车位检测器（共9篇）
车位检测器 篇1
引言
随着家用轿车数量的急剧增加,许多商业中心的停车场数量也在迅速增加,并不断向现代化智能停车场的方向发展[1]。为了高效、便捷地管理停车场内的车位,本文旨在研制一种高性能的车位传感器。早期有由红外线传感器[2]构成的车位检测器,由于其易受灰尘与不便安装等因素,没有得到普遍应用;由涡流传感器构成的车位检测器[3,4]由于安装传感器时需要破坏地面,故其在工程应用上还存在一定的难度。由于超声波车位检测器不易受干扰,安装方便,将超声波传感器安装在车位的正上方,向下发射超声波,超声波经过地面或车辆顶部反射又由传感器接收,可获取超声波传输的时间,从而计算出超声波传输的距离。当泊位有车时,超声波传输的距离与无车时是不同的,由此可判断泊位上有无车辆停放。为此,采用超声波传感器进行车位检测器的研制。
1 硬件设计
超声波车位检测器的工作原理是通过测量距离来实现车位检测的。它由五个部分构成:单片机控制模块、超声波发射模块、超声波接收模块、CAN总线接口和车位信息指示模块。单片机控制模块主要负责40 k Hz超声波脉冲的产生与超声波在介质中传播的时间进行精确的计时。位信息指示模块由继电器输出开关信号,并用LED灯进行车位指示。
1.1 超声波发射模块。
为了提高发射强度,发射电路由反相器74LS04和超声波换能器构成,用推挽形式将方波信号加到超声波换能器两端,可以提高超声波的发射强度。输出端采用两个反相器并联,用于提高驱动能力。如图2数字集成电路构成的超声波发射电路。它由单片机输出的40k Hz方波信号一路经一级反向器后送到超声波换能器的一个电极,另一路经两级反向器后送到超声波换能器的另一个电极。
1.2 超声波接收电路。
由CX20106构成的超声波接收电路,它是日本索尼公司一款红外线检波接收的专用芯片,常用于电视机红外遥控接收器。CX10206用于在输入信号过强时防止前置放大器过载,内部设有带通滤波器,频率f0可由5脚的外接电阻或电位器调节。使用时调节方便,抗电磁干扰能力较强。考虑到红外遥控常用的载波频率38k Hz与测距的超声波频率40k Hz较为接近,利用它制作超声波检测接收电路,如图3所示。
1.3 CAN总线接口。
CAN现场总线模块[5]是由PHILIPS公司的CAN控制器SJA1000及总线收发器82C250组成,泊位检测器的CAN模块均具有唯一的ID编号,并在微处理器的控制下与泊位诱导控制中心进行通信,完成停车场内车位占用信息的实时汇总,实现车辆泊位诱导功能。
2 软件设计
2.1 超声波发射子程序的设计。
超声波发射所需的40k Hz方波脉冲是通过单片机定时器/计数器T1工作在定时器工作方式2下产生的。定时器/计数器的工作方式2具有自动重装计数初值的功能。不但省去了用户程序中的重装指令,而且也有利于提高计时精度,非常适用于循环定时或循环计数的应用。超声波的发射频率f=40k Hz,即周期T=1/f=25μs,那么超声波发射口P1.0口的输出电平经过就要跳变一次,可以使用定时器/计数器T1定时12μs后产生定时中断,在中断程序中改变P1.0口的输出电平。正因为在工作方式2下当计数溢出后可以将计数初值重新加载到TL0中重新计数,所以可以通过软件对超声波脉冲数加以控制,产生一串符合要求的超声波脉冲。超声波发射流程图如图4所示。
2.2 超声波接收中断程序的设计。
与超声波发射程序相比,接收程序的设计要简单的多。主程序利用外中断0检测超声波返回信号,一旦接收到返回的超声波(INT0引脚出现低电平),立即进入中断程序。进入该中断后就立即关闭计时器T0、T1停止计时,并将计数值移入处理单元45H、44H,同时测距成功标志位赋1。
如果当T0溢出时还未检测到超声波返回信号,则将外中断0关闭,并准备下一个超声波脉冲的发射。超声波接收中断程序流程图如图5所示。
2.3 车位信息显示子程序的设计
当车位有车停放时和无车停放时,超声波测得的距离是不同的。目前大多数的轿车的高度为1.5m,假设停车场的高度为3m,当有车停放时,超声波发出后遇到汽车顶部反射,实际测得距离小于2m。可以将2m作为比较距离,把实测距离和2m做比较,如果小于2m,则表示车位有车停放,否则说明车位被占据。为了克服人在车位上走动时的干扰,当检测到有车刚停放时,需要隔几秒钟之后再进行确认。
3 实验结果
为了检验测量的准确度,在常温下,进行实际测量,测试结果如表1所示。
从表中数据可以看出,车位占用信息的确定可在2.8m以内距离内进行准确判别。考虑到温度的变化会对声速产生一定的影响,因此如果需要实现高精度的测量,可以增加一个温度传感器来采集实时温度进行实时补偿。其近似公式为
式中,v0为温度0℃时的声速;T为实时温度(℃)。经过这样的补偿后,可以使车位检测系统具有较好的测距精度。
经测试验证,系统能够实现距离检测准确,车位信息判断无误,从所采用的器件的价格来看,该系统成本较低,在实际安装时也较为方便。在测量范围满足实际室内停车场的要求后,将车位检测器与停车场内的总线接口相连。车位信息通过总线传输给中央控制器,由控制器进行分析、处理,并用显示器加以显示、说明,实现对停车场的智能化管理。
摘要：为了高效、便捷地管理停车场内的车位,本文根据超声波测距原理采用压电式超声波传感器设计了超声波车位检测器,它安装在室内停车场停车位的正上方,通过测量检测器与下方的垂直距离来获取车位信息。超声波车位检测器利用单片机输出40kHz脉冲信号,经过多级反相器的进行功率放大,然后作用于超声波传感器,使其转换为超声波发射出去,同时采用CX20106芯片采集回波信号。实验测试表明,该车位检测器测量结果稳定可靠,车位占空信息判断准确无误,抗外界干扰能力强,可以用于车位检测系统之中。
关键词：车位检测,超声波,单片机,测距
参考文献
[1]Sarasota Automation Ltd.MCE45Z VehicleDetector handbook,UK,1985.
[2]李剑中,赵海东,徐中.停车场汽车泊位红外巡检系统的设计[J].自动化与仪表,2001,(3).
[3]Bikowitz W E.Ross S P.Evaluation andImprovement of Inductive Loop Detectors.TRB:Transportation Research Record 1010,76-80.
[4]任吉林.电磁检测[M].北京:机械工业出版社:2000.
[5]邬宽明.CAN总线原理和应用系统设计[M].北京:北京航空航天大学出版社,1996.
