基于单摄像机空位检测技术的全天停车需求分析

JERMSURAWONG Jermsak,AHSAN Umair,HAIDARAbdulhamid,DONG Haiwei*，MAVRIDIS Nikolaos

（1.纽约大学,美国纽约州纽约市；2.麻省理工学院,美国马萨诸塞州剑桥市）

1 引言

由于私家车的增长，停车管理问题越来越迫切.一方面，过少的停车位会引起交通拥堵并导致停车占用其他空间[1，2].另一方面，如果停车位过多，容易造成土地资源的浪费，而且间接促进了私家车的进一步增长，背离了环境友好型的交通发展模式[3].对实际数据进行统计分析，对于制定合理的决策具有重要意义.本文尝试利用单摄像机空位检测系统，对位于阿布扎比市区的通用路外停车场全天的停车数据进行统计分析.

为给交通管理和决策制定提供依据，已有许多针对小汽车停车问题的研究，其中停车需求是重要的研究对象之一[4].“停车需求是车辆在指定地点、关联位置和一定时间内的累积值……它应该是观测时间内的最大车辆观测数”[5].因此，停车需求表示停车场在时间维度上的利用率.调整停车位的大小和数量[6]、估算利润和环境成本[7]、评价政策的效果和预测未来需求[8]都依赖于对停车需求的统计分析.

停车需求首先被用于确定停车位的大小.目前，许多路外停车场的建设标准都参考美国交通工程师学会停车研究所(Institute of Transportation Engineers’Parking Generation)的研究成果.这本书明确了不同性质的土地利用的最小停车需求.然而，研究成果中的数据来自于单一土地利用性质的郊区[1]，而未兼顾到混合土地利用的情况，事实上，对于后者，停车需求相对更小.因此，在停车场的设计过程中，利用低成本、高效率的方法获得更加精确的停车需求显得非常重要.

除了停车场设计之外，评价既有停车场的停车需求对于制定停车政策也是有意义的，比如常用来确定合理的停车费用.高停车需求下有限的停车位会导致停车费提高，而收费过低则造成停车位紧张，收费过高则会降低利用率，浪费公共资源，合理的价格才能使资源得到最有效的利用.旧金山成功实施了一种先进的停车收费系统，它可以根据不同时段和当天的实际停车情况进行收费[4]，但是对于事先未确定的停车费的最优定价不能仅仅依赖于停车需求，因为它仅仅是实际的停车人数，还应当通过调查获得在某种收费价格水平下有停车意愿的所有数量.

目前，存在两种较为常用的停车需求估计方法.第一种是基于仿真建模，模型既有方便的简化形式，也有需要大量数据、计算过程复杂的形式[9].实际上在预测停车需求方面，有许多针对影响停车选择的因素，包括走行距离、停车费、可用停车位、违法停车罚款等[10,11].一些模型根据概率理论考虑了驾驶员对这些因素的感知成本和效用估计[12]，其他模型利用机器学习方法根据时间参数来确定对当前停车设施的需求[13].这些方法都需要根据实际数据进行标定，并且停车需求可由实际数据统计得到.以智能停车系统[14]为代表的自动化系统能够有效收集停车信息[15].这些系统可进一步分为侵入式和非侵入式两类[16].比如，需要将无线[17]或有线传感器[18]安装在复杂的设备上的属于侵入式系统，而另外一种非侵入式系统，如微波雷达、被动式声线列阵传感器、被动式红外传感器等更便于安装[14].这两种系统都是资源密集型的，仅可用于收集短时数据.所以，更好的解决方法是采用基于图像检测的一对多系统，这种系统成本更低而且更灵活，属于非侵入式的系统.

