專利名稱：：一種模糊模式識別的車位檢測方法
技術領域：
：本發(fā)明涉及模式識別、圖像處理和模糊數學領域，設計并實現了一種對室內外停車場車位占用情況進行實時監(jiān)控和檢測的通用方法。
背景技術：
：近年來，隨著經濟社會的高速發(fā)展，我國城市機動車數量迅速增加，而停車場建設相對緩慢，停車難問題日益突出。研究車位檢測方法可以有效的解決車位資源有限的問題，提高停車場車位的使用率，滿足了停車場在效率、安全和管理上的要求，這將對我國現階段智能交通的研究和發(fā)展、對停車場的合理高效利用起到積極的推動作用。目前，停車場車位檢測方法有很多，主要可以分為基于物理特征的檢測方法和基于視頻監(jiān)控、計算機視覺及圖像處理技術的檢測方法?；谖锢硖卣鞯臋z測方法主要采用地埋感應線圈、超聲波、地磁檢測等方式實現。這種方式具有成本低、受氣候影響小等優(yōu)點，但是施工麻煩，要開挖路面，對路面造成破壞，而且路面受季節(jié)和車輛壓力影響，線圈容易損壞，難于維護；基于視頻監(jiān)控、計算機視覺及圖像處理技術的檢測方式具有許多的優(yōu)勢，首先，拍攝視頻圖像的攝像機安裝方便，更換不影響交通，容易調整和移動攝像頭的位置，無需在車道路面上施工；其次，視頻圖像處理技術可以達到實時性強、車位檢測精度高等特點o
發(fā)明內容本發(fā)明的目的是提出一種模糊模式識別的車位檢測方法。以達到較高的車位檢測準確率。本發(fā)明一種模糊模式識別的車位檢測方法是采用以下技術手段實現的其主要特征是設計車位各特征參數的模糊隸屬度函數，確定隸屬度模糊組合算子。本發(fā)明實現的具體步驟闡述如下(1)采用CCD攝像頭拍攝獲取車位視頻數據，攝像機的拍攝區(qū)域范圍為1-4個車位，且攝像頭相對位置和拍攝角度保持不變；(2)選擇一幅無車的背景圖像，選擇要求該圖像干擾較少，讀取該圖像并將其平滑去噪后轉換成灰度圖；(3)設置無車背景圖像待測車位的邊框坐標，目的是截取只包含單一待測車位信息的圖像數據，將得到的待測車位的背景圖像設為Io；(4)對于每幅待測圖像，先將其轉化成灰度圖，然后按步驟(3)中的方式截取出具體待測車位的區(qū)域范圍，進行如下預處理步驟(a)讀取每一幅待測車位圖像區(qū)域的信息，進行形態(tài)學腐蝕運算，消除細小干擾物體(樹葉的陰影，小片的水跡等)，在纖細處分離物體和平滑較大物體邊界。A和B是Z中的集合，使用B對A進行腐蝕的計算公式為<formula>formulaseeoriginaldocumentpage6</formula>(b)對(a)中處理后的圖像采用中值濾波進行處理，濾除圖像中的椒鹽噪聲；(c)進行形態(tài)學膨脹運算，填充物體內細小空洞，連接鄰近物體和平滑邊界，將處理后的四邊形車位區(qū)域記為I。A和B是Z中的集合，A被B膨脹計算公式為<formula>formulaseeoriginaldocumentpage7</formula>(5)利用數理統計方法計算車位四個特征參數_車位方差、相關度、邊緣點密度，邊緣線條數目，其方法如下(a)車位方差參數計算將待測車位圖像I與選取的無車背景圖像Itl做差，計算其絕對值Gs=II-ItlI，獲得車位區(qū)域差值圖像&，Gs只包含單獨車位的信息，根據下面的公式計算該車位的方差<formula>formulaseeoriginaldocumentpage7</formula>此處σ表示車位區(qū)域的方差，δ,.表示車位區(qū)域差值圖像Gs的平均值，η代表Gs內的像素點總數。(b)車位相關度參數計算計算背景圖像Itl和待測車位圖像I是否相關，使用Jtl表示背景圖像的車位區(qū)域，J表示當前圖像的車位區(qū)域，計算公式如下<formula>formulaseeoriginaldocumentpage7</formula>這里~。表示相關系數，J0J表示JJ的像素平均值。(c)車位邊緣點密度特征參數計算首先，進行形態(tài)學梯度運算，使輸入待測車位圖像中灰度級的躍變更為急劇，提取出車位區(qū)域中物體的邊界信息。