基于OpenCV的地面停車(chē)誘導(dǎo)系統(tǒng)研究

劉派 廖壽敏 張麗 張興 袁龍 楊世軍

摘 要：為解決城市交通中存在的停車(chē)難問(wèn)題，本研究提出基于計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)軟件庫(kù)（OpenCV）的地面停車(chē)誘導(dǎo)系統(tǒng)，以某露天停車(chē)場(chǎng)為例，開(kāi)展實(shí)地測(cè)試，分析設(shè)備的拍攝角度、拍攝高度和級(jí)聯(lián)分類(lèi)器個(gè)數(shù)對(duì)設(shè)備識(shí)別效果的影響。試驗(yàn)結(jié)果表明，設(shè)備的拍攝角度為0°、拍攝高度為10 m、級(jí)聯(lián)分類(lèi)器個(gè)數(shù)為6個(gè)，設(shè)備的識(shí)別效果最為理想;設(shè)備對(duì)除黑色車(chē)型的識(shí)別率（0.77）較低外，對(duì)其他顏色車(chē)型的識(shí)別率均在0.85以上，其中對(duì)白色車(chē)輛的識(shí)別率最高（0.92），車(chē)輛顏色與停車(chē)場(chǎng)地面顏色色差越大時(shí)，設(shè)備識(shí)別率越高。

關(guān)鍵詞：交通工程;停車(chē)誘導(dǎo)系統(tǒng);計(jì)算機(jī)視覺(jué);車(chē)輛檢測(cè);移動(dòng)通信

中圖分類(lèi)號(hào)：U491 ? ?文獻(xiàn)標(biāo)識(shí)碼：A ? 文章編號(hào)：1006-8023（2021）03-0119-07

Abstract：In order to solve the parking difficult problems of urban traffic， this study proposed a ground parking guidance system based on computer vision and machine learning library （OpenCV）. Taking an open parking lot as an example， field tests were carried out to analyze the effects of the shooting angle， shoot height and the number of cascade classifiers on the recognition effect of equipment. The test results showed that the best recognition effect was achieved when the shooting angle of the device was 0 degrees， the shooting height was 10m and the number of cascading classifiers was 6. Except for the low recognition rate （0.77） of black car， the recognition rate of other color cars was above 0.85， and the recognition rate for white car was the highest （0.92）. The greater the color difference between the vehicle color and the parking lot ground color， the higher the device recognition rate.

Keywords：Traffic engineering; parking guidance system; computer vision; vehicle detection; mobile communication

0 引言

國(guó)民經(jīng)濟(jì)水平提高使得汽車(chē)保有量隨之提高，但停車(chē)場(chǎng)的建設(shè)速度與汽車(chē)保有量的增長(zhǎng)速度無(wú)法匹配，由此導(dǎo)致“停車(chē)難”等問(wèn)題[1]。“車(chē)多車(chē)位少”的現(xiàn)象愈演愈烈的同時(shí)，車(chē)位難尋的問(wèn)題也不容忽視。駕駛?cè)藷o(wú)法準(zhǔn)確獲知停車(chē)場(chǎng)內(nèi)車(chē)位利用情況，難以快速地找到空閑車(chē)位，車(chē)輛在停車(chē)場(chǎng)內(nèi)盲目行駛導(dǎo)致?lián)矶?，以及排?duì)繳費(fèi)浪費(fèi)時(shí)間等[2]。這造成了路外公共停車(chē)場(chǎng)利用率低下，駕駛?cè)烁鼉A向于將車(chē)輛停放于路內(nèi)停車(chē)場(chǎng)。車(chē)輛停放過(guò)程中對(duì)動(dòng)態(tài)交通產(chǎn)生干擾的同時(shí)，易出現(xiàn)車(chē)輛追尾、剮蹭等安全事故[3-4]。停車(chē)誘導(dǎo)目前存在諸如安裝于路側(cè)的LED停車(chē)誘導(dǎo)屏安裝難度較大，建設(shè)成本偏高;同時(shí)駕駛員在注視誘導(dǎo)屏的過(guò)程中，視覺(jué)分心會(huì)產(chǎn)生安全隱患[5]。