在基于视觉的研究领域中，目标检测一直是研究的焦点.Bong等人利用像素检测临界值来区分车辆和空位，虽然临界值不能随着光条件的改变而自发性地变化，但他用边缘检测进行了修正[19].尽管如此，这种方法在车辆距离摄像机较远或车辆图像占有像素点较少的情况下的检测效果仍然较差.Fabian在这种方法的基础上利用车辆像素的同质化特征，计算了同质化的像素块数量[20].同样，这种方法也要求图像具有较高的精细度，因此这种方法对于单摄像机检测系统在大规模停车场的适用性有限.本文提出的算法需要的像素很少，单摄像机的覆盖范围超过150个停车位.

另外，有一些研究尝试利用机器学习判断停车状态[21,22]，这种方法在光线变化的条件下的稳定性稍差.为了解决这个问题，Huang提出了一种基于贝叶斯理论的检测方法，这个研究详细到基于美国海军气象天文台根据光线方向对影子进行了建模，以此避免影子被错误识别成黑色车辆[23].可以看出，这种方法很复杂，虽然可以通过影子识别车辆，但车辆的外形存在差异.此外，虽然该方法的精确度可以达到99%[23]，但仅在白天被测试过.而本文提出的方法在夜间依然可以得到同样令人满意的效果.

还有一些可在夜间使用的空位识别系统的少量案例[24].遗憾的是，Macdonell和Lobo检测到的夜间图像只能覆盖5个停车位[25].日本测试了基于模糊C均值算法识别空位的系统，得到了较为满意的结果.该研究收集了两个月的全天数据[26]，但是研究区域在一个多层停车场的顶层，车位数不到30个.所以，检测区域不能完全代表整个停车场，并且停靠的车辆较少，以至于难以获得更有效的统计数据.

对停车场进行全天的研究并不多，最系统的一次研究是由香港运输署委托的，估算了4 000个停车场从7:30至22:30的停车需求[27].结果发现停车需求曲线具有相似性，并且停车场可以根据周边土地利用性质进行分类.由得到的需求模型，该研究根据周边土地利用性质提出了停车需求预测方法.虽然这类方法能够满足应用需要，但在全天时段内观测的停车需求有可能出现偏差，因为即使白天的停车曲线很相似，夜间的差别可能会很大.因此，研究不能够预先假设停车行为的动态时间区间，而应该基于全天的经验数据.

目前关于停车研究的另一个局限性在于即使停车场接近饱和，仍然将利用率作为唯一指标.当每个需要停车的驾驶员都能够停靠在停车场，并因此被看做是整个停车需求的一部分的时候，利用率确实能够代表停车需求.然而，当停车场接近饱和时，并不是所有想要停车的驾驶员都能够成功获得停车位.仅从利用率来评价整个停车需求必然排除了没有成功获得停车位的那部分人的需求.除了描述利用率随时间的变化，更为详细的研究会记录在停车场出入口处进入和离开停车场的车辆数[28].实际上，在利用率近似饱和的情况下，根据进入和驶出停车场的车辆数可以得到没有找到停车位的那部分停车需求.然而，以往研究中往往忽略了这种潜在的停车需求.本文的方法检测的数据能够用于研究停车位在空闲之后多久再次被占用.当大多数停车位已被占用，潜在需求较高就表现为新来的车辆会迅速占用刚空出的停车位.当停车场接近饱和时，它进一步捕获了没有成功停车的那部分需求，是一种更精确的描述方法.

