)背景,最后造成該車輛被漏檢的結(jié)果.在夜間強(qiáng)光照射下,燈會(huì)發(fā)出的強(qiáng)光會(huì)迎面射向攝像機(jī),強(qiáng)光輻射功率大于停車場(chǎng)輻射功率的光源,會(huì)導(dǎo)致攝像機(jī)傳感器達(dá)到飽和,這樣就很難拍攝到停車場(chǎng)內(nèi)的圖像,最后導(dǎo)致算法無法對(duì)該圖像進(jìn)行車輛識(shí)別.

圖7 蕭山服務(wù)區(qū)雨雪天道路分割

在停車場(chǎng)中的攝像頭采集到的視頻中,由于有些只能拍攝到車輛的尾部或者頭部,因此算法對(duì)該車輛所能提取到的特征點(diǎn)較少,最后導(dǎo)致無法正確識(shí)別該車輛.例如只能拍攝到大貨車的集裝箱或者小車的引擎蓋部分,本文的算法對(duì)于車輛在圖像中占比低于30%效果較差,效果如圖8、圖9所示.本文算法在對(duì)于雨雪天氣車位狀態(tài)的檢測(cè)具有較好的魯棒性,如圖10所示.在夜間,由于車輛本身輻射光源較弱,因此算法對(duì)車輛識(shí)別率有所下降,如圖11所示.

圖8 建德服務(wù)區(qū)大車車位狀態(tài)識(shí)別

4 結(jié)論與展望

本文對(duì)darknet53 卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行權(quán)重共享,為了達(dá)到區(qū)域分割的目的,采用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)將圖像中道路進(jìn)行分割,而后采用金字塔特征融合的結(jié)構(gòu)對(duì)目標(biāo)進(jìn)行檢測(cè),根據(jù)相關(guān)停車場(chǎng)車位先驗(yàn)知識(shí)判斷車位信息.經(jīng)實(shí)際應(yīng)用表明,該算法三個(gè)月內(nèi)車位檢測(cè)平均準(zhǔn)確率達(dá)94.74%,檢測(cè)速度平均每秒可處理至少25 張圖片,能夠準(zhǔn)確實(shí)時(shí)地對(duì)車位狀態(tài)進(jìn)行有效統(tǒng)計(jì).同時(shí),由于現(xiàn)有停車場(chǎng)的監(jiān)控系統(tǒng)的攝像頭主要滿足安防需求,并未對(duì)車位檢測(cè)架設(shè)專用的攝像機(jī),因此,對(duì)于攝像頭是球機(jī)的場(chǎng)景,未能有很好的適應(yīng)能力,突出表現(xiàn)為攝像頭轉(zhuǎn)頭時(shí),隨著視覺所覆蓋的車位數(shù)量的改變,該算法檢測(cè)效果不是很理想.另外在夜晚由于路燈強(qiáng)光照射的原因,檢測(cè)效果也大幅降低.后續(xù)將對(duì)這些問題進(jìn)行進(jìn)一步研究.

圖9 蕭山服務(wù)區(qū)小車車位狀態(tài)識(shí)別

圖10 建德服務(wù)區(qū)雨雪天氣車位狀態(tài)識(shí)別

圖11 建德服務(wù)區(qū)夜間車位狀態(tài)識(shí)別