張 乾，肖永菲，楊玉成，余江浩，王 林

基于計(jì)算機(jī)視覺的室外停車場車位檢測實(shí)驗(yàn)設(shè)計(jì)

張 乾1,2，肖永菲1,3，楊玉成1,3，余江浩2,3，王 林3

（1. 貴州民族大學(xué) 數(shù)據(jù)科學(xué)與信息工程學(xué)院，貴州 貴陽 550025；2. 貴州民族大學(xué) 教務(wù)處，貴州 貴陽 550025；3. 貴州省模式識(shí)別與智能系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，貴州 貴陽 550025）

為便于汽車駕駛員在室外停車場中尋找可用空車位，基于以數(shù)據(jù)采集、圖像處理和目標(biāo)檢測等過程的計(jì)算機(jī)視覺，開發(fā)了室外停車場車位檢測實(shí)驗(yàn)。該實(shí)驗(yàn)將Haar-like特征描述和車位中顏色能量變化作為判別模型的數(shù)據(jù)輸入，選取隨機(jī)森林作為車位可用狀態(tài)的判別模型。通過在國際公開數(shù)據(jù)集PKLot上進(jìn)行實(shí)驗(yàn)，對(duì)可用車位的檢測準(zhǔn)確率的均在91%以上；在自建的GZMU-LOT上進(jìn)行實(shí)驗(yàn)，可用空車位的檢測準(zhǔn)確率達(dá)92.21%。

車位檢測；計(jì)算機(jī)視覺；實(shí)驗(yàn)設(shè)計(jì)；室外停車場

城市停車難是令汽車駕駛員苦惱的問題，在停車場中尋找可用車位也是比較困難的。采用現(xiàn)代信息技術(shù)快速、準(zhǔn)確、醒目地告知駕駛員可用車位的具體位置是一個(gè)重要的課題[1]。目前停車場可用車位的檢測方法可歸納為基于傳感器的方法和基于計(jì)算機(jī)視覺的方法。

基于傳感器的可用車位檢測方法是通過在車位安裝傳感器設(shè)備和裝置，采集數(shù)據(jù)后傳送到后臺(tái)服務(wù)器，經(jīng)服務(wù)器處理數(shù)據(jù)后顯示車位的可用狀態(tài)信息?；趥鞲衅鞯姆椒ㄓ挚梢苑譃榈馗芯€圈檢測技術(shù)[2]、超聲波檢測技術(shù)[3]、紅外檢測技術(shù)[4]、動(dòng)態(tài)稱重技術(shù)[5]、地磁傳感器檢測技術(shù)[6]?；趥鞲衅鞯姆椒ù嬖诎惭b程序繁瑣、硬件成本高等缺點(diǎn)，但也有不易受環(huán)境干擾、數(shù)據(jù)傳輸可靠性高等優(yōu)點(diǎn)。

基于計(jì)算機(jī)視覺的可用車位檢測是一種新技術(shù)，是通過攝像頭等圖像采集設(shè)備對(duì)場景進(jìn)行拍攝獲得圖像并進(jìn)行數(shù)字圖像處理，結(jié)合統(tǒng)計(jì)模式識(shí)別或者深度學(xué)習(xí)的方法對(duì)可用車位進(jìn)行檢測和顯示?；谟?jì)算機(jī)視覺的方法又可以分為車位線標(biāo)記法[7]、雙目立體法[8]、光帶投影法[9]和運(yùn)動(dòng)立體測距法[10]等?；谟?jì)算機(jī)視覺的檢測方法容易安裝、成本低，但是該方法容易受到光照條件的變化、混亂的背景、運(yùn)動(dòng)目標(biāo)的影子、物體與環(huán)境之間或者物體與物體之間的遮擋等因素的干擾。由于計(jì)算機(jī)視覺技術(shù)在可用空車位檢測中的方便性，因而受到計(jì)算機(jī)視覺、模式識(shí)別研究人員的關(guān)注和重視。

1 可用空車位檢測實(shí)驗(yàn)設(shè)計(jì)

室外停車場中可用車位的檢測是一種計(jì)算機(jī)應(yīng)用工程。本文以計(jì)算機(jī)視覺理論為基礎(chǔ)，以軟件工程方法為主線，進(jìn)行停車場可用車位的實(shí)驗(yàn)設(shè)計(jì)。根據(jù)可用車位檢測的目標(biāo)，實(shí)驗(yàn)設(shè)計(jì)包括數(shù)據(jù)采集、區(qū)域特征描述、車位可用性判定等環(huán)節(jié)。