本文收集一天的数据，利用训练好的神经网络根据停车位的视觉特征来确定其占用状态.空位检测系统解决了三个技术问题：首先，通过自动匹配路面像素值来计算停车位和车道之间的颜色距离，并且能够根据光强变化和光强的非均衡性进行调整；其次，将光照不足的部分近似为与其有相似特征值的光照充足的部分，并将两部分进行合并；最后，特别系统性地考察了夜间的空位检测，选择适当的区域获得参考颜色值.总体而言，检测系统有两个主要优点：其一，和其他方法相比，它依赖的像素点较少，单摄像机能够覆盖超过150个停车位；其二，在周围建筑物遮挡造成的光照变化和光强不均匀时具有较好的稳定性.此外，该方法便于实施、容易计算，能够得到很好的实验结果.在持续一天的实验过程中，占用停车位的检测精度为99.9%，空闲停车位的检测精度为97.9%，特别适合全天数据的统计.由于传统方法借助利用率描述停车需求不能够捕获没有找到停车位那部分的需求，本文提出了停车场接近饱和时停车需求的统计方法，该方法能够估算出停车场拥挤状态的更精确的停车需求.本文提出的方法可以用于混合土地利用性质下停车需求的估算，这通常难以在现行的单一土地利用性质的计算标准中得到.此外，该方法可用于评价政策的实施效果，比如实行停车收费等.

2 技术问题

（1）问题1：白天光照变化与光强不均匀.

在室外停车场，光强不仅随时间变化，并且不均匀，如图1所示.周围建筑物的影子会延伸至停车场，这个问题在城市停车场中很明显，因为停车场通常会被建筑物包围.图像分析可以给出停车场状态不变的情况下停车位在不同时间的变化特征.表1列出了停车位从无阴影区到阴影区后平均统计指标的降低率.本文提出的方法应当能够动态地响应光照的变化，包括光强及其不均匀性.

图1 问题1,从早至晚停车场的光照变化与光强的不均匀性Fig.1 Problem 1,different light intensity and non-uniformity in the car park from morning to evening time.(a)Morning.(b)Noon.(c)Evening

（2）问题2：清晨和傍晚光强不足.

虽然能够解决光强在白天的变化问题，但是光强严重不足给图像的细节分析造成了严重影响.这种光强严重不足的情况通常发生在白天和夜间交替的时段，即关灯之后的清晨和开灯之前的傍晚，如图2中(a)、(b)所示.这种条件下图像像素值的统计结果与照明条件良好的情况有所区别，傍晚像素值的值域及其标准差明显比下午小.由于傍晚车辆活动频繁，在此关键时期获得准确的空位检测结果十分重要.

表1 停车位从无阴影区到阴影区后平均统计指标的降低率Table 1 Comparison of Average Statistical Measures for the Non-Shaded Spots with the Shaded Spots

图2 问题2和问题3，其中(a)、(b)光强不足Fig.2 Problem 2 and 3,(a,b)Limited light intensity

（3）问题3：夜间不同的光照模式.

虽然夜间的持续灯光不会使图像特征值随时间产生复杂变化，但是灯柱射出的短距离单光源不同于白天日光下的图像，如图2（c）.因为路灯照明仅集中在停车位，空闲车位的颜色比附近路面更亮，两者颜色差别很大，直接比较两个区域会得到错误的车辆停放信息.

3 方法

从2012年7月3日上午9点至4日上午9点，我们记录了位于阿布扎比市区内一个露天停车场为期一天的数据.为了避免遮挡，摄像机被安置在相邻大楼的第29层.研究区域包含9条车道，每条车道一侧有14个停车位，所以一共包括126个停车位.这种大范围的观测将每个停车位的像素值减少到30×14个.建立神经网络，利用一个视频帧来训练样本，然后用于分析图像记录.

3.1 神经网络

神经网络的分类用于确定停车位的占用状态，白天和夜间是两个双层前馈的网络，具有感知隐层和输出神经元.将从每个停车位收集到的各种属性作为输入，给出的停车状态作为输出.在训练过程中，每个网络提取一套包括输入属性的数据样本，输出目标停车位的实际状态，也就是相应停车位的占用情况，并且用本研究提出的一种专用标注方法手动注解.

