基于图像处理的车辆目标检测系统
来源:用户上传
作者:
摘 要：相对于传统的车位目标识别技术，文章采用了基于图像处理的目标检测方法。实验中训练和测试的数据来自国际公开数据集PKLot，文章采用基于方向梯度直方图（HOG）和支持向量机（SVM）对正负样本集提取特征并生成模板，对待检测的图像提取出特征并与模板进行对比，最后用矩形框标识检测的车辆目标，经多次独立测试，可用车位的检测准确率在94%以上，试验过程中，测试了大约35万张车位图像，包含四个场景下的不同停车场图像，验证了设计流程的可行性。
关键词：目标检测;图像处理;室外停车场
中图分类号：TP391 文献标志码：A 文章编号：2095-2945（2020）19-0036-04
Abstract： Different from the traditional parking target recognition technology， this paper adopts the target detection method based on image processing. The data trained and tested in the experiment come from the international open data set PKLot. This paper uses Histogram of Oriented Gradient （HOG） and Support Vector Machine （SVM） to extract features from positive and negative sample sets and generate templates， extract features from the detected images and compare them with templates， and finally uses rectangular boxes to identify the detected vehicle targets. After many independent tests， the detection accuracy of available parking spaces is more than 94%. About 350，000 parking images are tested， including different parking images in four scenes to verify the feasibility of the design process.
Keywords： target detection; image processing; outdoor parking lot
引言
近年来我国汽车数量飞速增长，停车难问题日益突出，为了解决日益凸显的交通问题，结合电子传感、计算机科学等技术，建立了智能交通系统（Intelligent Transportation System，ITS），车位识别系统是智能交通系统的一个重要组成部分。传统采用地感线圈、红外线、超声波[1]等方式进行智能车位识别，优劣势如表1所示。
基于图像处理的车位检测方法具有信息量大、硬件成本低而且无须开挖路面等优点。相比于传统的传感器监控方法，采用基于图像处理的方法只需要少量摄像头就可同时监控多个车位，大大节省了停车场管理成本，后期也可以在地圖APP中加入可用车位的显示模块，引导车主停车，提高车主的停车效率，对于推进相关的研究以及提高交通信息化水平有十分重要的意义。
1 目标状态检测系统结构设计
本文以实际应用场景中的停车场图像为主要研究对象，研究室外环境下车位状态识别算法，进而对室外停车场可用车位进行检测。基于图像处理的目标识别基本流程为：图像数据获取、图像预处理、特征提取变换、分类器选择以及分类决策[2]。
1.1 数据获取
PKLot数据集是计算机视觉、模式识别和智能交通领域公开测试的基准数据之一，发布于2015年，图像拍摄的天气环境包括阴天、阴雨以及晴天等[3]。该数据集一个由PUCPR行政大楼前的图片组成，一个由UFPR组成，由于拍摄角度不同，UFPR又分为UFPR04和UFPR05两个数据子集，该数据集被作为可用空车位检测的基准数据集之一。[4]本实验采用了PKLot数据集对车位状态识别算法进行试验验证。
1.2 图像预处理
图像预处理用于剔除图像中的无用信息，尽可能简化图像并突出重要信息，图像成像受诸多因素干扰，图像在传输或量化中均有可能产生噪声，这些噪声可能会造成重要信息的失真，导致目标的属性发生变化，所以需要预处理对图像进行优化。图像预处理一般有灰度化、滤波，增强、二值化等操作流程[5]。图像预处理后提高了图像质量，为特征提取提供必要的基础。