小车位大价值 篇2
家里的亲戚东拼西凑才帮四姨在上海重新买了套面积比原来更小的一室户。就这样凑合了两年，外公家的房子遇到拆迁，四姨才终于分到了一套两室两厅的房子。不过，出乎大家意料的是，已经快60岁的四姨并没有因此过上平静的养老生活，反而在一家房地产中介公司找了份工作，并利用工作上掌握的信息，用自己那套小小的一室户做起了腾挪。
那几年，正是上海房价飞涨的开始，四姨卖掉了自己的小房子，又找遍所有亲戚借钱，凑够了2套小房子的首付，用租金还贷款，一年后再把房子卖出套现。就这样，到2010年，四姨已经拥有了6套投资房，粗略一算，四姨的身家已经有了1000多万元。
不过，随着政府开始大力进行地产调控，四姨对上海房价的前景失去了信心，于是决定先抛掉两套住房套现。2011年，正是上海楼市低迷的时候。本来我们都以为四姨的房子很难卖上一个好价格，无人问津都不是不可能，可四姨却胸有成竹。
让我们惊讶的是，四姨的两套房子挂牌不久就出手了，至于价格，则比同等房源高上一大截。四姨透露了她的秘诀:很多中国人一辈子也只会买上一两次房子，懂得去看地段、房型、朝向的人已经很少了，真正懂得看“细节”的人则是凤毛麟角，但也正是这些“细节”才决定了房子最后的价值。
最典型的例子就是车位。四姨说，过去这七八年，在很多新建小区里，车位往往都会在三五年内经历一个无人问津到炙手可热的转变。原因很简单：早些年有私家车的人不多，而且，绝大多数上海人的习惯都是先买房、再买车，所以刚开始小区卖车位的时候，大多数住户都是事不关己高高挂起的。可等到他们条件好了，买了车之后，才突然发现小区的车位是那么紧张。
四姨说，这是她当年在房地产中介打工时，一个香港买家在聊天时无意中告诉她的。后来四姨在投资房产的时候，就对车位格外在意。8年前，四姨在买下市中心一套房产的时候，就以每个3万元的价格，一次买下了两个车位。
如今，这个小区里的车位缺口多达200个，很多住户都有马路边停车被罚款200元的经历，四姨的车位也就变得无比金贵。这两个车位的租金也在住户的追捧下，一路涨到每个月2000元。
四姨说，如今上海市中心很多小区的停车位价格已经涨到了30万元/个，而且供不应求。去年，四姨把这个小区的房子和2个车位一起打包挂牌，立马引起买家的争抢，不但车位一个卖到了35万，连房子的价格也比同小区的挂牌房源高了10万。
车位检测器 篇3
随着经济的发展,城市机动车数量迅速增加,而停车场建设速度相对缓慢。为了缓解城市停车难的问题,一方面要增加停车场建设的投入,扩大停车位的资源; 另一方面要加强对现有停车位资源的监管,提高车位的使用效率[1]。城市土地资源稀少,目前国内多以开发和建设地下车库来解决停车资源的问题,而目前地下车库的车位检测多采用一对一的车位检测方案,即一个车位对应一组传感器的方法。此种方案能够准确检测车库内剩余车位的数量,但巨大的传感器数量无疑增加了安装成本、维修成本以及布线成本。考虑到地下车库具有以通道为单元的特征,为解决以上问题,节约成本,本文提出了一种以通道单元为基础的车位检测方法。
本文以AT89S52 单片机作为核心,利用超声波探头和环形线圈传感器,通过对车辆行驶方向( 进入或离开通道) 的判断实现对地下车库车位检测。
1 系统总体结构及工作原理
系统主要由环形线圈模块、超声波模块、LED显示模块和单片机检测模块四部分组成,其总体框图如图1 所示。环形线圈模块的作用是判断此处是否有车辆通过; 超声波模块的作用则是判断通过车辆的行驶方向; LED显示通道内剩余车位的数量;单片机控制系统完成控制信号输出、信号的采集和数据处理。此处采用两类传感器来设计该检测系统,是因为单一的超声波传感器会受到通过的其他物体( 如人员走动) 的干扰,造成误判。
传感器安装在车库的通道出、入口,如图2 所示。图2 中,1为1 号超声波收发探头; 2为2 号超声波收发探头; 3为车辆; 4为环形线圈。设有车辆进入通道口的环形线圈的检测区域,传感器给出检测到的车辆信号,经过处理后送入单片机,控制单片机I/O口P1. 0 端产生40 k Hz的方波脉冲串,
经过驱动电路后同时使两个超声波发射探头发射超声波。通过确定1 号与2 号超声波接收探头接收反射波信号的先后顺序来判定车辆的行驶方向,并在LED显示屏上显示出该通道当前的剩余车位数。
2 环形线圈模块电路
环形线圈检测器是一种基于电涡流效应原理的车辆检测技术,其传感器是一个埋在路面下、利用一定频率交变电流( 频率一般为20k Hz ~ 100k Hz) 激励的环形线圈[2]。当车辆靠近线圈时,车辆的金属部分产生涡流电流,涡流电流产生的磁场与线圈产生的磁场相互作用,引起线圈的电感量和阻抗的改变,从而导致信号幅度、相位的变化[3]。本文利用检测信号的幅值变化来达到检测通过的车辆的目的。
激励环形线圈的交变信号由图3 所示的振荡电路产生,它由基本放大电路、正反馈网络、选频网络和稳幅环节组成。振荡电路产生的交变信号为正弦波信号,将其加载到环形线圈上,当有车辆靠近线圈时,信号的电压幅值会随之降低。图中输出信号需再经过峰值检波、低通滤波、放大及整形电路获得车辆通过线圈时的矩形波信号,将该信号送到单片机P1. 1 口,达到检测车辆的目的。
3 超声波模块电路
超声波是指频率高于20k Hz的机械波。超声波探头是实现声、电转换的装置,本系统采用的是RT分体式压电直探头( 直径: 16mm,中心频率:40k Hz) 。超声波传感器在智能交通系统中经常被用来检测车位状态,即利用渡越时间检测法来判断车位上有无车辆停靠[4]。然而本系统中两对超声波探头的作用为判别车辆行驶方向,为方便后续功能实现,需将渡越时间检测中忽视处理的直射波信号进行去除。
3. 1 超声波驱动电路
单片机P1. 0 端口输出的40k Hz的方波脉冲串经图4 所示超声波驱动电路驱动。驱动电路由74LS04 反相器构成,用推挽的形式将方波信号加到超声波发射探头的两端,提高超声波的发射强度。输出端采用两个反相器并联,用以提高驱动能力。上拉电阻R一方面可以提高反相器74LS04 输出高电平的驱动能力,另一方面可以增加超声波探头的阻尼效果,缩短其自由振荡时间[5]。
3. 2 超声波检测接收电路
超声波接收电路如图5 所示,其中CX20106A是一款集信号放大、整形、滤波、检波于一体的为集成芯片。实验证明,用CX20106A接收超声波具有很高的灵敏度和较强的抗干扰能力[6]。适当地更改电容C1的大小,可以改变接收电路的灵敏度和抗干扰能力。
CX20106A接收超声波,当检测到40k Hz的超声波信号时输出低电平,否则输出高电平。由于接收探头受到发射探头直射波的影响,即使没有检测到由车辆反射的超声波信号,CX20106A依然会输出一个低电平。 为了消除直接信号的影响,CX20106A的输出信号须经过反相器、积分电路、放大电路、施密特触发器的处理,使得只有车辆通过时才有低电平输出。本系统设计中包含两对超声波探头,如图2 所示,两对探头的电路设计一致,1 号探头接收信号经处理后送入单片机P3. 4( T0脉冲计数端) ,2 号探头接收信号处理后送入单片机P3. 2( 外部中断INT0 端) 。
4 系统软件设计
系统软件程序主要由主程序、显示子程序、超声波发生子程序、外部中断服务子程序几部分组成,本系统通过美国Keil Software开发的u Vision4 编译器进行C语言软件编程设计[7]。
本系统软件设计部分最关键的是单片机控制脉冲发射的部分和1 号、2 号超声波探头接收信号先后顺序的判定部分,具体软件流程如图6 - 7 所示。单片机进行初始化之后,进行显示模块的初始化,和计数器T0 工作方式的设定以及通道剩余车位数初值的设置,同时打开计数器T0 以及外部中断INT0。检测单片机I/O口P1. 1 是否为低电平,当P1. 1 为低电平,则表示有车辆靠近,调用超声波发射子程序,单片机产生40k Hz方波,由P1. 0 口输出,经超声波发射电路后驱动两个超声波发射探头发射超声波。
当2 号超声波接收探头接收到经车辆反射的超声波信号时,P3. 2 为低电平,此时调用外部中断服务子程序。进入INT0 外部中断处理程序,停止T0 脉冲计数,并记录T0 的脉冲计数m。通过在外部中断程序中判断脉冲计数m是否为零来确定车辆的行驶方向,进而得知通道内剩余车位的增减情况,最后调用LED显示子程序将通道的剩余车位数进行显示。需要注意的是,每次外部中断的最后都必须将T0 内脉冲计数清零。如图7 为中断服务子程序流程图。
5 结束语
本文以单片机AT89S52 为核心,将超声波传感器和环形线圈传感器使用在同一套系统中,完成各模块的硬件电路设计以及系统的软件设计。模拟实验结果显示: 车辆通过检测区域的速度较慢、车身较长时,系统检测准确率较高。另外,增大环形线圈尺寸、增加线圈匝数亦可提高传感器灵敏度,达到提高系统检测准确度的目的。实测表明,这套系统软硬件设计合理、抗干扰能力较强,同时又具能耗低、成本低等特点,可以有效地检测停车场库通道内的车位信息。
摘要：车位检测是停车场监管系统的重要内容,针对大型地下车库的多通道结构和环境特征,提出了以通道为单元的车位检测方案。该方案以单片机AT89S52为核心,基于超声波探头和环形线圈传感器,通过对车辆行驶方向(进入或离开通道)的判断实现对地下车库车位检测。研究内容主要包括环形线圈电路设计、超声波收发电路设计以及基于单片机的车位检测软件设计。实验表明:系统能有效检测车位信息。
关键词：单片机,超声波,环形线圈,行驶方向,车位检测
参考文献
[1]蒋大林,邓红丽,平彧,等.基于视频图像的多特征车位检测算法[J].北京工业大学学报,2008,34(2):137-140.
