黃偉杰,張 希,趙柏暄,朱旺旺

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

隨著社會(huì)經(jīng)濟(jì)的發(fā)展和人民生活水平的提高,人們對(duì)生活質(zhì)量提出更高的要求,汽車(chē)作為一種出行便捷的交通方式,保有量不斷增加.而停車(chē)設(shè)施由于成本和空間的限制,增長(zhǎng)率受限,停車(chē)位稀缺,停車(chē)用戶(hù)花費(fèi)大量時(shí)間尋找車(chē)位,導(dǎo)致停車(chē)時(shí)間和成本增加,還惡化了交通擁堵問(wèn)題[1].如果能夠縮短駕駛員在尋找車(chē)位上花費(fèi)的精力,無(wú)疑是十分友好的.通過(guò)人工智能和通訊技術(shù)結(jié)合,提高停車(chē)場(chǎng)的智能化管理水平,有利于縮短空閑車(chē)位尋找時(shí)間,提升停車(chē)場(chǎng)交通效率[2,3].現(xiàn)有的智能停車(chē)場(chǎng)車(chē)位分類(lèi)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(chē)場(chǎng),一般一個(gè)傳感器單元負(fù)責(zé)檢測(cè)一個(gè)車(chē)位,導(dǎo)致安裝繁瑣,成本高昂.傳統(tǒng)停車(chē)場(chǎng)管理中,地磁系統(tǒng)和單一的手持終端占比超過(guò)70%,智能化管理水平較低[5].基于圖像的車(chē)位檢測(cè)算法中,由于相機(jī)的視野覆蓋范圍廣,幾個(gè)相機(jī)就可以覆蓋整個(gè)的停車(chē)場(chǎng).加上為了安全的考慮,大多停車(chē)場(chǎng)已經(jīng)預(yù)裝了監(jiān)控?cái)z像機(jī),直接使用預(yù)裝的監(jiān)控相機(jī)對(duì)停車(chē)場(chǎng)中的車(chē)位進(jìn)行檢測(cè),充分的利用已有的設(shè)備,不會(huì)帶來(lái)成本的增加,無(wú)疑是十分方便的.