本方法是采用膨脹和腐蝕組合算子計算圖像的形態(tài)學梯度，用g來表示形態(tài)學梯度算子g=(fBb)~(f&b)其次，將形態(tài)學梯度算子處理后的車位圖像進行二值化處理采用Ostu最大類間方差法，通過計算目標和背景兩大類間的方差和類間方差比值來計算圖像分割的閾值，其具體方法如下設原始灰度級為M,灰度級為i的像素點的個數為η”則總的像素數為N=η。+^+...Iv1對灰度值進行歸一化Pi=rij/M假設分割閾值為t，則將灰度分成兩類C1=(0,1,2,t)；C2=(t+1,t+2,...，M)則每一類出現的概率為<formula>formulaseeoriginaldocumentpage7</formula>每一類的平均灰度為u0=u(t)/W(t)u1=uT(t)-u(t)/1-w(t)其中:u(t)=∑i.piuT(t)=∑i.piw(t)=w0則類間方差為σ2Β=ω0.(u0-uT)2+ωλ.(w。-W7,)2=ω0ωι.(W1-W0)2在1到M之間改變灰度值k，使得灰度為k*時，它的類間方差σΒ2為最大，將k*作為分割閾值T，這樣就得到最佳的分割效果。再次，將梯度算子處理后的待測車位灰度圖像f(x，y)，經Ostu最大類間方差法變換為二值圖像g(x，y)，二值化的過程表示為<formula>formulaseeoriginaldocumentpage8</formula>最后，將二值圖像g(x，y)細化，統計該二值化車位區(qū)域內的邊緣點個數及該區(qū)域像素點總數，邊緣點個數與像素點總數的比值即為邊緣點密度參數，計算公式如下dE=∑GE/S其中，dE表示邊緣點密度，Ge表示二值車位區(qū)域圖像中邊緣像素值為1的點，S表示該車位的面積。(d)運用Hough變換提取直線，統計出車位區(qū)域范圍內線條總數。Hough變換實現了一種從圖像空間到參數空間的映射關系，實現方法如下將(c)過程處理后的二值圖像g(x，y)進行Hough變換，將變換所用兩個參數P和θ確定下來，對于圖像空間任意點&，7)，其函數關系為ρ=xcosθ+ysinθ其中ρ為原點到直線的距離(即原點到直線的垂直線的長度)，θ確定了直線的方向(即原點到直線的垂直線與X軸方向的夾角)。根據Hough變換的峰值點統計出待測車位范圍內線條的總數N。(6)選擇500幅待測車位圖像作為訓練樣本圖像，用來設計有車和無車的模糊隸屬度函數類型，其中250幅為車位有車占用時的圖像，250幅為車位無車占用時的圖像。訓練步驟如下(a)按上面(1)_(5)步求取出500幅訓練車位圖像的四個車位特征參數，分別組成車位有車占用時圖像樣本特征參數庫和車位無車占用時圖像樣本特征參數庫；(b)在有車圖像樣本特征參數中，分別求取四個特征參數的直方圖，根據特征參數直方圖的特點確定模糊隸屬度函數的形狀(如s型分布或ζ型分布)及隸屬度函數的上下限閾值(a，b)，并分析得到車位有車圖像樣本的方差、邊緣點密度和線條個數參數的模糊隸屬度函數模型均為s型分布，相關度參數的模糊隸屬度函數模型為ζ型分布，s型分布函數形式如下<formula>formulaseeoriginaldocumentpage9</formula>型分布函數形式如下<formula>formulaseeoriginaldocumentpage9</formula>(c)在無車圖像樣本特征參數中，按(b)中方法分析得到車位無車圖像樣本的方差、邊緣點密度和線條個數參數的模糊隸屬度函數模型均為ζ型分布，相關度參數的模糊隸屬度函數模型為s型分布；(7)將目標待測車位按上述(1)_(5)步計算得到四個車位特征參數，分別代入由步驟(6)確定的有車和無車的s型或ζ型模糊隸屬度分布函數中，得到8個模糊隸屬度函數值，根據下面設計的判為有車和判為無車隸屬度的模糊組合算子進行判決，判為有車隸屬度的模糊組合算子公式為Y=maxi^minO^/,σγ),mm{dEy,ny))判為無車隸屬度的模糊組合算子公式為W=min(min(rJo7w,aw),min(dEw,rf))其中，、/和O。