[2]冯红梅,单宝明,胡乃平.环形线圈车辆检测器的设计与实现[J].青岛科技大学学报,2005,26(5):448-451.
[3]彭春华,刘建业,刘岳峰,等.车辆检测传感器综述[J].传感器与微系统,2007,26(6):4-7.
[4]耿寸召.基于Zig Bee技术的停车场车位检测系统设计[D].内蒙古:内蒙古大学,2013.
[5]楼然苗,李光飞.单片机课程设计指导[M].北京:北京航空航天大学出版社,2012.
[6]郭清.基于STC89C52的超声波测距防撞系统设计[J].仪表技术与传感器,2011(6):74-77.
人生如同找车位 篇4
可以这么说，在过去的一年里，你们一直在提出问题让我回答，只不过你们把提问范围限定得比较小。我也一直在思考应该怎样回答，还有你们提问的动机，这是我更感兴趣的。
你们问我的第一件事不是问课程，不是教师辅导，不是教师的联系方式，也不是学生学习生活的空间。实际上，甚至不是酒精限制政策。你们反复问我的是：“为什么我们很多人都去了华尔街？为什么我们哈佛毕业生中，有那么多人进入金融、咨询行业和投资银行？”
高额的薪水、几乎难以拒绝的招聘方、能与朋友一起在纽约享受生活，以及有趣的工作——有很多种理由可以解释这些选择。你们中的一些人本来就决定过这样子的生活，至少在一两年之内是这样。但是，你们还是问我，为什么要走这条路。
如果金融行业的确就是“理性的选择”，那么你们为什么还是会不停地问我这个问题呢？
我认为，你们问我的其实是生活的意义，只不过你们将问题进行了伪装而已。
我认为，你们之所以担心，是因为你们不想自己的生活只是传统意义上的成功，而且还要有意义。但你们又不知道如何协调这两个目标。你们不知道在一家有着金字招牌的公司里干着一份起薪丰厚的工作，加之可以预见的未来的财富，是否能满足你们的内心。
你们问我和问自己的是一些最根本的问题：关于价值、关于试图调和有潜在冲突的东西、关于对鱼与熊掌不可兼得的认识。你们正处在一个转变的时刻，需要做出抉择。只能选一个选项（工作/职业、读研）——都意味著要放弃其他选项。每一个决定都意味着有得有失——一扇门打开了，另一扇却关上了。你们问我的问题差不多就是这样——关于“舍与得”的人生道路。
金融业、华尔街和“招聘”已经变成了这个两难困境的标志，你们担心，是因为你们既想活得有意义，又想活得成功；你们清楚，你们所受的教育是让你们不仅为自己，为自己的舒适和满足，更要为你们身边的世界创造价值。而现在，你们必须想出一个方法，去实现这一目标。
我认为，你们之所以担心，还有另一个原因——和第一个原因有关，但又不完全相同。那就是，你们想过得幸福。
我听过你们谈论面临的种种选择，所以我知道你们对成功和幸福的关系感到烦恼。或者更准确地说，如何定义成功，才能使之产生并包含真正的幸福，而不只是金钱和名望。你们担心经济回报最多的选择，可能不是最有意义或最令人满意的。但你们想知道自己到底应该怎样生存，不论是作为艺术家、演员、公务员还是高中老师？
答案是：只有试过了才知道。不论是绘画、生物还是金融，如果你不去尝试做你喜欢的事；如果你不去追求你认为最有意义的东西，终究有一天你会后悔。人生之路很长，总有时间去实施备选方案，但不要一开始就退而求其次。
我将其称为择业停车位理论，几十年来一直在与同学们分享。不要因为觉得肯定没有停车位了，就把车停在距离目的地20个街区远的地方。直接去你想去的地方，如果车位已满，再绕回来。
你们可能喜欢投行、金融或咨询行业，它可能就是你的最佳选择。也许你们和我在柯克兰楼吃午饭时遇到的那个大四学生一样，她刚从西海岸一家知名咨询公司面试回来。她问：“我为什么要做这行？我讨厌坐飞机，我不喜欢住酒店，我不会喜欢这个工作的。”那就找个你喜欢的工作吧。要是你在醒着的时间里超过一半都在做你不喜欢的事情，你是很难感到幸福的。
（摘编自哈佛校长Drew Gilpin Faust给本科毕业生的演讲）
编 辑 饶 珂 coralrao54@163.com
车位检测器 篇5
基于视频的检测方法主要有方差判别法、边缘检测法、相关度判别法等[4,5]。方差判别法依据车位区域图像灰度值的方差大小来判别有无车辆,但不同的天气状况、光照强度和遮挡情况会影响车位内图像灰度值,从而影响检测结果。边缘检测法根据车位区域图像的边缘信息是否丰富来判断有无车辆,这种方法在在检测区域而出现阴影(如树木或邻近车辆遮挡)的情况,检测效果欠佳。相关度判别法根据待测车位图像与背景图像的线性相关性来判别有无车辆,当摄像头拍摄角度不同产生相邻车位相互遮挡时,检测的准确性大大降低。
设计了一种基于嵌入式智能摄像头的车位检测系统,给出了程序运行流程框架。基于视频检测车位,依据每个车位的具体情况,构建了一种车位组合状态网络模型[6,7]。其中,每个车位的状态是网络模型中的一个节点。进一步,将车位状态组合问题转变为最短网络路径的求解,给出了最短路径求解的计算步骤。
在该网络模型中,以车位的各种状态为节点,以相邻车位所有状态的状态传递概率的倒数为有向支路的权重,采用求最短路径的方法求解该网络模型,最终确定各个车位最佳的组合状态。
1 总体方案设计
1.1 系统结构
基于嵌入式的车位管理系统设计,系统总体结
系统由视频采集与处理、服务器和查询终端三部分组成,这三部分是通过C/S(客户机/服务器)网络模型连接在一起的。在智能摄像头内完成视频采集与处理,实现对停车场空车位的检测;基于C/S结构,服务器向智能摄像头发送命令,智能摄像头收到命令后执行检测算法,并将检测结果发送给服务器,服务器存储车位检测结果并可以把结果发送给终端,同时,服务器兼有停车计时、收费管理等功能;终端使用触摸屏,用户可以通过查询获得当前停车场的车位状态信息,此外,也可以使用具有WIFI功能的终端设备,对车位信息进行查询。
1.2 视频采集与车位检测流程
智能摄像头内以ARM11芯片为核心,以Linux为操作系统,程序和算法用C语言实现。其中,视频采集采用标准的V4L2框架。Video For Linux Two(V4L2)是Video For Linux API的第2个版本[8],它为Linux中视频设备访问提供了通用接口,应用程序可以使用统一的API函数操作不同的视频设备。为了实现相对准确的车位判断,摄像头采集720 p(分辨率1 280×720)高清图像,并利用高清图像来进行车位识别。为了节约流量,依据服务器的带宽要求,摄像头可选(1帧~15帧)/每秒的速率,上传视频图像和检测结果。
系统中视频采集程序与空闲车位图像检测程序各为一个进程,两者并发运行,流程如图2所示。采集进程先申请若干帧视频数据内存缓冲区,循环地采集图像,将数据填充到采集存储缓冲区队列的首部,然后将该帧数据从采集队列中移出,并将其添加到检测队列尾部。检测进程不断地从待检测队列中获得一帧新的图像,并运用图像处理算法检测空闲车位。然后,将图像和检测结果上传到服务器,供管理人员和用户查询或浏览。同时,检测进程将已经处理过的图像帧从待检测队列中移出,并将其添加到采集队列尾部。当任何一个队列空的时候,相应进程休眠,等待队列非空后再被系统唤醒,继续运行。
2 车位信息检测
2.1 车位检测算法总体框图
车位检测算法总框图如以下图3所示。
从图3中可以看出车位检测算法有离线训练算法模型和在线检测计算两部分组成。离线训练部分主要给出算法模型中所需要的计算参数预置数值;在线部分根据给定的算法模型,完成空闲车位的检测。