國(guó)內(nèi)外針對(duì)停車(chē)位檢測(cè)技術(shù)有了相對(duì)豐富的研究。林淵博等[6]運(yùn)用地磁傳感器對(duì)停車(chē)位進(jìn)行數(shù)據(jù)采集;陳錦生等[7]提出了基于導(dǎo)航平臺(tái)的智能交通停車(chē)誘導(dǎo)系統(tǒng)設(shè)計(jì)。桑博[8]提出了將“互聯(lián)網(wǎng)+”與傳統(tǒng)停車(chē)場(chǎng)系統(tǒng)相結(jié)合的新型停車(chē)誘導(dǎo)系統(tǒng)，并通過(guò)實(shí)地實(shí)驗(yàn)對(duì)技術(shù)進(jìn)行應(yīng)用。上述技術(shù)的實(shí)施主要存在以下幾點(diǎn)問(wèn)題[9]。

（1）硬件成本高、維護(hù)成本大導(dǎo)致經(jīng)濟(jì)可行性低。

（2）泊位信息較粗略，實(shí)時(shí)性和精確度較低。

（3）用戶(hù)信息獲取困難，不支持線上服務(wù)。

為了解決現(xiàn)有常用停車(chē)誘導(dǎo)系統(tǒng)存在的主要問(wèn)題，本研究提出基于計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)軟件庫(kù)[10-11]（OpenCV）的交通管理應(yīng)用場(chǎng)景視頻信息處理方法，并將其應(yīng)用于地面停車(chē)誘導(dǎo)系統(tǒng)。利用OpenCV將“高位攝像頭”與“手機(jī)APP”緊密結(jié)合，通過(guò)“實(shí)時(shí)監(jiān)控—數(shù)據(jù)傳輸—后端處理—用戶(hù)手機(jī)APP”的技術(shù)流程，形成了“高位攝像頭—圖像識(shí)別處理—手機(jī)APP”的一體化停車(chē)誘導(dǎo)系統(tǒng)。

1 系統(tǒng)設(shè)計(jì)思路

基于OpenCV的地面停車(chē)誘導(dǎo)系統(tǒng)技術(shù)能通過(guò)在地面停車(chē)場(chǎng)安裝高位攝像頭，對(duì)整個(gè)地面停車(chē)場(chǎng)進(jìn)行實(shí)時(shí)監(jiān)控，將采集的視頻數(shù)據(jù)、車(chē)位情況通過(guò)系統(tǒng)后端進(jìn)行處理、存儲(chǔ)和實(shí)時(shí)傳輸?shù)接脩?hù)手機(jī)當(dāng)中，為用戶(hù)提供實(shí)時(shí)的車(chē)位信息。能夠?qū)崿F(xiàn)在較少的建設(shè)投入條件下，為駕駛?cè)颂峁?shí)時(shí)、準(zhǔn)確的停車(chē)場(chǎng)泊位信息，方便駕駛?cè)烁咝＼?chē)。系統(tǒng)研究與應(yīng)用主要設(shè)計(jì)控制流程如下（圖1）。

（1）車(chē)位使用情況采集：利用主動(dòng)標(biāo)定方法，盡量借助已有的建筑物或照明、交通標(biāo)志等高桿架設(shè)高點(diǎn)攝像設(shè)備，對(duì)地面停車(chē)場(chǎng)進(jìn)行監(jiān)控，實(shí)時(shí)采集停車(chē)場(chǎng)視頻圖像。

（2）停車(chē)場(chǎng)視頻圖像的集成與處理：將視頻圖像導(dǎo)入OpenCV數(shù)據(jù)庫(kù)并進(jìn)行處理，并導(dǎo)出手機(jī)服務(wù)端可識(shí)別的類(lèi)型數(shù)據(jù)。

（3）最優(yōu)停車(chē)位推薦方案：采用位置分配與最短路徑原理，向駕駛?cè)送扑]最佳停車(chē)位，以及最佳停車(chē)誘導(dǎo)路線。

（4）系統(tǒng)使用說(shuō)明：通過(guò)手機(jī)APP開(kāi)發(fā)，實(shí)現(xiàn)遠(yuǎn)程查詢(xún)停車(chē)位信息（車(chē)位占用及空閑情況）并進(jìn)行停車(chē)位預(yù)約。