摄像机每秒记录25帧，白天的训练数据仅需要326帧.由于空闲车位数明显少于占用车位数，以固定间隔从地面停车位提取的样本按比例来讲空闲车位数很少.因此，这326帧均匀地分布在整个白天，而夜晚用两倍频率来观测更加频繁的停车活动，以及收集更多的空闲车位信息.尽管如此，数据样本仍是有偏的，因为夜间比白天时间短.事实上，将夜间样本加倍可以使数据样本更能代表不同光照条件下的地面停车位情况.从夜间开灯后的4小时内均匀提取112帧，这段时间的停车位明显多于深夜的，并且夜间光强是稳定的，样本仍能代表整夜的情况.由于每一帧覆盖126个停车位，因此白天训练序列一共有41 076个数据，其中占用车位39 747个，空闲车位1 329个，夜间训练序列有14 112个停车位，其中占用车位13 731个，空闲车位381个.

白天和夜间两个神经网络各自的数据训练样本可以进一步分成三类.首先，70%的数据是采用按比例共轭梯度反向传播法随机选定的.从神经网络到地面停车位占用或空闲状态的预期输出，由预测误差项通过网络向后传播来确定权重及调整偏差使其更加接近地面实况.其次，除了上述用于训练的70%的数据，另外15%的数据用于检验神经网络的效果，神经网络会不断训练直到这15%的样本的检验效果不再提高.最后剩下15%的样本数据作为测试数据序列独立用于对网络进行评价.

白天网络隐层包括11个元素，能被正确识别的测试数据占用车位的检测精度为99.9%，空闲车位的检测精度为98.5%.夜间网络隐层包括10个元素，占用车位检测精度为99.9%，空闲车位的检测精度为98.4%.两个时段内，空闲车位的检测精度都小于占用车位，这是因为空闲车位的数据样本量比占用车位少很多.另外，夜间的误差贯穿整个观测时段，而白天的误差大多集中在清晨和傍晚，这就更加明确了如问题2中所述的两个时间段的光照问题，建议将它们与白天神经网络中效果较好的时间段取近似值.

3.2 特征选择

停车位的特征总结如下，五类明显特征分别是：光特征、像素值统计特征、边界特征、颜色特征、时间特征.

（1）光特征.

这种特征表现为光照的不均匀性和光强变化.首先，颜色距离特征有一个自适应的参考值.由于研究中每个停车位的尺寸一样的，颜色距离实际上就是停车位中每个像素的颜色距离之和，或者单位面积的颜色距离之和.其次，每个停车位的阴影状态特征确定了该停车位处于阴影区、无阴影区还是阴影不明显，对应状态值分别为0、1、2.

（2）像素值统计特征.

该特征考虑了停车位图像像素分散的空间分布，与空闲车位相比，车辆的像素值更广且空间分布更加不均匀.然而，某些车辆在光线不好的情况下与无车行驶的路面的统计指标有相似值域.因此这些统计指标有双层约束，可以通过训练神经网络得到每层约束的理想权重，从统计指标中获得最优值.宽松约束是指整个观测区域的标准差、熵和像素值的值域.当停车位被占用时，由于车辆通常不会覆盖停车位的全部空间，标准差和熵的计算结果中必然会包括一部分路面的像素值，虽然对整个停车位的检测增加了占用车位的分散性和随机性，增大了车辆占用的预测，但是也有可能包括相邻车辆的阴影和重叠部分，也错误地增加了传播和随机性.宽松约束的另一个特征是值域，它表征了停车位像素值之间的最大差异，包含像素值中的异常值.较为严格的约束是停车位区域内的标准差和四分位差.从实际观测区域20%以内的范围里提取像素值可以排除相邻车辆的干扰.而异常值对四分位差基本无干扰，因为它表示像素值的第25至第75分位值的差异，并不包括极端值.

（3）边界特征.

同样地，边界特征也有两层约束.宽松约束使用Canny边界检测方法，由于这种方法按灰度图像的局部最大梯度来确定边界，所以对模糊边界比较敏感.对模糊、清晰边界有两种不同的边界值，不仅输出清晰边界，还输出与清晰边界相连的模糊边界.虽然宽松约束边界检测可以定义与空白路面颜色相似的车辆，但它包括了不必要的模糊边界，比如空闲停车位的斑点.清晰边界特征用Sobel方法，它仅在灰度图像的最大梯度处定义边界，因此需要更清晰的车辆特征.