/分別表示該待測車位有車和無車時相關度參數模糊隸屬度函數值；σy和σw分別表示有車和無車方差參數模糊隸屬度函數值；d/和d/分別表示有車和無車邊緣點密度參數模糊隸屬度函數值；ny和nw分別表示有車和無車車位線條數目的模糊隸屬度函數值。如果判為有車隸屬度的模糊組合算子大于判為無車隸屬度的模糊組合算子時，判為該車位有車；否則，判為該車位無車。本發(fā)明與現有技術相比，具有以下明顯的優(yōu)勢和有益效果首先，本發(fā)明在充分研究分析室內外各類停車場具體環(huán)境的基礎之上，提出了四類可以充分反映車位是否泊車的特征參數信息，有效地避免了模式識別中圖像的維數災難問題，為模糊模式識別分類方法提供了精確有效的特征參數。其次，為了避免光照、天氣及車位上水跡等干擾因素對模式識別分類產生的影響，本發(fā)明首次在車位檢測方面提出了模糊模式識別的分類方法設計模糊隸屬度函數，采用模糊組合算子判決方法有效的提高了車位檢測的準確率。實驗證明該方法既保證了車位識別的準確率同時也提高了車位檢測的速度。圖1計算車位區(qū)域四個特征參數流程圖；圖2設計訓練樣本特征模糊隸屬度函數流程圖；圖3車位檢測方法流程圖；圖4s型模糊隸屬度函數圖像；圖5z型模糊隸屬度函數圖像；圖6實例現場圖像示意圖。具體實施例方式本發(fā)明中采用CCD攝像頭進行車位圖像的采集，攝像機的架設高度一般為2-5米，每臺攝像機覆蓋的有效場景范圍包含1-4個車位，攝像頭相對位置和拍攝角度保持不變。在本實例中采用一臺CCD攝像頭，拍攝的車位圖像中包含4個車位，如圖6所示。在此以第一車位，即圖像中車位面積最大的車位為例。在計算機中完成以下步驟，具體實施流程如圖3所示第一步選擇一幅一號車位無車圖像作為背景圖像，選擇要求該車位圖像干擾較少，讀取該圖像并將其平滑去噪后轉換成灰度圖像；第二步在此車位背景圖像中確定一號車位的邊框坐標，四邊形車位的四個頂點坐標為(352，458)，(550，675)，(490，715)，(320，512)，根據四個坐標截取只包含一號背景車位信息的圖像數據，將其設為IO；第三步選出500幅車位圖像作為訓練樣本庫，其中250幅為一號車位有車占用時的圖像，其余250幅為一號車位無車占用時的圖像。第四步讀取訓練樣本庫中每一幅待測車位圖像信息轉化成灰度圖像，按第二步中的方式截取出一號待測車位的區(qū)域范圍進行預處理，其步驟如下首先，利用3X3的模板進行形態(tài)學腐蝕<formula>formulaseeoriginaldocumentpage10</formula>消除細小干擾物體(樹葉的陰影，小片的水跡等)，在纖細處分離物體和平滑較大物體邊界。其次，將腐蝕后的圖像進行中值濾波處理，濾除圖像中的椒鹽噪聲；最后，利用3X3的模板進行形態(tài)學膨脹<formula>formulaseeoriginaldocumentpage10</formula>填充物體內細小空洞，連接鄰近物體和平滑邊界，將處理后的一號四邊形車位區(qū)域記為I第五步提取并計算一號車位圖像中四個特征參數值，特征參數提取流程如圖1所示，具體過程如下(1)進行車位方差參數計算，令<formula>formulaseeoriginaldocumentpage10</formula>獲得一號車位區(qū)域差值圖像Gs，根據下面的公式計算該車位的方差<formula>formulaseeoriginaldocumentpage10</formula>此處σ表示車位區(qū)域的方差，α表示車位區(qū)域差值圖像Gs的平均值，η代表Gs內的像素點總數。(2)計算車位相關度參數，使用Jtl表示背景圖像的車位區(qū)域，J表示當前圖像的車位區(qū)域，計算公式如下<formula>formulaseeoriginaldocumentpage11</formula>這里、表示相關系數，J0J表示JJ的像素平均值。~。的范圍為W，l]。