2 停車(chē)誘導(dǎo)系統(tǒng)研究

2.1 停車(chē)場(chǎng)高點(diǎn)視頻信息采集

基于OpenCV的車(chē)輛檢測(cè)技術(shù)是指利用高點(diǎn)攝像頭拍攝視頻并對(duì)該視頻信息做出相應(yīng)處理從而進(jìn)行車(chē)輛檢測(cè)的技術(shù)。攝像頭的安放高度決定了檢測(cè)區(qū)域范圍的大小。與近距攝像頭相比，高點(diǎn)攝像頭的檢測(cè)區(qū)域范圍更廣，構(gòu)成更復(fù)雜，內(nèi)部空間尺度變化更大。高點(diǎn)視頻能夠從較為廣闊的視角對(duì)停車(chē)場(chǎng)內(nèi)停車(chē)位占用及空閑情況進(jìn)行監(jiān)測(cè)，最終獲得較為宏觀的停車(chē)位占用及空閑信息。

本研究中攝像裝置采用的是焦距為16 mm，清晰度為720 p的高清攝像頭，可觀測(cè)30～50 m，安裝高度到5 m時(shí)可監(jiān)測(cè)中小型停車(chē)場(chǎng)（約20個(gè)車(chē)位），安裝高度到10 m時(shí)可監(jiān)測(cè)大型停車(chē)場(chǎng)（約50個(gè)車(chē)位），安裝到30 m以上則可以實(shí)現(xiàn)高點(diǎn)視頻監(jiān)測(cè)。視頻通過(guò)4G信號(hào)或者WIFI傳輸?shù)椒?wù)器，視頻格式為MP4、AVI等。采用的網(wǎng)路帶寬需要保證可以進(jìn)行實(shí)時(shí)的視頻傳輸，采用的攝像頭清晰度和安裝高度需要和信息處理相適應(yīng)，得到更有利于數(shù)據(jù)處理的視頻數(shù)據(jù)。停車(chē)視頻識(shí)別效果如圖2所示。

2.2 停車(chē)場(chǎng)車(chē)位占用狀態(tài)信息處理

視頻處理使用Linux服務(wù)器實(shí)現(xiàn)，本研究采用的Linux版本為centOS6.9。在服務(wù)器內(nèi)部，使用Tomcat進(jìn)行視頻信息的接收和處理后數(shù)據(jù)的發(fā)送，使用MySQL作為數(shù)據(jù)庫(kù)，進(jìn)行數(shù)據(jù)的存儲(chǔ)，使用Python調(diào)用OpenCV庫(kù)進(jìn)行視頻處理程序的實(shí)現(xiàn)[12]。具體信息處理流程步驟如下（圖3）。

Step1 網(wǎng)絡(luò)攝像頭輸入信號(hào)：攝像頭實(shí)時(shí)拍攝傳輸720 p的視頻數(shù)據(jù)，通過(guò)網(wǎng)絡(luò)傳輸（HTTP/POST協(xié)議）到云服務(wù)器。

Step2 服務(wù)器接收數(shù)據(jù)：服務(wù)器中有Tomcat服務(wù)器，通過(guò)JavaWeb相關(guān)技術(shù)（Servlet等），實(shí)現(xiàn)視頻信號(hào)的接收。

Step3 服務(wù)器處理：服務(wù)器接收到視頻信號(hào)（字節(jié)流的形式），服務(wù)器內(nèi)的圖像識(shí)別程序（python+OpenCV）對(duì)視頻信號(hào)進(jìn)行處理，識(shí)別視頻中每一幀圖像中的車(chē)輛，實(shí)現(xiàn)車(chē)輛檢測(cè)，得到的數(shù)據(jù)存到服務(wù)器的硬盤(pán)和數(shù)據(jù)庫(kù)中，等待取用。

Step4 圖像識(shí)別：將接收的視頻拆分成為圖片，根據(jù)已有的XML模板文件，采用級(jí)聯(lián)分類(lèi)器的方法，對(duì)每一張圖片進(jìn)行模式匹配，識(shí)別對(duì)應(yīng)的車(chē)輛，輸出圖片中車(chē)輛的位置坐標(biāo)、車(chē)輛數(shù)目、識(shí)別后進(jìn)行標(biāo)記的圖片。然后處理下一張圖片。

