基于表象的可用停車位檢測方法

基于表象的可用停車位檢測方法

提出了一種魯棒方法檢測可用的停車場。由于攝像頭質量較低或者停車場周圍的光線存在動態變化,因此很難準確地檢測或識別出汽車。此外提出的基于表象的方法比基于識別的方法更有效,因為其無需獲得龐大的多視角控制目標。基于表象的停車位檢測方法的整體框圖如圖1所示，圖1中自適應背景模型用作目標檢測模塊。自適應背景模型包括離線背景模型和在線背景模型。在整個補償光線的緩慢變化過程中，離線背景模型在開始檢測前起作用，而在線背景模型是離線模型的更新版本。

該自適應背景模型考慮了模糊區域動態混合特性及邊緣方向直方圖密度。動態背景模型亮度變化的均方差用來動態調節混合測對象。但是在背景光線強度動態變化的過程中，則需要依據自適應混合特征。邊緣方向直方圖密度在低對比度情況下作為停車位檢測對象。在進行了模型建立和停車位檢測方法確立后，采用仿真分析和實景試驗方法驗證了該停車位檢測方法。試驗結果表明，基于攝像頭而采用的自適應混合特征算法可以有效處理光線的動態變化。特性的比例。模糊區域密度是采用高斯遮罩加權進行魯棒密度估算的停車場預先確定區域的密度。邊緣方向直方圖密度是夜景模式低對比度情況下預先確定區域的邊緣方向直方圖密度。

在正常背景光線強度下，只采用模糊區域密度作為停車位檢

Choeychuen K.et al.2012 IEEE Computer Science and Software Engineering (JCSSE),May 30 2012-June 1 2012.

編譯：賀蓉