(3)計算車位邊緣點密度特征參數，首先，采用膨脹和腐蝕組合算子計算一號車位圖像區(qū)域的形態(tài)學梯度，用g來表示形態(tài)學梯度算子g=(/十Ζ))-(/Θ0)其次，計算一號待測車位圖像的灰度直方圖，采用Ostu最大類間方差法，將一號車位灰度圖像進行二值化處理，二值化的過程如下<formula>formulaseeoriginaldocumentpage11</formula>其中，一號待測車位灰度圖像f(x，y)，變換后的二值圖像為g(X，y)，此時一號車位圖像區(qū)域內邊緣信息點的值都為1，而背景點的值都為0。最后，將二值圖像g(x，y)細化后統計該二值化車位區(qū)域內的邊緣點像素個數及該區(qū)域像素點總數，邊緣點個數與像素點總數的比值，即為邊緣點密度參數，計算公式如下<formula>formulaseeoriginaldocumentpage11</formula>其中，dE表示邊緣點密度，Ge表示二值車位區(qū)域圖像中邊緣像素值為1的點，S表示該車位的面積。4的范圍為W，l]。(4)運用Hough變換提取一號車位范圍內所有直線，統計線條總數記為N，對于圖像空間任意點(X，y)，Hough變換函數變換關系為ρ=xcosθ+ysinθ其中P為原點到直線的距離(即原點到直線的垂直線的長度)，θ確定了直線的方向(即原點到直線的垂直線與X軸方向的夾角)。經統計，一號車位內如果有車占用時，一般線條數目為10-28條，無車占用時，線條數目為0-13條。第六步統計500幅一號車位訓練圖像的四個特征參數，分別組成車位有車占用和無車占用時的8個樣本特征參數集，根據這些特征參數設計各特征的模糊隸屬度函數，設計流程如圖2所示，具體過程如下(1)按照第五步的方法提取這500幅車位的四個特征參數，并根據車位是否占用分成有車和無車樣本特征參數集。(2)分別求取有車和無車樣本特征參數集中四個特征參數的直方圖，根據特征參數直方圖的特點確定模糊隸屬度函數形狀。(3)利用訓練圖像來檢測確定隸屬度函數的上下限閾值，調整上下限閾值使其達到最優(yōu)的檢測效果，這樣就設計好了模糊隸屬度函數。第七步在一號車位有車圖像樣本特征參數集中，根據第六步設計模糊隸屬度函數的方法確定了一號車位有車圖像樣本的方差、邊緣點密度和線條線條個數參數的模糊隸屬度函數模型均為S型分布，以上三個參數隸屬度函數的上下限閾值(a，b)分別為(19.636，30.545)、(0.029,0.11),(1,17)；相關度參數的模糊隸屬度函數模型為ζ型分布，其隸屬度函數的上下限閾值(a，b)為(0.2，0.55)。s型分布函數形式如下<formula>formulaseeoriginaldocumentpage12</formula>Z型分布函數形式如下<formula>formulaseeoriginaldocumentpage12</formula>其中，s型模糊隸屬度函數圖像如圖4所示，ζ型模糊隸屬度函數圖像如圖5所示。第八步在一號車位無車圖像樣本特征參數集中，按第七步中方法分析得到車位無車圖像樣本的方差、邊緣點密度和線條個數參數的模糊隸屬度函數模型均為ζ型分布，以上三個參數隸屬度函數的上下限閾值(a,b)分別為(14.727,31.091)、(0.011,0.11),(1,14)；相關度參數的模糊隸屬度函數模型為s型分布，其隸屬度函數的上下限閾值(a，b)為(0.31,0.66)；第九步利用第七、八步確立的各特征參數隸屬度函數模型及上下限閾值(a，b)分別繪制出8組車位有車占用、無車占用時的s型或ζ型的模糊隸屬度分布函數圖，保存這些圖像信息用于車位檢測的模糊分類判決。第十步讀入一幅待測車位圖像，按上面第一至五步進行處理，計算出一號車位的四個特征參數值，將它們依次代入第九步中的8組模糊隸屬度分布函數中，得到車位有車占用時的四個模糊隸屬度值和無車占用時的四個模糊隸屬度值，代入下面設計的判為有車和判為無車隸屬度的模糊組合算子進行計算，判為有車隸屬度的模糊組合算子公式為[oho]<formula>formulaseeoriginaldocumentpage12</formula>判為無車隸屬度的模糊組合算子公式為W^min(min(rJoJw,aw),min(dEw,nw))其中，/和、,分別表示一號待測車位有車占用和無車占用時相關度參數模糊隸屬度函數值；οy和σw分別表示有車占用和無車占用時方差參數模糊隸屬度函數值；d/和d/分別表示有車占用和無車占用時邊緣點密度參數模糊隸屬度函數值；ny和nw分別表示有車和無車車位線條數目的模糊隸屬度函數值。