基于仿射變換與模板匹配的車位識別與計數算法研究

摘 要：針對道路停車位識別與計數的問題，對基于仿射變換與模板匹配的方法進行了研究。首先對采集的視頻圖像進行預處理，并采用基于PPHT與直線聚類的方法檢測停車位候選區并計算出車位標線的傾斜角；然后采用基于仿射變換與模板匹配的算法檢測停車位入口處標線并用紅色圓標記；接著采用感知哈希算法剔除相似度較高的圖像，將剩余的圖像按順序連接起來；最后采用動態規范法、Lagrange函數和Grubbs準則記錄連接圖中停車位數目。實驗中分別在晴天、陰天和雨天采集四個不同路段的停車圖像制作了相應的數據集，并對所提出的方法進行了定量評估。結果表明，該方法車位識別的準確率為98.46%，計數的準確率為99.52%。

關鍵詞：車位識別；直線聚類；仿射變換；模板匹配；感知哈希

中圖分類號：TP393.04 文獻標志碼：A

文章編號：1001-3695（2022）03-048-0919-06

doi：10.19734/j.issn.1001-3695.2021.07.0291

基金項目：國家自然科學基金聯合基金資助項目（U1831133）

作者簡介：應捷（1973-），女，副教授，博士，主要研究方向為圖像處理、模式識別、智能檢測；陳文（1996-），男（通信作者），碩士研究生，主要研究方向為圖像處理、模式識別（cw18756039436@163.com）；楊海馬（1979-），男，副教授，博士，主要研究方向為數字信號分析和處理、模式識別系統開發、符號滑塊可變結構控制；何施晶（1989-），男，中級工程師，碩士，主要研究方向為軟件開發、圖像處理與模式識別；劉瑾（1978-），女，副教授，博士，主要研究方向為智能檢測與控制技術、分布式傳感器網絡、測試信息獲取與處理．

Research on parking spaces recognition and counting algorithm based on affine transformation and template matching

Ying Jie¹，Chen Wen^1?，Yang Haima¹，He Shijing²，Liu Jin³

（1.School of Optical Electrical amp; Computer Engineering，University of Shanghai for Science amp; Technology，Shanghai 200093，China；2.Shanghai Lingjing Information Technology Co.，Ltd.，Shanghai 201306，China；3.School of Electronic amp; Electrical Engineering，Shanghai University of Engineering Science，Shanghai 201620，China）

Abstract：Aiming at the problem of road parking space recognition and counting，this paper studied the method based on affine transformation and template matching.Firstly，it preprocessed the collected video images，and detected the candidate par-king spaces based on PPHT and line clustering，and calculated the inclination angle of parking lot marking.Then，it used an algorithm based on affine transformation and template matching" to detect the marking at the entrance of the parking space and mark it with a red circle.Then，it used the perceptual hash algorithm to eliminate the images with high similarity and connected the remaining images in order.Finally，it used the dynamic gauge method，Lagrange function and Grubbs criterion to record the number of parking spaces in the connection diagram.In the experiment，it collected the parking space images of four different sections in sunny，cloudy and rainy days to make the corresponding data sets，and the proposed method was evaluated quantitatively.The results show that the accuracy of the proposed method is 98.46% and the accuracy of counting is 99.52%.

Key words：parking spaces recognition；linear clustering；affine transformation；model matching；pHash

0 引言

隨著汽車保有量的不斷增加，停車難已成為城市可持續發展面臨的嚴峻問題之一^[1]。如何有效管理和充分利用道路停車位資源、適時應對停車需求，成了當前迫切需要解決的難題^[2]。道路停車管理系統的開發迫在眉睫，其屬于智能交通系統^[3]（intelligent traffic system，ITS）的一部分。開發道路停車管理系統的前提是能否實時掌握道路停車位的實時數據。目前城市道路施工較多，城市規劃日新月異，可用的道路停車位也在不斷變化。鑒于此，智能化的道路停車位檢測技術的研究顯得至關重要，同時也有利于加速推進基于視頻的智能停車管理系統的開發。

