CN112016517A - 一种基于机器视觉的车位识别的方法及装置 - Google Patents
一种基于机器视觉的车位识别的方法及装置 Download PDFInfo
- Publication number
- CN112016517A CN112016517A CN202010958401.3A CN202010958401A CN112016517A CN 112016517 A CN112016517 A CN 112016517A CN 202010958401 A CN202010958401 A CN 202010958401A CN 112016517 A CN112016517 A CN 112016517A
- Authority
- CN
- China
- Prior art keywords
- parking space
- array
- state
- image
- parking
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于机器视觉的车位识别的方法及装置,涉及监测管理***技术领域。该基于机器视觉的车位识别方法包括:对停车场中车位上的采样点进行设计;对图像进行处理;获取所述多个采样点的初始信息值,得到背景阵列对背景阵列的状态的判断,得到采样点状态阵列;根据所述状态阵列判断每个停车位的状态;更新所述背景阵列;更新空余车位分布图。该基于机器视觉的车位识别装置,包括存储器和处理器;存储器用于存储计算机可执行指令;处理器用于执行所述计算机可执行上述方法的指令。本发明使得车辆在驶入停车场之前,看见空余车位的分布,直接在驶入空余车位处,不用再造成车辆拥堵。
Description
技术领域
本发明涉及监测管理***技术领域,特别是涉及一种基于机器视觉的车位识别的方法及装置。
背景技术
随着经济的快速发展,我国居民机动车保有量不断增加,城市面临着越来越严重的交通问题。车辆拥堵是当前城市交通问题的主要体现,浪费了大量能源,污染了城市环境并严重影响人们的出行质量。
传统的方式中,只统计是否在还有空余停车位和剩余停车位的数量,并不显示具体的剩余停车位的位置。由于在公共道路上由于没有专门的停车位诱导***,许多车辆为了寻找停车位而不断巡游,使得城市交通流量过大而导致拥堵。
发明内容
本发明提供了一种基于机器视觉的车位识别的方法及装置,以解决停车难,以及停车而造成拥堵的技术问题。
实现本发明的技术方案如下:
本发明提供的一种基于机器视觉的车位识别方法,包括:
对停车场中车位上的采样点进行设计;
对图像进行处理;
获取所述多个采样点的初始信息值,得到背景阵列对背景阵列的状态的判断,得到采样点状态阵列;
根据所述状态阵列判断每个停车位的状态;
更新所述背景阵列;
更新空余车位分布图。
可选的,所述对背景阵列的状态的判断之后,还包括:对所述状态阵列进行形状滤波。
可选的,所述对所述状态阵列进行形状滤波,包括:
将图像转换到频域;
设计不同的数字滤波器对图像滤波。
可选的,所述在停车位的区域图像内设计多个采样点,包括:设计采样点的位置和数量以及采样点的面积。
可选的,所述根据所述状态阵列判断每个停车位的状态,包括:使用图像直方图的方法处理图像。
可选的,信息值包括像素值。
可选的,所述更新所述背景阵列,包括:重复进行所述获取多个所述采样点的实时信息值,并对所述实时信息值判断得到状态阵列,以及根据所述状态阵列判断每个停车位的状态。
本发明提供的一种基于机器视觉的车位识别装置,包括存储器和处理器;存储器用于存储计算机可执行指令;处理器用于执行所述计算机可执行上述方法的指令。
可选的,还包括显示器,所述显示器接收所述处理器的结果,显示每个停车位的状态。
与现有技术相比,本发明的有益效果是:
本发明提供一种基于机器视觉的策划为识别装置和方法,提供了对车位的检测,实时对空域车位的分布做出检测,使得车辆在驶入停车场之前,看见空余车位的分布,直接在驶入空余车位处,不用再造成车辆拥堵,能源浪费和环境污染,在本发明中,采样点不是对整个停车场的图像进行分析,只是对特定的采样点进行分析,不仅克服了感应线圈、红外线等检测装置灵活性差、造价高、施工维护困难等缺点,而且解决了以往计算机视觉方法中算法复杂、计算量大等问题,使得算法可以应用到嵌入式***中,增强了***的实用性。
附图说明
图1为本发明实施例提供的车位识别方法的流程图;
图2为本发明实施例提供的车位有车时的采样点分布示意图;
图3为本发明实施例提供的车位无车时的采样点分布示意图。
附图标记:1-采样点;2-停车位。
具体实施方式
下面结合附图所示的各实施方式对本发明进行详细说明,但应当说明的是,这些实施方式并非对本发明的限制,本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代,均属于本发明的保护范围之内。
本发明包括多个摄像头、电脑和显示屏,摄像头均匀安装在待测区域,保证待测区域包含在监控范围内,根据实际的情况具体的设计采样点的分布,通过采样点来确定采样区域的实际情况,所述电脑根据采样点处理图片,反馈是否待测区域发生变化,所述显示屏显示待测区域的发生变化的新的图像。
现实生活中,停车场只显示是否有空余停车位,而不显示空余停车位的位置,由于在公共道路上由于没有专门的停车位诱导***,许多车辆为了寻找停车位而不断巡游,使得城市交通流量过大而导致拥堵。
基于以上问题,本实施例提供了一种基于机器视觉的车位识别装置和方法,实施检测停车场内已经使用的车位的变化,并实现实时显示空余车位的位置。
