基于視覺分析的室內停車場車位檢測

王梨 王飛 陳亮杰 王林

摘 要：快速、準確地檢測車位空閑狀態是智慧停車系統的一個重要環節。在室內停車場都普遍安裝有安防監控視頻的基礎上，對采集到的實時圖像先進行分塊處理，通過灰度共生矩陣提取圖像塊0°、45°、90°、135°的能量、對比度、熵3個紋理特征參數，構建特征向量，利用支持向量機（SVM）方法對其進行分類，以實現對空閑車位的檢測。實驗結果表明，該算法在不對停車場作較大改造及不增加更多投入的前提下，能快速、有效地檢測出車位是否空閑，因而具有廣闊的應用前景與較高的推廣價值。

關鍵詞：智慧停車系統;視覺分析;車位檢測;灰度共生矩陣;支持向量機

DOI：10. 11907/rjdk. 182821

中圖分類號：TP306文獻標識碼：A文章編號：1672-7800（2019）004-0013-03

0 引言

隨著我國經濟的快速發展與人民生活水平的日益提高，現有汽車保有量已達2.17億輛，城市中的停車難問題越來越突出。引發該問題有諸多原因，一方面停車場資源較少，另一方面存在部分停車位閑置的情況。例如，城市小區的很多固定車位，當其擁有者白天外出工作時，車位都處于空閑狀態，可用于共享。由于目前停車場的信息化程度較低，難以及時獲取空閑車位所在位置信息并對外發布，因而無法很好地引導車主前往停車。因此，實時檢測停車場空閑車位成為智慧停車系統中的重要環節之一。

目前，國外許多停車管理系統已經實現了智慧停車，即在停車管理系統中添加停車車位引導、停車車位查詢等功能，并且一些設備廠商正在研究能夠實現“網絡化停車”的停車管理系統，停車用戶可通過網絡實現停車位預定、停車費繳納與停車信息查詢等功能。國內一些一線城市的部分停車場也已實現了停車引導功能，例如深圳市推出的“深圳地王—書城片區停車誘導系統”。

智慧停車系統的核心是收集停車場的車位信息用于車位檢測。目前常用的車位檢測方法主要分為兩類：基于視覺分析技術與非視覺分析技術的方法。國內現有室內停車場的車位檢測方法主要采用基于非視覺分析技術的方法?；诜且曈X分析技術的車位檢測方法包括基于AMR傳感器的車位檢測方法[1-6]、基于地磁傳感器的車位檢測方法[7-11]，以及基于超聲波與紅外線的車位檢測方法?；贏MR傳感器與地磁傳感器的車位檢測方法是先在車位區域的地下安裝傳感器，然后根據傳感器內的磁場變化判斷車位狀態（有車/無車）;基于超聲波與紅外線的車位檢測方法是在車位上方和下方安裝聲波設備，若在另一方未檢測到回波，則車位狀態顯示為有車。然而，這些方法都需要對停車場進行地面挖掘、布線等大量工程改造，施工強度大，檢測系統易發生故障，安裝與使用成本高，且改造后對停車場的收入增加有限。因此，很多停車場不愿投入資金對停車場進行改造，推廣較為困難。而且絕大多數停車場出于安防考慮，都會在停車場內安裝視頻監控設備，這些設備的視頻圖像幾乎覆蓋停車場的每一角落。圖1為現實中的某室內停車場車位狀態。

從圖1可以看出，室內停車場表面通常為灰色或被漆成單一顏色的混凝土地面，并用黃色或白色線條劃分車位區域。當車位上未停放車輛時，車位呈現單一的地表顏色，而當車位上停放有車輛時，由于車窗、引擎蓋、車燈等邊緣效應，使其具有一定紋理特征。因此，要判斷一個車位是否有車輛停放，可將其轉變為檢測車身紋理特征。

為了充分利用現有室內停車場安防監控這一基礎設施，而不過多地增加室內停車場改造成本，本文提出一種基于視覺的圖像處理方法。該方法首先對攝像頭實時采集的圖像進行車位提取，并對車位圖像進行塊劃分，然后提取圖像塊灰度共生矩陣中的紋理性代表特征，最后將這些特征組成特征向量，采用支持向量機（Support Vector Machine，SVM）[18]對圖像塊進行分類，從而實時、準確地對車位空閑狀態進行檢測。

1 基于灰度共生矩陣的車位紋理特征提取

由于車位信息主要是根據車身紋理特征判斷是否停放有車輛，而采用灰度共生矩陣能較好地表示圖像紋理特征?；叶裙采仃囎钤缬蒆aralick等[19]提出，早期稱為灰度空間依賴矩陣（Gray-Tone Spatial-Dependence Matrices）。灰度共生矩陣定義為像素對的聯合分布概率，是一個對稱矩陣，其不僅反映了圖像灰度在相鄰方向、相鄰間隔、變化幅度方面的綜合信息，而且也反映了相同灰度級像素之間的位置分布特征，從灰度共生矩陣中可以得到14個紋理特征參數[20]。經過實驗對比，本文選取能量、對比度、熵3個參數描述車位狀態特征。

（1）能量特征（Angular Second Moment）。能量特征計算公式如下：

ASM是灰度共生矩陣元素值的平方和，所以也稱為能量，反映了圖像灰度分布的均勻程度和紋理粗細度。如果共生矩陣所有值均相等，則ASM值較小;反之，如果所有值大小不等，則ASM值較大。當共生矩陣中的元素集中分布時，此時ASM值較大。

（2）對比度（Contrast）。對比度計算公式如下：

對比度刻畫了圖像的紋理清晰程度，當圖像紋理越清晰，其值越大。

（3）熵（Entropy）。熵的計算公式如下：

熵是圖像包含信息量的隨機性度量，紋理信息也屬于圖像信息。當共生矩陣中所有元素有最大的隨機性、空間共生矩陣中所有值幾乎相等，且共生矩陣中元素分散分布時，熵較大。因此，熵值表明了圖像灰度分布的復雜程度，熵值越大，圖像越復雜。無紋理時，熵值為0。

從表中可以看出，除了車位有車的能量比車位無車的能量小，車位有車的對比度、熵都比車位無車的對比度與熵大。

2 車位狀態檢測

為了檢測車位是否停放有車輛，具體步驟如下：

（1）對每一個監控攝像頭獲取的圖像進行[16×16]網格塊劃分，將有車身紋理信息的圖像塊標定為1，其余圖像塊標定為0。