目前停車位標線檢測的難點有標線被遮擋、被腐蝕、年久缺失和光照變化等。在眾多停車位識別算法中應用最廣泛、高效和準確的是對標線的檢測。標線檢測的方法可以分為基于傳統圖像處理的方法和基于機器學習的方法。基于傳統圖像處理的方法可以分為直線檢測^[4～7]、角點檢測^[8，9]和脊線檢測^[10]的方法。基于機器學習傳統的算法相關研究成果如文獻[11～14]，采用的算法有貝葉斯分類器、SVM、AdaBoost等。基于深度學習的停車位標線檢測是目前最先進的算法，相關研究如文獻[15～18]，采用的算法有卷積神經網絡（convolutional neural network，CNN）、卷積深度置信網絡（convolutional deep belief network，CDBN）和VGG16/19（visual geometry group）等。對于道路停車位檢測的研究目前進展較緩，文獻較少，在文獻[19]中提出一種基于CNN的城市路邊停車位檢測的方法，使用滾動空間間隔來識別路邊停車位的存在，再使用深度神經網絡提取出停車位并判斷是否被占用。

針對目前停車位標線檢測存在的問題，本文研究了基于仿射變換與模板匹配的道路車位識別與計數算法。為了達到實時處理數據的目的，采用視頻采集裝置采集視頻圖像信息，并將視頻圖像信息傳入到云端，使用后端服務器進行數據處理。數據處理流程如下：首先對采集的視頻濾波每間隔5幀提取圖像，截取圖像中間部分為感興趣區域，采用各種圖像預處理算法對標記線缺失、腐蝕部位進行還原；車位識別階段，為了提高識別的準確率，提出了采用基于PPHT與直線聚類的方法檢測停車位候選區并檢測標線的傾斜角度，根據傾斜角度采用仿射變換對模板進行相應的變形，采用FAST Corner、GVF Snake和最大相關準則匹配算法改進的模板匹配算法檢測停車位入口處標線并用紅色圓標記；車位計數階段，提出了采用基于感知哈希的圖像連接算法對標記后的圖像篩選后按順序連接；最后采用動態規范法、Lagrange函數和Grubbs準則得出該路段停車位數目。

1 方法

本文進行道路停車位識別與計數的整體方案如圖1所示。

圖像預處理階段采用中值濾波、Canny、閉運算等算法對標記線缺失、腐蝕部位進行還原。停車位識別階段，為了提高識別的準確率，提出了采用基于PPHT與直線聚類的方法檢測停車位候選區并檢測標線的傾斜角度；根據傾斜角度采用仿射變換對單一模板（起始處停車位入口標線模板）作相應的變形得出三種模板，即起始處停車位入口標線模板、中間處停車位入口標線模板和結尾處停車位入口標線模板；采用FAST Corner、GVF Snake和最大相關準則匹配算法改進的模板匹配算法檢測停車位入口處標線并用紅色圓標記。這樣停車位標線有缺失、磨損和部分被遮擋的也能被模板匹配檢測出來。車位計數階段，提出了采用基于感知哈希的圖像連接算法對標記后的圖像篩選后按順序連接；最后采用動態規范法、Lagrange函數和Grubbs準則得出該路段停車位數目。這樣完全被遮擋、完全缺失的停車位入口處標線也被識別出來，漏檢的停車位被準確地成功識別。具體的算法步驟如算法1所示。

算法1 停車位識別與計數的整體算法

a）采集視頻：

采用時空自適應的LMMSE濾波；

每間隔5幀提取圖像{fi（X，Y）|i=1，6，11，16，…}；

b）圖像預處理：

采用中值濾波、Canny邊緣檢測和closing operation；

c）檢測停車位候選區和車位標線傾斜角α：

采用基于PPHT和直線聚類的算法；

d）停車位識別：

先制作單一標準模板TO；

根據傾斜角采用仿射變換對模板進行變形得出三種模板TB、 TE、 TM；

采用基于邊緣檢測的模板匹配算法進行模板匹配；

模板匹配成功的位置判斷為停車位入口處；

用半徑為20像素的紅色圓標記；

e）圖像連接：

采用圖像感知哈希算法檢測圖像的相似度；

計算漢明距離，在閾值T以外的圖像剔除；

將剩余圖像連接起來；

f）停車位計數：

采用動態規范法、Lagrange函數和Grubbs準則計算連接圖中的停車位個數。

1.1 視頻濾波與圖像預處理

對于采集的視頻，不可避免地存在噪聲，因此采用時空自適應的線性最小均方差（linear minimum mean square error，LMMSE）濾波，消除模糊等失真問題。假設視頻噪聲為零均值、加性時空噪聲的情況，此時需濾波的有噪聲視圖像的時空信號為

其中：（x，y，t）表示了t時刻的參考點的水平與垂直坐標；f（x，y，t）表示圖像；n（x，y，t）表示含有的噪聲。采用時空自適應的LMMSE濾波在（x，y，t）處的像素估計值為