1.3 特征提取
特征提取是指观测图像中目标物体的信息，选择恰当的特征描述算子提取这些信息的过程，为避免提取到的特征位数太大，需要进行特征变换。HOG即方向梯度直方图法，是一种特征值检测的方式，它主要是利用了图片中特征点的梯度信息作为特征值，可以用来做目标检测。本实验中采用了HOG特征提取的方法，对图像的边缘特征和局部特性进行检测，将图像划分为大小统一的小区域cell，利用多个cell组成的块block对梯度向量进行归一化处理[6]，使结果拥有更好的鲁棒性。
HOG特征提取的实现步骤为：输入图像->图像标准化->计算梯度->计算cell中每个像素幅值和方向->计算重叠的每个block内的HOG描述子->串联所有block区域的HOG描述子->得到图像HOG特征。 1.4 分类器选择与决策
SVM（Support Vector Machines）通过定义适当的内积核函数而实现的非线性变换将输入空间变换到一个高维的空间，然后在高维空间中求解除最优分类面即最大间隔分类面。本实验采用SVM分类器进行训练，对于给定的训练数据，算法输出了一个最优的超平面，对数据进行分类[7]。首先将检测窗口中所有块的HOG描述子组合起来形成最终的特征向量，然后使用SVM分类器进行检测，将HOG特征描述自做SVM训练对象，在OpenCV中首先给数据集打标签，再给设置好参数的SVM进行训练，最后用待预测的数据集跟训练模板进行匹配对比操作。
2 实验结果及分析
2.1 实验环境
硬件环境：主机配置为Core i7-7700HQ@2.8GHz四核处理器，显卡为Nvidia GeForce GTX 1050（4GB）。
软件环境：操作系统为64位Windows10，开发工具为Visual Studio2015和OpenCV计算机视觉库。
2.2 检测流程
在本实验中，首先从数据集中收集目标样本，组成正样本集和负样本集，提取出相关的HOG特征，最后形成检测使用的SVM模板。检测时先提取出待检测图像的HOG特征，送入训练好的分类器中与模板作对比，最后识别出车辆目标。检测流程如图5所示。
2.3 识别结果
公开数据集PKLot，包含了PUC、UFPR04和UFPR05[8]，该数据集的基本情况如表2所示。
在每个数据集中随机选择出一部分数据，50%用于构建训练模型，剩余50%用于作为测试集，在HOG作为特征，SVM作为分类器的统计模式识别和计算机视觉实验下，得到如表3结果。
3 结束语
本实验采用了PKLot数据集进行室外停车场可用车位的检测，首先采用图像预处理的方法对图像进行优化，为后期模板匹配打好基础，配合HOG特征提取方法以及SVM分类器进行训练。本实验经过代码的编写和长时间的参数调试后，能达到高准率的检测效果，但在车位大面积遮挡情况下的识别不尽理想，在后续研究中有待改进。
参考文献：
[1]邱国枢，张翔，刘军，等.基于图像处理的车辆识别系统设计[J].吉首大学学报（自然科学版），2019，40（05）：18-24.
[2]张乾，肖永菲，杨玉成，等.基于計算机视觉的室外停车场车位检测实验设计[J].实验技术与管理，2019，36（07）：138-140+146.
[3]杨恩泽.基于深度学习的交通车辆检测与识别算法研究[D].北京交通大学，2019.
[4]景露霞.基于OpenCV的前方车辆识别与车距检测系统的设计与研究[D].长安大学，2019.
[5]黄肖琳.基于图像处理的车位状态检测算法研究[D].浙江工商大学，2018.
[6]李苏浩.车辆目标识别算法的研究[D].重庆邮电大学，2018.
[7]孙芸.基于图像处理的室外停车场车位状态识别算法研究[D].哈尔滨工业大学，2017.
[8]Paulo R.L. de Almeida，Luiz S. Oliveira，Alceu S. Britto，Eunelson J. Silva，Alessandro L. Koerich. PKLot - A robust dataset for parking lot classification[J]. Expert Systems With Applications，2015，42（11）.
[9]Mariana-Eugenia Ilas，ConstantinIlas. A New Method of Histogram Computation for Efficient Implementation of the HOG Algorithm[J]. Computers，2018，7（1）.
转载注明来源:https://www.xzbu.com/1/view-15250156.htm