2.2 车位检测算法模型
算法中,将车位像素按不同颜色分为两类[6,7],一类是“地面像素”,其中包含背景地面,干扰(阴影、树、固定障碍物);另一类是“车辆像素”(排除地面和干扰外的其它像素)。
采用二维的高斯函数作为对地面(或干扰)像素和车辆像素进行贝叶斯分类的判别函数,如式(1)所示。
式(1)中,m和C分别为图3中离线训练部分计算出的彩色均值和协方差矩阵;ω代表像素类别,用ωV表示车辆像素,ωG表示地面(或干扰)像素。
依据最小错误概率的贝叶斯决策规则[9],得到车位像素类别的判断准则,如下所示:
如果p(d|ωV)>p(d|ωG),则d∈ωV;
如果p(d|ωG)>p(d|ωV),则d∈ωG。
由文献[6,7]知,车位检测算法的指标函数为
其中P(di|ωi)表示像素类别模型,即第i个像素是“地面像素”(记为ωG)或者“车辆像素”(记为ωV)。P(ωi|S)表示当一行车位的组合状态为S时,像素di的类别是ωG或ωV的概率。由于当前车位像素属性可能受到相邻车的阴影或遮挡的影响,而与其他相隔的车位无关,因此可简化为:P(ωi|Sk-1,Sk),依据分类结果和图3中离线训练部分得出的像素统计概率,可得到(Sk-1,Sk)分别在四种状态组合下的当前车位Sk中所有像素的条件概率的和,其中M0为当前车位内所有像素的个数,并归一化,将其称为将前一车位的状态传递到后一车位的状态中反映的概率,简称传递概率,记为pij。其计算公式为
式(2)中i=1,2,…,n;j=1,2,3,4;ωik为第i车位的像素类别,M为第i个车位内的像素点总数,Aj、Bj代表相邻两个车位的四种状态(11、10、01、00,1代表有车、0代表无车)。传递概率较好地表达了由于摄像头视角偏移以及车辆在车位内随机停放所产生的相邻车辆遮挡的干扰影响。
实际检测中,首先对摄像头获取的图片进行预处理,消除由于拍摄时环境恶劣所产生的噪声干扰,而后将图片由RGB(Red、Green、Blue)彩色空间转换到HSI(Hue、Saturation、Intensity)空间,这样做是因为RGB空间中图像太容易受光线亮暗的影响,而HSI彩色空间中的色度(Hue)和饱和度(Saturation)基本不易受光线变化的影响,更适合在不同天气环境情况下进行车位检测。
2.3 算法模型的训练
2.2节中提到的彩色均值、协方差矩阵以及像素的条件概率均需要通过训练获得。训练过程包括建立伪训练车位样本、采集分类像素样本、以及由先验伪训练车位样本训练的每个像素的条件概率。
为了消除光线强弱等环境变化对车位检测造成的影响,采集不同光照环境条件下的车辆像素和地面像素样本,分别计算其统计参数,就得到它们的彩色均值和协方差矩阵。
建立车位伪训练样本是为了获取相邻两个车位在不同的组合状态下当前车位内每个像素类别的分布情况。先给定检测场景下的车位坐标,将每台车辆看作一个长方体,其长、宽、高分别为3个独立的高斯随机变量,并假设车位的状态服从均匀分布,且各车位状态是相互独立的,车辆停靠的位置也是随机的。基于上述的假设模型和摄像头参数,随机产生一批停车场伪训练样本。
在每一行中的所有车位上,随机地产生每个车位的状态,分别用1和0代表有车或无车停靠。对车位状态为1的车位,随机(车辆大小,实际停靠位置均是随机变量)产生一台伪车辆,由于投影的原因,其也会影响到相邻车位的像素类别。图4是随机产生的一张立体停车场伪训练样本,其中蓝线标定出各个车位底部具体位置,红线表示停车场顶部的位置信息,由于摄像头的拍摄角度的原因,当前车辆会对其左邻车辆产生遮挡影响。
统计所有车位在确定有车或无车状态下、所有车位像素属于哪种类别(地面或车辆)的条件概率,即为像素统计概率,用于在线检测车位时计算状态传递概率。
最初,通过离线训练算法模型时得到的样本彩色均值、协方差矩阵以及像素条件概率,还可以在在线检测中,根据实际车辆的实际停靠、遮挡情况不断进行修正,以便使算法模型更加准确。
3 在线检测算法
在智能摄像头中,受硬件条件和内存空间的限制,需要算法能够简单快速的运行。
3.1 在线检测算法
在线检测首先对采集到的车位图像预处理,然后对车位区域内的像素进行分类,依据训练得到的像素条件概率值计算出车位状态间的传递概率pij,以各个车位的状态为节点,以传递概率的倒数为支路权重tpi,j=1/pij,构建一种车位组合状态网络模型。
以n个车位为例,任一车位只有1和0两种状态(有车或无车停靠),于是,将n个车位的状态构建成一种车位组合状态网络模型,如图5所示。
图5中,灰色节点代表有车状态,白色的节点代表无车状态。Si(i=1,…,n)所在列的(或第Si列)节点代表第i个车位的两个状态,tpi,j表示支路权重。通过增加虚拟的开始节点S0和虚拟的终止节点Sn+1,可以将n个车位有无车的状态组合求解转变成从节点S0到Sn+1的最短路径问题求解。
Dijkstra算法[9,10]是解决关于带权图的最短路径问题的一般常见算法,但其计算程序较复杂。图5网络具有简单且对称的显著特点,给出求解该网络最短路径的快速算法如下:
设Si0和Si1分别是车位Si的两个状态节点,|S0Si0|和|S0Si1|为节点S0到Si0、S0到Si1之间的最短路径,于是有:
从节点0到节点n+1的最短路径|S0Sn+1|上所经过的状态节点,就是要求的n车位状态组合。
3.2 算法实验
通过将摄像头安放在高处,在不同的天气条件、不同的光照环境下对学校停车场进行实际的车位视频检测实验。首先进行连续多天的在线训练实验,修正离线训练实验获得的条件概率,然后,再进入到实际的正式检测。结果表明,本检测算法能快速准确地检测出不同环境下停车场的车位情况,并能实时地在液晶显示屏上显示出来。
作为示例,对图6的车位图像从左到右进行编号,依次为1、2、3、4、5;运用第2节提供的算法,计算得到各支路权重值标在图7所示的网络中。
再利用3.1小节的快速算法,容易计算出沿粗箭头路径通过的权重之和最小,即是最短路径。所经过的节点就是最适合的车位状态,故第1、3、4号车位为有车状态,第2、5号车位为无车状态。尽管3号车遮挡住2号车位约一半,但检测结果依然正确,说明本算法在一定程度上能够排除由于摄像头视角所产生的车位遮挡干扰。
4 系统运行
4.1 C/S运行模式
把停车场中所有的智能摄像头、查询终端以及数据库服务器连接在一起,组成一个局域网。网络间的数据传输是基于C/S(客户机/服务器)网络模型实现的。智能摄像头完成对停车场车位视频的采集与处理,数据库服务器管理摄像头处理的结果,并将空闲车位图像送到液晶屏上显示。用户也可以从终端上查询空闲车位,同时,服务器还可以完成停车管理、计时收费等功能。
图1中,系统启动后,服务器运行后按设定时间间隔向各个智能摄像头发送命令,摄像头收到后执行车位检测算法,检测当前停车场的车位情况,并将检测结果发送给服务器,服务器存储检测结果并更新数据库,刷新液晶屏幕显示。
服务器同时接收其他客户端的请求。用户可以通过终端查询、搜寻或浏览其他局部停车区域画面。服务器收到终端请求后,将响应用户的命令,把用户要求的查询结果或者所要求的浏览画面发送到对应液晶屏显示。
4.2 应用实验