其中：μf（z）和σ²f（z）分別對應無噪聲圖像的均值和方差；μg（z）和σ²n（z）分別表示有噪聲圖像的均值和方差。當σ²f（z）gt;gt;σ²n（z）時，上述估計值將逼近有噪聲圖像值以避免模糊。

鑒于采集的視頻包含大量無用的視頻信息，為減小計算量以及提升處理速度，每間隔5幀提取一幅圖像{fi（X，Y）|i=1，6，11，16，…，}，截取圖像中間三分之一的部分為感興趣區域（region of interest，RoI），去除圖像其余部分的無用道路信息。對于每個路段采集的圖像，任意選取其中一幅包含停車位標線的圖像，然后檢測圖像中的停車位標線的傾斜角。鑒于道路上停車位的標線大多存在年久褪色、缺失等問題，采用中值濾波、Canny邊緣檢測和形態學處理中的閉運算（closing operation）將標記線輪廓平滑并填充缺失部位，同時改善圖像質量。圖像預處理的結果如圖2所示。

1.2 基于PPHT與直線聚類算法

在對圖像預處理后，標記線輪廓清晰地呈現出來，方便進行直線檢測。采用漸進概率霍夫變換（progressive probabilistic Hough transform，PPHT）^[20]檢測直線生成停車位候選區，隨機抽樣處理數據，節約了時間和計算量。采用PPHT檢測直線關鍵在于如何設置參數使得檢測結果最優。本文設置五個參數來檢測車位標線。五個參數分別為最佳閾值（OT）、最短可視直線值（MLL）、同一直線各點允許最大間隙值（MAG）、相鄰線段之間的距離（Δρ）、相鄰線段的方向角（Δθ）。具體的直線聚類算法如算法2所示。停車位標記線檢測效果如圖3所示。

算法2 直線聚類算法

輸入：PPHT直線檢測結果。

輸出：各類直線。

a）遍歷每一條根據PPHT算法檢測到的直線段，設定一個閾值OT，先根據該閾值將小于該閾值的線過濾；

b）初始化新的直線類，并設置flag為1；

c）遍歷新的直線類，設定最短可視直線值MLL和同一直線各點允許最大間隙值MAG，相鄰線段之間的距離小于Δρ，相鄰線段的方向角小于Δθ，設置flag為true，重新計算新直線的起點和終點；

d）如果flag為1，將得到的新直線放入直線類集合中。

停車位標線由入口標線（與道路方向平行的那條標線）和車位分割線（與道路方向成一定夾角的那一條標線）組成。因此停車位入口處標線傾斜角度α由車位分割線傾斜角β減去入口標線傾斜角γ得出。根據直線聚類的結果，計算入口標線和車位分割線的傾斜角。表1所示為各路段的停車位入口處標線傾斜角。得到入口處標線傾斜角便得到了該路段所有車位標線的傾斜角。

1.3 基于仿射變換與模板匹配算法檢測停車位入口處標線

1.3.1 模板選取與仿射變換

在對提取出的停車位圖像進行模板匹配之前，根據檢測出的車位入口處標線、傾斜角對模板進行選取與變形。根據《中華人民共和國國家標準道路交通標線》GB5768.3—2009規定，停車位分為平行式、傾斜式和垂直式三種類型，本文將平行式與垂直式合并為直角式停車位進行處理，傾斜式停車位的傾斜角在30°～60°，傾斜式停車位的入口類型可以由直角式旋轉一定的角度得到。車位標線的寬度規定為10 cm。鑒于相同路段的停車位類型都是一致的，車位入口處標線傾斜角也是一樣的。每種類型的停車位入口類型都有起始處、中間處和結尾處三種類別。在模板中的標線寬度設定為30個像素值，其他尺寸的標定與傾斜角的范圍如圖4所示。

在模板匹配的過程中，本文只采用起始處的模板進行匹配，結尾處的模板可以由起始處的模板翻轉后得到，中間處的模板可以由起始處模板與翻轉后的結尾處模板組合之后得到，這樣就用起始處的一個模板生成了三個模板。在模板匹配中，先根據采用PPHT和直線聚類的方法檢測出的傾斜角α對起始處的原始模板TO作相應的變形，得到起始處檢測的模板TB，再對起始處的模板翻轉處理得到結尾處的模板TE，由起始處與結尾處模板組合得到中間處的模板TM。對模板進行仿射變換的原理如式（3）所示。

