局部紋理特征改進空閑車位智能檢測算法

張一楊，姚明林

（唐山學院，河北 唐山 063000）

1 引言

近年來，車輛數量爆炸式增長，但智能停車場內依靠簡單的車位數量增加并不能解決車輛增長帶來的停車難放問題，為此，空閑車位的自動檢測并引導自動泊車以充分利用現有車位，成為智能停車場的發展方向，也是現代城市發展的主要方向[1]。隨著視頻監控系統的普及和計算機視覺技術的發展，越來越多的視頻監控系統正用于目標檢測和識別，基于此，利用停車場的視頻監控系統實現空閑車位的自動檢測成為了智能城市研究的熱點問題[2-3]。

對于利用視頻監控系統實現空閑車位檢測，國內外學者提出了多種方案。文獻[4]提出了一種綜合了圖像方差、相關度和邊緣點密度的空閑車位檢測特征向量，并測試了基于優先級判別、Fisher 判別和貝葉斯判別的車位檢測性能，但對于多車位情況未驗證。文獻[5]提出了一種基于KL 變換和核Fisher 判別的空閑車位檢測方法，該方法基于KL 變換提取特征向量，利用核Fisher判別的優良非線性檢測能力實現了空閑車位檢測。文獻[6]將車位圖像的紋理特征作為檢測描述符進行了驗證，并用于空閑車位的檢測，其使用局部LBP 和局部LPQ 作為描述符，取得較好的車位檢測效果；文獻[7]提出了一種基于平面三維場景的停車場車位檢測方法，該方法檢測準確率很好，但系統過于復雜，難以實現。文獻[8]利用灰度圖像進行識別，并成功測試了基于直方圖的極大值和帶寬兩種檢測算法，算法簡單，對圖像質量要求不高，可以充分利用現在監控攝像機，但其對于車位中出現人等干擾物體時的檢測魯棒性不高；文獻[9]根據停車位上布置的輔助圖作為識別特征，根據輔助圖即使在光照及陰影下仍存在的特征不變性，通過逐像素掃描和模式匹配進行空閑車位的自動檢測，算法所需要的存儲量較少，對惡劣環境具有較好的適應性，但其布置工作量大，且輔助圖易被遮擋。

在已有研究基礎上，提出了基于局部二值（LocalBinaryPattern，LBP）空間紋理特征的智能停車場空閑車位自動檢測算法，算法提取局部二值空間紋理特征向量，并采用高斯徑向基核函數將特征向量映射至新的特征空間，然后基于Fisher 判別準則實現空閑車位檢測。

2 圖像預處理

從視頻監控系統朋多輸出的是彩色RGB 圖像，直接處理會帶來非常大運算負擔。此外，在圖像采集和傳輸的過程中會不可避免地受到噪聲的影響，這些噪聲包括高斯噪聲和椒鹽噪聲。其中高斯噪聲是圖像中隨機分布的噪聲，是任何圖像分析與處理過程中均存在的；而椒鹽噪聲是由在圖像采集、傳輸、解碼等過程中產生的噪聲，在圖像中表現為黑白相間的亮點。并且停車場視頻采集設備輸出的圖像同時包含多個車位，需要進行圖像切割，這同樣會產生椒鹽噪聲，從而破壞圖像質量，對車位檢測產生不利影響。

因此，在進行車位圖像特征提取與檢測之前，需要對停車場視頻設備采集的圖像進行預處理。預處理內容包括圖像分割、灰度變換和濾波。文中將RGB 圖像灰度化為256 級，采用改進中值濾波方法去除圖像噪聲[8]。

3 空間紋理直方圖

紋理特征反應了一幅圖像的同質現象，體現了圖像的結構組織排列屬性。圖像的紋理特征包含了圖像的灰度分布、邊緣分布以及頻域分布，其主要功能之一就是進行圖像判別。圖像不但包括紋理信息，還包含有空間結構信息。結構信息也是實現圖像判別的重要特征之一。因此，文中提出采用綜合了紋理特征和結構特征的空間紋理直方圖特征進行車位圖像檢測。

3.1 特征提取

文獻[5]最先開始了圖像紋理特征研究，目前其提取方法可以分為以下幾類：基于統計的特征、基于結構的特征、基于幾何的特征和基于信號處理的特征。采用的紋理特征是基于局部二值模式提取的。LBP 最先被文獻[9]提出后廣泛應用于各種基于紋理的分類識別場合，例如人臉識別、高光譜圖像分析、SAR 圖像分割。

LBP 圖像紋理特征提取的基本原理是：定義某一像素為中心像素，以中心像素的灰度值對其鄰域像素進行二值化處理得出二值序列，對中心像素的鄰域像素進行二進制編碼，二值序列與二進制編碼對應相乘后相加可得中心像素的LBP 值。

設中心像素的灰度值為g0，鄰域為3×3 的矩形，中心像素的鄰域像素的灰度值可以表示為gi（i=1，2，L，8）。將中心像素與鄰域像素的灰度值進行比較，得出一個二值序列：

則中心像素點的LBP 模式為：

基于LBP 的紋理特征提取過程，如圖1 所示。

圖1 LBP 紋理特征值Fig.1 LBP Texture Eigenvalue

對于一幅圖像，重復圖1 過程，即可得出圖像中所有像素點的LBP 模式。計算出所有像素點的LBP 值，灰度圖像就轉化為LBP 圖像了。考慮到直方圖計算代價較小，且具有圖像平移、旋轉、縮放不變性等眾多優點，計算LBP 圖像的直方圖作為車位檢測的特征。有車圖像和兩幅空閑圖像的LBP 直方圖，如圖2 所示。