该基于机器视觉的车位识别方法基于以下步骤。
步骤S101:对停车场中车位上的采样点进行设计。
步骤S102:对图像进行处理。
步骤S103:获取所述多个采样点的初始信息值,得到背景阵列对背景阵列的状态的判断,得到采样点状态阵列。
步骤S104:根据所述状态阵列判断每个停车位的状态。
步骤S105:更新所述背景阵列。
步骤S106:更新空余车位分布图。
步骤S101,对停车场中车位上的采样点进行设计包括:设计采样点的位置、数量以及采样点的面积。图2和图3示出了采样点的一种设计方案,多个采样点呈矩形阵列在车位内,最外侧的采样点落在停车位的车位线上;其中,行距可以设置为30cm,列距可以设置为50cm。当然,采样点还可以采用其他设计方案,比如多个采样点环形阵列于停车位内。
一个矩形的停车位图像通常包含有几万到几十万个像素值的信息,由于视频图像中具有很高的空间信息冗余,加上停车位检测中并不关心停车车辆的详细信息,因此在一个停车位的区域图像内选择若干个特征像素点就足以描述停车位的状态。根据这个原理,对若干个具有反映停车位状态信息的特征像素点进行处理,这里将这些特征像素点称为采样点。通过这样的定制可以将停车位的状态检测计算量骤减多个数量级,因而为在嵌入式***中实现基于机器视觉的停车位检测提供了方法支持。
在完成停车位和采样点定制工作后,就能实现停车位状态的视频检测。步骤S102,对图像进行处理,是指通过软件获取到监控视频画面高频的区域图像信息,并且通过机器视觉自主的对这些图像信息进行预处理,即对图像进行降噪、增强等步骤。通过步骤S102能够获得更加清晰的图像,有助于对区域内的车位图像作出更加准确的判断。
其中,对图像进行降噪可以将图像转换到频域。以频率(即波数)为自变量描述图像特征,可以将一副图像像元值在空间上的变化分解为具体不同振幅、空间频率和相位的简振函数的线性叠加,图像中各种频率成分的组成和分布称为空间频谱,这种对图像的频率的频率特征进行分解、处理和分析称为频域处理或者波数域处理。也可以将图像转换到空域进行处理,在图像空间中以长度(距离)为自变量直接对襄垣值进行处理称为空域处理。其中,空域又称为图像空间,是由图像像元组成的空间。空域和频域可以相互转换,在频域中可以引用已经很成熟的频率域技术,处理的步骤一般为:①对图像施行二维离散傅里叶变换或者小波变换,将图像由图像空间转换到频域空间;②在频域中对图像的频谱作分析处理,以改变图像的频率特征。即设计不同的数字滤波器图像的频谱进行滤波。经过空域处理和/或频域处理的图像,消除了图像中的随机噪声,使得图像变的平滑。
在经过图像的空域和频域处理以后可以再对图像通过增强弧度反差来加强图像中景物的边缘和轮廓,也就是增加图像细节边缘的对比度。这种处理方法处理通过增强图像纹理边缘的灰度反差来加强图像中景物的边缘和轮廓。也就是增加图像细节边缘的对比度,这有助于我们的眼睛看清楚图像的细节,进一步增强对目标的辨识能力。
增强改变图像的对比度进行图像增强。可以选择对图像进行直方图处理,其中,直方图可以分为灰度直方图、颜色直方图、视觉直方图,从不同的维度出发,对直方图的需求也不相同。针对一维阈值分割算法适应性差、容易受噪声干扰,二维阈值分割算法复杂度高的问题,提出一种基于区域划分的灰度直方图综合阈值分割算法。该算法利用像素灰度以及领域均值组成二维空间,在此二维空间上利用区域划分的方法来构造一维直方图,再综合最小误差、最大熵以及最大类间方差三种经典的分割算法,构造新的阈值选取方法,最后利用获取的阈值分割算法具有更强大的适应新,以及稳健的抗噪性:同时与二维算法相比,适应的噪声种类更多,算法的计算复杂度小很多。传统的颜色距离度量通常采用最简单的欧式距离度量方式,但在HSV(Hue,Saturation,Value;色调,饱和度,明度)颜色空间上,由于各分量对颜色的贡献程度不同,因此这种简单的颜色距离度量方式不能很好地移植到此空间上,本发明实施例中采用灰度直方图来对图像进行处理。直方图修正增强技术是以直方图作为变换的依据,使变换后的图像直方图成为期望的形状,能够加大对比度,并且消除噪声。图像的化处理通过增强图像纹理边缘的灰度反差来加强图像中景物的边缘和轮廓。也就是增加图像细节边缘的对比度,这有助于分辨图像的细节,进一步增强对目标的辨识能力。
设计不同的数字滤波器对图像滤波,本发明实施例采用的滤波方式为双边滤波,双边滤波是一种同时考虑了箱数空间差异与强度差异的滤波器,双边滤波器是在高斯滤波器上进行的,高斯滤波器为
其中,W是权重,i和j是像素索引,k是归一化常量,从高斯滤波器的公式中,可以看出的是,权重W纸盒像素之间的空间距离有关系,所以图像的内容是什么都会有相同的滤波效果;双边滤波器,在原有的高斯滤波器上做了稍微的修改,双边滤波器:
其中,I是像素的强度值,在强度差距大的地方,权重会减小,滤波效应也就会变小,所以双边滤波是在像素强度变化不大的区域,双边滤波器具有和高斯滤波器相同的效果,但是在图像边缘等强度梯度较大的地方,双边滤波器可以保持原有的梯度。
在本发明实施例中采用的双边滤波器可以在保持采样点上原有的梯度的同时,又能进行滤波。
步骤S103,获取所述多个采样点的初始信息值,得到背景阵列对背景阵列的状态的判断,得到采样点状态阵列。将背景图像转换为信息值,即得到一个用像素点表示的背景阵列。通过判断背景阵列图上的采样点的状态,即是否被覆盖,进而得到采样点的状态阵列。
步骤S104,根据所述状态阵列判断每个停车位的状态。即,得到采样点的状态阵列之后得到车位是否有车的结果。
