基于图像处理技术的停车场管理系统.docx

基于图像处理技术的停车场管理系统.docx

《基于图像处理技术的停车场管理系统.docx》由会员分享，可在线阅读，更多相关《基于图像处理技术的停车场管理系统.docx（17页珍藏版）》请在冰豆网上搜索。

基于图像处理技术的停车场管理系统

《世界工程与技术杂志》2014年第二期

基于图像处理的智能停车管理系统

作者：

HilalAl-Kharusi，IbrahimAl-Bahadly

新西兰北帕默斯顿梅西大学工程与先进技术学院

•2014年3月2日收到，2014年4月6日修订，2014年4月16日发表

•版权归作者与科学出版公司所有

•获得国际知识共享组织许可

摘要:

本文提出智能停车检测系统基于图像处理技术。

该系统是通过捕获图像、处理图像和绘制停车场图像来管理控制停车场的。

在这项工作中,摄像头作为传感器拍摄停车场图像并传输给上一级系统。

使用摄像头是因为它可以迅速反馈停车场的停车信息,并且摄像头调整角度去扫描探测停车场的不同区域。

通过摄像头传输过来的图像，可以知道特定的停车位是否有车，然后利用经过处理的信息来指导司机直接去特定停车位而不是花费时间去寻找。

该系统的在软件和硬件开发平台正在开发当中。

自动停车系统不仅使停车的整个过程更有效率,而且也相对减轻了司机和停车管理员的压力.

关键词：

智能停车、图像处理、空间探测

1、引言

目前大多数停车场的效率并不高,这意味着司机无论有多忙,为了找到一个合适的停车位可能还是要在停车场花上很长时间.自动停车系统将有助于解决交通拥堵、时间浪费、金钱浪费等问题，并帮助提供更好的公共服务，比如减少汽车排放和污染，改善城市游客体验，提高停车场的利用率,防止投资浪费等，该系统将为我们提供一个更高效跟便捷的停车系统。

自动停车系统通过安装在停车场出入口的传感器和由计算机系统控制的各种显示面板和指示灯管理整个过程,帮助司机停车。

简化的系统流程图如图1所示.

有许多的方法可以检测汽车在停车场的情况，比如磁传感器、微波雷达、超声波传感器和图像处理等，这个项目研究图像处理。

摄像头是最重要的部分，因为它能清晰的捕获停车场的一切信息而且既高效又廉价。

这个系统由一个或多个摄像头共同完成视频图像传送。

再由软件处理摄像头传输过来的图像,通常情况下这种技术是检查连续视频帧之间的差异，这样就可以把停车场的场景变化转变为电子信号，因为摄像头可以改变角度来监控多个区域。

有两种方式使用这个系统，即应用边缘检测与图像边界条件方法检测模块和应用点检测与精确操作。

在这个项目中,停车场检测是通过识别绘制在每个停车位上的绿色圆形图像来确定停车信息。

这种方式将使用矩阵实验室软件平台来处理两种类型的停车场的照片，一种来自于谷歌全球系统，另一种就是停车场的真实照片。

图1智能停车场系统管理

2。

模版系统

模版系统就是运用一个或多个摄像头获得视频图像并由软件进行处理的系统。

这种视频图像处理技术有五个模块，以下将详细解释每个模块。

整个过程如图2所示。

2。

1图像识别

如图3（a）所示，第一映像的停车场表示没有汽车在停车场，这张图将用于系统记录的所有停车位的平面位置。

通过RGB值可以找到绿色圆圈表示的空的停车位,这样系统就知道哪里有合适的停车位.如图3（b）所示，使用矩阵实验室软件平台中的rgb2hsv命令,将空旷的停车场、绿点的位置转化为一个HSV图像,图3（c）中的图像是简化的HSV黑白二进制图像，这样更便于图像处理，只需要检测阈值的白色像素是否超过40%就可以确定该车为是否有车。