1.1 基于計(jì)算機(jī)視覺的數(shù)據(jù)采集和區(qū)域特征描述

目前，智能圖像采集設(shè)備包括攝像頭、攝像機(jī)、錄像機(jī)、照相機(jī)和智能手機(jī)等。通過圖像采集設(shè)備對(duì)室外停車場場景進(jìn)行拍攝后，利用計(jì)算機(jī)視覺算法進(jìn)行數(shù)據(jù)分析和挖掘，檢測出圖像中可用的車位信息。基于計(jì)算機(jī)視覺的室外停車場中可用車位檢測實(shí)驗(yàn)流程如圖1所示。

通過統(tǒng)計(jì)模式識(shí)別算法對(duì)視頻采集到圖像進(jìn)行可用車位位置的區(qū)域統(tǒng)計(jì)特征描述是系統(tǒng)實(shí)驗(yàn)的首要關(guān)鍵步驟。在可用車位的區(qū)域特征描述方面，有小波變換、紋理信息、結(jié)構(gòu)信息等統(tǒng)計(jì)方法。在室外停車場環(huán)境下，本文充分考慮了車位邊界一般是通過白色的線將車位圈定的實(shí)際情況，采用了Haar-like特征[11]作為區(qū)域特征描述方法。

Haar-like特征最早應(yīng)用于人臉檢測和人臉特征描述，是一種經(jīng)典的圖像統(tǒng)計(jì)方法。Haar-like特征經(jīng)過發(fā)展可以歸納為邊緣特征、線性特征、中心特征和對(duì)角線特征等4種形式的特征。Haar-like特征模板內(nèi)只有白色和黑色兩種矩形，在傳統(tǒng)的方法中定義該模板的特征值為白色矩形像素和減去黑色矩形像素和。在室外停車場的可用車位檢測中，該方法體現(xiàn)了車位線和車位內(nèi)部的對(duì)照情況，該特征描述方法具有可行性。本文在傳統(tǒng)的Haar-like加入顏色能量變化特征，形成8種Haar-like原子結(jié)構(gòu)，如圖2所示。

1.2 車位可用性判定

采用集成學(xué)習(xí)的隨機(jī)森林[12]方法判定車位的可用狀態(tài)。隨機(jī)森林是一種經(jīng)典的集成學(xué)習(xí)方法，通常情況下，該方法以決策樹作為基元模型：

隨機(jī)森林通過在樣本實(shí)例和樣本屬性上兩個(gè)過程上隨機(jī)采樣的策略，有效控制了模型的過擬合風(fēng)險(xiǎn)。

2 實(shí)驗(yàn)仿真與結(jié)果

2.1 實(shí)驗(yàn)環(huán)境和實(shí)驗(yàn)數(shù)據(jù)集

實(shí)驗(yàn)環(huán)境為戴爾Inspiron 15-7560筆記本電腦，CPU為Intel i7-7500U，Windows 10 64位旗艦版操作系統(tǒng)，Matlab R2018a，openCV，索尼（SONY）HDR- CX680攝像機(jī)。

在室外停車場中，公開的可用車位檢測數(shù)據(jù)集為數(shù)不多，據(jù)調(diào)研僅有PKLot[13]、CNRPark-Ext[14]、FMPH[15]等3個(gè)。本文選擇其中的PKLot作為實(shí)驗(yàn)數(shù)據(jù)集之一。另外，從貴州民族大學(xué)花溪校區(qū)停車場錄制了大量視頻作為實(shí)驗(yàn)素材，構(gòu)成了GZMU-LOT數(shù)據(jù)集。

（1）數(shù)據(jù)集PKLot。PKLot數(shù)據(jù)集發(fā)布于2015年，是計(jì)算機(jī)視覺、模式識(shí)別和智能交通領(lǐng)域公開測試的基準(zhǔn)數(shù)據(jù)集之一。該數(shù)據(jù)集由2個(gè)停車場的圖片組成，一個(gè)是PUCPR行政大樓前（簡稱PUCPR），另一個(gè)位于UFPR前面，后者由2個(gè)攝像機(jī)從不同角度拍攝，因此其分解為UFPＲ04和UFPＲ05兩數(shù)據(jù)子集，圖像的分辨率均為1280×720像素。圖像拍攝的天氣環(huán)境包括陰天、陰雨、晴天以及光照變化等，由于圖像環(huán)境的復(fù)雜性，該數(shù)據(jù)集被作為可用空車位檢測的基準(zhǔn)數(shù)據(jù)集之一。