其中：A表示采用仿射變換對向量x旋轉放大縮小的系數，A=-1時，對模板執行翻轉操作；b表示對向量x平移的距離。

1.3.2 基于邊緣檢測的模板匹配算法

在采用仿射變換對原始模板TB變形后得到一個路段真實情況下的停車位標線起始處模板TB、中間處模板TE和結尾處模板TM之后，本文采用基于邊緣檢測的模板匹配算法對提取出的停車位圖像進行檢測，匹配成功的視為停車位識別成功。

算法3 基于邊緣檢測的模板匹配算法

a）開始

b）輸入模板圖像wj

采用Deriche算子計算邊緣圖，得φj；

c）輸入待測停車位圖像fi

采用FAST Corner在感興趣區域檢測角點，生成初始種子點p（X，Y）；

采用區域生長算法生成初始邊界，經高斯濾波后，得初始邊緣圖F′i；

采用GVF Snake迭代求解；

計算GVF Snake模型的能量函數的最小值EGVF，得待測圖像的邊緣圖Fi；

d）采用最大相關準則匹配算法匹配

wj為模板圖像，Fi為待匹配圖，得最佳匹配點CMAX（Xx，Yx）；

e）判斷0.9000≤CMAX（Xx，Yx）≤1是，匹配成功，以點（Xx，Yx）為圓心，以20個像素為半徑畫圓，并用紅色填充；

否，匹配失敗；

f）結束

經仿射變換得出的模板圖像TB、TE和TM統一記為{wj（x，y）| j=1，2，3}，鑒于{wj（x，y）| j=1，2，3}所含信息較少，圖像邊緣易識別，采用Deriche算子^[21]計算邊緣圖；鑒于待檢測圖像{fi（X，Y）|i=1，6，11，16，…}邊緣信息難分辨，本文先采用FAST Corner^[22]檢測圖像中的角點，確定一個打分函數S，保留S值最大的角點，該點作為區域生長算法的初始種子點；然后采用區域生長法獲取圖像的初始邊界，再采用高斯函數^[23]求解邊緣圖，最后通過對梯度矢量場^[24，25]的迭代求解，并最小化能量函數獲取最終的待測停車位圖像邊緣圖。在獲取模板邊緣圖和待測圖像邊緣圖后，采用最大相關準則匹配算法進行匹配，鑒于待測圖像中的停車位標線邊緣不是平滑的直線，而是凹凸不平的，本文匹配的時候設定一個閾值，在該閾值范圍內的值進行匹配。尋找匹配區域的中心點，以該點為圓心，以20個像素為半徑畫圓，并用紅色填充，方便后續的停車位計數。這樣停車位標線有缺失、磨損和部分被遮擋的也能被模板匹配檢測出來。

為了獲得模板圖像{wj（x，y）|j=1，2，3}的邊緣圖{φj（x，y）| j=1，2，3}，采用Deriche算子。Deriche算子進行邊緣檢測時，采用兩個能用遞歸方式來實現的理想的邊緣檢測濾波器，如式（4）所示。

其中：σ表示平滑參數，值越大平滑程度反而越小。式（4）所對應的平滑濾波器如式（5）所示。

為了獲取待檢測圖像{fi（X，Y）|i=1，2，3，…}的邊緣圖{Fi（X，Y）|i=1，2，3，…}，首先采用FAST Corner選取初始種子點。FAST Corner算法步驟如下：先設定以像素p為圓心，半徑為3的圓上有16個像素點（p₁、p₂、…、p₁₆）；再設定閾值t和數值n，如果p₁～p₁₆與p的像素差值連續n點超過閾值t，則是角點，否則，不是角點；最后采用非極大值抑制算法對圖像進行非極大值抑制，保留彼此之間相連的點中的一個。對彼此相連的點確定一個打分函數S，保留S值最大的角點，這個點記為p（X，Y）。S值計算公式如下：

在獲取初始種子點p（X，Y）以后，采用區域生長算法獲取初始待測停車位圖像邊緣線，其生長的條件為

其中：f（X，Y）為原圖；j，k=-1，0，1；T設定為10。以（X+j，Y+k）作為新種子像素點生長，截止到沒有滿足條件的新像素被生長。然后采用梯度圖來計算待測圖像，梯度圖采用高斯平滑，得出初始邊緣圖{F′i（X，Y）|i=1，2，3，…}。高斯平滑后的梯度圖如式（8）所示。

其中：Gσ（X，Y）表示高斯濾波函數；為卷積符號。

最后采用梯度矢量流Snake（GVF Snake）模型計算得出待測圖像的最終邊緣圖{Fi（X，Y）|i=1，2，3，…}。迭代求解時以F′i（X，Y）的F′i（X，Y）為初始值迭代求解GVF力場，公式為