目前,國(guó)內(nèi)外的很多學(xué)者都對(duì)圖像檢測(cè)的車(chē)位檢測(cè)技術(shù)展開(kāi)了研究.其中,江浩斌等人[6]利用魚(yú)眼相機(jī)對(duì)周?chē)能?chē)位角標(biāo)識(shí)線(xiàn)進(jìn)行識(shí)別,通過(guò)車(chē)位角位置還原出車(chē)位位置,但是車(chē)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(gè)魚(yú)眼相機(jī)實(shí)現(xiàn)鳥(niǎo)瞰視覺(jué)系統(tǒng),對(duì)魚(yú)眼相機(jī)拼接成的全向鳥(niǎo)瞰圖使用Radon 直線(xiàn)檢測(cè),檢測(cè)出的直線(xiàn)相交確定出車(chē)位角.方法缺少先驗(yàn)的信息,直線(xiàn)的局部缺失都會(huì)導(dǎo)致算法失效.Chen 等人[8]使用快速角點(diǎn)檢測(cè)算法提取車(chē)位的特征角點(diǎn),對(duì)圖像進(jìn)行預(yù)處理后根據(jù)檢測(cè)到角點(diǎn)的大小使用RANSAC 算法評(píng)估角點(diǎn)的可信度,方法僅適用于車(chē)位角特征良好的場(chǎng)景.Harahap等人[9]通過(guò)對(duì)車(chē)位粉刷字符串,通過(guò)文本檢測(cè)器對(duì)字符串進(jìn)行識(shí)別來(lái)確定車(chē)位,算法需要耗費(fèi)大量的人力進(jìn)行車(chē)位部署,移植性較差.Sairam 等人[10]使用CNN 模型,通過(guò)對(duì)車(chē)位進(jìn)行像素級(jí)的分割,從而在圖像中直接將車(chē)位檢測(cè)出來(lái),實(shí)際上大部分的車(chē)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(guò)對(duì)停車(chē)場(chǎng)的車(chē)位進(jìn)行檢測(cè),實(shí)時(shí)地判斷出每個(gè)車(chē)位的狀態(tài),提高停車(chē)場(chǎng)的交通效率.以停車(chē)場(chǎng)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(shí)地對(duì)停車(chē)場(chǎng)中車(chē)位進(jìn)行識(shí)別,并區(qū)分出是否為可泊車(chē)車(chē)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(chē)位的車(chē)位線(xiàn),對(duì)于非車(chē)位線(xiàn)部分進(jìn)行濾除;其次是根據(jù)檢測(cè)出的車(chē)位線(xiàn)構(gòu)建出車(chē)位編號(hào)和車(chē)位位置映射關(guān)系的車(chē)位表;然后是根據(jù)車(chē)位表裁剪出車(chē)位圖像擴(kuò)充車(chē)位分類(lèi)器模型數(shù)據(jù)集;最后是使用分類(lèi)模型對(duì)圖像中的車(chē)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(huì)伴隨著許多的噪聲.為了提高算法的魯棒性,在車(chē)位檢測(cè)之前必須對(duì)圖像進(jìn)行預(yù)處理,消除環(huán)境帶來(lái)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(chē)位檢測(cè)與分類(lèi)的使用的數(shù)據(jù)是露天車(chē)場(chǎng)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(chē)場(chǎng)有一定的角度,但是要求能夠拍到完整的停車(chē)場(chǎng),在停車(chē)場(chǎng)改造后或者首次采集圖像的時(shí)候要求車(chē)位線(xiàn)沒(méi)有受到物體的遮擋.

本文中使用的相機(jī)為T(mén)P-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(chē)場(chǎng)圖像與車(chē)位線(xiàn)之間往往會(huì)存在夾角.一方面,訓(xùn)練車(chē)位分類(lèi)模型的時(shí)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(chē)場(chǎng)數(shù)據(jù),規(guī)則化的圖像方便對(duì)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(duì)停車(chē)場(chǎng)做平面假設(shè),假定停車(chē)場(chǎng)在世界坐標(biāo)系下為一個(gè)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(jiǎn)化對(duì)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(duì)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(chē)場(chǎng)4 個(gè)角點(diǎn),計(jì)算出對(duì)應(yīng)的單應(yīng)矩陣,對(duì)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(niǎo)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(huì)存在光照分布不均勻和光照強(qiáng)度變化,這些都會(huì)影響到圖像檢測(cè)的準(zhǔn)確性,給后續(xù)檢測(cè)帶來(lái)不可預(yù)估的后果[12].加上停車(chē)場(chǎng)中與車(chē)位線(xiàn)顏色接近的白色車(chē)輛也會(huì)對(duì)后續(xù)的檢測(cè)帶來(lái)干擾.

頂帽變換表示為原圖像與原圖像開(kāi)操作的差,可以凸顯出暗背景下的亮對(duì)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(chē)輛的干擾.

其中,f表示原圖像灰度圖,f·b表示原圖像的開(kāi)操作.

1.4 Canny 邊緣檢測(cè)

邊緣檢測(cè)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(cè)的效率.