（4）颜色特征.

颜色特征是着色车辆的重要属性.红色、绿色、蓝色车辆滤镜的最大值和平均值都比空闲车位要高很多.在RGB滤镜中的的最大差值对于识别着色车辆与路面起到类似作用.灰色在红绿蓝滤镜上有相似的颜色值，因此空闲车位对任意两个滤色镜的最大差值更小.

（5）时间特征.

时间特性考虑了前一帧传达的信息.当停车状态从一帧到另一帧发生改变时，表现的特征也会有很大改变.如果传播、边界、随机值与前一帧相比是下降的，这就表示被观测的停车位在目前这一帧变成空闲状态，相反，如果这些值增加，停车位有可能将会被占用.每一个新帧中的这种相对变化并未考虑到白天日光条件的变化，因为它对于不变的或者缓慢改变的日光条件是稳定的.虽然，停车状态保持不变的情况下，这些特征是无用的，但是当停车状态快速变化，交通流量较大的情况下，时间特征是确定停车状态的关键因素.

3.3 问题1的解决：自适应像素参考值

光特征表现为光强变化和光照不均匀.颜色距离计算了停车位像素和路面一般像素的距离之和.一般像素作为自适应的参考值，在白天随着光强的变化而变化.当光照不均匀时，就会得到与阴影区域和非阴影区域相关的两个一般像素值，阴影状态值进一步确定停车位是否处在阴影区域.如果停车位的颜色距离高就表示有车辆占用，颜色距离低就表示与没有车辆行驶的路面情况一致，即无车辆占用.

为了确定一般像素值，首先把图像转换成YcbCr颜色空间.按照图3（a）中黄色区域手动区分空白路面.绘制所有区域像素值的直方图.如果光线均匀，就会出现单峰值，如图3（c）所示.随着向阴影方的移动，直方图会出现双峰，如图3（d）所示.这两种情况需要分别研究.

图3 均匀与非均匀光照Fig.3 Uniform and Non-uniform lighting

如果所有区域的直方图只有一个峰值，就单独考虑这些区域找到出现最频繁的像素值，并取这些像素值的平均值，就得到了均匀光照条件下的最终像素参考值.如果路面上有车辆，有可能造成一般像素值在某个区域内异常，从这一区域内得到的值就会被认为是异常值而不纳入考虑范围.

当直方图有两个峰值，一个峰值是在无阴影区域最常出现的像素值，另一个是在阴影区最常出现的像素值.这两个区域的平均值是用于区分阴影区和无阴影区的临界值，按照像素是否超过了临界值，将像素分配为0或1，然后识别出目前二进制映像中的最大关联区域，如图4（b）所示.在得到最终阴影区和非阴影区的划分界线之前，要事先过滤图像除去噪声，如图4（c）所示.然后，按照是否处于阴影区来划分停车位，不同区域的停车位的像素参考值则与停车位所处区域的像素的峰值相关.

图4 阴影检测Fig.4 Shade Detection

3.4 问题2的解决：逼近充足照明

如在2.2中提到的问题，颜色的分布特征在光强不足的情况下不明显，而且像素值在光强不足的情况下明显偏低.白天由于光强足够，其图像对比度较高，在灰度等级或强度分级上有较好的直方分布图.随着直方图的适当延伸，光强不足条件下的弱对比图像能够接近充足光强的效果，此时神经网络效果好.

对比度可以从灰度共生矩阵中得到.在共生矩阵中，每个元素都有位置编码i和j，元素值表示像素值i和j在指定空间关系中出现的频率.换言之，矩阵中的每个元素表示两个像素值之间的共生次数，而位置编码就是像素值.本文中，空间关系定义为左邻接关系.根据共生矩阵，对比度值就是所有像素值与对应位置编码平方差的乘积之和.如果图像是不变的，相应共生矩阵的对比度就为0.