Step5 服務(wù)器發(fā)送數(shù)據(jù)：服務(wù)器中有Tomcat服務(wù)器，通過(guò)JavaWeb相關(guān)技術(shù)（Servlet等），處理來(lái)自手機(jī)APP發(fā)送的請(qǐng)求，實(shí)現(xiàn)圖片和其他數(shù)據(jù)的發(fā)送。

Step6 手機(jī)APP顯示：向服務(wù)器發(fā)送請(qǐng)求，服務(wù)器響應(yīng)請(qǐng)求，每個(gè)用戶(hù)獲得實(shí)時(shí)的停車(chē)誘導(dǎo)信息。

本研究使用的是Tomcat8.5.31，使用Tomcat[13-14]的Servlet實(shí)現(xiàn)數(shù)據(jù)的接收和發(fā)送，視頻片段存儲(chǔ)在服務(wù)器的硬盤(pán)中，處理后的數(shù)據(jù)通過(guò)HTTP/GET的方式發(fā)送給前端手機(jī)APP。利用Cascade級(jí)聯(lián)分類(lèi)器[15-16]訓(xùn)練車(chē)輛檢測(cè)，得到XML格式的模型，用此模型對(duì)視頻信息進(jìn)行模式匹配（Python+OpenCV實(shí)現(xiàn)的程序段），從而確定視頻中停車(chē)位處是否停放車(chē)輛。在訓(xùn)練過(guò)程中，為了達(dá)到更高的識(shí)別率，需要做到以下幾點(diǎn)。

（1）負(fù)樣本集與正樣本集完全無(wú)關(guān)。

（2）制作正樣本集時(shí)，保留車(chē)輛的邊緣輪廓。

（3）樣本量盡可能大。

（4）視頻清晰度[17]應(yīng)當(dāng)適宜（約720 p較為合適），清晰度過(guò)高會(huì)保留過(guò)多細(xì)節(jié)容易導(dǎo)致誤識(shí)別，清晰度過(guò)低會(huì)導(dǎo)致無(wú)法識(shí)別。

（5）根據(jù)攝像頭安裝位置不同，應(yīng)該使用對(duì)應(yīng)高度的樣本訓(xùn)練出的模型。

3 案例分析

選取東北林業(yè)大學(xué)成棟樓前露天停車(chē)場(chǎng)開(kāi)展試驗(yàn)研究。該停車(chē)場(chǎng)為黑色瀝青路面，現(xiàn)有停車(chē)泊位24個(gè)，車(chē)位使用率較高，進(jìn)出停車(chē)場(chǎng)的車(chē)流量較大。

3.1 方案可行性分析

利用攝像頭采集停車(chē)場(chǎng)車(chē)位信息，將OpenCV引入停車(chē)誘導(dǎo)系統(tǒng)中用以判別車(chē)位占用情況，實(shí)現(xiàn)停車(chē)誘導(dǎo)，需具備良好的試驗(yàn)條件。

（1）OpenCV用C++語(yǔ)言編寫(xiě)，具有C++、Python、Java和MATLAB接口，并支持Windows、Linux、Android和MacOS。Open CV主要傾向于實(shí)時(shí)視覺(jué)應(yīng)用，并在可用時(shí)利用MMX和SSE指令，如今也提供對(duì)于C#、Ch、Ruby、GO的支持。可與本研究中開(kāi)發(fā)出的手機(jī)APP配置使用。

（2）在識(shí)別算法授權(quán)方面，OpenCV是基于BSD許可發(fā)行的跨平臺(tái)計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)軟件庫(kù)。沒(méi)有授權(quán)費(fèi)用，可在計(jì)算機(jī)系統(tǒng)上分發(fā)使用。

（3）在停車(chē)誘導(dǎo)系統(tǒng)中只需要判斷停車(chē)場(chǎng)泊位情況，不需要了解車(chē)牌、車(chē)主身份等信息，對(duì)識(shí)別精度的要求相對(duì)較低。本研究所選取的試驗(yàn)停車(chē)場(chǎng)標(biāo)線清晰、干擾物少，車(chē)位利用率較高，可借助路燈桿架設(shè)實(shí)驗(yàn)攝像頭，采集實(shí)驗(yàn)所需信息方便，可很好地開(kāi)展試驗(yàn)。

