基于图像纹理的车位识别方法

张士可，路林吉

0 引言

近年来城市机动车数量迅速增加，而城市空间有限.为了缓解停车难的问题。一方面要增加停车场建设的投入，扩大停车位的资源；另一方面要提高车位的使用率.车位检测即检测指定车位上有无泊车的情况，车位检测技术是智能停车场管理系统中的关键技术，国内现有的车位检测技术多采用地感线圈或超声波传感器等来检测车位信息，对于室外停车场多采用咪表或人工方式检测车位信息。

本文提出了一种基于视频图像处理的车位监测方法。车位的视频图像检测方法中，主要的困难是停车场周围光照、天气、车辆的阴影的相互干扰等等[1]，本文利用基于纹理识别的方法，利用Gabor滤波和LBP纹理提取，最后利用Fisher判别方法来检测车位。在环境因素干扰的情况下，相对以前的方法具有更好的识别效果[2]。

1 Gabor 小波变换

1.1 Gabor 滤波器

Gabor 滤波器能够提取空间位置，空间方向，空间频域特性等，自从提出被广泛应用在图像识别领域[3]。

Gabor 滤波器的定义，如公式（1）

1.2 滤波器构建

（1）将输入图像分为 4×4（16 块）的图像块；（2）建立Gabor 滤波器组：选择4 个尺度，4 个方向，这样组成了16 个Gabor 滤波器；（3）Gabor 滤波器组与每个图像块在空域卷积，每个图像块可以得到16 个滤波器输出，这些输出是图像块大小的图像，如果直接将其作为特征向量，特征空间的维数会很大，所以需要降维。

经过Gabor 滤波如图1，图2所示：

图1 车位灰度图

图2 Gabor 滤波后的特征图

2 LBP 特征提取

2.1 LBP 算子

局部二元模式(LBP)算子能够有效地描述图像的纹理信息，最早由Ojala 等提出，它通过比较灰度图像中任意一点的灰度值与其邻近点的灰度值之间的大小关系来进行纹理特征的提取。该算法原理简单并且对光照变化和局部变换有一定的鲁棒性，能够与全局特征相整合，从而提高识别分类的精度，同时具有一定的抗旋转、抗亮度变化等优点。在近10年来，LBP 算子已经被广泛地应用于图像检索、人脸图像分析、图像内容识别和纹理识别等领域，都取得了不错的效果。

最初的 LBP 算子是将3×3 矩阵中的中心灰度值与其邻域中的8 个灰度值进行比较判决[5]，对于一幅图像中的某区域内的任意像素点f(xc,yc)，以其为中心点gc，对和其邻近的8 个点g0,g1,...,g7的纹理T 定义为公式（3）

以区域中心点的灰度值为阈值对区域内其它邻近的像素作二值化处理，邻域中的灰度值大于或等于中心点灰度值的子块为1，反之为0，如公式（4）

3×3的矩阵区域经过LBP 运算后按照一定的次序排列，形成了一个8 位的二进制数，再按照公式（1），公式（3）对像素的不同位置进行加权求和，即可得到该窗口的LBP值，明显地可看出每个窗口的LBP 值范围在0-255 之间，如公式（5）

一个基本的LBP 算子，如图3所示：

图3 基本的LBP 算子

2.2 改进的LBP 算子

基本的 LBP 算子的窗口大小为3×3，无法提取尺度较大结构的纹理特征，为了改善这一局限性，LBP 算子的3×3邻域扩展到使用不同尺寸的矩形块以及不同数量的邻近子块，并用圆形邻域代替了正方形邻域。对于没有完全落在像素位置上的点，采用双线性插值算法计算其灰度值。几种扩展后的LBP 算子如图4所示。

图4 几种改进的LBP 算子

利用LBP 算法提取到的车位纹理信息，如5，图6所示：

图5 车位纹理图

图6 纹理直方图

3 Fisher 判别方法

Fisher 判别法是历史上最早提出的判别方法之一，其基本思想是将n 类m 维数据集尽可能地投影到一个方向（一条直线），使得类与类之间尽可能分开。从形式上看，该方法就是所谓的一种降维处理方法[4]。

Fisher 判别的基本步骤：（1）寻找1 个最能反映组和组之间差异的投影方向，即寻找线性判别函数，使相同类内方差尽量小，类间方差尽量大；（2）将属于A 类的样本点集合与属于B 类的样本点集合进行分类，并分别存储于x 和y矩阵中；（3）根据已知多维样本数据计算出2 类样本均值向量φx和φy；（4）根据2 类的均值向量求得样本类内离散度矩阵Sx、Sy 和总类内离散度矩阵S；（5）求得使Fisher准则取极大值时的解ωy；（6）利用先验知识，选定分界阈值点 Y0。

4 实验结果

首先我们将摄像头放置于靠近停车场的一个屋顶上，用来获取停车场白天和夜晚的图像数据。该停车场有3 个停车区域，72 个停车位。我们将利用3 个指标来评价此监控算法

空白区域误判率FV，有车区域误判率FP，识别率RR，得公式（6），（7），（8）

像前面提到的一样，对于车位的识别这些困难：光照条件的干扰，车辆阴影的干扰，天气的干扰，周围环境的干扰等等。这样我们将测试分为白天和夜晚两种光照条件下进行测试。我们将一天分为两个时段白天（5：00——19:00）夜晚（19:00——5:00），天气条件分为晴天，强光天，阴天3种情况。白天在各个不同条件下的监测结果对比，如表1所示：

表1 白天的监测结果

夜晚不同条件下的监测结果，如表2所示：

表2 夜晚的监测结果

白天我们主要是考察天气对监测结果的影响，夜晚以为灯位不同我们主要是考虑阴影对监测结果的影响。综合白天和夜晚的监测结果我们可以有效的判断此种方法的判别正确率。

综上分析，基于纹理的车位识别方法，能够有效的克服天气，光照，阴影的影响。

5 结束语

本文主要提出了利用车位图像的纹理信息来进行车位识别的监控算法，对预处理的图像进行了Gabor 滤波，LBP纹理提取，并且利用纹理图像通过Fisher 判别来有效地对车位信息进行识别判断。根据提出的方法我们对实际的情况进行有效地实验验证，证实了我们提出的方法与传统方法的优越性。在天气，光照，阴影存在等等的影响情况下，相对于传统方法更具有良好的性能。

[1]刘薇，朱虹，杨向波.停车场视频监视系统中的阴影检测方法[J].机械科学与技术，2008，27(5)：673—676.

[2]练秋生，刘春亮，基于Gabor 滤波和LBP的分级掌纹识别[J].计算机工程与应用.2007,43(6）：212-215.

[3]杨兆选，吴佳鹏，白卓夫，苏育挺，王曾敏.基于Gabor滤波和BP 神经网络的二维条码区域提取[J].天津大学学报.2010,43(3):210-214.

[4]蒋大林，邓红丽，平彧，韦燕凤.基于视频的多特征车位检测算法[J].北京工业大学学报，2008,34（2）：137-140.