（2）數(shù)據(jù)集GZMU-LOT。GZMU-LOT是課題組在貴州民族大學(xué)花溪校區(qū)停車場，經(jīng)過長時(shí)間錄制和拍攝建設(shè)的一個(gè)用于室外停車中可用車位檢測實(shí)驗(yàn)的數(shù)據(jù)集。目前，GZMU-LOT錄制季節(jié)包括夏天、秋天和冬天，錄制時(shí)段包括這3個(gè)季節(jié)中的部分時(shí)段的24 h，天氣情況包括了晴天、霧、雨、陰天、雪天等天氣狀況。如果地面積雪將車位線覆蓋，基于計(jì)算機(jī)視覺的方法將失效。

2.2 實(shí)驗(yàn)結(jié)果評(píng)價(jià)指標(biāo)

在以上定義基礎(chǔ)上，有：

和

2.3 結(jié)果

2.3.1 數(shù)據(jù)集PKLot

在PKLot數(shù)據(jù)集中有UFPR04，UFPR05和PUCPR等3個(gè)數(shù)據(jù)子集，基本情況如表1所示。

表1 PKLot數(shù)據(jù)基本情況 個(gè)

在UFPR04、UFPR05、PUCPR的訓(xùn)練集和測試集中，隨機(jī)選擇各自其中50%作為訓(xùn)練構(gòu)建模型，余下的50%作為測試集，分別獨(dú)立重復(fù)2次實(shí)驗(yàn)，分別記為UFPR04a，UFPR04b，UFPR05a，UFPR05b，PUCPRa和PUCPRb。在Haar-like作為特征、隨機(jī)森林作為分類器的統(tǒng)計(jì)模式識(shí)別和計(jì)算機(jī)視覺實(shí)驗(yàn)手段下，得到表2所示的結(jié)果。

通過表2可以看出，最高的準(zhǔn)確率為99.21%，最低的準(zhǔn)確率為91.11%，均保證在90.00%以上。為進(jìn)一步可視化實(shí)驗(yàn)效果，在PUCPR數(shù)據(jù)集上的實(shí)驗(yàn)效果如圖3所示。

表2 在PKLot上實(shí)驗(yàn)結(jié)果

圖3 在PUCPR數(shù)據(jù)集上實(shí)驗(yàn)效果圖

2.3.2 數(shù)據(jù)集GZMU-LOT

GZMU-LOT包含多因素影響下同一停車場的車位情況，從該視頻集中3個(gè)季節(jié)、不同天氣、不同時(shí)段等因素中選取5000張圖像進(jìn)行實(shí)驗(yàn)，圖像大小為1920×1080像素。在實(shí)驗(yàn)中隨機(jī)選擇20%，40%和50%作為訓(xùn)練集，剩下的全部作為測試集的實(shí)驗(yàn)參數(shù)配置方案進(jìn)行，得到如表3所示的結(jié)果。可視化效果如圖4所示。

表3 在GZMU-LOT上實(shí)驗(yàn)結(jié)果

注：圖像總數(shù)5000張

圖4 在GZMU-LOT數(shù)據(jù)集上實(shí)驗(yàn)效果圖

3 結(jié)語

利用計(jì)算機(jī)視覺和統(tǒng)計(jì)模式識(shí)別技術(shù)和PUCPR數(shù)據(jù)集、GZMU-LOT數(shù)據(jù)集進(jìn)行復(fù)雜停車場可用車位實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明該方法具有可行性和高效性。該成果將轉(zhuǎn)化到智能停車軟件系統(tǒng)、微信公眾號(hào)、手機(jī)APP等新媒體上。

[1] 安旭驍，鄧洪敏，史興宇.基于迷你卷積神經(jīng)網(wǎng)絡(luò)的停車場空車位檢測方法[J].計(jì)算機(jī)應(yīng)用，2018(4): 935–938.

[2] 王志超，劉波，湯亮，等.基于地磁感應(yīng)的新型無線車輛檢測器設(shè)計(jì)[J].計(jì)算機(jī)測量與控制，2014(11): 3837–3839.

[3] 何偉.基于超聲波傳感器的自動(dòng)泊車車位補(bǔ)償檢測法[J].中國儀器儀表，2016(2): 47–50.

[4] 楊衛(wèi)，李波，孫喬，等.基于熱釋電紅外傳感技術(shù)測距的時(shí)間差法研究[J].傳感器與微系統(tǒng)，2013(4): 37–40.