其中：Δx和Δy表示像素點間隔，取值為1；Δt為每次迭代的時長；μ為常數取值為0.2；當t≤1.2時，式（11）收斂。GVF Snake模型的能量函數可以表示為

其中： ux、uy、vx、vy依次表示為GVF在x軸和y軸方向上的分量u和v的一階偏導；μ為平滑參數；²為拉普拉斯算子。當式（12）中V=f時，能量函數數值達到最小。在獲取模板邊緣圖和待測圖像邊緣圖后，采用最大相關準則匹配算法進行匹配。模板φj（x，y）疊放在被搜索圖Fi（X，Y）上平移，模板覆蓋被搜索圖的區域為子圖Fst，（s，t）為子圖左下角在被搜索圖Fi（X，Y）上的坐標，用式（13）衡量φj（x，y）和Fst的相似性。

將式（13）歸一化后，得模板匹配的相關系數。歸一化后的式子如下所示。

當模板和子圖一樣時，相關系數C（s，t）=1，在被搜索圖Fi（X，Y）中完成全部搜索后，找出C的最大值CMAX（Xx，Yx） ，其對應的子圖Fsxtx即為匹配目標。由于待測圖像中的停車位標線邊緣不是平滑的直線，而是凹凸不平的，本文匹配的時候設定一個閾值，在該閾值范圍內的值進行匹配。如式（15）所示。

其中：T為設定的閾值，經過大量實驗驗證，設定為0.900 0。在匹配成功的待測圖像中以最佳匹配點（Xx，Yx）為圓心，以20個像素為半徑畫圓，并用紅色填充。匹配失敗的待測圖認定為未含有停車位入口標線，或者該處停車位完全缺失、腐蝕和被遮擋。圖5所示為采用基于仿射變換與模板匹配算法檢測結果圖。

1.4 基于感知哈希的圖像連接算法連接標記后的圖像

在對提取出的圖像進行模板匹配之后，圖像中包含的停車位入口處標線被標記了出來。為了得到每個路段準確的停車位數目，避免計數的誤檢，先采用感知哈希算法對提取出的圖像進行相似度檢測，剔除相似度高的圖像，將相似度低的圖像連接在一起。

圖像感知哈希^[26] （perceptual hashing，pHash）從一幅圖像導出可表征圖像特征指紋。采用離散余弦變換（discrete cosine transform，DCT）來降低頻率，比較不同圖像的指紋信息來判斷圖像的相似性，指紋信息越接近則圖像越相似。具體的算法步驟如下：為了簡化DCT的計算，先縮小圖像的尺寸為32×32；圖像灰度化后計算DCT的值，保留左上角的8×8的矩陣，計算保留部位的DCT均值，大于等于DCT均值的設為1，小于DCT均值的設為0；接著組合1 024個bit位生成的hash值；最后計算兩幅圖像之間的漢明距離便得到圖像的相似度。二維DCT變換的原理如下：

其中：f（x，y）為原始信號； N為原始信號的點數；u，v=0，1，…，N-1；a（u）和a（v）為歸一化后的加權系數。

采用漢明距離^[27]（Hamming distance）衡量兩幅圖像hash值的相似度。原理如下：

其中：x和y表示兩幅不同圖像的hash值；D（x，y）表示漢明距離。為了剔除相似度較高的圖像，設置漢明距離的閾值T。經過大量實驗驗證，設定為6。

在剔除相似的圖像之后，本文把剩余的圖像按順序連接起來，這樣就在一幅圖像中得到了一個路段所有停車位信息，如圖6所示。

1.5 采用動態規范法、Lagrange函數和Grubbs準則計數

鑒于連接圖中的停車位入口處標線已經被紅色圓標記，只要提取出紅色圓個數并計算相鄰兩個圓的圓心距可得到該路段相對應的停車位數目。一般認為兩個紅色圓之間的部位為一個停車位，但是由于道路停車位很多都年久失修以及駕駛員停車的隨意性較高，導致很多停車位入口處標線丟失或者被完全傾軋和遮擋，采用模板匹配的方法難以識別出停車位入口處標線，所以部分兩個紅色圓之間包含多個停車位。對于連接結果圖，先采用霍夫變換檢測圓，并計算圓心點坐標，動態規范法對檢測出的圓形進行定位，用Lagrange函數進行跟蹤提取輪廓。Lagrange函數可表示為