将触摸屏放置在停车场内或者停车场管理中心,通过触摸屏可以浏览停车场图像和查询车位信息。实验中,用PC机终端代替触摸屏,图8显示了停车场区位2的浏览图形和空车位检测结果。当希望独立查看哪个区域的信息时,只需点击相应区域,就能在终端上显示出该区域的图像,并将空车位的检测结果显示出来。将图中车位从左到右依次编号为1,2,…,13,14,空闲车位的检测结果显示在图下方。也可以通过点击“全部空闲车位”查询按钮,按数字方式同时显示停车场所有区域的空闲车位。
5 结束语
提出了一种新的基于智能摄像头的车位检测、监控管理系统。检测算法运用了一种车位组合状态网络模型,将车位状态组合问题转变为最短网络路径的求解,基于最大后验概率的意义,得出一组最接近真实情况的最佳车位状态。其优点是,通过自学习,可以根据每个车位的实际情况,不同的环境位置,拍摄角度和方位,综合考虑进行识别,且在线运算量小。
给出了适合于停车位网络最短路径问题求解的快速算法,并将其移植到摄像头内嵌入的ARM11上,给出了ARM系统内程序运行流程框架。利用智能摄像头检测出空闲车位,分散了对服务器的计算压力。
在此基础上,采用基于TCP/IP协议的C/S网络模型,把检测结果同时输出到停车场的多个液晶显示屏上,供用户浏览和查询。实验表明:本车位检测算法准确、快速,并能较好地排除环境光线变化、相邻车位车辆相互遮挡对检测结果的影响,有较强的适应性。
摘要：针对室外停车场,给出一种摄像头检测空车位的方案。基于最大后验概率的意义,将车位状态组合问题转变为最短网络路径的求解,给出了求解该网络最短路径的快速算法。通过内嵌ARM11系统的智能摄像头进行图像拍摄和车位检测算法的快速运算,实时检测车位状态,然后,把检测结果传送到服务器。基于C/S网络模型,用户可以从计算机终端和液晶屏观察和查询车位信息。实验表明,该系统可以方便地用于准确检测空闲车位,同时,实现停车场的信息管理。
关键词：车位检测,车位管理,网络模型,最短路径
参考文献
[1]赵艳秋,刘桂香,王广义.环形线圈车辆检测器的研究.微计算机信息,2007;23(7—2):266—268
[2]靳霖霖,曾迎生,宋金泽.自动泊车超声传感器系统设计.微计算机信息,2010;26(5—1):113—115
[3]乔晓梅.基于RFID的停车场泊车引导与车位管理系统设计.计算机测量与控制,2012;20(5):1404—1409
[4] Tello Alonso M,Lopez-Martinez C,Mallorqui J J,et al.Edge en-hancement algorithm based on the wavelet transform for automaticedge detection in SAR images.IEEE Transactions on Geoscience andRemote Sensing.2011;49(1):222—223
[5] Tsal L W,Hsieh J W,Fan K C,Vehicle detection using normalizedcolor and edge map.IEEE Trans Image Process,2007;16(3):850—864
[6]李宇成,严娟莉,王目树,等.利用视频图像检测车位状态的方法.计算机工程与设计,2012;33(1):282—285
[7]徐家,陈奇.基于V4L2的视频设备驱动开发.计算机工程与设计,2010;31(16):3569—3572
[8](希)西奥多里蒂斯.模式识别(第四版).北京:电子工业出版社,2010;(2):41—42
[9]叶仕灏,王伊蕾.一种优化Dijkstra算法的研究.计算机应用与软件,2011,28(9):272—274
车位检测器 篇6
关键词：泊车辅助,车位线识别,自适应Canny,Hough变换
近年来随着对泊车辅助系统需求的快速增长,提出了多种车位定位的方法,这些方法大致可分为4 类: 基于用户界面的、基于设施的、基于空闲位的［1］和基于车位线的方法。与其他方法相比,基于车位线的方法有以下优势: ( 1) 可以与基于用户界面的方法结合使用来减少由于司机重复操作带来的不便,而这是基于用户界面方法的主要缺陷。( 2) 不同于基于空闲位的方法,它能更准确地定位停车位,因为其定位过程不依赖于相邻汽车的停放姿势而仅依赖于车位线。( 3) 它也可以有效地应用于倾斜车位的情况。由于传感器的局限性,运用超声波传感器基于空闲位的方法在倾斜车位的情况下会失效。( 4) 与应用双目或者运动声波的基于空闲位的方法相比,它通常花费少量时间。 ( 5) 它不需要额外的传感器,例如立体摄像头、扫描激光雷达或者短波雷达［2］,而是运用后视摄像头。
基于车位线的方法可以分为半自动和全自动的方法。与全自动的方法相比,半自动的方法可能产生更可靠的结果,而且花费更少的计算资源,因为它有来自人的额外信息。Jung等人提出了一种方法,这种方法需要司机在预停车位内标记一个点［3］,然后利用方向梯度来进行识别。实验验证这种方法只适用一种类型的车位。为克服此缺陷,提出了另外一种方法［4］,可以识别各种类型的车位,但需要用户更多的配合。这种方法需要用户输入车位两端点的初始位置,构成了车位的入口。基于这些初始位置,采用人工神经网络和遗传算法进行车位的识别。
另外,全自动的方法也得到了发展。XU等人提出了一种基于颜色分割技术的的方法识别车位线,这种方法只能识别红色车位线,而且基于颜色信息的方法已经被证明对光照变化是敏感的。Tanaka等人提出了一种对边缘片段运用RANSAC检测一组直线来识别车位线［5］。由于这种方法高度依赖于直线检测,其性能会因为部分污损而下降。Jung等人提出的方法将各种类型的车位线模型化为一种分层树结构［6］,基于这种结构完成自动识别。
但是,以上提出的方法都涉及到阈值,所以都会存在图像处理领域一个普遍的问题,即阈值设置过高,重要信息就可能被遗漏; 阈值设置过低,干扰信息又会被看的重要,因此一个适用于所有图像的普适阈值难以给出,所以针对以上问题,本文采用了自适应的思想, 包括自适应直方图均衡化、自适应二值化、自适应Canny边缘检测,以满足应用的需要,实验证明这些算法都是有效的。
本文提出的方法可分为以下几个过程: 对汽车前、后、左、右4 个摄像头采集到的图像进行重建形成全景图像; 图像预处理,包括直方图均衡化,二值化以及形态学处理; Canny边缘检测以及Hough变换,然后在参数空间中利用车位线特征的先验信息对结果进行优化,最终得出识别结果。具体算法流程如图1 所示。
1 图像预处理
通过加装在汽车车身前、后、左、右的4 个鱼眼摄像头,同时采集车辆四周的影像,经过鱼眼图像矫正, 鸟瞰变换和拼接后,形成一幅车辆4 周的360°全景俯视图,如图2 所示。
由此得到的原图像不可避免地会受到光照、噪声等的影响,因为前期处理的质量直接影响到后期识别的效果,所以为消除图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,从而改进特征抽取、图像分割、匹配和识别的可靠性,需要对图像进行预处理,主要分为以下几个步骤。
1. 1 自适应直方图均衡化