3.2 識(shí)別效果影響因素分析

攝像頭的拍攝角度、拍攝高度、程序中級(jí)聯(lián)分類(lèi)器個(gè)數(shù)以及地面與車(chē)輛顏色差別程度均會(huì)影響識(shí)別率。本研究采用清晰度為720 p的高清攝像頭進(jìn)行試驗(yàn)。

ω=nN。 （1）

式中：ω為車(chē)輛識(shí)別率;n為視頻中被識(shí)別車(chē)輛總數(shù);N為視頻中車(chē)輛總數(shù)。

3.2.1 拍攝角度對(duì)識(shí)別率的影響

攝像頭拍攝安放位置如圖4所示。其中1為用于安裝攝像頭的高桿，2為攝像頭，3為停車(chē)位中的汽車(chē)，4為停車(chē)位，H為攝像頭安裝高度，θ為高桿和地面的交點(diǎn)與停車(chē)位前方中點(diǎn)連線與停車(chē)位中軸線之前的夾角，并以右為正，以左為負(fù)。分類(lèi)器數(shù)量取6，安裝高度為10 m，分析拍攝角度為-70°～70°，拍攝角度間隔取為10°時(shí)，各間隔實(shí)驗(yàn)5次，每次實(shí)驗(yàn)時(shí)長(zhǎng)為30 min。拍攝角度對(duì)識(shí)別率實(shí)驗(yàn)影響如圖5所示。

3.2.2 調(diào)試級(jí)聯(lián)分類(lèi)器數(shù)量對(duì)識(shí)別率的影響

取安裝角度為0°，設(shè)備安裝高度為10 ?m，各分類(lèi)器數(shù)量實(shí)驗(yàn)5次，每次試驗(yàn)時(shí)長(zhǎng)為30 min。結(jié)合圖6（a）與表2可以得出：分類(lèi)器數(shù)量取5或6時(shí)，設(shè)備具有較高的識(shí)別率，識(shí)別率均值分別為0.96與0.95，但分類(lèi)器數(shù)量取6時(shí)，設(shè)備識(shí)別的穩(wěn)定率更高，識(shí)別率方差為0.02，略低于分類(lèi)器為5的情況（0.08）。

3.2.3 設(shè)備高度對(duì)識(shí)別率的影響

分類(lèi)器數(shù)量取6，安裝角度為0°，各安裝高度實(shí)驗(yàn)5次，每次實(shí)驗(yàn)時(shí)長(zhǎng)為30 min。結(jié)合圖6（b）與表3可以得出：安裝高度取10 m時(shí)，設(shè)備具有較高的識(shí)別率，識(shí)別率均值為0.96，且設(shè)備識(shí)別的穩(wěn)定率較高，識(shí)別率標(biāo)準(zhǔn)差為0.08。

3.2.4 識(shí)別效果分析

選取安裝角度為0°，分類(lèi)器數(shù)量為6個(gè)，設(shè)備高度為10 m，對(duì)不同顏色車(chē)輛的識(shí)別率情況進(jìn)行統(tǒng)計(jì)，得到結(jié)果見(jiàn)表4。對(duì)白色車(chē)輛的識(shí)別率最高，為0.92，對(duì)黑色車(chē)輛的識(shí)別率最低，僅為0.77;對(duì)其他色系的車(chē)輛具有較高的識(shí)別率，均在0.85以上。黑色車(chē)與停車(chē)場(chǎng)地面的色差最小，識(shí)別效果較差，白色車(chē)與地面色差最大，識(shí)別效果最好，設(shè)備的總體識(shí)別效果良好。

3.3 停車(chē)誘導(dǎo)的實(shí)現(xiàn)

駕駛?cè)舜蜷_(kāi)手機(jī)中的“停車(chē)誘導(dǎo)系統(tǒng)”APP即可查看停車(chē)場(chǎng)的泊位情況，APP界面如圖7所示。其中，停車(chē)位顯示紅色表示已被占用，白色表示未被占用。

駕駛?cè)送ㄟ^(guò)APP“搜索”窗口，輸入目的地，點(diǎn)擊搜索，下端即可呈現(xiàn)目的地附近的停車(chē)場(chǎng)。再選擇目標(biāo)停車(chē)場(chǎng)即可查看停車(chē)場(chǎng)內(nèi)泊位使用情況，輸入停車(chē)場(chǎng)名稱(chēng)即可導(dǎo)航前去該停車(chē)場(chǎng)，從而實(shí)現(xiàn)停車(chē)誘導(dǎo)功能。