如果Y>W，判為該一號車位有車，否則，判為無車。第十一步輸出待測圖像的一號車位識別結果，用1表示車位有車占用，用0表示車位無車占用。為驗證本發(fā)明方法檢測車位的準確性和通用性，采用停車場現場拍攝的600幅車位圖像進行虛報率、漏檢率、誤報率的實驗測試，實驗結果表明本發(fā)明具有良好的檢測效<formula>formulaseeoriginaldocumentpage13</formula>表1為圖6所示四個車位(其圖中，1代表一號車位，2代表二號車位，3代表三號車位，4代表四號車位，黑色部分代表車位區(qū)域以外的背景)的實驗統計數據，表1車位圖像測試結果<table>tableseeoriginaldocumentpage13</column></row><table>通過以下三率來統計模糊模式識別方法對于車位圖像檢測的準確率1.虛報率=(將無車判為有車的圖像幀數)/(全部的無車圖像幀數)；2.漏檢率=(將有車判為無車的圖像幀數)/(全部的無車圖像幀數)；3.誤報率=(將無車判為有車的圖像幀數+將有車判為無車的圖像幀數)/(全部圖像幀數)。最后應說明的是以上實施例僅用以說明本發(fā)明而并非限制本發(fā)明所描述的技術方案；因此，盡管本說明書參照上述的各個實施例對本發(fā)明已進行了詳細的說明，但是，本領域的普通技術人員應當理解，仍然可以對本發(fā)明進行修改或等同替換；而一切不脫離發(fā)明的精神和范圍的技術方案及其改進，其均應涵蓋在本發(fā)明的權利要求范圍當中。權利要求一種模糊模式識別的車位檢測方法，其特征在于包括集模式識別模塊、圖像處理模塊和模糊數學模塊；通過上述模塊設計車位各特征參數的模糊隸屬度函數，確定隸屬度模糊組合算子；包括以下步驟(1)采用CCD攝像頭拍攝獲取車位視頻數據，攝像機的拍攝區(qū)域范圍為數個車位，且攝像頭相對位置和拍攝角度保持不變；(2)選擇一幅無車的背景圖像，讀取該圖像并將其平滑去噪后轉換成灰度圖；(3)設置無車背景圖像待測車位的邊框坐標，截取只包含單一待測車位信息的圖像數據，將得到的待測車位的背景圖像設為I0；(4)對于每幅待測圖像，先將其轉化成灰度圖，然后按步驟(3)中的方式截取出具體待測車位的區(qū)域范圍，并進行預處理；讀取每一幅待測車位圖像區(qū)域的信息，進行形態(tài)學腐蝕運算；對處理后的圖像采用中值濾波進行處理，濾除圖像中的椒鹽噪聲；進行形態(tài)學膨脹運算，填充物體內細小空洞，連接鄰近物體和平滑邊界；(5)利用數理統計方法計算車位四個特征參數-車位方差σ、相關度邊緣點密度dE，邊緣線條總數目N；(6)選擇多幅待測車位圖像作為訓練樣本圖像，用來設計有車和無車的模糊隸屬度函數類型，車位有車占用時的圖像與車位無車占用時的圖像數目相同；以訓練車位圖像的車位特征參數，分別組成車位有車占用時圖像樣本特征參數庫和車位無車占用時圖像樣本特征參數庫；在有車圖像樣本特征參數中，分別求取數個特征參數的直方圖，根據特征參數直方圖的特點，確定車位有車圖像樣本的方差、邊緣點密度和線條個數參數的模糊隸屬度函數模型均為s型分布，相關度參數的模糊隸屬度函數模型為z型分布，確定隸屬度函數的上限閾值a、下限閾值b；(7)將目標待測車位按上述(1)-(5)步計算得到數個車位特征參數，分別代入由步驟(6)確定的有車和無車的s型或z型模糊隸屬度分布函數中，得到多個模糊隸屬度函數值，根據下面設計的判為有車和判為無車隸屬度的模糊組合算子進行判決，判為有車隸屬度的模糊組合算子公式為<mrow><mi>Y</mi><mo>=</mo><mi>max</mi><mrow><mo>(</mo><mi>min