对比度值在夜间下降很快，如图5（a）所示.在绘制超过某一临界值的像素值的直方图时，弱对比图像可以通过拉伸直方图来补偿对比度，即减小临界值直到得到满意的对比图像，此时更多像素被推移到图中右侧明亮的区域内.从图5（a）中选择目标对比度值为0.28，刚好此时对比度开始下降.图5中（b）和（c）表示临界值在减小后达到了目标对比度值.

由表2可知，调整目标对比度值后，颜色值非常接近光照充足时的情况，而光照充足条件下无论是空闲车位还是占用车位采用神经网络的检测效果都很好.然而，与预期不同的是，空白地面的传播值在直方图拉伸之后变大了.事实上，在调整之前，光照不足的传播值也比光照充足的传播值大.这是因为空闲车位的黑色污点在光照不足时更加明显，如图6所示.但无论什么情况，空闲车位的传播值总比占用车位的明显小.

图5 光适应Fig.5 Light adaptation

表2 调整目标对比度后特征的平均值Table 2 Average values of features after adjusted to the target contrast value

图6 同一位置的污点在光照不足时更显著Fig.6 Dark stains of the same spot intensified in the limited sunlight

3.5 问题3的解决：为参照选择适当区域

光照条件在夜间是稳定的，不需要预处理，但仍需找到合适的区域为计算颜色距离确定参考点.夜间的光照集中在停车位而不是车道，空闲车位颜色完全不同于地面.本文的方法是选择每个停车位前段的半圆区，因为这部分地面受到与其它光照位置相似的稳定光照.

4 结果

4.1 精度

利用选定的白天和夜间的神经网络，在对光照不足的图像进行修正之后，对全天录像数据进行分析和统计.为了保证即使在交通量较大的时段也能够捕获停车状态的变化，从录像中每隔10s提取一帧，然后再从这些帧中提取停车位的特征，输入到神经网络中来判断停车状态.之后，每60帧中取1帧作为计算精度的样本.这就意味着每隔10 min验证停车状态的输出结果.总共有17 640个停车位状态等待检验，其中17 083个占用车位中仅有9个检测错误，537个空闲车位中有11个被检测错误.全天输出结果中占用车位的检测精度为99.9%，空闲车位的检测精度为97.9%.

4.2 全天的数据分析

由于录像条件和技术的限制，该天的数据丢失了21:20至22:00的40 min，以及8:45至9:00的15 min，共还剩23小时零5分钟完整的数据，也就是获得了全天超过95%的数据.本节中将讨论利用图像上的灰色区域来表示这两个时间段的情况.

全天的空闲车位图(FSP)描述了空车位数量随时间的变化.126个可用车位的最大空车位为33，比例为26%.停车场在6:00至9:00的空车位逐渐变多，因为过夜停车的居民开始出行.9:00以后，随着其他人来此地工作，空闲车位高峰数量逐渐下降.下午13:00至14:00部分小汽车在午餐时间离开此停车场，造成第二次出现较多的空闲车位高峰，最多达18个，占所有车位的14%，超过最高峰时段数量的一半.这个高峰比早高峰持续时间短，很可能因为人们早晨开车出行的离开时间不一定相同，但一般中午开车去吃饭的时间大体相同.一般情况下空闲车位的数量都小于10，表示一天内的大多数时间有92%的停车位均处于被占用状态，是一个较高的利用率.空闲车位比例图中正值和负值在一天内交替出现，如图7（b）所示，意味着车辆活动较为频繁，当车辆离开时，便有新车占用车位.连续正值的时间间隔等于两个高峰的时间间隔.空闲车位比例再次增大出现在晚上的21:00至22:00，那时人们结束夜间活动离开此地.