为此HSV图像需要转换成像素灰度的格式，这样可以很容易地可以对比阈值，如图3（d）所示。

这种可以得到一个方程

（1），然后利用rgb2gray命令来解方程。

Gray=（0。

299*r+0。

587*g+0。

114＊b）

（1）

方程

（1）把RGB值转换为灰度值，如图3（d）所示。

可以看到图3（d）中的绿色圆圈明显轻于其他图像，因此如果把im2bw命令第二个参数设为0。

4,可以很容易地把RGB图像转换成黑白图像。

图2系统模型

图3影像鉴定

这就意味着像素小于阈值的颜色都会显示为黑色,反之为白色，如图3所示（d）。

在图3（e）中可以看出，图像中有一些白色的小圆点，这些小白点可以使用侵蚀函数移除，移除后如图3（f）所示。

简而言之,imerode命令就是用于去除图像中的小点。

侵蚀过程就是通过下面的命令来完成的:

se3=strel（‘disk’，3）

这也就是说，这个命令就是创建一个半径被侵蚀函数处理过三次的圆点,使用此函数的结果如图3所示（f）。

下面是控制这个过程的程序：

if（newmatrix（y，x）〉0）％anobjectisthere，if（e（newmatrix（y，x））=0）thisobjecthasnotbeen

seene（newmatrix（y，x））=x;makethevalueandindex3equaltothecurrentXcoordinate.

2.2图像采集

为了能够清晰的看到整个停车场，计算停车位的数量，需要将摄像头安装在停车场的上方，摄像头所在处必须视线清晰,不能有任何物体遮挡,通过摄像头所看到的情景应该如图4所示。

2。

3图像分离

有许多方法来区分一个图像中的不同对象（比如汽车、点、路面、白色路标等）。

这里用到的方法是获取一个示例集群的RGB图像，看三维图形式。

这样可以用四种颜色生成图（5）所示的三维样本，可以看到在图（5）中红点形成一个集群，这些点明显区别于其他的点，在这里可以把其他绿色和浅蓝色的点都视为绿点。

一个多维数据集包含这些不同颜色的点,如果一个对象的平均颜色在这个立方体中，那么把它视为一个绿点.

另外一个更简单的找到绿点的方法在前面已经提到过，这涉及到停车场HSV图像的应用，因为通过它可以非常清晰的看到空停车场的情形，如图6（a）。

通过提取初始化部分中到的40％的阈值，先将原图转换为灰度图像，然后转成黑白图像,如图6（b）。

为了避免停车场的灰色水泥面对图像的影响，得到明暗对比鲜明的图像（如图6（c）和图6（d）），我们需要去探测光的颜色，如白色（白色汽车和白色路标）阈值为70％,使用这个阈值来形成一个黑白图像,如图6（e）所示，再将三张黑白色的图像组合成一张图片，这种方法通过使用函数和代码来完成,如下所示：

（where“|"istheORoperator）：

Mix=HSVBWObject｜lightObject｜DarkObject;

三张图片的组合如图6（f）所示.

图4用绿点表示的停车位在停车场的空间分布

图5四个颜色图形GBR值的三维样本

图6图像的分离

2。

4图像的开发

摄像头获得的图像片段中的噪声需要用图像扩张和侵蚀的方法来去除。

扩张增加了图像中物体的边界,这又造成了另一个问题，那就是对象合并在一起很难区分彼此，如图7所示。

然而,图像的侵蚀可以很好的填补这个漏洞。

侵蚀减少对象的边界，这样有助于图像的区分，图（8）证明了这个侵蚀函数的有效性，侵蚀后的图象更易于互相区分而且可以避免小点被删除。

这种图像用以区分停车位是否有车.

2.5图象的测定

使用该系统在停车场初始化产生的坐标，可以分析出所有车位的分布情况，以便于判断每个停车位是否被占用。

通常有三种方法确定停车场是否有车,即测量该车位坐标的高度、宽度和所连接的对象的尺寸，尺寸过大则该车位给被予值“5”，表明它被占用，如图9所示。

该GUI用于辅助矩阵实验室软件平台来打开图像，输出结果如示图（10）所示.