圖像的獲取過(guò)程中不可避免地會(huì)引入許多的噪聲,對(duì)檢測(cè)產(chǎn)生干擾.在邊緣檢測(cè)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(cè)是近些年來(lái)應(yīng)用最為廣泛的邊緣檢測(cè)算法之一[13].Canny 邊緣檢測(cè)的標(biāo)準(zhǔn)是盡可能低的錯(cuò)誤率檢測(cè)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(cè)[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(gè)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(chē)位線(xiàn)檢測(cè)

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

2.1 LSD 直線(xiàn)檢測(cè)

高召回率、穩(wěn)定的直線(xiàn)檢測(cè)算法是車(chē)位識(shí)別和檢測(cè)的關(guān)鍵.高召回率的直線(xiàn)檢測(cè)保證車(chē)位線(xiàn)檢測(cè)的完整性,提高車(chē)位檢測(cè)的自動(dòng)化程度.目前最廣泛使用的直線(xiàn)檢測(cè)方法是霍夫直線(xiàn)檢測(cè)算法,但是霍夫直線(xiàn)檢測(cè)時(shí)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(xiàn)檢測(cè)的結(jié)果召回率低,往往需要大量的人工操作對(duì)原有的車(chē)位進(jìn)行補(bǔ)充,自動(dòng)化程度較低.LSD 直線(xiàn)檢測(cè)能夠在線(xiàn)性的時(shí)間內(nèi)得到亞像素級(jí)別的精度檢測(cè)效果,比較完整的對(duì)圖像中的車(chē)位線(xiàn)進(jìn)行檢測(cè).

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

本文對(duì)比了霍夫直線(xiàn)檢測(cè)和LSD 直線(xiàn)檢測(cè)的結(jié)果.從結(jié)果上看,LSD 直線(xiàn)檢測(cè)的召回率遠(yuǎn)高于霍夫直線(xiàn)檢測(cè).表2中給出了霍夫直線(xiàn)檢測(cè)與LSD 直線(xiàn)檢測(cè)的召回率.

表2 直線(xiàn)檢測(cè)召回率對(duì)比

2.2 干擾直線(xiàn)濾除

LSD 直線(xiàn)檢測(cè)召回率極高,局部的小直線(xiàn)也會(huì)被檢測(cè)出來(lái),故檢測(cè)后需要濾除掉不符合要求的直線(xiàn),包括:(1)角度異常的直線(xiàn);(2)長(zhǎng)度異常的直線(xiàn).由于車(chē)位線(xiàn)存在寬度,同一車(chē)位線(xiàn)在直線(xiàn)檢測(cè)過(guò)程中會(huì)檢測(cè)出兩條直線(xiàn),需要對(duì)車(chē)位線(xiàn)做合并的操作,如果兩條直線(xiàn)的距離小于閾值,將兩條直線(xiàn)合并成一條直線(xiàn).

3 車(chē)位檢測(cè)

檢測(cè)好的直線(xiàn)可以用于車(chē)位的檢測(cè).每個(gè)車(chē)位包括4 個(gè)角點(diǎn),車(chē)位檢測(cè)時(shí)在直線(xiàn)檢測(cè)的基礎(chǔ)上對(duì)車(chē)位進(jìn)行編號(hào),車(chē)位表中保存車(chē)位編號(hào)以及對(duì)應(yīng)的角點(diǎn)像素坐標(biāo).

3.1 感興趣區(qū)域提取與車(chē)位確定

真實(shí)環(huán)境中僅依靠直線(xiàn)檢測(cè)將所有的車(chē)道線(xiàn)都完整的檢測(cè)出來(lái)顯然是困難的.本文將車(chē)位線(xiàn)的檢測(cè)建模成貝葉斯濾波問(wèn)題.我們假設(shè)相連的車(chē)位會(huì)形成一個(gè)矩形區(qū)域(rectangle box),且直線(xiàn)檢測(cè)后的車(chē)位線(xiàn)有足夠的信息來(lái)描述該矩形區(qū)域.根據(jù)先驗(yàn)條件將問(wèn)題從僅對(duì)車(chē)位線(xiàn)位置進(jìn)行估計(jì)轉(zhuǎn)為同時(shí)對(duì)車(chē)位線(xiàn)位置和整列車(chē)位形成的矩形區(qū)域進(jìn)行估計(jì).增加車(chē)位線(xiàn)位置和車(chē)位矩形區(qū)域之間的約束關(guān)系.