图7 统计结果Fig.7 Statistical result

4.3 停车需求估计

当停车场接近饱和时，一种较好的停车需求估计方法是研究车辆寻找停车位的行为，也可以理解为当车辆离开一个车位后，该车位多久再被占用.由于利用率仅能反映停车位数量可用的停车需求，而本文的这种估计方法给出了对停车需求更精确的理解.纵轴为停车位编号，横轴表示时间，黑线表示车位处于空闲状态.一共分为四种情况.

首先，黑线出现次数多且短的车位表示有较多车辆离开该停车位，且寻找空闲车位的车辆较多.一旦有车离开停车位，该停车位就会很快被占用.结果是停车场在使用波动中达到了最大利用率.这段时间为19:00至19:30，如图8所示.

图8 19:00-19:30空闲车位出现次数多且空闲时间短Fig.8 High number and short length 19:00 to 19:30

图9 15:45-16:30与23:30-00:30空闲车位出现次数少且空闲时间短Fig.9 Low number and short length 15:45 to 16:30 and 23:30 to 00:30

第二，离开停车场的车辆数较少，并且车位一旦空闲就会马上被重新占用.这种情况出现在15:45至16:30，如图9所示.较少有人在下午的中间这段时间开车离开，并且几乎一旦有车离开，车位马上会被重新占用.这种情况在23:30至00:30也很显著.很少有人在深夜开车离开，但是一旦有人离开，总会有车马上占用空闲车位.这表明深夜仍然有一定数量的车寻找过夜停车位.虽然这种情况也表示了类似于情况一的最大利用率，但是交通量相对较小.

图10 02:00-03:00空闲车位出现次数少且空闲时间长Fig.10 Low number and long length 02:00 to 03:00

第三，如图10所示的这种情况下，很少车辆会在02:00至03:00时间段内寻找停车位，很少车辆会在这个时间内开车离开停车场.本案例中，某车离开某一停车位后，该停车位空闲长达一个小时.停车场利用率保持最大且稳定.

图11 7:00-9:00与13:00-14:00空闲车位出现次数多且空闲时间长Fig.11 High number and long length 7:00 to 9:00 and 13:00 to 14:00

最后一种情况，早晨7:00至9:00，黑线出现次数多且长，表示较多车辆离开停车场且停车位空闲时间长，如图11所示.这段时间内，人们出行上班，于是过夜车辆离开停车场.另一个类似时间段13:00至14:00，在午饭时间空出较多停车位.

5 研究结论

用实际统计数据对停车需求进行估计对于停车场管理和政策制定非常重要.本文构建了一个简便高效的单摄像机空位检测系统，能够对室外停车场进行全天候的检测和分析.利用位于阿布扎比市区内的一个通用室外停车场对系统进行检验，并得到了全天的统计结果.本文在系统中嵌入了事先训练的神经网络，基于从停车场的录像中提取的视觉特征来判断占用状态和停车需求.研究结果表明，除清晨和中午较早的时候人们离开该地去上班或吃午饭外，白天的大部分时间停车位都处于被占用状态，停车场利用率达到了92%.当停车场接近饱和时，从未满足需求的角度对停车需求进行了更准确的定义.利用构建的系统和方法，可以得到全天准确的停车需求，可为制定停车政策提供依据，比如根据停车需求改变收费水平，或者根据需求的时间分布特征来设计共享停车位的措施，以使停车需求达到均衡.

[1]Shoup D.Truth in transportation planning[J].Journal of Transportation and Statistics,2003,6(1):1-16.

[2]Blumer K,H Halaseh,et al.Cost-effective single-camera multi-car parking monitoring and vacancy detection towards real-world parking statistics and real-time reporting[J].Neural Information Processing,Lecture Notes in Computer Science,2012,7667:506-515.

[3]Pandhe A,A March.Parking availability influences on travel mode:Melbourne CBD offices[J].Australia Planner,2012,49(2):161-171.