[5] 沈裴裴，徐志玲，陳群，等.車輛動(dòng)態(tài)稱重模型建立與分析[J].測控技術(shù)，2015(3): 5–8.

[6] Mohd Sufiz I. Attendance Free Parking Counter Using Microprocessor With Magnetic Sensor[R]. Utem, 2009.

[7] TSCHENTSCHER M, KOCH C, KONIG M, et al. Scalable real-time parking lot classification: An evaluation of image features and supervised learning algorithms[C]// International Joint Conference on Neural Networks (IJCNN), IEEE.2015: 1–8.

[8] KAEMPCHEN N, FRANKE U, OTT R. Stereo Vision Based Pose Estimation of Parking Lots Using 3D Vehicle Models[C]// Intelligent Vehicle Symposium, IEEE.2002: 459–464.

[9] JUNG H G, KIM D S, YOON P J, et al. Light Stripe Projection Based Parking Space Detection for Intelligent Parking Assist System[C]// Intelligent Vehicles Symposium, IEEE.2007: 962– 968.

[10] SUHR J K, JUNG H G, BAE K, et al. Automatic Free Parking Space Detection by Using Motion Stereo-based 3D Reconstru-ction[J]. Machine Vision & Applications, 2010, 21(2): 163–176.

[11] JIANG S, NING J, CAI C, et al. Robust Struck tracker via color Haar-like feature and selective updating[J]. Signal, Image and Video Processing, 2017, 11(6): 1073–1080.

[12] 張乾.基于隨機(jī)森林的視覺數(shù)據(jù)分類關(guān)鍵技術(shù)研究[D].廣州：華南理工大學(xué)，2016.

[13] De ALMEIDA P R L, OLIVEIRA L S, BRITTO Jr A S, et al. PKLot–A robust dataset for parking lot classification[J]. Expert Systems with Applications, 2015, 42(11): 4937–4949.

[14] AMATO G, CARRARA F, FALCHI F, et al. Deep learning for decentralized parking lot occupancy detection[J]. Expert Sys-tems with Applications, 2017, 72: 327–334.

[15] VIJAY P, HASAN F, JOHAN H, et al. Smart parking sensors, technologies and applications for open parking lots: a review[J]. IET Intelligent Transport Systems. 2018, 22(8): 735–741.

Experimental design of parking space detection in outdoor parking lot based on computer vision

ZHANG Qian1,2, XIAO Yongfei1,3, YANG Yucheng1,3, YU Jianghao2,3, WANG Lin3

(1. School of Data Science and Information Engineering, Guizhou Minzu University, Guiyang 550025, China; 2. Academic Affairs Office, Guizhou Minzu University, Guiyang 550025, China; 3. Key Laboratory of Pattern Recognition and Intelligent Systems of Guizhou Province, Guiyang 550025, China)

In order to facilitate the driver to find the available empty parking space in the outdoor parking lot, based on the computer vision of data acquisition, image processing and target detection, an outdoor parking space detection experiment is developed. In this experiment, Haar-like feature description and color energy change in parking space are used as data input of discriminant model, and random forest is selected as discriminant model of parking available state. Through the experiments on the international open data set PKLot, the detection accuracy of available parking spaces is more than 91%, and the experiments on the built GZMU-LOT show that the detection accuracy of available parking spaces is 92.21%.

parking space detection; computer vision; experimental design; outdoor parking lot

TP391.41

A

1002-4956(2019)07-0138-03

10.16791/j.cnki.sjg.2019.07.033

2019-01-13

國家自然科學(xué)基金項(xiàng)目（61802082，61263034，61762020）；貴州省科技廳計(jì)劃基金項(xiàng)目（黔科合J字[2014]2094號(hào)）；貴州省教育廳創(chuàng)新群體重大研究項(xiàng)目(黔教合KY字[2018]018)；貴州省教育廳自然科學(xué)基金項(xiàng)目（黔教合KY字[2017]129）；教育部產(chǎn)學(xué)合作協(xié)同育人項(xiàng)目（201702044007）；貴州省科技廳聯(lián)合基金項(xiàng)目“基于計(jì)算機(jī)視覺的停車場智能收費(fèi)系統(tǒng)研究”（黔科合J字[2014]7390）

張乾（1984—），男（苗族），貴州貴定，博士，副教授，主要研究方向?yàn)閳D像處理、模式識(shí)別和機(jī)器學(xué)習(xí).