其中,x表示估計(jì)的車(chē)位線(xiàn)的位置,y表示估計(jì)的每一列的車(chē)位矩形區(qū)域,z表示的是觀(guān)測(cè)的數(shù)據(jù),這里表示的相機(jī)數(shù)據(jù),η表示觀(guān)測(cè)數(shù)據(jù)和僅使用直線(xiàn)檢測(cè)車(chē)位線(xiàn)表示矩形區(qū)域的概率比值.

通過(guò)直線(xiàn)檢測(cè)和直線(xiàn)濾除之后可以過(guò)濾掉大量的干擾直線(xiàn),為了獲得效果更加良好的車(chē)位線(xiàn),需要對(duì)感興趣區(qū)域(矩形區(qū)域)進(jìn)行確定.我們將車(chē)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(guò)濾掉干擾直線(xiàn)后的直線(xiàn)為觀(guān)測(cè)直線(xiàn).如果車(chē)位矩形區(qū)域是存在的,則觀(guān)測(cè)直線(xiàn)的信息應(yīng)是能將車(chē)位矩形確定出來(lái).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(chē)區(qū)域內(nèi)部點(diǎn)輸入:觀(guān)測(cè)直線(xiàn)集合.輸出:停車(chē)位矩形區(qū)域的內(nèi)部點(diǎn).1.沿著橫軸平行方向畫(huà)探測(cè)直線(xiàn).2.觀(guān)測(cè)直線(xiàn)有足夠交點(diǎn)的為感興趣直線(xiàn),感興趣直線(xiàn)與探測(cè)直線(xiàn)交點(diǎn)為候選點(diǎn).3.從候選點(diǎn)沿縱軸方向畫(huà)過(guò)濾直線(xiàn).4.過(guò)濾掉和觀(guān)測(cè)直線(xiàn)交點(diǎn)過(guò)少的候選點(diǎn).5.剩下和觀(guān)測(cè)直線(xiàn)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(chē)位矩形區(qū)域的確定輸入:觀(guān)測(cè)直線(xiàn)集合,矩形內(nèi)部種子點(diǎn).輸出:所有停車(chē)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(duì)應(yīng)的Box.5.對(duì)Box 中的其余種子點(diǎn)框選出對(duì)應(yīng)的Box,對(duì)同個(gè)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(guò)的種子點(diǎn).6.對(duì)未遍歷過(guò)的種子點(diǎn)繼續(xù)按照以上步驟,確定所有的車(chē)位矩形區(qū)域.

框選好感興趣區(qū)域作為車(chē)位檢測(cè)的限定范圍,車(chē)位線(xiàn)與限定范圍需要做對(duì)齊操作,包括:(1)延伸限定范圍內(nèi)直線(xiàn)到ROI 邊緣;(2) 去掉超過(guò)ROI 邊緣部分.經(jīng)過(guò)對(duì)齊后最終確定出車(chē)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(chē)位檢測(cè)結(jié)果如圖4所示.

圖3 提取ROI 車(chē)位區(qū)域和檢測(cè)出的直線(xiàn)

圖4 車(chē)位檢測(cè)結(jié)果

3.2 車(chē)位識(shí)別

表征車(chē)位的方式有車(chē)位線(xiàn)和角點(diǎn)兩種方式.兩種表征方式對(duì)車(chē)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(chē)位的方式給后續(xù)的圖像切片和車(chē)位位置的記錄帶來(lái)方便,所以本文采用角點(diǎn)表征的車(chē)位識(shí)別方式.

