一種車位狀態檢測方法及裝置的制造方法
【技術領域】
[0001] 本申請設及視頻監控技術領域，尤其設及一種車位狀態檢測方法及裝置。
【背景技術】
[0002] 自動車位狀態檢測技術得到越來越廣泛的應用，該技術可幫助用戶快速停車、反 向尋車，同時，有利于停車場的集中管理。
[0003]目前常用的車位狀態檢測方法主要分為兩種：一種是基于硬件的車位狀態檢測方 法，智能化程度低、且安裝和維護成本高，可拓展性差。另一種是基于圖像的車位狀態檢測 技術，通過提取車位圖像的顏色模型特征、邊緣特征等進行圖像分析，從而判斷車位是否被 占用，但是，該方法提取的特征過于簡單，抗干擾能力差。
【發明內容】
[0004] 有鑒于此，本申請提供一種車位狀態檢測方法及裝置。 陽0化]具體地，本申請是通過如下技術方案實現的：
[0006] 本申請提供一種車位狀態檢測方法，該方法包括：
[0007] 基于可形變部件模型訓練車輛分類器；
[0008] 通過所述車輛分類器對若干正樣本的檢測計算所述車輛分類器中各部件模型的 檢出錯誤率；
[0009] 根據計算得到的檢出錯誤率為所述車輛分類器中各部件模型分配不同的權重值， 得到帶權重的車輛分類器；
[0010] 在利用所述帶權重的車輛分類器對待檢測圖像進行檢測時，根據檢測結果調整所 述待檢測圖像中各部件模型的最終得分和最終位置，根據各部件模型的最終得分、最終位 置W及權重值確定所述待檢測圖像中的車輛位置，進而確定車位狀態。
[0011] 本申請提供一種車位狀態檢測裝置，該裝置包括：
[0012] 訓練單元，用于基于可形變部件模型訓練車輛分類器；
[0013] 計算單元，用于通過所述車輛分類器對若干正樣本的檢測計算所述車輛分類器中 各部件模型的檢出錯誤率；
[0014] 分配單元，用于根據計算得到的檢出錯誤率為所述車輛分類器中各部件模型分配 不同的權重值，得到帶權重的車輛分類器；
[0015] 調整單元，用于在利用所述帶權重的車輛分類器對待檢測圖像進行檢測時，根據 檢測結果調整所述待檢測圖像中各部件模型的最終得分和最終位置，根據各部件模型的最 終得分、最終位置W及權重值確定所述待檢測圖像中的車輛位置，進而確定車位狀態。
[0016]由W上描述可W看出，本申請基于可形變部件模型訓練帶權重的車輛分類器，并 利用該帶權重的車輛分類器進行車輛檢測，W提高車輛檢出率，同時，對檢測結果進行修 正，W提升車位狀態檢測的準確度。
【附圖說明】
[0017] 圖1是本申請一示例性實施例示出的一種車位狀態檢測方法流程圖；
[0018] 圖2是本申請一示例性實施例示出的一種車位狀態檢測裝置所在設備的基礎硬 件結構示意圖；
[0019] 圖3是本申請一示例性實施例示出的一種車位狀態檢測裝置的結構示意圖。
【具體實施方式】
[0020] 運里將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述設及 附圖時，除非另有表示，不同附圖中的相同數字表示相同或相似的要素。W下示例性實施例 中所描述的實施方式并不代表與本申請相一致的所有實施方式。相反，它們僅是與如所附 權利要求書中所詳述的、本申請的一些方面相一致的裝置和方法的例子。
[0021] 在本申請使用的術語是僅僅出于描述特定實施例的目的，而非旨在限制本申請。 在本申請和所附權利要求書中所使用的單數形式的"一種"、"所述"和"該"也旨在包括多 數形式，除非上下文清楚地表示其他含義。還應當理解，本文中使用的術語"和/或"是指 并包含一個或多個相關聯的列出項目的任何或所有可能組合。
[0022] 應當理解，盡管在本申請可能采用術語第一、第二、第S等來描述各種信息，但運 些信息不應限于運些術語。運些術語僅用來將同一類型的信息彼此區分開。例如，在不脫離 本申請范圍的情況下，第一信息也可W被稱為第二信息，類似地，第二信息也可W被稱為第 一信息。取決于語境，如在此所使用的詞語"如果"可W被解釋成為"在……時"或"當…… 時"或"響應于確定"。
