基于圖像紋理的車位識別方法

張士可，路林吉

0 引言

近年來城市機動車數量迅速增加，而城市空間有限.為了緩解停車難的問題。一方面要增加停車場建設的投入，擴大停車位的資源；另一方面要提高車位的使用率.車位檢測即檢測指定車位上有無泊車的情況，車位檢測技術是智能停車場管理系統中的關鍵技術，國內現有的車位檢測技術多采用地感線圈或超聲波傳感器等來檢測車位信息，對于室外停車場多采用咪表或人工方式檢測車位信息。

本文提出了一種基于視頻圖像處理的車位監測方法。車位的視頻圖像檢測方法中，主要的困難是停車場周圍光照、天氣、車輛的陰影的相互干擾等等[1]，本文利用基于紋理識別的方法，利用Gabor濾波和LBP紋理提取，最后利用Fisher判別方法來檢測車位。在環境因素干擾的情況下，相對以前的方法具有更好的識別效果[2]。

1 Gabor 小波變換

1.1 Gabor 濾波器

Gabor 濾波器能夠提取空間位置，空間方向，空間頻域特性等，自從提出被廣泛應用在圖像識別領域[3]。

Gabor 濾波器的定義，如公式（1）

1.2 濾波器構建

（1）將輸入圖像分為 4×4（16 塊）的圖像塊；（2）建立Gabor 濾波器組：選擇4 個尺度，4 個方向，這樣組成了16 個Gabor 濾波器；（3）Gabor 濾波器組與每個圖像塊在空域卷積，每個圖像塊可以得到16 個濾波器輸出，這些輸出是圖像塊大小的圖像，如果直接將其作為特征向量，特征空間的維數會很大，所以需要降維。

經過Gabor 濾波如圖1，圖2所示：

圖1 車位灰度圖

圖2 Gabor 濾波后的特征圖

2 LBP 特征提取

2.1 LBP 算子

局部二元模式(LBP)算子能夠有效地描述圖像的紋理信息，最早由Ojala 等提出，它通過比較灰度圖像中任意一點的灰度值與其鄰近點的灰度值之間的大小關系來進行紋理特征的提取。該算法原理簡單并且對光照變化和局部變換有一定的魯棒性，能夠與全局特征相整合，從而提高識別分類的精度，同時具有一定的抗旋轉、抗亮度變化等優點。在近10年來，LBP 算子已經被廣泛地應用于圖像檢索、人臉圖像分析、圖像內容識別和紋理識別等領域，都取得了不錯的效果。

最初的 LBP 算子是將3×3 矩陣中的中心灰度值與其鄰域中的8 個灰度值進行比較判決[5]，對于一幅圖像中的某區域內的任意像素點f(xc,yc)，以其為中心點gc，對和其鄰近的8 個點g0,g1,...,g7的紋理T 定義為公式（3）

以區域中心點的灰度值為閾值對區域內其它鄰近的像素作二值化處理，鄰域中的灰度值大于或等于中心點灰度值的子塊為1，反之為0，如公式（4）

3×3的矩陣區域經過LBP 運算后按照一定的次序排列，形成了一個8 位的二進制數，再按照公式（1），公式（3）對像素的不同位置進行加權求和，即可得到該窗口的LBP值，明顯地可看出每個窗口的LBP 值范圍在0-255 之間，如公式（5）

一個基本的LBP 算子，如圖3所示：

圖3 基本的LBP 算子

2.2 改進的LBP 算子

基本的 LBP 算子的窗口大小為3×3，無法提取尺度較大結構的紋理特征，為了改善這一局限性，LBP 算子的3×3鄰域擴展到使用不同尺寸的矩形塊以及不同數量的鄰近子塊，并用圓形鄰域代替了正方形鄰域。對于沒有完全落在像素位置上的點，采用雙線性插值算法計算其灰度值。幾種擴展后的LBP 算子如圖4所示。

圖4 幾種改進的LBP 算子

利用LBP 算法提取到的車位紋理信息，如5，圖6所示：

圖5 車位紋理圖

圖6 紋理直方圖

3 Fisher 判別方法

Fisher 判別法是歷史上最早提出的判別方法之一，其基本思想是將n 類m 維數據集盡可能地投影到一個方向（一條直線），使得類與類之間盡可能分開。從形式上看，該方法就是所謂的一種降維處理方法[4]。

Fisher 判別的基本步驟：（1）尋找1 個最能反映組和組之間差異的投影方向，即尋找線性判別函數，使相同類內方差盡量小，類間方差盡量大；（2）將屬于A 類的樣本點集合與屬于B 類的樣本點集合進行分類，并分別存儲于x 和y矩陣中；（3）根據已知多維樣本數據計算出2 類樣本均值向量φx和φy；（4）根據2 類的均值向量求得樣本類內離散度矩陣Sx、Sy 和總類內離散度矩陣S；（5）求得使Fisher準則取極大值時的解ωy；（6）利用先驗知識，選定分界閾值點 Y0。

4 實驗結果

首先我們將攝像頭放置于靠近停車場的一個屋頂上，用來獲取停車場白天和夜晚的圖像數據。該停車場有3 個停車區域，72 個停車位。我們將利用3 個指標來評價此監控算法

空白區域誤判率FV，有車區域誤判率FP，識別率RR，得公式（6），（7），（8）

像前面提到的一樣，對于車位的識別這些困難：光照條件的干擾，車輛陰影的干擾，天氣的干擾，周圍環境的干擾等等。這樣我們將測試分為白天和夜晚兩種光照條件下進行測試。我們將一天分為兩個時段白天（5：00——19:00）夜晚（19:00——5:00），天氣條件分為晴天，強光天，陰天3種情況。白天在各個不同條件下的監測結果對比，如表1所示：

表1 白天的監測結果

夜晚不同條件下的監測結果，如表2所示：

表2 夜晚的監測結果

白天我們主要是考察天氣對監測結果的影響，夜晚以為燈位不同我們主要是考慮陰影對監測結果的影響。綜合白天和夜晚的監測結果我們可以有效的判斷此種方法的判別正確率。

綜上分析，基于紋理的車位識別方法，能夠有效的克服天氣，光照，陰影的影響。

5 結束語

本文主要提出了利用車位圖像的紋理信息來進行車位識別的監控算法，對預處理的圖像進行了Gabor 濾波，LBP紋理提取，并且利用紋理圖像通過Fisher 判別來有效地對車位信息進行識別判斷。根據提出的方法我們對實際的情況進行有效地實驗驗證，證實了我們提出的方法與傳統方法的優越性。在天氣，光照，陰影存在等等的影響情況下，相對于傳統方法更具有良好的性能。

[1]劉薇，朱虹，楊向波.停車場視頻監視系統中的陰影檢測方法[J].機械科學與技術，2008，27(5)：673—676.

[2]練秋生，劉春亮，基于Gabor 濾波和LBP的分級掌紋識別[J].計算機工程與應用.2007,43(6）：212-215.

[3]楊兆選，吳佳鵬，白卓夫，蘇育挺，王曾敏.基于Gabor濾波和BP 神經網絡的二維條碼區域提取[J].天津大學學報.2010,43(3):210-214.

[4]蔣大林，鄧紅麗，平彧，韋燕鳳.基于視頻的多特征車位檢測算法[J].北京工業大學學報，2008,34（2）：137-140.