其中：α和β均為正數；TV為邊緣點數閾值；T₁為灰度差閾值。當檢測的信息滿足式（23）的兩個約束條件時，則跟蹤并提取出了輪廓信息，式（23）表示為

接著計算由霍夫變換圓檢測、動態規范法、Lagrange函數提取出的所有紅色圓中每兩個相鄰圓圓心之間的距離L（L₁，L₂，…，Ln），采用Grubbs準則求出圓心距中的粗大誤差Li，顯著度α=0.01。粗大誤差測量值視為包含兩個或者兩個以上的停車位。剔除粗大誤差后重新計算該組測量值的平均值，計算Li與之間的倍數，向下取整，便可得到粗大誤差測量值中包含的停車位個數，即

其中：N表示粗大誤差測量值中包含的停車位個數。這樣完全被遮擋、完全缺失的停車位入口處標線也被識別出來，漏檢的停車位被準確地識別。對圖6（a）采用Grubbs準則求出每相鄰兩個圓的圓心距，可知圖中第8和第9個圓的圓心距（圖中機動車的部位）為粗大誤差，經計算可知包含了兩個停車位。因此可知該路段包含了12個停車位，結果與實際情況吻合。對圖6（b） 采用Grubbs準則求出每相鄰兩個圓的圓心距，可知沒有包含粗大誤差，因此該路段包含了9個停車位，結果與實際情況吻合。

2 實驗

2.1 實驗環境與數據集

本文實驗的編譯環境為Visual Studio 2019和Halcon12，編程語言為C++，并在VS2019中配置OpenCV3.4.8和OpenCV_contrib-3.4.8。計算機的一些數據如下：硬件配置為Intel Core i5CPU，主頻3.6 GHz，8 GB RAM；操作系統是64位Windows 10系統。實驗的范圍是從上海理工大學校內的不同路段采集的停車位視頻數據。所有選定的路段都有一個共同的特點，道路停車位資源緊張。實驗采集四個不同路段的道路停車位，包含了直角式停車位與傾斜式停車位；每個路段采集三次，分別在晴天、陰天和雨天采集；采集時間避開工作日的上下班人流高峰。采集視頻的攝像機通過支架固定在助動車左側車把上，鏡頭水平向下傾斜20°且拍攝時保持鏡頭視野中停車位標線水平居中；助動車靠右行駛并盡量保持勻速且助動車（攝像頭的位置）與路緣的距離保持不變；速度控制在10 km/h左右。對于采集的視頻，每間隔5幀提取一幅圖像。鑒于采集的視頻圖像中包含大量無用信息，在制作數據集時裁掉圖像上部的路旁信息與下部的無用道路信息，保留包含停車位入口標線的中間三分之一的圖像。采集視頻的格式為MP4，大小為544×960，采集圖像格式為JPG，大小為544×320，共收集4 492 幅圖像，其中晴天1 524 幅圖像、陰天1 481幅圖像、雨天1 487幅圖像。如圖7所示為采集的部分圖像。

2.2 實驗結果與分析

對于采集的四個路段的停車位信息，沒有包含停車位入口處標線的圖像，模板匹配失敗記為檢測識別成功，模板匹配成功記為檢測識別失敗；對于包含停車位入口處標線的圖像，模板匹配失敗記為檢測識別失敗，模板匹配成功記為檢測識別成功。采用準確率和召回率作為性能指標進行判斷。準確率和召回率^[17]定義為

其中：DN為檢測出的停車位數目；TN為準確數量；RN為真實數目。

采用基于仿射變換與模板匹配算法進行停車位識別的實驗結果如表2所示，實驗總的準確率為98.58%。其中在晴天的準確率最低，為97.51%；在陰天的準確率最高為99.59%；在雨天的準確率為98.65%。

在對各路段進行模板匹配之后，用紅色圓標記檢測出的停車位入口處標線；然后采用基于感知哈希的圖像連接算法對標記后的圖像進行連接；最后檢測連接圖上的紅色圓的個數并計算相鄰兩個圓的圓心距。采用Grubbs準則求出每個路段中的粗大誤差，計算得出各路段準確的停車位。陰天和雨天都在路段1檢測到了12個停車位、路段2檢測到了15個停車位、路段3檢測到了33個停車位、路段4檢測到了9個停車位，各路段測得的停車位數目與實際結果一致。但晴天測得的路段2和實際情況不一致，測量結果少了一個停車位；其他路段檢測結果跟陰天、雨天一致。表3所示為各路段檢測停車位數目的準確率，總的準確率為99.52%，在晴天為98.55%，在陰天和雨天為100.00%。