在步骤S105,更新所述背景阵列,包括:重复进行所述获取多个所述采样点的实时信息值,并对所述实时信息值判断得到状态阵列,以及根据所述状态阵列判断每个停车位的状态。实时采集每个整个停车场的图像,并对采集点区域进行实时分析,对比滤波后的背景阵列,是否发生了较大的变化。
步骤S106,更新空余车位分布图。是否发生了较大的变化,若发生变化,更新背景阵列,发送处理结果到显示器,显示器接收所述处理器的结果,显示每个停车位的状态。并将变化反映到显示屏上,显示屏上实时更新停车场车位是否空余的变化,并显示出空余车位的位置,使得在新的进入停车场的车辆,可以迅速快捷的停车。
本发明实施例采用较少的采样点分析图片,对停车位的状态做出判断,不仅克服了感应线圈、红外线等检测装置灵活性差、造价高、施工维护困难等缺点。而且解决了以往计算机视觉方法中算法复杂、计算量大等问题,使得算法可以应用到嵌入式***中,增强了***的实用性。
本实施例提供的基于机器视觉的车位识别装置,包括包括存储器和处理器。其中,存储器用于存储计算机可执行指令,处理器用于执行所述计算机可执行本实施例提供的基于机器视觉的车位识别方法的指令。
该基于机器视觉的车位识别装置还包括显示器,显示器接收处理器的结果,显示每个停车位的状态。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
本发明应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于机器视觉的车位识别方法,其特征在于,包括:
对停车场中车位上的采样点进行设计;
对图像进行处理;
获取所述多个采样点的初始信息值,得到背景阵列对背景阵列的状态的判断,得到采样点状态阵列;
根据所述状态阵列判断每个停车位的状态;
更新所述背景阵列;
更新空余车位分布图。
2.根据权利要求1所述的基于机器视觉的车位识别方法,其特征在于,所述对所述对背景阵列的状态的判断之后,还包括:对所述状态阵列进行形状滤波。
3.根据权利要求2所述的基于机器视觉的车位识别方法,其特征在于,所述对所述状态阵列进行形状滤波,包括:
将图像转换到频域;
设计不同的数字滤波器对图像滤波。
4.根据权利要求1所述的基于机器视觉的车位识别方法,其特征在于,所述在停车位的区域图像内设计多个采样点,包括:设计采样点的位置和数量以及采样点的面积。
5.根据权利要求1所述的基于机器视觉的车位识别方法,其特征在于,所述根据所述状态阵列判断每个停车位的状态,包括:使用图像直方图的方法处理图像。
6.根据权利要求1所述的基于机器视觉的车位识别方法,其特征在于,所述更新所述背景阵列,包括:重复进行所述获取多个所述采样点的实时信息值,并对所述实时信息值判断得到状态阵列,以及根据所述状态阵列判断每个停车位的状态。
7.一种基于机器视觉的车位识别装置,其特征在于,包括存储器和处理器;
所述存储器用于存储计算机可执行指令;
所述处理器用于执行所述计算机可执行如权利要求1-8中任一项所述方法的指令。
8.根据权利要求7所述的车位识别装置,其特征在于,还包括显示器,所述显示器接收所述处理器的结果,显示每个停车位的状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010958401.3A CN112016517A (zh) | 2020-09-14 | 2020-09-14 | 一种基于机器视觉的车位识别的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010958401.3A CN112016517A (zh) | 2020-09-14 | 2020-09-14 | 一种基于机器视觉的车位识别的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112016517A true CN112016517A (zh) | 2020-12-01 |
Family
ID=73521951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010958401.3A Pending CN112016517A (zh) | 2020-09-14 | 2020-09-14 | 一种基于机器视觉的车位识别的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016517A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110376A (zh) * | 2011-02-18 | 2011-06-29 | 汤一平 | 基于计算机视觉的路边停车位检测装置 |
CN105857306A (zh) * | 2016-04-14 | 2016-08-17 | 中国科学院合肥物质科学研究院 | 一种用于多种泊车场景的车辆自主泊车路径规划方法 |
CN106971602A (zh) * | 2017-03-29 | 2017-07-21 | 深圳市金溢科技股份有限公司 | 一种泊车位的状态检测方法及激光车检设备 |
CN107665599A (zh) * | 2016-07-28 | 2018-02-06 | 北海和思科技有限公司 | 基于视觉检测的停车场车位自动识别方法 |