車(chē)位的角點(diǎn)包括:(1)橫向車(chē)位線(xiàn)與縱向車(chē)位線(xiàn)之間的交點(diǎn);(2) 橫向直線(xiàn)和ROI 矩形區(qū)域邊緣的交點(diǎn);(3)縱向直線(xiàn)和ROI 矩形區(qū)域邊緣的交點(diǎn).對(duì)車(chē)位角點(diǎn)根據(jù)像素坐標(biāo)進(jìn)行排序,每個(gè)感興趣矩形區(qū)域中包括三排的車(chē)位角點(diǎn),每?jī)膳跑?chē)位角點(diǎn)組成一排的車(chē)位像素角點(diǎn)坐標(biāo).按照車(chē)位編號(hào)和車(chē)位角點(diǎn)的映射關(guān)系,構(gòu)建車(chē)位表.算法3 給出車(chē)位表構(gòu)建的具體算法.

算法3.車(chē)位表構(gòu)建輸入:停車(chē)位矩形區(qū)域,車(chē)位角點(diǎn).輸出:每個(gè)車(chē)位對(duì)應(yīng)的角點(diǎn)和編號(hào).1.根據(jù)矩形區(qū)域?qū)④?chē)位角點(diǎn)拆分成多個(gè)的車(chē)位角點(diǎn)集合.2.對(duì)矩形區(qū)域中的點(diǎn)根據(jù)縱向坐標(biāo)拆分多個(gè)點(diǎn)列.3.在每個(gè)點(diǎn)集中,對(duì)于每一點(diǎn)列中的點(diǎn),得到同個(gè)點(diǎn)列后面最近的一個(gè)點(diǎn)以及相鄰點(diǎn)列的兩個(gè)點(diǎn),組成車(chē)位.

4 車(chē)位分類(lèi)

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

表3 車(chē)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(chē)場(chǎng)下樣本.根據(jù)停車(chē)場(chǎng)中車(chē)位表中記錄車(chē)位的位置,對(duì)圖像進(jìn)行裁剪,切片出來(lái)的圖像作為訓(xùn)練的樣本.裁剪出來(lái)的車(chē)位圖像基于車(chē)位被占用空間的大小總共分為3 類(lèi),第1 類(lèi)是泊車(chē)區(qū)域空閑或者泊車(chē)區(qū)域被鄰近車(chē)位占用區(qū)域過(guò)較小,有足夠的空間用于泊車(chē);第2 類(lèi)為車(chē)位被鄰近車(chē)位泊車(chē)占用區(qū)域過(guò)大,剩余車(chē)位空間不足以泊車(chē);第3 類(lèi)為車(chē)位上泊有車(chē)輛,無(wú)法泊車(chē).3 種類(lèi)型的圖像紋理差距較大,能夠更加準(zhǔn)確的描述車(chē)位的類(lèi)型.

根據(jù)光線(xiàn)強(qiáng)度的不同,本文將訓(xùn)練集分為了3 類(lèi),一類(lèi)是僅有白天的數(shù)據(jù);一類(lèi)是僅有夜晚的數(shù)據(jù);最后一類(lèi)是白天夜晚的混合數(shù)據(jù).車(chē)位的圖像因?yàn)橥＼?chē)場(chǎng)環(huán)境的不同和相機(jī)角度的變化都會(huì)有所區(qū)別,在對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充的時(shí)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(chē)場(chǎng)分類(lèi)的目的主要是為了區(qū)分出能夠泊車(chē)的停車(chē)位和不能夠泊車(chē)的車(chē)位,因此,第1 類(lèi)和第2 類(lèi)的車(chē)位合并成一種不可泊車(chē)車(chē)位類(lèi)型,第3 類(lèi)車(chē)位為單獨(dú)一類(lèi)可以泊車(chē)類(lèi)型.

4.2 車(chē)位分類(lèi)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(xiǎn)最小原理基礎(chǔ)上的,能夠很好地解決小樣本、非線(xiàn)性、高維度和局部最小點(diǎn)等實(shí)際問(wèn)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(duì)于線(xiàn)性可分的數(shù)據(jù)集來(lái)說(shuō),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(guò)高帶來(lái)的非線(xiàn)性問(wèn)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(lèi)時(shí)可以達(dá)到理論上的最優(yōu)解.