3．案例研究的全过程

这部分介绍了在大型停车场摄像头监控的过程中,计算机如何确定停车区否有汽车存在。

有两种不同的方法实现本系统的操作：

第一种是用Canny算法进行点检测，第二种是边界条件下进行图像模块的边缘检测，这是在停车场检测模板图像中是否有汽车存在的一个不可缺少的环节。

这个项目的目的是检测每个停车区插槽是否有任何汽车的存在。

3。

1模板图像的过程

这个过程制备的模板图像显示出了每个停车区位置。

制备的模板图像的技术的处理有五个步骤，具体如图11所示.

图7扩张的图像图8侵蚀的图像

图9比较HSV和RGB图像输出的图像。

3。

1。

1获取图像

第一个映像中的停车场可以视为没有汽车在停车场,如图12（a）所示.这将是用于系统记录的所有停车位的平面位置。

RGB图像可以用来找到绿色圆圈表示的空停车区。

这样系统就可以提醒司机在哪里可以找到合适的停车位。

3.1.2将图像转换为HSV

如图12（b）所示为摄像头传输的空停车场图像，通过使用矩阵实验室软件平台中的“rgb2hsv"命令将图像转化为一个HSV图像以确定绿点的位置。

3。

1。

3提取和检测

绿色圆圈可以通过检测像素中的H、S和V值被提取，在这种条件下设定一系列的像素是设定以便于提取该范围内的像素。

圆检测过程需要霍夫变换,所谓变换就是一种特征提取技术，其作用是在像素检测过程中随着圆圈中心位置的变化提取其半径内的像素值.

图10GUI用于停车场的图像阅读器

图11模板图像的处理步骤

3。

1.4红色像素和噪声的消除

首先提取第一个映像中所有的红段,因为我们知道，红色像素实际上是图像中大部分的电能整段，提取结果如图12（c）所示。

如果所提取的对象在同一环境中其像素都为红色，那么该对象将被标记出来，这都是噪声对所提取的图像的干扰以及在使用霍夫变换过程中产生的不准确的结果。

因此，不显示部分应该与削去的点或圆的形状相匹配。

圆检测的过程主要有以下几点：

•创建一个相对于像素的累加空间并使其值为0;

•每个边缘增加值的依据必须为圆方程；

（i—a）2+（j—b）2=r2

（2）

其中（ⅰ）和（j）所代表的图像的边缘点中，（a）表示图像的细胞，（b）是坐标,而且（r）是半径；

•设a为变量；

•找出满足圆方程的所有b的值；

•局部搜索变量的极大值（满足方程的点被搜到概率远大于其他点）；

•确定这些最大值组成的圆圈；

•在矩阵实验室软件平台中使用矩阵命令画出这个圆,如图12（d）所示。

图12整个过程的模板映像

3.2边缘图像的处理过程

有很多方法来区分不同对象并且提取它们,但所有的程序都有它们的局限性.这里所用的程序是和停车场背景互斥的，我们知道停车场有相当多的路线，在这里我们将这些路线定义停车场它的背景。

而这种背景可以提取出来，因此停车场里的每一辆汽车都可以很容易地检测到。

边缘图像的处理技术有五个步骤,如图13所示。

3.2。

1转换到HSV

将第一映像转换为HSV图像,因为在HSV图像中很容易区分不同颜色的像素。

由图13（a）可以清楚地看到停车场的红颜色背景。

通过查看图13（b），可以很清晰的看到停车场背景的像素指定范围内的颜色。

HSV图像的转换通过后台运行以下程序来完成：

hue=（Img_HSV（：

，：

，1）〉=0）＆（Img_HSV（：

：

1）〈=0.9）;

saturation=（Img_HSV（:

，：

，2）>=0。

01）＆（Img_HSV（:

：

2）。

对象的处理是先消除如图13（c）所示，然后被转换为一个灰色的图像如图14（d）所示。

3.2。

2形态学处理

这是一个非线性过程，其结果与图像的形状和形态有关,这取决于像素值的顺序而不是像素值，如图15（a）所示。

程序如下：

se=strel（‘disk’,2）;

I=imopen（Gray_img，se）;

disp（形态过程完成的）

然后把图像转换为二进制图像，进而对停车场的图像模板进行处理,如图15（b）所示.停车场模板映像包含由圆和圆半径代替的停车区以及已知的信息中心，处理后的停车场图像包含道路图像和消除其他干扰因素的背景。

为了解决天气因素造成的光线差，我们建立了一个特定程序来分析每个停车场的天气情况，它通过检查在特定停车场的像素可以准确的将天气情况分类，如图15（c）所示，拾取一个圈作为第一个图像,然后分析相对于它的第二个图像，如果第二图像空白，说明此停车区是空的，如果它充满黑色像素则说明此停车区有车，如图15（d）所示。

图13处理步骤的边缘图像

图14第一个部分处理边缘图像

4．信号传输

该系统的信号传输采用无线传输系统将图像传输到计算机。

首先是由摄像机捕获图像并由发射器将图像发送到控制室的接收器，然后接收器将发送信号到计算机，计算机上安装有FPGA连接平台，通过该平台创建过滤系统并过滤掉图像中的噪声，再将处理后的图像传输给室内发射机，最后由室内无线发射机把信号发送到显示器，整个过程如图16所示.

5．体系结构和组件

该系统使用一种昂贵的紧凑型无线摄像机，将拍摄到的视频图像和数据传输到PC，这种摄像机的优点是无需使用传统的昂贵而且杂乱的布线.当然该系统还包括其他一些必备的组件，例如视频摄像机的AV设备、电视、录音机等。

无线摄像机使用12分贝高增益的全向天线，传输范围至少为1000英尺（300米），若安装八木天线或其它一些高增益定向天线，传输范围可达3000英尺.

图15。

铰孔处理边缘图像

图16。

电脑传输图片的过程

6.电源

摄像机、发射机、接收机、PC和显示器的生命周期主要取决于电源质量。

在这个系统中以太阳能电池板作为户外电源，它通过一个12v直流电池向发射机、接收机和监控系统供应电能。

室外电源的整个工作过程如图17所示.

而室内电源依赖于一般的家用电路，室内电源负责供应计算机，发射机和接收机的电力需求。

室内电源的整个工作过程如图18所示。

7．图像预处理模板

图像预处理模块主要是在FPGA平台中针对滤波器所做的一个设计，设计流程如图19所示.图像预处理模板是目前最理想的滤波方式，它包括两个部分:

创建滤波窗口模板用于建立满足后续模块的过滤窗口,噪声估计模板用以估计噪声的类型,输入数据的行和列后计算器自动计算结果并输出,然后通过该结果来确定图像的输出位置，最后将图像数据发送到下一级的处理器。

8．停车场显示

系统创建了一个新的程序来避免不同天气因素对停车场室外电源的影响，该程序可以在同一个图像里自动生成停车区的位置和所有车辆的位置,这样，管理人员可以通过显示器看到停车场的一切情景.下雨天将如图20所示（a）、天气阴的时候如图20（b）、有阳光的时候如图20（c）。

图17室外停车场的电源

图18室内停车场的电源

图19图像预处理模块的设计流程

图20不同的条件下停车场的显示

9．结论

通过分析停车场的鸟瞰图我们发现可以用分布检测法来检测智能停车系统的图像处理技术，这也就是说需要在不同的场景下进行测试。

此过程包括从空的停车场寻找停车区坐标获得停车区的图像，当有汽车进入时记录汽车位置，组合图像并转换为黑白色的简单图像，消除噪音并确定的停车区是否有车.本文中电源的限制条件是天气，这一点可以通过过滤的图像中的高品质变换得以改善，因此，不论天气条件如何，摄像机都能够监控到停车场情形。

参考文献

［1]Yu,H。

M.,Pang,Z。

F.andRuan，D.R.（2008年）《嵌入式无线车辆监控管理的设计

系统基于GPRS》：

资源来自中国的。

智能信息技术国际会议,上海，21—222008年12月，677-680.