</mi><mrow><mo>(</mo><msup><msub><mi>r</mi><mrow><msub><mi>J</mi><mn>0</mn></msub><mi>J</mi></mrow></msub><mi>y</mi></msup><mo>,</mo><msup><mi>&sigma;</mi><mi>y</mi></msup><mo>)</mo></mrow><mo>,</mo><mi>min</mi><mrow><mo>(</mo><msup><msub><mi>d</mi><mi>E</mi></msub><mi>y</mi></msup><mo>,</mo><msup><mi>n</mi><mi>y</mi></msup><mo>)</mo></mrow><mo>)</mo></mrow></mrow>判為無車隸屬度的模糊組合算子公式為<mrow><mi>W</mi><mo>=</mo><mi>min</mi><mrow><mo>(</mo><mi>min</mi><mrow><mo>(</mo><msup><msub><mi>r</mi><mrow><msub><mi>J</mi><mn>0</mn></msub><mi>J</mi></mrow></msub><mi>w</mi></msup><mo>,</mo><msup><mi>&sigma;</mi><mi>w</mi></msup><mo>)</mo></mrow><mo>,</mo><mi>min</mi><mrow><mo>(</mo><msup><msub><mi>d</mi><mi>E</mi></msub><mi>w</mi></msup><mo>,</mo><msup><mi>n</mi><mi>w</mi></msup><mo>)</mo></mrow><mo>)</mo></mrow></mrow>其中，和分別表示該待測車位有車和無車時相關度參數模糊隸屬度函數值；σy和σw分別表示有車和無車方差參數模糊隸屬度函數值；dEy和dEw分別表示有車和無車邊緣點密度參數模糊隸屬度函數值；ny和nw分別表示有車和無車車位線條數目的模糊隸屬度函數值；如果判為有車隸屬度的模糊組合算子大于判為無車隸屬度的模糊組合算子時，判為該車位有車；否則，判為該車位無車。FSA00000054087000011.tif,FSA00000054087000022.tif,FSA00000054087000023.tif2.根據權利要求1所述的一種模糊模式識別的車位檢測方法，其特征在于所述的拍攝區(qū)域范圍為1-4個車位。3.根據權利要求1所述的一種模糊模式識別的車位檢測方法，其特征在于所述的進行形態(tài)學腐蝕運算，在纖細處分離物體和平滑較大物體邊界，A和B是Z中的集合，使用B對A進行腐蝕的計算公式為<formula>formulaseeoriginaldocumentpage3</formula>4.根據權利要求1所述的一種模糊模式識別的車位檢測方法，其特征在于所述的進行形態(tài)學膨脹運算，填充物體內細小空洞，連接鄰近物體和平滑邊界，將處理后的四邊形車位區(qū)域記為I，A和B是Z中的集合，A被B膨脹計算公式為5.根據權利要求1所述的一種模糊模式識別的車位檢測方法，其特征在于所述的車位方差0參數計算將待測車位圖像I與選取的無車背景圖像^做差，計算其絕對值Gs=I-IcJ，獲得車位區(qū)域差值圖像Gs，Gs只包含單獨車位的信息，根據下面的公式計算該車位的方差o表示車位區(qū)域的方差，已表示車位區(qū)域差值圖像&的平均值，n代表Gs內的像素點總數。6.根據權利要求1所述的一種模糊模式識別的車位檢測方法，其特征在于所述的相關度、，計算背景圖像I。和待測車位圖像I是否相關，使用1表示背景圖像的車位區(qū)域，J表示當前圖像的車位區(qū)域，計算公式如下這里"■//。表示相關系數，/。J表示JJ的像素平均值。7.