如前文所示,車(chē)位分類(lèi)根據(jù)車(chē)位被占用空間的大小總共分為3 個(gè)類(lèi)別.所以,本文訓(xùn)練了3 個(gè)支持向量機(jī)分類(lèi)器分別實(shí)現(xiàn)兩種類(lèi)別樣本的分類(lèi),SVM1 實(shí)現(xiàn)空間不足以泊車(chē)車(chē)位和車(chē)位上泊有車(chē)位樣本的分類(lèi),SVM2 實(shí)現(xiàn)空間不足以泊車(chē)和空間足夠泊車(chē)樣本的分類(lèi),SVM3 實(shí)現(xiàn)車(chē)位泊有他車(chē)和有足夠泊車(chē)空間車(chē)位的分類(lèi),最終通過(guò)對(duì)3 個(gè)SVM 分類(lèi)器的分類(lèi)結(jié)果進(jìn)行投票,確定圖像的最終類(lèi)別.特別的,當(dāng)3 個(gè)分類(lèi)器將測(cè)試樣本歸類(lèi)到3 個(gè)不同的類(lèi)別的時(shí),則判定該樣本為無(wú)效樣本,將其剔除出樣本集后,重新訓(xùn)練分類(lèi)模型.本文對(duì)比4 種分類(lèi)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(duì)圖像進(jìn)行鏡像和非對(duì)稱(chēng)操作.對(duì)于每個(gè)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(cè)的平均準(zhǔn)確率(%).

表4 不同分類(lèi)器對(duì)比

從最后訓(xùn)練出來(lái)的結(jié)果來(lái)看,最近鄰分類(lèi)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(chē)位分類(lèi)中不選用該分類(lèi)器.使用隨機(jī)梯度分類(lèi)器(SGDClassifier)和使用線(xiàn)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(cè)效果良好,但是在混合數(shù)據(jù)中檢測(cè)效果較差,說(shuō)明這種方法對(duì)光照比較敏感,不同光線(xiàn)下的檢測(cè)效果會(huì)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(duì)比的結(jié)果上來(lái)看,在不同工況下,使用高斯核函數(shù)的SVM 模型檢測(cè)結(jié)果方差小,檢測(cè)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(chē)位的分類(lèi),訓(xùn)練好的模型稱(chēng)為停車(chē)場(chǎng)車(chē)位檢測(cè)模型PSCM (the parking spot classification model).

4.3 車(chē)位分類(lèi)

訓(xùn)練好的PSCM 車(chē)位檢測(cè)模型可以用于車(chē)場(chǎng)圖像中車(chē)位的實(shí)時(shí)分類(lèi),輸入為攝像頭實(shí)時(shí)采集的監(jiān)控視頻流數(shù)據(jù)圖像和建立好的車(chē)位表,輸出為每個(gè)車(chē)位對(duì)應(yīng)的類(lèi)型.算法4 中給出車(chē)位分類(lèi)的具體算法.

算法4.車(chē)位分類(lèi)算法輸入:監(jiān)控圖像,車(chē)位表,分類(lèi)模型.輸出:空車(chē)位位置,數(shù)量.1.根據(jù)車(chē)位表對(duì)圖像進(jìn)行切片,切片圖像作為待分類(lèi)車(chē)位圖.2.對(duì)每個(gè)車(chē)位圖進(jìn)行分類(lèi).根據(jù)時(shí)序信息進(jìn)行狀態(tài)跳轉(zhuǎn).3.對(duì)車(chē)位狀態(tài)結(jié)果進(jìn)行統(tǒng)計(jì),記錄車(chē)場(chǎng)中空間足以泊車(chē)的車(chē)位位置和數(shù)量.4.進(jìn)行可視化.