[2]Wang,L。

F。

Chen,H.andLi，Y。

（2009年）《集成移动Agent与多Agent系统智能停车洽谈指导》。

第四届IEEE工业电子和应用会议，25—272009年5月，西安，

1704-1707。

[3]Abdallah,L.，Stratigopoulos,H.-G.，Mir,S。

andKelma,C.（2012）《经验非侵入式传感器RFBuilt式测试》。

2012年IEEE国际测试会议（ITC），阿纳海姆，2012年11月5日至8日，1—8。

[4]D。

KimandW.Chung（2008）《运动规划为停车场使用切片投影技术》。

IEEE/RSJ智能机器人与系统国际会议，尼斯，2008年9月22-26日1050—1055。

［5］Zhang，B。

，Jiang,D。

L.，Wang,F。

andWan，T。

T.（2009）《基于视频图像的停车空间探测器的设计》。

第九届电子测量技术与仪器国际会议,北京,2009年8月16-19253—256。

[6]Sreedevi，A.P.andNair，B.S。

S。

（2011）《图像处理基于实时车辆防盗检测与防御系统》。

2011年过程自动化控制和计算国际会议（PACC），哥印拜陀，20—22,2011年7月,1—6。

[7］Zhang,X.，Li，Y.,Wang,J.andChen，Y。

（2009）《基于FPGA的高速图像处理系统的设计》.第九届电子测量技术与仪器国际会议，北京，2009年8月16—1965-69。

[8］JermsurawongJ。

，Ahsan，M.，etal。

（2012）《停车场空位检测及其在24小时统计分析中的应用》。

第10届国际前沿信息技术会议，伊斯兰堡，2012年12月17-19日，84—90。

[9］Lin，S。

Chen，Y.andLiu,S。

（2006）《基于视觉的停车场管理系统》。

IEEE国际会议《人与控制论》,台北，2006年10月8-11日2897—2902。

[10］Conci,A.,Carvalho,J。

andRauber,T。

（2009年）《完整车牌定位系统》,《分割和识别在现实生活中的场景》。

IEEE拉美事务所，7，497—506.

［11］Lee,K.（2012）《摄像头的软打样配色》.《IET图像处理》，6，292—300。

［12]Tang，V。

，Zheng，Y。

，Cao，J.，Hong，T。

andPolytechnic,K.（2006年）《智能停车场管理系统基于无线传感器网络》。

8月1日国际研讨会普适计算和应用，3—5，2006年，乌鲁木齐,65—70。

[13］Jinghong,D.,Yaling，D.andKun,L.（2007）《基于DSP和FPGA的图像处理系统的开发》，第八届国际会议电子测量与仪器8月16日2007-182007年7月，西安，791—794.

［14］Matjašec，Ž。

andĈonlagiü，D。

（2011）《白光干涉的光信号处理设备基于CPLD》.2011年5月23日至27日，2011第34届国际公约MIPRO,奥帕蒂亚。

［15］Wang，Y。

，Zhou,G.andLi，T。

（2006年）《无线传感器网络的车辆Berthin停车场的检测占用的设计》。

第七届国际会议并行与分布式计算、应用和技术，台北，2006年12月，115—118.

文献翻译

题目：

基于图像处理的智能停车管理系统

来源：

世界工程与技术杂志

班级：

交通土建1102

学号:

110609604

姓名:

任兆军

指导老师：

汪为巍