首先将原彩色转化为灰度图像,考虑到光照影响导致灰度分布不均,需要对灰度图像进行直方图均衡化。直方图均衡化的基本思想是对原始图像中的像素作某种映射变换,使变换后的图像灰度概率密度是均匀分布的,即变换后图像是一幅灰度级均匀分布的图像,这意味着图像灰度的动态范围得到了增加,从而可提高图像的对比度。但是传统的直方图均衡化中灰度变换函数运算与像素所处的位置无关,这种全局性处理的算法,具有算法简单、计算速度快等优点,但由于其对所有像素点都做同样的处理,忽略了图像的局部特征,这就导致经过直方图均衡的图像将丢失有用信息,给图像的去噪处理及边缘检测带来损失。因此本文采用对比度受限自适应直方图均衡法( CLAHE)［7］, 通过限制局部直方图的高度来限制局部对比度的增强幅度,从而限制噪声的放大及局部对比度的过增强。 如图3 所示为分别对原灰度图像进行直方图均衡化和CLAHE后的效果,可以看到CLAHE的效果明显优于传统的直方图均衡效果。
1. 2 自适应二值化
对图像进行直方图均衡化处理后,为便于后期处理,需要对图像进行分割操作,达到目标和背景分离的目的。图像分割的关键是选取恰当的阈值,阈值选取的恰当与否直接影响到感兴趣信息的提取。这里采用局部自适应阈值,它是根据像素邻域块的像素值分布来确定该像素位置上的二值化阈值。这样做的优点在于,每个像素位置处的二值化阈值不是固定不变的,而是由其周围邻域像素的分布来决定的。亮度较高图像区域的二值化阈值通常会较高,而亮度较低的图像区域的二值化阈值则会相适应地变小。不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值。图4 显示了采用该方法后的结果。
1. 3 形态学处理
可以看到,在图像分割完成后,不免存在着一些二值噪点,为此,考虑利用形态学对图像进行处理。对二值图像进行形态学处理的基本思想是运用一个预先定义好的简单结构元素去探测图像,看这个结构元素能否填放在该图像内部,并验证填放结构元素方法的有效性。最基本的形态学运算是腐蚀和膨胀,二者互为对偶运算。腐蚀是将区域的内边界点变为背景,使边界向内部收缩,在这个过程中,小且无意义的物体将被消除; 而膨胀则是将区域的外边界点变为对象点,使边界向外部扩张。
( 1) 集合A被B腐蚀,表示为AΘB,其定义为
其中,A称为输入图像; B称为结构元素。
( 2) 以AC表示集合A的补集,- B表示B关于坐标原点的对称集。那么集合A被B膨胀,表示为A⊕B,其定义为
为利用结构元素B膨胀集合A,可将B相对原点旋转180°,得到- B,再利用- B对AC进行腐蚀,腐蚀结果的补集就是所求的结果。
对输入图像进行先腐蚀后膨胀,具有平滑功能,通常用于消除小对象物、在纤细点处分离物体、平滑较大物体边界的同时并不明显改变其体积,且图像细节得以保留。图5 是经过先腐蚀后膨胀得到的结果,可以看到经过形态学处理后的二值化图像已经滤掉了部分噪点,便于下一步的识别处理。
2 Hough变换检测车位线
2. 1 基于中值的自适应Canny边缘检测
边缘是图像特征的一个重要属性,蕴含了大量的信息,能勾勒出目标物体,因此边缘检测技术是图像处理中一类重要的分析方法。Canny算子是最常用的边缘检测方法。Canny算法的步骤可归纳为:
( 1) 去噪。因为Canny边缘检测算子对于未经处理的原始图像中的噪声是敏感的,所以它采用高斯模板与原始图像作卷积,得到的结果与原始图像相比,有轻微的模糊。这样,单独的一个噪声像素在经过高斯平滑的图像上变得基本没有影响。
( 2) 查找图像的亮度梯度。图像的一个边缘可能指向不同的方向,所以Canny算法运用4 个模板分别检测去噪图像中的垂直、水平、对角线边缘。利用边缘检测算子( 如Roberts,Prewitt,Sobel) 分别计算出水平和垂直方向的一阶导数Gx和Gy,由此可以得到边缘的梯度和方向
( 3) 跟踪图像边缘,选择滞后阈值。较大的亮度梯度更有可能被认为是边缘,但在多种情况下,指定一个阈值来确定某个梯度是否为边缘是不可能的,因此Canny采用了滞后阈值。
滞后阈值需要高低两个阈值。假设图像中的重要边缘都是连续曲线,这样可以跟踪给定曲线中模糊的部分,并丢掉一些虽然产生了大的梯度但没有组成曲线的噪声像素。所以从一个较大的阈值开始,这将标识出那些确信的边缘。从真正的边缘开始,并利用前面导出的方向信息,在图像中跟踪整个的边缘。在边缘跟踪时采用低阈值,这样就可以跟踪曲线的模糊部分直至回到起点。
这个过程一旦完成,就可得到一个二值图像,其中的每个点表示是否是一个边缘点。
与使用一个阈值相比,Canny边缘检测算法使用两个阈值使得操作更加灵活,但还是存在的普遍问题, 阈值设置过高,重要信息就可能被漏掉; 阈值设置过低,干扰信息又会被看的重要。难以给出适用于所有图像的通用阈值问题。
采用的解决方法首先是计算图像的中值median, 然后根据以下公式为高阈值high_thresh和低阈值low_ thresh赋值,调用Canny边缘检测算法对图像进行边缘检测。
图6 和图7 分别显示了经典Canny边缘检测和基于中值的Canny边缘检测结果,其中图6 是经过手动调整到最佳结果产生的图像,图7 是利用自动设定阈值得到的结果,从中可以看出基于中值的Canny边缘检测算法可以实现自动边缘检测的目的。
2. 2 Hough变换
霍夫变换( Hough Transform) 是一种检测直线和解析曲线的有效方法。它把二值图像变换到Hough参数空间,利用参数空间极值点的检测来实现目标的检测。 霍夫变换不但可以用于检测图像中的直线,还可以扩展到任意曲线的识别,多为圆和椭圆。
运用两个坐标空间之间的变换,霍夫变换将在一个空间中具有相同形状的曲线映射到另一个坐标空间的一个点上形成峰值,因此,霍夫变换把曲线的检测问题转换到参数空间中对点的检测问题,通过在参数空间里进行简单的累加统计完成检测任务。
考虑直角坐标系中的一点( x0,y0) ,经过该点直线的一般方程可以写为
参数 ρ 和 θ 可以唯一地确定一条直线,这在 ρ - θ 空间内是一条正弦曲线。若将X - Y平面内同一条直线的点列变换到 ρ - θ 空间,则所以正弦曲线都经过一点( ρ',θ') ,所以正弦曲线在 ρ - θ 空间其他各处都不相交。因此,X - Y平面内一条直线上的无数点变换到 ρ - θ 空间内时,经过( ρ',θ') 的次数为无穷,经过其他各处次数都为1。也就是说,Hough变换将X - Y平面内的一条直线映射到了 ρ - θ 空间中的一个点。因此, Hough变换把直线检测问题转换到参数空间里对点的检测问题,通过在参数空间里进行简单的累加统计完成检测任务。
图8 为将Hough变换应用到边缘检测图中得到的初始结果。
可以看到,由以上过程得到的结果存在伪车位线, 需要进一步对结果进行优化。注意到,在进行边缘检测后每条车位线都是双边缘的［8］,另外,这两个边缘是相互平行的且具有固定的宽度和近似相等的长度,而且它们都反应了同一条车位线,因此为了减少计算量, 可以计算一个边缘,而非两个边缘,在这里取两条边缘线的平均值作为实际的车位线。基于以上先验特征对初始识别结果进行条件限制及优化,得到如图9 所示的最终识别结果。
3 实验结果及分析