4 結(jié)論

本研究提出基于計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)軟件庫(kù)（OpenCV）的交通管理應(yīng)用場(chǎng)景視頻信息處理方法，并將其應(yīng)用于地面停車(chē)誘導(dǎo)系統(tǒng)。所構(gòu)建的地面停車(chē)誘導(dǎo)系統(tǒng)是利用高點(diǎn)攝像頭將采集的視頻信息通過(guò)網(wǎng)絡(luò)傳輸數(shù)據(jù)到服務(wù)器，服務(wù)器使用基于OpenCV的圖像處理系統(tǒng)，利用Cascade級(jí)聯(lián)分類(lèi)器訓(xùn)練車(chē)輛檢測(cè)，得到XML格式的模型，使用OpenCV的模式匹配進(jìn)行圖像的識(shí)別，從而實(shí)現(xiàn)實(shí)時(shí)準(zhǔn)確的識(shí)別圖片中的汽車(chē)，處理實(shí)時(shí)傳輸過(guò)來(lái)的視頻信息，處理后的信息通過(guò)手機(jī)APP反饋給用戶(hù)，使用戶(hù)能夠?qū)崟r(shí)了解車(chē)位占用情況，并為其提供最快的停車(chē)解決方案。

通過(guò)試驗(yàn)分析不同的拍攝角度、級(jí)聯(lián)分類(lèi)器個(gè)數(shù)、拍攝高度對(duì)識(shí)別率的影響，發(fā)現(xiàn)設(shè)備安裝角度為0°、分類(lèi)器數(shù)量為6個(gè)、拍攝高度為10 m時(shí)，設(shè)備的識(shí)別率和穩(wěn)定性最優(yōu)。在該條件下，設(shè)備對(duì)除黑色車(chē)型的識(shí)別率為（0.77）較低外，對(duì)其他顏色車(chē)型的識(shí)別率均在0.85以上，其中白色車(chē)輛的識(shí)別率最高（0.92）。車(chē)輛與停車(chē)場(chǎng)地面的顏色色差越大，設(shè)備識(shí)別效果越好。

本研究提出的“基于OpenCV車(chē)輛檢測(cè)的地面停車(chē)誘導(dǎo)系統(tǒng)”具有覆蓋范圍廣、成本低、安裝簡(jiǎn)便和便捷高效等優(yōu)點(diǎn)，有較好的市場(chǎng)推廣應(yīng)用價(jià)值。

【參 考 文 獻(xiàn)】

[1]張文會(huì)，孫舒蕊，于秋影，等.考慮供需平衡的路內(nèi)停車(chē)布局研究[J].森林工程，2020，36（2）：91-96.

ZHANG W H， SUN S R， YU Q Y， et al. Study on the layout of in-road parking considering the balance between supply and demand[J]. Forest Engineering， 2020， 36（2）： 91-96.

[2]羅梓銘，馬飛虎.基于手機(jī)應(yīng)用的智能停車(chē)誘導(dǎo)和繳費(fèi)系統(tǒng)設(shè)計(jì)[J].計(jì)算機(jī)時(shí)代，2017，35（7）：17-20.

LUO Z M， MA F H. Design of intelligent parking guidance and payment system based on mobile phone application[J]. Computer Era， 2017， 35（7）： 17-20.

[3]NISSAN A， NTRIANKOS I， ELIASSON J， et al. Impacts of on-street parking fees in suburbs[J]. International Journal of Transportation Engineering and Technology， 2020， 6（3）： 75.

[4]陳大地，覃薇，莫新強(qiáng).高速公路服務(wù)區(qū)智能停車(chē)誘導(dǎo)系統(tǒng)建設(shè)方案[J].西部交通科技，2020，15（6）：141-142+153.

CHEN D D， QIN W， MO X Q. Highway service area intelligent parking induction system construction program[J]. Western Transportation Technology， 2020， 15（6）： 141-142+153.

[5]TIVESTEN E， DOZZA M. Driving context and visual-manual phone tasks influence glance behavior in naturalistic driving[J]. Transportation Research Part F： Traffic Psychology and Behaviour， 2014， 26： 258-272.