圖2 LBP 圖像直方圖Fig.2 LBP Image Histogram

由圖2 可知，LBP 圖像的直方圖能夠很好的刻畫出車位圖像特征，有車車位圖像和空閑車位圖像之間具有較大差異。

為增強檢測準確性，采用融合了結構信息的空間LBP 圖像直方圖（簡稱為空間紋理直方圖）作為識別特征，空間紋理直方圖能夠有效描述圖像的局部紋理信息，對空閑車位的檢測更具魯棒性。在空閑車位檢測過程中，定義結構模板為矩形模板，即圖像中的矩形區域，記為r（x，y，w，h），其中x，y 規定了結構模板的位置，w，h 規定了目標的大小，結構模板覆蓋區域的LBP 圖像直方圖為Hr（x，y，w，h）。

3.2 特征分析

圖3 表明，空閑與有車的車位圖像具有良好的可區分性。但單一的結構模板的空間直方圖特征檢測性能不是十分理想，為此構造了結構模板集，記模板集中任意LBP 圖像直方圖為Hr（xp，yp，wp，hp），設共有m 個結構模板，則可以得到m 個空間直方圖Hr（xp，yp，wp，hp）（p=1，2，…，m）。

圖3 空間直方圖特征對比Fig.3 Spatial Histogram Feature Comparison

采用直方圖相交法作為檢測特征。設H1（k）和H2（k）為LBP直方圖，其中k 表示灰度離散值，k=（0，1，…，255），則直方圖相交度量值為：

其中，p=1，2，…，m，提取出檢測特征后，作為核Fisher 判別方法的輸入，利用核Fisher 判別實現空閑車位檢測。

4 核Fisher 判別

核Fisher 判別基于一個非線性函數將特征參數映射至新的特征空間，在新特征空間中實現目標判別[5]。下面以空閑車位檢測為例，簡要說明核Fisher 判別的過程。設N 個測試樣本x1，x2，…，xN，其中N1個空閑車位圖像樣本，N2個有車車位圖像樣本，分別記為Hb1和Hb2。空閑車位圖像和有車車位圖像樣本的均值可以表示為：

則兩類樣本的類間分離度和類內總分離度分別為：

為了獲取優良的分類性能，希望特征空間中，樣本類間分離度Sb越大越好，同時要求樣本類內總分離度Sw越小越好。Fisher判別準則目標函數為：

核Fisher 利用非線性函數核函數將特征空間映射至新特征空間，設核函數投影直線方向為α，則映射后目標函數為：

實現非線性映射的核函數很多，但必須滿足Mercer 定理的要求。常用的核Fisher 判別核函數有高斯徑向基核函數、多項式核函數和雙曲正切核函數。通過仿真實驗測試，文中選取高斯徑向基核函數進行空閑車位檢測。

5 實驗結果

在實驗中，采集了不同時間、天氣、光照以及有陰影和積水的停車場視頻監控圖像500 幅作為訓練樣本集，將圖像傳化為LBP 圖像，并構造結構模板集，按照結構模板集，提取出空間直方圖特征。經過大量仿真實驗，確定的模板集，如圖4 所示。圖中白色部分代表結構模板。

圖4 結構模板集Fig.4 Structure Template Set

圖5 核Fisher 判別散點圖Fig.5 Nuclear Fisher Discriminant Scatter Plot

為測試空閑車位檢測性能，選取實際視頻系統采集的1350幅車位圖像作為測試樣本集，包含700 幅空閑車位圖像和650 幅有車車位圖像。與訓練樣本集一樣，提取出測試樣本集的空間紋理直方圖特征，并計算出車位檢測特征向量fp，對fp利用高斯徑向基核函數進行非線性映射。

1350 幅測試圖像在Fisher 判別最優投影直線方向上的投影，其中橫軸為樣本序號，縱軸為投影后的特征值，符號“*”和“○”分別表示空閑車位和有車車位特征向量的投影值，虛線表示Fisher 判別分界線，如圖6 所示。由圖5 可知，空間紋理直方圖特征經過高斯徑向基核函數投影后，在新的特征空間具有良好的類間分離性。

為進一步驗證基于空間紋理直方圖特征的車位檢測性能，在同等實驗條件下，將文中算法與視頻圖像多特征貝葉斯識別算法（簡記為By-R）[4]、基于KL 變換Fisher 判別方法（簡記為KLF）[5]和基于深度學習檢測方法（簡記為DL）[10]行對比分析，檢測結果統計，如表1 所示。其中Pa代表空閑車位正確檢測的概率，Pb代表有車車位錯誤檢測為空閑車位的概率，Pc代表總體的正確檢測概率。

表1 不同判別函數下空閑車位檢測結果Tab.1 Idle Parking Position Detection Under Different Discriminant Functions

實驗結果表明，文中提出的基于空間紋理直方圖特征的車位檢測方法性能優于視頻圖像多特征貝葉斯識別算法和KL 變換Fisher 判別方法。這是因為空間紋理直方圖特征同時反映了圖像的紋理信息和結構信息，紋理特征與目標類別的關聯性最強，能夠有效描述車位信息，而結構信息刻畫了車位圖像的局部特征，使得車位圖像受到光照、遮擋、積水等因素影響時能夠保持特征穩定性。

6 總結

提出了一種新的停車場空閑車位自動檢測方法，首先提取車位圖像的空間紋理直方圖特征，然后利用核Fisher 判別實現空閑車位檢測。理論分析和實驗結果表明，空間紋理直方圖特征能夠有效區分空閑車位圖像和有車車位圖像，對空閑車位具有很好的檢測概率，為智能化停車場的車位自動檢測系統提供了一種新方法。