與此同時，本文將參考文獻中的幾種算法與本文算法進行了對比。在文獻[9]中提出了一種改進的基于全景視覺的車位識別算法，在車位識別的部分提出了一種改進的粗提取和精細匹配相結合的車位識別方法，光照不足時的檢測準確率為79.77%，光照充足時為97.63%，總的檢測準確率為91.30%。在文獻[13]中提出融合傳感器，先采用RANSAC算法識別停車位標線中的平行線對，接著采用基于距離變換的倒角匹配算法來檢測停車位標線，最后通過識別室內停車場停放的車輛和柱子的位置來檢測空位，檢測結果的準確率為99.20%，召回率為97.40%。在文獻[14]中提出一種基于幾何特征的停車位標線檢測方法，分為停車位分割線檢測和入口檢測，采用基于LSD的線聚類算法檢測鳥瞰圖中包含一對固定距離的平行線，再根據停車位的寬度來篩選檢測出的平行線對，提出一種對視角融合的學習方法檢測停車位入口，檢測的準確率為97.7%。在文獻[19]中提出一種基于CNN的城市路邊停車位檢測的方法，檢測的準確率大約為90%。上述文獻中的方法與本文的停車位識別計數算法進行比較，結果如表4所示。同時，由表4可知，本文所提出的算法性能較好。

3 結束語

針對道路停車位識別與數目檢測的問題，本文提出基于仿射變換與模板匹配的解決方案。經實驗驗證本文方法行之有效，準確率也很高，可以大規模推廣在市政部門使用。在視頻采集階段，針對視頻中包含大量的無用、重復的信息，每間隔5幀提取圖像，截取圖像中間部分為感興趣區域，減少了數據計算量；在圖像預處理階段，針對道路停車位年久失修，標線缺失嚴重，采用各種圖像預處理算法對標記線缺失、腐蝕部位進行還原。在停車位識別階段，針對現有模板匹配算法的不足，以及提高識別的準確率，提出了采用基于PPHT與直線聚類的方法檢測停車位候選區并檢測標線的傾斜角度；根據傾斜角度采用仿射變換對單一模板進行相應的變形得出三種模板，采用FAST Corner、GVF Snake和最大相關準則匹配算法改進的模板匹配算法檢測停車位入口處標線并用紅色圓標記，這樣停車位標線有缺失、磨損和部分遮擋的也能被識別出來。在車位計數階段，針對直接在視頻中計數存在的錯檢，以及處理流程復雜，提出了采用基于感知哈希的圖像連接算法對標記后的圖像篩選后按順序連接；采用動態規范法、Lagrange函數和Grubbs準則得出該路段停車位數目。這樣完全被遮擋、完全缺失的停車位入口處標線也被準確地識別出來，漏檢的停車位被準確地成功識別。理論上只要起始處和結尾處的停車位入口標線沒有被完全遮擋，本文的檢測成功率可以達到100%。后續將對該方案的不足作出進一步的研究，繼續提高準確率。

參考文獻：

[1]Shin J H，Jun H B.A study on smart parking guidance algorithm[J].Transportation Research Part C-Emerging Technologies，2014，44：299-317.

[2]羅強.路邊空余停車位短時預測及停車誘導信息服務系統研究[D].贛州：江西理工大學，2016.（Luo Qiang.Research on short-time prediction and parking guidance information service system for spare parking spaces[D].Ganzhou：Jiangxi University of Science and Technology，2016.）

[3]胡列格，郭添添.國內外城市停車發展策略思路研究[J].中國交通信息產業，2009（1）：131-133.（Hu Liege，Guo Tiantian.Research on development strategy of urban parking at home and abroad[J].China Traffic Information Industry，2009（1）：131-133.）

[4]王旭東，王春香，楊明，等.一種基于環視相機的自動泊車方法[J].上海交通大學學報，2013，47（7）：1077-1082.（Wang Xudong，Wang Chunxiang，Yang Ming，et al.An automatic parking method based on look around camera[J].Journal of Shanghai Jiaotong University，2013，47（7）：1077-1082.）

[5]Shaaban K，Houweida T.Parking space detection system using video images[J].Transportation Research Record，2015，2537：137-147.

[6]Bae H，Lee S.Recognition of driving and parking lines for intelligent vehicles using bird eye view system[J].Journal of the Korean Society for Precision Engineering，2018，35（5）：507-514.

[7]Chen Ziqin，Huang Wenqin，Yang Wenming，et al.Outdoor parking line detection based on monocular fisheye camera[C]//Proc of the 12th International Conference on Digital Image Processing.2020.

