1. 研究目的与意义（文献综述包含参考文献）

文 献 综 述

一、视频及其技术的概述

2. 研究的基本内容、问题解决措施及方案

本课题主要是设计一种基于视觉的智能违停行为检测系统，该系统实现的功能是监控汽车是否准确停在车位中，监控的监控场景包括停车场、道路等公共区域，从而减少违停、乱停行为的发生。需要研究的内容如下：

1.系统功能总体规划；

2. 车位及车辆轮廓信息的分割提取；

3. 违停检测算法设计，判断是否属于违停或乱停；

4. 人机交互界面设计，提供实时图像，违停报警等。

二、本课题拟采用的研究手段

1.查阅相关资料，了解视频技术的原理及运用；

2、查阅有关资料，掌握基于视觉的智能违停行为检测系统设计的基本内容。实现基于视觉的智能违停检测系统设计主要分为以下几个部分：

1） 停车场停车位数据的采集；

2） 停车位以及车辆轮廓信息的分割；

3） 对分割的停车位及车辆轮廓的提取；

4） 违停检测算法的设计。

3、查阅有关资料，确定各部分所用的研究方法及算法。

1）图像分割的方法

图像分割的方法有阈值法、基于统计学的方法、分类合作法、区域生长法等几种，区域生长法是一种串行区域分割的图像分割方法，它的优点是思想实现过程相对简单，实现结果相对准确。本文对于停车位及车辆的图像分割都采用区域生长法，它的基本思想是：先在需要分割出的区域内找到一个具有相关特征的像素点，将这个特征像素点作为图像中的一粒种子，在种子的周围寻找具有与其相似的像素点，慢慢开始生长，在生长过程中不断把新生长出的点当做新的种子继续与其邻域中的像素点进行比较，以此类推，直到再也找不到满足条件的像素，于是就变成了一个区域。

使用区域生长法的关键有三点：一是选取种子点：二是在种子点处进行8邻域4邻域扩展；三是当满足一定条件时区域停止生长。

算法的具体步骤如下：

Step1 读取图像，对图像进行预处理；

Step2 从图像的中心序列想图像的两边开始扫描，扫描该点是否具有车位线特征的一个像素点，如果不是则分割图像；若是作为种子点，并进行下一步操作。

Step3 对于扫描符合特征的像素点，作为种子点，记录下该点，以此点开始生长，并向下一点扫描。

Step4 每次生长后计算区域的面积，计算生长变化率是否在范围内，若不在则分割图像；若在则将该点加入到车位线预选集合里边进行下一步像素阈值法的判断。

Step5 对于车位线预集合里边的各个像素值，将其与周围的像素灰度值进行比较，若小于阈值则返回step3进行操作；若大于阈值则判断其是否超多扫描次数，没超则分割图像，超过则结束扫描。

2）车辆轮廓提取方法

已知车辆轮廓的提取方法有差分法、canny边缘检测法、”挖空”像素点法等，本文拟采用canny边缘检测法。

Canny边缘检测算法的核心思想是通过一个准高斯函数作平滑，然后利用其一阶微分求取导数最大值，其在图像中寻找具有局部最大幅度值的像素点时，对边缘定义了3个准则，一次衡量边缘提取的好坏。其准则如下所示：

1、非边缘点误检为边缘点的概率要尽量小，应具有好的边缘检测质量；

2、检测出的边缘点与真实的边缘点距离最小，有较高的边缘定位精度。

3、单一边缘响应准则。

Canny边缘检测算法可以分四步实现：高斯滤波图像去燥、梯度计算、非极大值抑制和边缘连接。其算法流程图如图1所示：

图1 Canny边缘检测算法流程图

1、高斯滤波图像去燥。 滤波和求梯度的模板都是二维的高斯模板，但是用纵横2次两个一维高斯函数滤波器对视频图像进行卷积操作和用二维高斯模板进行一次卷积所达到的效果，且减少了总的计算量。

2、梯度计算。 Canny边缘检测算法计算平滑图像的梯度大小是采用一阶偏导差分来定位实现的。

3、非极大值抑制。 经过第二步得到的图形边缘轮廓较为粗糙，通常含有大量的假边缘，非极大值抑制的目的就是结合梯度方向和梯度强度去除假边缘，通过采用3X3的算子在8个方向领域对M（i，j）的全部元素沿着梯度方向对梯度幅度进行插值。

4、边缘连接。 其实强边缘到弱边缘的连接，对其非极大值抑制后，重要的是两个自适应阈值参数的选择。分别选择适当的上限阈值和下限阈值，被判定为边缘信息像素点的灰度超过上限阈值，在经由强阈值确定了真实的边缘后，再利用弱阈值对真实边缘进行连接处理，以 保证边缘的平滑真实。

3）违停检测算法

首先确定一个矩形停车区域，也是算法的有效检测域，把车位轮廓提取出来，当区域检测到静止目标时，也就是车辆进入到停车区间以内时，把车辆的轮廓提取出来，得到另一个矩形，当车辆轮廓完全在停车位轮廓以内时则确定车辆正确停靠；若车辆轮廓与停车位轮廓有交点则确定车辆违停或乱停。正确停放和违停示意图如下所示。

图2 正确停放 图3 违停