[6]林淵博，姚劍敏，林偉.基于地磁傳感器的停車(chē)位檢測(cè)算法研究[J].電氣開(kāi)關(guān)，2019，57（4）：42-44.

LIN Y B， YAO J M， LIN W. Study on parking space detection algorithms based on geomagnetic sensors[J]. Electrical Switches， 2019， 57 （4）： 42-44.

[7]陳錦生，靳麗麗，應(yīng)夏暉，等.基于導(dǎo)航平臺(tái)的智能交通停車(chē)誘導(dǎo)系統(tǒng)設(shè)計(jì)——以衡陽(yáng)為例[J].科技視界，2019，9（32）：127-129.

CHEN J S H， JIN L L， YING X H， et al. Intelligent traffic parking induction system design based on navigation platform - take Hengyang as an example[J]. Technology Vision， 2019， 9（32）： 127-129.

[8]桑博.“互聯(lián)網(wǎng)+”模式下城市智慧停車(chē)誘導(dǎo)系統(tǒng)設(shè)計(jì)研究[J].山西電子技術(shù)，2020，48（4）：85-87.

SANG B. “Research on the design of urban intelligent parking induction system in the mode of Internet plus”[J]. Shanxi Electronics Technology， 2020， 48（4）： 85-87.

[9]李博，何鵬舉，顏靖藝，等.基于物聯(lián)網(wǎng)的停車(chē)場(chǎng)內(nèi)停車(chē)誘導(dǎo)系統(tǒng)[J].電子設(shè)計(jì)工程，2019，27（9）：26-30.

LI B， HE P J， YAN J Y， et al. Internet of things-based parking induction system in parking[J]. Electronic Design Engineering， 2019， 27（9）： 26-30.

[10]崔亞平，沙麗榮.基于OpenCV的建筑設(shè)備巡檢機(jī)器人定位精度檢測(cè)算法[J].自動(dòng)化與儀器儀表，2020，40（12）：10-13.

CUI Y P， SHA L R. Detection algorithm of positioning accuracy of inspection robot for building equipment based on OpenCV[J]. Automation & Instrumentation， 2020， 40（12）： 10-13.

[11]李士堯，魯元博，裴玉龍.道路交通流參數(shù)無(wú)人機(jī)調(diào)查與識(shí)別方法研究[J].森林工程，2018，34（5）：72-77.

LI S Y， LU Y B， PEI Y L. Research on investigation and recognition method of road traffic flow parameters based on UAV full text replacement[J]. Forest Engineering， 2018， 34（5）： 72-77.

[12]周倩，王軍，王亮亮.基于OpenCV輪廓逼近的Android簡(jiǎn)單圖形識(shí)別[J].福建電腦，2016，32（2）：122-123.

ZHOU Q， WANG J， WANG L L. Android simple graphics recognition based on OpenCV contour approaching[J]. Fu Jian Computer， 2016， 32 （2）： 122-123.

[13]SHAW T B， YORK A， BARTH M， et al. Towards optimising MRI characterisation of tissue （TOMCAT） dataset including all longitudinal automatic segmentation of hippocampal subfields （LASHiS） data[J]. Data in Brief， 2020， 32：106043.

[14]CUNNINGHAM G， WRIGHT D， NNADI C. Smartphone application technique for localising magnetically controlled growth rod actuators： the Oxford Magnetic Counter App Technique （TOMCAT）[J]. European Spine Journal， 2020， 29（8）： 2025-2028.

[15]周宏宇，宋旭，劉國(guó)英.Haar特征耦合級(jí)聯(lián)分類(lèi)器的車(chē)道線檢測(cè)算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2020，41（6）：1719-1724.

ZHOU H Y， SONG X， LIU G Y. Lane detection algorithm based on Haar feature based coupled cascade classifer[J]. Computer Engineering and Design， 2020， 41（6）： 1719-1724.

[16]TANG G L， LIU Z J， XIONG J. Distinctive image features from illumination and scale invariant keypoints[J]. Multimedia Tools and Applications， 2019， 78（16）： 23415-23442.

[17]NIE L Q， LIU M， SONG X M. Multimodal Learning toward Micro-Video Understanding[M]. San Rafael： Morgan & Claypool Publishers， 2019.