[4]Pierce G,D Shoup.Getting the prices right:An evaluation of pricing parking by demand in San Francisco[J].Journal of the American Planning,2013,79(1):67-81.

[5]Parking generation,3rd edition[M].Washington,DC,Institute of Transportation Engineers,2004:48-52.

[6]Mukhija V,D Shoup.Quantity versus quality in offstreet parking requirements[J].Journal of the American Planning Association,2006,72(3):296-308.

[7]Albanese B,G Matlack.Environmental auditing:utilizing of parking lots in hattiesburg,mississippi,usa,and impacts on local streams[J].Environmental Management,1998,24(2):265-271.

[8]Wong S C,C O Tong,et al.Development of parking demand models in Hong Kong[J].ASCE Journal of Urban Planning and Development,2000,126:55-74.

[9]Young W.A review of parking lot design models[J].Transport Reviews:A Transnational Transdisciplinary Journal,1988,8(2):161-181.

[10]Teknomo K,K Hokao.Parking behavior in central business district:A case study of surabaya,Indonesia[J].EASTS Journal,1997,2(2):551-570.

[11]Waerden P V D,H Oppewal,et al.Adaptive choice behavior of motorists in congested shopping centre parking lots[J].Transportation,1993,20(4):395-408.

[12]Ottomanelli M,M Dell'Orco,et al.Modelling parking choice behavior using possibility theory[J].Transportation Planning and Technology,2011,34(7):647-667.

[13]Rojas D,G Centeno.Predicting parking demand using neural networks[R].IIE Annual Conference,2006:1-6.

[14]Idris M Y I,Y Y Leng,et al.Car park system:A review of smart parking system and its technology[J].Information Technology Journal,2009,8:101-113.

[15]Bonsall P W.The changing face of parking-related data collection and analysis:The role of new technologies[J].Transportation,1991,18(1):83-106.

[16]Mimbela L Y,L A Klein.A summary of vehicle detection and surveillance technologies used in intelligent transportation systems[R],New Mexico State University,2007.

[17]Yan G,W Yan,et al.Smart parking:A secure and intelligent parking system[J].IEEE Intelligent Transportation Systems Magazine,2011,3(1):18-30.

[18]Wolff J,T Heuer,et al.Parking monitor system based on magnetic field sensors[C].IEEE Intelligent Transportation Systems Conference,2006:1275-1279.

[19]Bong D B L.,K C Ting,et al.Integrated approach in the design ofcarpark cccupancy information system(COINS)[J].IAENG International Journal of Computer Science,2008,35(1):7-14.

[20]Fabian T.An algorithm for parking lot occupation detection[C].7th Computer Information Systems and Industrial Management Applications,2008:165-170.

[21]True N.Vacant parking space detection in static images[M],University of California,San Diego,2007.

[22]Wu Q,C C Huang,et al.Robust parking space detection considering inter-space correlation[C].IEEE International Conference Multimedia Expo,2007:659-662.

[23]Jermsurawong J,M U Ahsan,et al.Car parking vacancy detection and its application in 24-hour statistical analysis[C].10th International Conference on Frontiers of Information Technology,2012:84-90.

[24]Huang C,S Wang.A hierarchical bayesian generation framework for vacant parking space detection[J].IEEE Transactions on Circuits and Systems for Video Technology,2010,20(12):1770-1785.

[25]Macdonell A,J Lobo.Visual sensor for smart parking[R],Boston University,2011.

[26]Ichihashi H,T Katada,et al.Improvement in the performance of camera based vehicle detector for parking lot[C].IEEE International Conference on Fuzzy System,2010:1950-1956.

[27]Tong C O,S C Wong,et al.Estimation of parking accumulation profiles from survey data[J].Transportation,2004,31(2):183-202.

[28]Hamid N A.Utilization patterns of park and ride facilities among kuala lumpur commuters[J].Transportation,2009,36(3):295-307.