根據權利要求1所述的一種模糊模式識別的車位檢測方法，其特征在于所述的邊緣點密度dE，采用膨脹和腐蝕組合算子計算圖像的形態(tài)學梯度，用g來表示形態(tài)學梯度算子<formula>formulaseeoriginaldocumentpage3</formula>將形態(tài)學梯度算子處理后的車位圖像進行二值化圖像g(X，y)處理采用Ostu最大類問方差法，通過目標和背景兩大類間的方差和類問方差比值計算圖像分割的閾值。8.根據權利要求1或7所述的一種模糊模式識別的車位檢測方法，其特征在于所述的邊緣點密度dE還包括以下步驟；設原始灰度級為M，灰度級為i的像素點的個數為n”則總的像素數為N=110+11!+—對灰度值進行歸一化Pi=VM假設分割閾值為t，則將灰度分成兩類=(0,1,2,...，t);C2=(t+1,t+2,...，M)則每一類出現的概率為<formula>formulaseeoriginaldocumentpage4</formula>每一類的平均灰度為<formula>formulaseeoriginaldocumentpage4</formula>其中<formula>formulaseeoriginaldocumentpage4</formula>則類間方差為<formula>formulaseeoriginaldocumentpage4</formula>在1到M之間改變灰度值k，使得灰度為k*時，它的類間方差0B2為最大，將k*作為分割閾值T，得到最佳的分割效果；將梯度算子處理后的待測車位灰度圖像f(x，y)，經Ostu最大類間方差法變換為二值圖像g(x，y)，二值化的過程表示為Jlf(x,y)>T<formula>formulaseeoriginaldocumentpage4</formula>最后，將二值圖像g(x，y)細化，統計該二值化車位區(qū)域內的邊緣點個數及該區(qū)域像素點總數，邊緣點個數與像素點總數的比值即為邊緣點密度參數，計算公式如下其中，dE表示邊緣點密度，GE表示二值車位區(qū)域圖像中邊緣像素值為1的點，S表示該車位的面積。9.根據權利要求1所述的一種模糊模式識別的車位檢測方法，其特征在于所述的邊緣線條總數目N通過以下步驟取得運用Hough變換提取直線，統計出車位區(qū)域范圍內線條總數，將處理后的二值圖像g(x，y)進行Hough變換，將變換所用兩個參數p和0確定下來，對于圖像空間任意點(x，y)，其函數關系為<formula>formulaseeoriginaldocumentpage4</formula>其中P為原點到直線的距離，9確定直線的方向；根據Hough變換的峰值點統計出待測車位范圍內線條的總數N。10.根據權利要求1所述的一種模糊模式識別的車位檢測方法，其特征在于所述的s型或Z型模糊隸屬度分布函數的設計，其中S型分布函數為<formula>formulaseeoriginaldocumentpage4</formula>z型分布函數為<formula>formulaseeoriginaldocumentpage5</formula>全文摘要本發(fā)明公開了一種模糊模式識別的車位檢測方法，在大型停車場內架設CCD攝像頭，通過CCD攝像頭實時采集車位圖像信息，再由計算機系統讀入采集到的車位圖像數據，并對這些圖像數據依次進行待測車位截取、平滑濾波、彩色圖像灰度化等預處理，然后利用待測車位和背景車位圖像數據求取車位的方差、相關度、邊緣點密度及線條數目四個特征參數，將四個特征參數分別代入已設定的有車、無車隸屬度的模糊組合算子得到有車和無車的模糊隸屬度值，比較兩數值的大小最終判定車位的占用情況。本發(fā)明所提供的方法使用范圍廣泛，通用性強，可應用于室內及室外各種停車場環(huán)境，且具有安裝方便，成本低廉，實時性好，檢測精度高等優(yōu)點。文檔編號G08G1/14GK101807352SQ201010123340公開日2010年8月18日申請日期2010年3月12日優(yōu)先權日2010年3月12日發(fā)明者萬婷婷,張斌,蔣大林,鄧峰申請人:北京工業(yè)大學