[8]Suhr K J，Jung H G.Full-automatic recognition of various parking slot markings using a hierarchical tree structure[J].Optical Enginee-ring，2013，52（3）：1294-1299.

[9]Zhang Jindong，Liu Tong，Yin Xuelong，et al.An improved parking space recognition algorithm based on panoramic vision[J].Multimedia Tools and Applications，2021，80（12）：18181-18209.

[10]Du Xinxin，Tan K K.Autonomous reverse parking system based on robust path generation and improved sliding mode control[J].IEEE Trans on Intelligent Transportation Systems，2015，16（3）：1225-1237.

[11]Han S J，Choi J.Parking space recognition for autonomous valet parking using height and salient-line probability maps[J].ETRI Journal，2015，37（6）：1220-1230.

[12]Lee S，Hyeon D，Park G，et al.Directional-DBSCAN：parking-slot detection using clustering method in around-view monitoring system[C] //Proc of IEEE Intelligent Vehicles Symposium.Piscataway，NJ：IEEE Press，2016：349-354.

[13]Suhr J K，Jung H G.Automatic parking space detection and tracking for underground and indoor environments[J].IEEE Trans on Industrial Electronics，2016，63（9）：5687-5698.

[14]Li Qian，Lin Chunyu，Zhao Yao.Geometric features-based parking slot detection[J].Sensors，2018，18（9）：article No.2821.

[15]Zhang Lin，Huang Junhao，Li Xiyuan，et al.Vision-based parking slot detection：a DCNN-based approach and a large-scale benchmark dataset[J].IEEE Trans on Image Processing，2018，27（11）：5350-5364.

[16]Yang Yi，Jiang Sitan，Zhang Lu，et al.Learning from having learned：an environment-adaptive parking space detection method[C]//Proc of American Control Conference.Piscataway，NJ：IEEE Press，2020：4022-4027.

[17]Kim C，Cho S，Jang C，et al.Evidence filter of semantic segmented image from around view monitor in automated parking system[J].IEEE Access，2019，7：92791-92804.

[18]朱強.基于全景相機的自動泊車系統設計與實現[D].成都：電子科技大學，2020.（Zhu Qiang.Design and implementation of automatic parking system based on panoramic camera[D].Chengdu：University of Electronic Science and Technology of China，2020.）

[19]Gkolias K A，Vlahogianni E I.Convolutional neural networks for on-street parking space detection in urban networks[J].Sensors，2019，20（12）：4318-4327.

[20]Matas J，Galambos C，Kittler J.Robust detection of lines using the progressive probabilistic Hough transform[J].Computer Vision and Image Understanding，2000，78（1）：1978-1985.

[21]Deriche R.Using Canny’s criteria to derive a recursively implemented optimal edge detector[J].International Journal of Computer Vision，1987，1（2）：167-187.

[22]Rosten E，Porter R，Drummond T.Faster and better：a machine lear-ning approach to corner detection[J].IEEE Trans on Pattern Ana-lysis and Machine Intelligence，2010，32（1）：105-119.

[23]Anand A，Tripathy S S，Kumar R S.An improved edge detection using morphological Laplacian of Gaussian operator[C]//Proc of the 2nd International Conference on Signal Processing and Integrated Networks.Piscataway，NJ：IEEE Press，2015：532-536.

[24]王峰萍，王衛星，薛柏玉，等.GVF Snake與顯著特征相結合的高分辨率遙感圖像道路提取[J].測繪學報，2017，46（12）：1978-1985.（Wang Fengping，Wang Weixing，Xue Baiyu，et al.Road extraction from high-spatial-resolution remote sensing image by combining GVF Snake with salient features[J].Acta Geodaetica et Cartographica Sinica，2017，46（12）：1978-1985.）

[25]Guan Tao，Zhou Dongxiang，Liu Yunhui.Accurate segmentation of partially over lapping cervical cells based on dynamic sparse contour searching and GVF Snake model[J].IEEE Journal of Biomedical and Health Informatics，2015，19（4）：1494-1504.

[26]杜玲，陳振.圖像篡改檢測感知哈希技術綜述[J].計算機科學與探索，2019，13（5）：721-741.（Du Ling，Chen Zhen.Overview of image tamper detection perceptual hash technology[J].Journal of Frontiers of Computer Science amp; Technology，2019，13（5）：721-741.）

[27]Zhai Deming，Liu Xianming，Chang Hong，et al.Parametric local multi-view hamming distance metric learning[J].Pattern Recognition，2018，75：250-262.