[发明专利]一种空车位识别方法

说明书

本发明提出了一种空车位识别方法，该空车位识别方法包括：第一步骤：利用安装于停车位上方的摄像头获取所述停车位的图像信息；第二步骤：对于所述图像信息利用第一识别算法确定所述停车位为空车位的第一置信度；第三步骤：对于所述图像信息利用第二识别算法确定所述停车位为空车位的第二置信度；以及第四步骤：基于所述第一置信度和所述第二置信度判定所述停车位是否为空车位。

技术领域

本发明涉及特征识别领域，更具体地，本发明涉及一种空车位识别方法。

背景技术

如今，随着市面上车辆数量的增多，停车位资源越来越紧张，在例如景区或商场等人流集中区域寻找停车位已成为车主出行的一大困扰。为提高车库管理效率以优化停车位资源，目前多种空车位识别方法得到应用，常用的方法分为超声波探测方法和图像识别方法。

超声波探测方法具体是在每个车位上方安装一个超声波测距探头，通过测量距离来判断探头下有没有停放车辆。由于需要在每个车位上方都安装超声波探头，这种探测方法设备成本较高，且探测结果不准确。

图像识别方法是通过摄像头拍摄停车位图像，通过对图像进行处理来判断该停车位是否是空车位。现有的基于图像的空车位识别方法主要是基于目标识别算法，例如基于Haar+支持向量机的提取算法，或基于深度学习的算法。Haar+支持向量机的算法由于属于机器学习算法，需要大量的训练集，而且在目标检测过程中速度较慢。基于深度学习的算法需要大量数据集，且需要GPU加速，耗费的资源过大。此外，这两种识别算法均无法实现停车位的实时识别。

发明内容

为了解决现有技术中的上述问题，本发明提出了一种空车位识别方法，其在识别过程中同时考虑了背景差分方法和特征匹配方法两种算法，其中，背景差分方法具有敏感的目标识别能力，可以识别出很多神经网络无法识别出的物体；特征匹配方法具有很强的光线鲁棒性，受环境干扰较小；采用这两种算法的融合所得到的识别结果更准确，同时能够满足识别过程中的快速处理要求，并能实现停车位的实时识别。

具体地，根据本发明的空车位识别方法包括：第一步骤：利用安装于停车位上方的摄像头获取所述停车位的图像信息；第二步骤：对于所述图像信息利用第一识别算法确定所述停车位为空车位的第一置信度；第三步骤：对于所述图像信息利用第二识别算法确定所述停车位为空车位的第二置信度；以及第四步骤：基于所述第一置信度和所述第二置信度判定所述停车位是否为空车位。

其中，所述第二步骤包括：利用所述摄像头在一连续时间序列内拍摄到的多个图像帧获取所述停车位所对应的背景模型；将所述摄像头所拍摄到的当前图像帧与所述背景模型进行比较，以提取出不同于所述背景模型的像素并将所提取出的像素识别为目标对象；以及基于所述目标对象确定所述停车位为空车位的第一置信度。

其中，所述第三步骤包括：利用所述摄像头预先获取停车位为空车位时的背景图像，对所述背景图像进行特征检测以获取背景特征，并针对所获取的背景特征添加相应的第一描述子；对所述摄像头拍摄到的当前图像进行特征检测以获取前景特征，并针对所获取的前景特征添加相应的第二描述子；以及将所述第一描述子与所述第二描述子进行比较，并基于比较结果确定所述停车位为空车位的第二置信度。

其中，所述第四步骤包括：基于D-S证据理论对所述第一置信度和所述第二置信度进行融合以判定所述停车位是否为空车位。

其中，所述第四步骤包括：对所述第一置信度和所述第二置信度进行加权计算以判定所述停车位是否为空车位。

其中，在加权计算过程中，所述第一置信度和所述第二置信度所占的权重基于停车场周围环境、停车场车流量和摄像机参数预先设定。

其中，所述第一识别算法为背景差分法，并且/或者所述第二识别算法为特征匹配算法。

其中，所述背景模型采用中值法建模、均值法建模、码本建模、卡尔曼滤波模型或高斯分布模型建立。

其中，每三个停车位共用一个摄像头。