3種類(lèi)型中,車(chē)位空間足以泊車(chē)的類(lèi)型是在提高停車(chē)場(chǎng)交通效率中最關(guān)注的實(shí)時(shí)信息.在對(duì)車(chē)位進(jìn)行分類(lèi)的同時(shí),實(shí)時(shí)地記錄下空閑車(chē)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(guò)逆透視變化后的原始圖像以及車(chē)位檢測(cè)和分類(lèi)算法最終輸出的結(jié)果.

圖5 逆透視變化后的圖像

圖6 車(chē)位分類(lèi)結(jié)果

4.4 視頻流中車(chē)位的檢測(cè)與分類(lèi)

從視頻流數(shù)據(jù)中逐幀取出停車(chē)場(chǎng)圖像進(jìn)行車(chē)位分類(lèi),每一幀都是離散的圖像數(shù)據(jù),檢測(cè)出來(lái)的結(jié)果具有跳變性.本文采用有限狀態(tài)機(jī)的方式來(lái)表示車(chē)位狀態(tài)的跳轉(zhuǎn).在車(chē)位分類(lèi)中,定義召回率準(zhǔn)確檢測(cè)出來(lái)的可泊車(chē)車(chē)位占實(shí)際所有的可泊車(chē)車(chē)位的比例,準(zhǔn)確率表示準(zhǔn)確檢測(cè)出來(lái)的可泊車(chē)車(chē)位占所有檢測(cè)出來(lái)的可泊車(chē)車(chē)位的比例.在車(chē)位檢測(cè)問(wèn)題中,召回率較低表示的是將檢測(cè)的泊車(chē)區(qū)域較少,影響停車(chē)場(chǎng)車(chē)位的利用率,而在車(chē)位分類(lèi)中準(zhǔn)確率較低表示的是將不能泊車(chē)的車(chē)位檢測(cè)成了足以泊車(chē)車(chē)位,準(zhǔn)確率低對(duì)于后續(xù)的泊車(chē)安全性產(chǎn)生影響.所以,在車(chē)位的分類(lèi)問(wèn)題中,召回率和準(zhǔn)確率的權(quán)重不一致,準(zhǔn)確性對(duì)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(chē)位狀態(tài)變化的判斷.從不足以泊車(chē)狀態(tài)變成足以泊車(chē)狀態(tài)需要采用計(jì)數(shù)機(jī)制,在連續(xù)超過(guò)多幀的足以泊車(chē)狀態(tài)才判定該車(chē)位變化為足以泊車(chē)狀態(tài).

5 結(jié)論與展望

本文針對(duì)室外的停車(chē)場(chǎng),設(shè)計(jì)了一種高召回率的車(chē)位檢測(cè)算法以及一種高準(zhǔn)確率的車(chē)位分類(lèi)算法.本系統(tǒng)的優(yōu)點(diǎn)是使用的傳感器簡(jiǎn)單,可以利用原有停車(chē)場(chǎng)中的相機(jī),成本低,對(duì)安裝的要求相對(duì)較低,部署方便.在進(jìn)行車(chē)位線(xiàn)檢測(cè)時(shí),先驗(yàn)使用檢測(cè)率極高的LSD 直線(xiàn)檢測(cè),實(shí)現(xiàn)高召回率的車(chē)位線(xiàn)檢測(cè).將車(chē)位形成矩形區(qū)域的假設(shè)和車(chē)位線(xiàn)檢測(cè)綁定進(jìn)行優(yōu)化,實(shí)現(xiàn)車(chē)位線(xiàn)檢測(cè)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(lèi)模型具有極高的分類(lèi)準(zhǔn)確性.系統(tǒng)顯著的提高停車(chē)場(chǎng)車(chē)位使用的效率,緩解停車(chē)場(chǎng)停車(chē)難的問(wèn)題,可移植性強(qiáng).未來(lái)將進(jìn)一步提高系統(tǒng)使用的場(chǎng)景,擴(kuò)充系統(tǒng)來(lái)滿(mǎn)足不同場(chǎng)景的使用.