基于车辆追踪的智能停车场研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于车辆追踪的智能停车场研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：针对现有停车场管理存在的不足,提出了基于车辆追踪的智能停车场管理模式，利用停车场内的已有的车辆视频监控信息，使用联合粒子滤波预测的方法对场内车辆进行实时追踪，并在监控终端上统一展现，以准确反映停车场内的所有车辆现况，提高停车场使用效率。仿真实验结果表明,该模式能够有效地完成该智能监控任务。

关键词：目标追踪；联合粒子滤波；智能停车场

中图分类号：TP18文献标识码：A文章编号：1009-3044(2011)21-5212-03

Research of Intelligent Parking Based on Vehicle Tracking

TANG Fei-yue1, DENG Xiang-lin1, LI Nan2

(1.Hunan Communication Polytechnic, Changsha 410004, China; 2 China Mobile Limited Company Branch in Hunan, Changsha 410004, China)

Abstract: To improve the shortcoming in parking management, this paper propose an intelligent model for parking management based on vehicle tracking. With the existing video information in parking, it can do real-time tracking of the vehicle in floor by joint particle filter, and show on an unified monitoring, finally achieve to reflect the car park of the status of all vehicles accurately，and to improve parking efficiency. Simulation results show that this model can complete the intelligent task of monitoring the car park effectively.

Key words: object tracking; multi-regions; intelligent car parking

1 研究背景

随着现代工业文明的发展，机动车辆已成为大众消费品，以北京市2011年一季度统计数据，全市机动车数已接近500万辆，但全市二环内的公共停车位不到10万个。北京市交通委运管局网站2011年公布的备案停车位数据显示，北京十六区县以及亦庄、北京西站地区的临时占道停车场、路外公共停车场、地下停车场，共计车位74.1万个，以此估算，机动车停车位缺口高达85%。

由于人口密集、土地面积有限，城区要解决停车问题必须从提高大型公有停车场方面着手。目前停车场所的智能管理系统（Intelligent Parking System,IPS）的研究主要集中停车场卡口、车位管理方面[1-2]，而忽视对停车场内及车位动态的关注。视频监控系统主要用于安防，大量的视频信息仅用于录像保存，以供日后可能的事故或纠纷举证，信息利用程度较为有限。如何有效利用现有的停车场视频监控信息，提高停车场管理的服务质量和智能化程度，是智能停车场管理系统拓展的重要研究方向。

2 理论分析

数字化图像的智能分析是机器视觉研究领域的重要课题，而基于视频图像的目标跟踪技术则是其中的研究热点。目前已广泛应用的目标跟踪及预测[3-4]，其使用核心技术是“粒子滤波”[5]。“粒子滤波”也被称为“顺序蒙特卡洛法”(Sequential Monte Carlo, SMC), 是一种适用于非线性、非高斯约束的目标跟踪方法，目前常见的应用有：卡曼滤波器[6]、Mean Shift[7]以及粒子滤波器[8]。卡曼滤波器主要用于预测稳定移动的物体，对于像车辆这种可能突然有加速、减速或改变方向的情况并不适用；Mean shift虽然稳定度上优于卡曼滤波器，但同样不适用与快速移动的物体；而粒子滤波器则可以适用于复杂运动物体的追踪，但追踪结果较不稳定。近年来粒子滤波器也发展出许多不同的变形，例如：扩展卡曼粒子滤波器（Extended Kalman Particle Filter, EKPF）、Unscented 粒子滤波器（Unscented Particle Filter, UPF）、混合卡曼粒子滤波器（Mixed Kalman Particle Filter, MKPF）、粒子滤波器（Rao-Blackwellised Particle Filters, RBPF）等等。

本文综合了Mean Shift、粒子滤波器在视频图像目标追踪上的技术优势，参考手部追踪[9]以及脸部追踪[10]的技术应用，以联合粒子滤波器解决传统粒子滤波器在多辆车追踪时所出现的不稳定现象，同时引入马可夫链[11]以计算所追踪物体的状态关联关系，最终实现本次研究目的。

2.1 联合粒子滤波模型定义

首先对每个对象定义其状态函数如式(1)。

其中i =1,...,t ，t 为物件的个数。(1)

其次定义观测函数如式(2)

(2)

将对象在时间k 的状态以集合Sk={s1k,s2k,…,sτk}表示，以集合Zk={Zjk}Mk j=1表示在时间k 的观测结果，其中Mk为观测值个数。再以一个集合Zk={Z0,Z1,…,Zk}表示经过了k时间所累积记录下来的观测结果，最后定义所有对象的状态与所有观测结果之间的相联关系事件?准，每个事件都是由数对( j, i) 所构成，其中(j,i) ∈{0,…,Mk}×(1,…, τ)。在现在的时间所得到的观测结果中，各种相联关系事件?准可能出现的机率来当作权重之一。见式（3）：

(3)

考虑单一发生相联关系事件?准的机率，利用马可夫性质，可得式（4）：

(4)

在时间k 的对象状态Sk之下可以得到的相联关系事件?准机率，见式(5)：

(5)

在出现对象状态Sk 并且发生事件?准的条件之下，得到观测结果Zk的机率见式(6)：

(6)

2.2 联合粒子滤波器

联合粒子滤波器是粒子滤波器的另一种变形。粒子滤波器中对粒子权重部分的考虑，主要对以下三个特征：1）面积相似度；2）位置相似度；3）色彩相似度。在联合粒子滤波器中除了考虑上述三个特征之外，还必须考虑到在当前时间所得到的观测结果中，各种相联关系事件?准可能出现的机率做为权重。

假设在多维空间Dn上任意或依某种分布特性（高斯分布）散布的N个样本，每个样本以S(n) k表示，其中n =1,..., N，S(n) k为一状态向量，分别代表在下个时间点各种不同的预测结果。将蒙地卡罗法的概念应用在联合粒子滤波器上，可得到在不同样本的状况下，每个样本存在的可能性（权重）。见式(7)：

(7)

3 仿真实验及结果

对于已采集的视频图像中已识别出的车辆图像块的质心位置，以(Lx,Ly)表示；色彩直方图以(hr,hg,hb)表示；图像块的长、宽和面积（分别以a,b,R表示），再利用前后时间分别得到的两个车辆位置得到现在车辆的移动速度，以(Vx,Vy)表示。利用得到的这些信息，可以将车辆的状态S表示为S=[x y Vx Vy a b hr hg hb R d]T，将粒子的状态以矩形表示，其中x 、y 表示粒子的位置，d 为粒子矩形中心距离追踪物的距离。

由于在第一次侦测到车辆的时候，并没有车辆的移动方向和速度数据，为了使粒子的分布不至于过于集中，因此假设粒子以高斯分布在侦测到的车辆位置附近，由此可得粒子的初始速度，见式(8)：

(8)

Grand 为介于-1 到1 之间且符合高斯分布的随机数， K1和K2 为常数。

粒子的初始位置的计算公式见式(9)：

(9)

定义车辆在单位时间的平均移动距离为式(10)

(10)

对粒子的更新表示见式(11)：

(11)

为了判断由一个粒子代表的图像块与被追踪车辆是否相似，分别对面积相似度(以L1表示)、位置相似度(以L2表示)、色彩相似度(以L3表示)的相似度来更新粒子权重，见式(12)，并使得。

(12)

为了解决计算机模拟产生的伪随机数对追踪结果造成的影响，对每次更新进行重新取样，将权重值过小的粒子剔除，保留权重值较大的粒子。实验中设定当粒子权重低于1/l时，就将该粒子移除，再把剩余权重值较大的粒子，按照权重大小分配该拥有多少粒子，将重新分配的粒子权重均设为1/l。最后算出期望值状态，来显示最后追踪的结果。见式(13)：

(13)

Ex和Ey表示期望图像块，即被追踪车辆的中心位置。追踪结果显示见图1、图2。

4 结论

本文以车辆追踪的模式对停车场视频信息的智能处理进行了初步研究，实验结果表明了此模式的可行性。其研究结果可扩展到停车场内车辆引导系统，合理规划停车场内的车流情况，节省停车时间，也可与停车场车辆查询系统结合，快速查找指定车辆在停车场的实时位置，具有较好的扩展应用前景。

参考文献：

[1] 王竹萍.基于RFID技术的智能停车场研究与开发[J].杭州师范学院学报:自然科学版,2007,6(1):61-65.

[2] 胡世杰.智能小区停车场管理系统的设计[J].电气应用,2008,27(15):59-62.

[3] Czyz J, Ristic B, Macq B. A particle filter for joint detection and tracking of color objects[J].Image and Vision Computing,2007,25(8):1271-1281

[4] Pantrigo J J, Sanchez A, Montemayor A S, Duarte A. Multi-dimensional visual tracking using scatter search particle filter[J].Pattern Recognition Letters, 2008,29(8):1160-1174.

[5] Gordon N J, Salmond D J, Smith A F M. Novel approach to nonlinear/non-Gaussian Bayesian state estimation[J].IEEE Proceedings on Radar and Sonar Processing,1993,140(2):107-113.

[6] Masoud O, Papanikolopoulos N P.A novel method for tracking and counting pedestrians in real-time using a single camera[J].IEEE Transactions on Vehicular Technology, 2001，50(5): 1267-1278.

[7] Comaniciu D, Meer P.Mean shift analysis and applications[J].The Proceedings of the Seventh IEEE International Conference on Computer Vision,1999(2):1197C1203.

[8] Boers Y, Driessen H.The Mixed Labeling Problem in Multi Target Particle[J].IEEE 10th International Conference on Information Fusion,2007:1-7.

[9] Shan Cai-feng , Wei Yu-cheng, Tan T, Ojardias F.Real time hand tracking by combining particle filtering and mean shift[J].Sixth IEEE International Conference on Automatic Face and Gesture Recognition, 2004,669-674.

[10] Fang Xu, Jun Cheng, Chao Wang.Real time face tracking using particle filtering and mean shift[J].IEEE International Conference on Automation and Logistics,2008:2252-2255.

[11] Khan Z, Balch T, Dellaert F. MCMC-based particle filtering for tracking a variable number of interacting targets[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005,27(11):1805-1819.

注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文