系统的硬件部分主要由鱼眼摄像头、图像处理单元和显示屏组成。由于车身内部空间有限,图像处理单元无法由PC机完成,因此在本系统中,设计使用DSP来完成视频图像的处理。软件部分,以Visual Studio 2008 为开发环境,并调用OpenCV库来完成算法的实现［9］。实验选取了200 张不同情况下的车位图像对算法进行了验证,并在相同的情况下将本文的方法与传统的Hough方法进行了对比,实验中采用召回率和识别率来对算法的效率进行估计,其定义分别如下。
从实验可以看出,本文提出的基于自适应思想的车位线检测与识别方法具有较高的精确度和鲁棒性。
4 结束语
车位检测器 篇7
1系统概述
室外停车场是提供停车的重要场地,对其进行系统的改造能有效缓解现如今的停车问题,随着计算机技术和图像处理技术的不断发展,将图像处理技术用于室外停车场,已经成为该方面的一项新技术,通过此原理,结合一定的车位识别和车位引导技术,设计相应的手机APP,便于用户操作和使用。众所周知,摄像头已经普遍使用在各大公共场所,利用这一优势,可以通过捕获停车位的图像对其进行一系列的处理,配合使用一定的停车位判别算法,判定其状态,将其存入数据库供用户使用。一般情况下,某一地区人们平常生活不会发生太大的变化,通过对停车位状态的数据积累,利用一定的数学模型,可预测出未来的某一时间段停车场的情况,随着时间的积累,判别效率会逐渐增强,也给人们的出行带来很大的便利,综上所述,研制基于图像处理的停车位的检测和预测具有很大的重要意义。
2需求分析
根据上述分析,针对超市、小区等大规模室外停车场区域,需要开发一套基于图像处理的停车位检测预测系统。此系统可以实现对车位更方便和准确的判定,为满足需求,该方案需具备以下功能:
(1)图像捕获。监控技术较为普遍,摄像头易于分布,覆盖范围广,利用停车场中的监控摄像头,可实现无死角图像信息获取,若无充足的摄像头覆盖,则需提前进行布线,然后利用提前布置好的节点对捕获的信息进行实时采集,建立数据库,用于测试和训练。
(2)车位标定。摄像头分工、最佳拍摄效果区域作为任务区域,捕获的图像中有多个停车位,每个图像所在区域不一样,对摄像头编号、每个区域建立坐标,通过Matlab处理,对其进行车位的准确标定,实现车位信息唯一性,方便信息的传达。
(3)停车位状态的判定。一个车位的状态分为占用和空出2个状态,利用图像处理技术结合主成分分析和Bayes判别法进行停车位状态的判别。
(4)数据处理。计算机可以对停车场内的所有车位信息进行处理和汇总并传递给停车场服务系统,要对这些数据进行合理的储存和处理,才能进行实时的信息显示。
3设计方案
3.1总体流程
空车位检测和预测系统的实现:
检测部分:先由监控视频提取每一帧图像,对其进行预处理,使图像信息更加准确和清晰,然后对其灰度值边缘进行分割,再利用主成分分析方法对提取的特征数据进行处理,利用Bayes判别法对车位信息进行分类,存入数据库,反馈给用户。
预测部分:由之前积累的数据库中的数据,采用多项式拟合函数进行分析预测,可以预测出未来某一时间段中某一停车场的停车情况,发送到服务器,反馈给用户。
系统总体流程如图1所示。
3.2系统模块
3.2.1图像捕获模块
对于从视频中采集图像,利用CCD(电荷耦合元件)可以直接将光学信号转换为模拟电流信号,电流信号经过放大和模数转换,实现图像的获取、存储、传输、处理和复现。将捕捉的模拟信号图像,利用一定的A/D转换模块(IR3Y48A1芯片)把模拟图像转换成数字图像。
面阵CCD的输出信号一般是具有行、场同步的全电视信号,又称为视频信号。由于视频信号为模拟信号,所以计算机必须通过图像采集卡将输入设备的模拟图像信息转换为运算处理所需要的数字信号。图像采集卡作为一种图像输入设备,能够实现高速信号采样与A/D转换。图像采集卡是以帧存储器为核心的系统,其原理框图如图2所示。
通过图像采集卡,采集模块调用相应的控制函数就可以将视频信号采集为序列图像,并送给监控模块进行处理。
3.2.2图像预处理模块
由于室外停车场受到天气、遮挡物等各种因素的影响,为了消除图像中无关的信息,恢复有用的真实信息,增强有关信息的可检测性和最大限度地简化数据,从而改进特征抽取、图像分割、匹配和识别的可靠性,往往需要对其进行预处理。预处理过程首先对其进行二值化操作,再利用边缘分割将每一个车位从图像中分离出来,便于下一步图像特征的提取。
3.2.3车位检测模块
对每一个车位进行特征提取,根据车位图像有车无车时的特征,提取的特征有边缘特征、颜色特征、纹理特征、形状特征、空间关系特征等,由于每个特征对结果的影响程度不同,需利用主成分分析降维的方法对其进行处理,计算出每个特征所占的权值比重,再利用Bayes判别法对其进行阈值计算,进而判断出车位状态。在对车位图像进行特征提取时主要以边缘点和灰度值等作为判断车位状态的主要成分。
边缘检测法是基于图像不连续性的分割技术。由于一幅图像的大部分信息存在于不同区域的边缘上,而且人的视觉系统在很大程度上根据边缘差异对图像进行认识分析。根据车位图像有车和无车的特点,采取图像边缘检测的方法对预处理过的图像进行检测,边缘检测法根据车位区域图像的边缘信息是否丰富来判断有无车辆,通过检测有车和无车时边缘点的个数来判定车位状态。
灰度值检测法是通过连续获得的几帧图像之间的灰度变化进行分析判断。本文利用图像采集模块得到停车场的车位图像之后,将其变为灰度图像,对每个灰度图像求其灰度值方差。在实际情况中,有车和没车的车位图像的灰度值方差会有所不同,但由于其他实际因素的影响,也可能导致车位灰度图像发生变化,于是需要根据大量的测量与比对设立一定的阈值。因此,本文的灰度值检测法是根据连续几帧图像的灰度值进行判断,用灰度值方差的变化跟预设定的阈值进行比对来判断车位状态。
3.2.4空车位预测模块
虽然城市人口会出现短时期流动性剧烈变化的现象(例如春节等节假日时期),但是在长时期的背景下,人口的变化是具有可预测性的。本文根据这个特点,收集该停车场近几年的每个时刻车位变化数据进行分析,利用一定的预测算法拟合出未来某个时刻停车场可能拥有空车位的数量。
4系统主要功能
基于图像处理的停车位检测预测系统通过全面收集停车场内每一区域的停车位图像,全面提高停车场的车位管理和服务水平。当车主需要停车时,使用APP定位功能,系统将为其检测该车周边停车场的空车位情况,将其显示在APP上,由车主选择适合自己的停车场并为其进行车位引导;利用数据积累,车主还可以在出门前预测目的地附近停车场的空车位情况,再依情况选择是否出行或选择合适的地点出行,寻找合适的停车场。
5结语
通过监控视频在停车场管理智能引导系统中的应用,通过新建和改造停车场建设一个智能停车管理系统。实现停车信息的采集、处理、停车信息查询、车位诱导等诸多功能,在一定程度上能够解决当前大型停车场的停车难问题,提高停车场车位利用率,创造较大的经济效益和社会效益。
参考文献
[1]张宝富,焦冬冬,王毅.基于高清视频在停车场管理智能引导系统中的应用[J].电脑知识与技术,2016(5):162-163.
[2]李宇成,李国辉,赵兴彩.基于ARM嵌入式系统的空闲车位检测方法[J].科学技术与工程,2013(21):6118-6123.
[3]万婷婷,蒋大林,邓峰,等.基于KL和核Fisher判别的车位检测方法[J].计算机工程,2011(8):204-206.
[4]张士可.基于视频的停车场监测方法的研究[D].上海:上海交通大学,2013.
车位检测器 篇8
1 图像预处理
在车辆的左右、前后安装摄像头, 鱼眼矫正、俯瞰变换与拼接等技术方法后, 可获得车辆全景图。此时得到全景图像, 必然会受到实际环境中噪声与光线的干扰, 因此需要进行预处理工作。
1.1 自适应直方图均衡化
图像的直方图均衡化是通过对图像灰度进行变化, 使其呈现灰度概率密度均匀分布, 从而达到提高图像对比度的作用, 将采集到的彩色全景图变换为灰度图像后, 采用直方图均衡化进行预处理。直方图均衡化方法容易使局部特征被忽视, 给图像的边缘检测造成损失。文章为解决这一局限性, 引入了自适应的直方图均衡化方法, 通过对局部直方图进行限制间接限制局部对比度, 从而避免了局部对比度过强和噪声过大问题。
1.2 自适应二值化
为方便后期对图像进行处理, 在完成图像直方图均衡化后需要进一步对图像主体和背景进行分离, 即图像分割操作。在图像分割的过程中, 阈值的选取至关重要, 合适的阈值直接影响到有用信息的获取, 文章采用自适应二值化方法来实现图像分割处理操作。自适应二值化方法可使图像不同像素处的阈值不同, 像素位置周围的像素分布情况决定了其阈值情况, 亮度越低阈值越小。
1.3 形态学处理
完成图像的分割操作后会造成一些二值噪声点, 需要继续进行形态学处理, 即利用已经设定的简单结构元素向图像内进行填放, 并判断该元素是否可以放在图像内, 同时检验填放方法的正确性。膨胀和腐蚀方法是传统形态学处理方法, 采用膨胀方法能够达到边界扩展的目的, 而腐蚀方法则是收缩图像边界。文章对分割后二值图像进行膨胀、腐蚀方法的形态学处理, 一方面去除了输入图像二值噪声点, 另一方面达到了平滑图像主体, 凸显细节的效果。
2 Hough变换检测车位线
2.1 基于中值的自适应Canny边缘检测
在图像处理中, 边缘检测技术因其良好的描述特性可以有效地勾勒出目标物体的相关信息而得到了广泛的应用。在边缘检测技术之中, 通常采用的边缘检测方法主要是Canny边缘检测法。下面文章将介绍基于中值的自适应Canny边缘检测方法的一般步骤:
(1) 去除图像噪点
未经去噪处理的原始图像在Canny边缘检测中会对检测结果产生较大的影响。因为Canny边缘检测中算子对于图像中的噪点信息十分敏感。因此采用Canny边缘检测就要利用高斯模板对原始图像进行卷积处理。
(2) 分析图像的亮度梯度信息
一幅图像的边缘指向并不总是指向同一方向, 因此, 在Canny边缘检测方法中, 我们利用四个模板对图像进行分析检测。在得到图像的垂直、水平以及对角线的边缘信息后, 再利用算子计算图像边缘的梯度和方向。
(3) 对图像边缘信息的跟踪
通常情况下, 对于一副图像而言, 图像边缘往往具有较大的亮度梯度。但是在图像检测中, 通过指定某一阈值来判断某梯度是否为边缘是无法确定的。因此通常情况, Canny边缘检测选择的是滞后阈值来判断边缘信息。
2.2 Hough变换
Hough变换通常用于直线以及解析曲线的检测之中。其算法原理是将二值图像通过算法转换到其特定的Hough参数空间, 再通过对该参数空间内的极值点完成对图像的检测。在文章所述的实验方法中, 是将Hough变换应用于边缘检测图之中。
由此我们可以看出, 在该结果中每一条车位线显示出的均为双边缘, 这为后期的计算带来极大的不便, 因此在此基础上, 我们还需要对该初始结果进行条件限制并优化。
3 实验结果分析
采用文章提出的车位线自动检测方法, 选取了500 张不同情况下的车位图作为实验样本, 经过检测识别 (在PC端完成图像处理, 开发环境为VS 2010, 调用Open CV实现算法) , 正确识别数为473, 错误识别数为27, 识别准确率为94.6%。
4 结束语
当前机动车保有量逐年增加, 城市停车难的问题日益显现。因此, 人们对泊车辅助系统的需求也逐渐增加。文章正是基于这样的社会需求, 为了泊车时可自动识别车位线而提出了一种可综合利用自适应边缘检测与Hough变化等算法的图像识别方法。此外, 通过实验验证, 文章所提出的方法的精度与鲁棒性均能达到优秀水平。
参考文献
[1]刘有明, 马兆敏.平行泊车中停车位边线视觉检测的研究[J].科学时代, 2014.
[2]陆桂明, 杨利涛, 李俊霞.泊车辅助系统中的车位线自动检测与识别[J].电子科技, 2014 (4) :146-150.
让找车位变得简单 篇9
她会在智能手机的应用程序ParkMe上查看停车场的情况。“这样我就知道停车场里有没有车位，是不是需要改变计划了。”
如果停车场还有10%的空车位，斯考特就会出门。她最爱的一家停车场离单位不远，就在圣塔莫尼卡广场购物中心（Santa Monica Place Mall）里，车库里的传感器和灯光能一路引导她来到空车位前。
29岁的斯考特是初创公司Laudville的创始人。她说：“找车位如同一场战斗，任何能让这件事变得容易的方法都会显得很特别。”
随着包括手机应用程序、传感器以及电子显示屏等新技术的不断涌现，要赢得商场停车位争夺战开始变得简单。商场和购物区正是采用这种方式把顾客从电脑前吸引到实体店来购物。
美国零售联合会（National Retail Federation）发言人凯西·格拉尼斯（Kathy Grannis）说：“在没有停车位的时候，人们会开着车转来转去，最后垂头丧气地离开。谁想一购物就没好心情呢？”
ParkMe能追踪全球2.8万处停车场，很多人都使用这款应用程序在商场停车场寻找车位。他们不仅可以找到最近、最便宜的停车场，还能找到车库的不同入口。
ParkMe创始人兼首席执行官山姆·弗里德曼（Sam Friedman）称：“ParkMe采用的技术很简单，停车场的磁性探测指示环可以记录大门在车辆进入和离开时抬起的次数。这种另辟蹊径的方法大大减轻了人们寻找车位的压力。”
ParkMe还允许消费者们在特定位置预订停车位。斯考特说，她会在夏天交通特别繁忙的几个月里使用这一服务。
其他一些停车应用程序也开始吸引人们的目光。Parkopedia拥有北美2.6万个停车场的数据，用户们可以通过智能手机搜索停车场、空车位及价格信息。QuickPay还计划从2014年开始在上百家美国商场里帮助顾客用智能手机支付停车费。
QuickPay的创始人巴尼·派尔（Barney Pell）称：“停车是开始购物的必经之路，它也决定着经营者的成败。”
Standard Parking公司专门提供停车设施管理服务，副总经理卡西·琼斯（Casey Jones）曾任国际停车协会（International Parking Institute）主席。他说，如今的客户期望比十年前要高得多。“他们想得到实时信息，想选择可行价格，还需要空车位导航。”
现年23岁、在得克萨斯大学奥斯汀分校就读的杰西·莫罗宏（Jessi Molohon）就是这样一位用户。她说，自己会在逛休斯敦市中心商场或休斯顿风雨商业街廊（Houston Galleria）的时候使用Parking Whiz应用程序来找空车位，还会用它比较价格。
莫罗宏说：“同一条街上的停车价格可能是在6至12美元不等，因此我就不必花太多停车费，这样在购物时就可以多花一点。”
还有一款叫做A Parking Spot的软件，它能让莫罗宏在Google地图上标记她最喜欢的停车位，这样下次再来的时候就能轻松找到地方了。她说：“我现在已经有了这种习惯。我知道一些进出都很方便的停车位，这能帮助我节省时间，还能多少避免节假日的拥堵高峰。”
目前还没有数据显示配备有空位追踪传感器的商场停车场数量，但分析人士称，每年这种设备的采用率都以两到三倍的速度递增。
在全美拥有并管理2 2家商场的陶布曼中心（Taubman Centers）在自己的两个购物中心停车场里都安装了传感器，向顾客标明空车位的具体楼层。而每个停车场的传感器安装费用在5万至10万美元左右。
然而，停车仅是车位大战的一个方面，顾客还必须在离开商场时顺利把车找到。
美国最大的商场所有者和运营商西蒙地产集团（Simon Property Group）在全国拥有300处地产。
该公司称，其开发的一款免费应用能让顾客轻松找到停车位。用户可以在停车后拍下照片，在地图上进行标记，还可以给自己发一条停车点提示信息。
西蒙地产集团发言人莱斯·莫里斯（Les Morris）称：“这是一种具有前瞻性的工具，可以防止顾客找不到自己的车。”
想让停车服务更加便捷的不只是商场，还有市中心和本地购物区。例如，旧金山最“出名”的一点就是在街上很难找到停车位。而如今，该市已创造了一款自己的停车应用，为司机们提供空车位导航。
汽车制造商们也同样参与进来，在汽车仪表盘里加入了新功能，帮助司机进行空车位导航。奥迪公司也与ParkMe签订了协议，在汽车仪表盘中加入了该款软件服务；而Parkopedia已经宣布要与沃尔沃公司合作。
“停车软件的发展速度十分惊人，这么短的时间内这些软件就变得如此普及。”德勤华盛顿分部公共部门研究总监威廉·艾格斯（William D.Eggers）说：“过去它还只是跟停车有关，而现在则要变成全新的服务产业了。”