[0023] 自動車位狀態檢測技術得到越來越廣泛的應用，該技術可幫助用戶快速停車、反 向尋車，同時，有利于停車場的集中管理。
[0024] 目前常用的車位狀態檢測方法主要分為兩種：一、基于硬件的車位狀態檢測方法， 該方法通常利用地磁感應器、紅外探測器、超聲波探測器等硬件設備對車位進行探測，該方 法智能化程度低、且安裝和維護成本高，可拓展性差。二、基于圖像的車位狀態檢測技術，主 要是對車位的淺度特征進行模式分類，例如，通過提取車位圖像的顏色模型特征、邊緣特征 等對圖像進行分析來判斷車位是否被占用。該方法提取的特征過于簡單，抗干擾能力差，導 致車位狀態判斷不準確。
[0025] 針對上述問題，本申請實施例提出一種車位狀態檢測方法，該方法基于可形變部 件模型訓練帶權重的車輛分類器，并利用該帶權重的車輛分類器進行車輛檢測，W提高車 輛檢出率，同時，對檢測結果進行修正，W提升車位狀態檢測的準確度。 陽0%] 參見圖1，為本申請車位狀態檢測方法的一個實施例流程圖，該實施例對車位狀態 檢測過程進行描述。
[0027] 步驟101，基于可形變部件模型訓練車輛分類器。
[0028] 車位狀態分為滿位（有車）或空閑（無車），對車位狀態的檢測主要是基于對車輛 的識別，當在停車場車位內識別出車輛時，確認車位滿位；未識別出車輛時，確認車位空閑。 W29] 在進行車輛識別之前，首先需要訓練車輛分類器。本申請實施例利用 DPM值eform油lePartsModel,可形變部件模型）訓練車輛分類器。DPM算法具有訓練樣本 較少而訓練效果較優的特點。具體訓練過程如下：
[0030] 收集若干樣本。本步驟中收集的樣本包括正樣本和負樣本，例如，選取200張正樣 本和500張負樣本，其中，正樣本為包含車輛的圖片，負樣本為不包含車輛且非停車場環境 的圖片。本申請實施例選擇非停車場環境的圖片作為負樣本主要是為了提高車輛的檢出 率，降低漏檢率。
[0031] 在完成樣本收集后，將每一個樣本劃分為若干細胞單元。例如，可將8*8個像素點 劃分為一個細胞單元。
[0032] 對樣本中的每一個細胞單元執行降維處理。具體為，將當前細胞單元與其周圍N 個細胞單元所組成的區域進行歸一化處理；對每一個細胞單元進行無符號梯度方向值劃 分，W得到每一個細胞單元的M維特征；將N個細胞單元的特征組成N*M的特征矩陣；求取 特征矩陣中每一行、每一列的特征和，W得到當前細胞單元的N+M維特征。
[0033] 舉例說明，假設對當前細胞單元與其周圍4個細胞單元所組成的區域進行歸一化 處理，然后，對每一個細胞單元進行梯度方向值劃分。現有技術通常采用有符號（0-360° ) 和無符號（0-180° )相結合的梯度方向值劃分方法，W每隔20°劃分一個維度特征為例， 有符號的梯度方向值可劃分為18維特征；無符號的梯度方向值可劃分為9維特征。如果將 有符號和無符號的梯度方向值結合使用，則每一個細胞單元的特征維度為4*(18+9) = 108 維，特征數量太多，會導致性能消耗過大。本申請實施例基于提升性能的考慮只選取無符號 梯度方向進行劃分，即只劃分9維特征，W降低性能消耗。本申請實施例未采用傳統的特征 維度計算方法（4*9 = 36維），而是將4個細胞單元的所有維度看成4*9的特征矩陣，對每 一行、每一列的特征求和，得到13維特征作為當前細胞單元的特征。
[0034] 通過對每一個細胞單元的降維處理完成對樣本的特征提取。對完成特征提取的每 一個樣本進行訓練，生成車輛分類器。例如，采用多示例學習方法（MI-SVM)對提取的樣本 特征進行訓練，得到車輛分類器。
[0035] 步驟102,通過所述車輛分類器對若干正樣本的檢測計算所述車輛分類器中各部 件模型的檢出錯誤率。
[0036] 本步驟利用步驟101訓練的車輛分類器對收集的正樣本進行車輛檢測，得到每一 個正樣本的綜合得分。綜合得分計算公式如下：
[0037]
公式 (1)
[00測其中