US20180240337A1 (en) * | 2015-10-27 | 2018-08-23 | Municipal Parking Services, Inc. | Parking space detection method and system |
-
2020
- 2020-09-14 CN CN202010958401.3A patent/CN112016517A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102110376A (zh) * | 2011-02-18 | 2011-06-29 | 汤一平 | 基于计算机视觉的路边停车位检测装置 |
US20180240337A1 (en) * | 2015-10-27 | 2018-08-23 | Municipal Parking Services, Inc. | Parking space detection method and system |
CN105857306A (zh) * | 2016-04-14 | 2016-08-17 | 中国科学院合肥物质科学研究院 | 一种用于多种泊车场景的车辆自主泊车路径规划方法 |
CN107665599A (zh) * | 2016-07-28 | 2018-02-06 | 北海和思科技有限公司 | 基于视觉检测的停车场车位自动识别方法 |
CN106971602A (zh) * | 2017-03-29 | 2017-07-21 | 深圳市金溢科技股份有限公司 | 一种泊车位的状态检测方法及激光车检设备 |
Non-Patent Citations (1)
Title |
---|
杨泷迪等: "视觉的车位智能识别研究", 《沈阳理工大学学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104112370B (zh) | 基于监控图像的停车场智能车位识别方法及*** | |
CN102708356B (zh) | 一种基于复杂背景下的车牌自动定位和识别方法 | |
JP4571987B2 (ja) | 車両の画像から特徴を検出するシステムおよび方法 | |
WO2018023916A1 (zh) | 一种彩色图像去阴影方法和应用 | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
US20140153817A1 (en) | Patch Size Adaptation for Image Enhancement | |
CN107729814B (zh) | 一种检测车道线的方法及装置 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN109635722B (zh) | 一种高分辨率遥感影像路口自动识别方法 | |
CN109784171A (zh) | 车辆定损图像筛选方法、装置、可读存储介质及服务器 | |
CN104700405A (zh) | 一种前景检测方法和*** | |
CN111652033A (zh) | 基于OpenCV的车道线检测方法 | |
Ouma et al. | Urban features recognition and extraction from very-high resolution multi-spectral satellite imagery: a micro–macro texture determination and integration framework | |
CN110276318A (zh) | 夜间公路下雨识别方法、装置、计算机设备及存储介质 | |
CN113537211A (zh) | 一种基于非对称iou的深度学习车牌框定位方法 | |
CN112465735A (zh) | 行人检测方法、装置及计算机可读存储介质 | |
Mingzhou et al. | Detection of highway lane lines and drivable regions based on dynamic image enhancement algorithm under unfavorable vision | |
CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
Kumar et al. | Traffic surveillance and speed limit violation detection system | |
CN116311212B (zh) | 基于高速摄像机实现运动状态下的船号识别方法及装置 | |
CN112016517A (zh) | 一种基于机器视觉的车位识别的方法及装置 | |
Dhar et al. | Interval type-2 fuzzy set and human vision based multi-scale geometric analysis for text-graphics segmentation | |
TW201419168A (zh) | 不均勻光線下的車牌辨識方法及系統 | |
CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 | |
CN115512302A (zh) | 基于改进YOLOX-s模型的车辆检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |