基于雙目逆投影的停車位占位快速檢測(cè)方法*

肖漢彪，胡釗政，周 哲，伍錦祥

（1.武漢理工大學(xué)信息工程學(xué)院，武漢 430070；2.武漢理工大學(xué)智能交通系統(tǒng)研究中心，武漢 430063；3.武漢理工大學(xué)重慶研究院，重慶 401120）

前言

近年來(lái)，隨著車輛智能化技術(shù)的飛速發(fā)展，輔助駕駛與自動(dòng)駕駛技術(shù)得到廣泛研究，特別是針對(duì)智能車的泊車輔助系統(tǒng)。新一代自動(dòng)泊車系統(tǒng)（Autonomous valet parking，AVP）可以進(jìn)一步解放駕駛?cè)?，提升駕乘體驗(yàn)。此外，智能泊停也是更高級(jí)別的無(wú)人駕駛系統(tǒng)不可或缺的組成部分。這些車輛泊停系統(tǒng)均需要快速準(zhǔn)確地檢測(cè)出停車位的信息［1］。

目前的停車位占位檢測(cè)方法可按照其工作原理分為兩類。一類為基于三維重建的方法。該類方法主要分為基于超聲波雷達(dá)、毫米波雷達(dá)、激光雷達(dá)等距離傳感器的方法和基于立體攝像機(jī)深度重建的方法。超聲波雷達(dá)和毫米波雷達(dá)通過(guò)對(duì)車輛周圍的場(chǎng)景進(jìn)行重構(gòu)，分析車位的占用情況，并計(jì)算停車所需的空間。一旦檢測(cè)到足夠大的空間來(lái)容納汽車，系統(tǒng)就會(huì)啟動(dòng)自動(dòng)泊車系統(tǒng)［2-3］。然而，這些傳感器的精度依賴于相鄰車輛的位置。激光掃描儀［4］可以高精度地測(cè)量距離，但是其高昂的成本阻礙了其作為汽車配件的商業(yè)化。深度相機(jī)［5］是指雙目立體視覺(jué)或移動(dòng)立體視覺(jué)傳感器，這些傳感器不僅提供圖像信息，而且提供深度信息。但是，由于生成深度圖的計(jì)算量很大，很難滿足實(shí)時(shí)性需求［6］。因此實(shí)現(xiàn)高精度和低延遲的障礙物檢測(cè)，是輔助駕駛的關(guān)鍵因素。

第二類則為基于目標(biāo)檢測(cè)與識(shí)別的方法，通過(guò)對(duì)停車位上的目標(biāo)進(jìn)行檢測(cè)進(jìn)而分析車位的占用情況。文獻(xiàn)［7］中提出一種針對(duì)視頻幀的時(shí)間分析法，使用高斯混合算法對(duì)背景進(jìn)行差分運(yùn)算，以檢測(cè)車輛和車位占用情況。文獻(xiàn)［8］中通過(guò)K-Means聚類分析實(shí)現(xiàn)車位線精確定位，并根據(jù)車位上的角點(diǎn)數(shù)量，使用分層有限狀態(tài)機(jī)對(duì)車位進(jìn)行分類。文獻(xiàn)［9］中通過(guò)鳥(niǎo)瞰圖分析停車空間的邊沿比例來(lái)確定汽車是否停在一個(gè)車位內(nèi)。紅色區(qū)域表示用于計(jì)算邊緣比率的感興趣區(qū)域。盡管以高邊緣比例為特征的停車位可以代表汽車所占用的車位，但基于單個(gè)特征的車位占用檢測(cè)準(zhǔn)確率較低，且極易受到環(huán)境因素的影響。隨后由于全視監(jiān)測(cè)（around view monitoring，AVM）系統(tǒng)的快速發(fā)展，基于車輛的成像系統(tǒng)從單目相機(jī)變?yōu)锳VM系統(tǒng)。與單目相機(jī)相比，AVM系統(tǒng)有更廣的視場(chǎng)角，可以更有效地幫助駕駛員識(shí)別周邊停車位標(biāo)識(shí)和障礙物。在AVM系統(tǒng)的基礎(chǔ)上，文獻(xiàn)［10］中使用基于方向密度的空間聚類，將帶有噪聲的區(qū)域聚類到具有不同方向的線段，使用相應(yīng)車位幾何特征來(lái)識(shí)別停車位的類型。但是，由于聚集的線段缺少停車位信息，該方法經(jīng)常會(huì)錯(cuò)誤地檢測(cè)到道路標(biāo)記。文獻(xiàn)［11］中將車道邊界線分成一對(duì)具有相反梯度方向的平行線，并使用隨機(jī)抽樣一致性檢測(cè)車道邊界線。為了檢測(cè)停車位之間的分隔線，該文中使用距離變換結(jié)合模板匹配來(lái)識(shí)別，但是該方法只包含一個(gè)模板，因此，它只能應(yīng)用于矩形停車位。文獻(xiàn)［12］中提出用角點(diǎn)檢測(cè)識(shí)別車位，提取道路和障礙物特征進(jìn)行車位占用情況檢測(cè)。由于AVM圖像不能覆蓋整個(gè)車位，故一些靠后停放的車輛不能被檢測(cè)到。同樣，除了AVM系統(tǒng)，深度學(xué)習(xí)由于在目標(biāo)檢測(cè)方面的優(yōu)勢(shì)，也被廣泛應(yīng)用于停車位檢測(cè)。文獻(xiàn)［13］中提出了一種基于決策樹(shù)的車位檢測(cè)算法，該算法采用了增強(qiáng)決策樹(shù)來(lái)訓(xùn)練標(biāo)記點(diǎn)檢測(cè)器，以判斷停車位占用情況。文獻(xiàn)［14］中對(duì)已有網(wǎng)絡(luò)進(jìn)行車輛識(shí)別模型再訓(xùn)練，通過(guò)模擬和真實(shí)數(shù)據(jù)，實(shí)現(xiàn)了對(duì)車輛分布識(shí)別結(jié)果的有序編號(hào)和車位空缺狀況的準(zhǔn)確判斷。文獻(xiàn)［15］中提出了一種實(shí)時(shí)檢測(cè)系統(tǒng)，利用深度卷積神經(jīng)網(wǎng)絡(luò)，并組合前后幀的信息進(jìn)行車位狀態(tài)更新。與基于純圖像的方法相比，該方法的準(zhǔn)確性得到較好的提升?；谏疃葘W(xué)習(xí)的車位檢測(cè)方法雖然在特定目標(biāo)的識(shí)別（車、人等）上有較好的優(yōu)越性，但對(duì)其他障礙物（路障、柱子等）的魯棒性較差，且只適用于單一場(chǎng)景。

針對(duì)以上問(wèn)題，本文中提出一種基于雙目相機(jī)逆 投 影（binocular inverse perspective mapping，BIPM）的停車位快速檢測(cè)方法。其創(chuàng)新點(diǎn)在于：（1）以往的逆投影（inverse perspective mapping，IPM）算法主要用于道路上的車道線檢測(cè)［16-17］，而本文中將IPM算法應(yīng)用于障礙物檢測(cè)，獲得更有效、更簡(jiǎn)單的停車場(chǎng)車位占用檢測(cè)方法；（2）基于雙目逆投影差分圖，獲取車位占用信息和障礙物位置信息，避免了傳統(tǒng)算法中顯式目標(biāo)檢測(cè)和三維重建等復(fù)雜的計(jì)算過(guò)程。

1 本文算法

本文中提出基于BIPM的車位占用檢測(cè)算法，其流程如圖1所示。主要包括以下步驟：（1）使用逆投影算法將左右目圖像投影在參考平面，由于不同相機(jī)逆投影坐標(biāo)不同，須通過(guò)雙目相機(jī)外參進(jìn)行位置補(bǔ)償，完成坐標(biāo)系統(tǒng)一；（2）將左右目逆投影圖像進(jìn)行差分運(yùn)算，得到雙目逆投影差分圖，用于區(qū)分參考平面和平面之外的物體（障礙物）；（3）將該差分圖進(jìn)行二值化與形態(tài)學(xué)濾波處理，以凸顯目標(biāo)區(qū)域和消除噪點(diǎn)信息；（4）獲取車位線區(qū)域，并使用感興趣區(qū)域（region of interest，ROI）算法設(shè)置車位的不同區(qū)域，檢測(cè)各ROI中障礙物像素的占用比，得到車位占用信息，同時(shí)通過(guò)雙目逆投影差分圖獲取障礙物到相機(jī)的距離。

圖1 BIPM算法流程圖

1.1 雙目相機(jī)逆投影變換

逆投影變換是一種利用攝像機(jī)內(nèi)外參數(shù)對(duì)攝像機(jī)圖像進(jìn)行逆映射，獲取世界坐標(biāo)系下某一平面圖像上的實(shí)際坐標(biāo)的方法。利用逆透視變換把3D空間點(diǎn)從圖像中恢復(fù)出來(lái)至少要知道該點(diǎn)的一個(gè)世界坐標(biāo)。因此，采用逆透視變換主要是恢復(fù)三維世界坐標(biāo)系某個(gè)固定軸的平面信息。具體到智能駕駛系統(tǒng)的道路環(huán)境中，通過(guò)建立適當(dāng)?shù)淖鴺?biāo)系，就可以使世界坐標(biāo)系下平面Z=0和真實(shí)的道路平面重合，進(jìn)而通過(guò)逆透視變換從圖像恢復(fù)道路平面的俯視圖，消除透視形變，得到道路交通標(biāo)線等更多不變量信息，從而進(jìn)行后續(xù)的檢測(cè)和識(shí)別任務(wù)。

圖2 為雙目相機(jī)逆投影模型，在圖2（a）中，相機(jī)高度為h，點(diǎn)O為左目相機(jī)光心C1到地面的垂直投影，定義點(diǎn)O為原點(diǎn)，O C1為Z軸建立圖中相機(jī)坐標(biāo)系。AB C D為攝像機(jī)拍攝到的路平面上的梯形區(qū)域，A、B、C、D各點(diǎn)在投影平面內(nèi)的對(duì)應(yīng)點(diǎn)如圖2（b）所示，分別為圖像平面矩形四個(gè)端點(diǎn)A1、B1、C1、D1。

圖2 BIPM算法流程圖

定義矩形中點(diǎn)為原點(diǎn)，以平行于X、Y軸方向的u和v方向建立圖像坐標(biāo)系，H和W分別為圖像平面的高和寬。

以左目相機(jī)為參考，定義點(diǎn)[xl，yl]T為道路平面上一點(diǎn)，圖像平面內(nèi)的對(duì)應(yīng)點(diǎn)坐標(biāo)為[ul，vl]T，可得相機(jī)逆投影公式：

式中：h為攝像機(jī)的安裝高度；2β0為攝像機(jī)鏡頭的水平視場(chǎng)角；2α0為攝像機(jī)鏡頭的垂直視場(chǎng)角；γ0為攝像機(jī)的俯仰角。具體推導(dǎo)過(guò)程見(jiàn)文獻(xiàn)［18］。

由于兩相機(jī)坐標(biāo)系之間可通過(guò)空間矩陣M相互轉(zhuǎn)換。其中R為旋轉(zhuǎn)矩陣，T為平移矩陣。

則左右目相機(jī)位置變換關(guān)系為

其中，R和T可以通過(guò)相機(jī)外參標(biāo)定獲得［19］。則右目相機(jī)逆投影坐標(biāo)為

由于本文中使用雙目相機(jī)進(jìn)行試驗(yàn)，左右相機(jī)光軸平行，當(dāng)相機(jī)水平放置于車上時(shí)，通過(guò)對(duì)參考平面進(jìn)行尺度約束，左右相機(jī)旋轉(zhuǎn)矩陣R為單位矩陣，且只存在X軸方向上的位移，并與基線相同，t x=d，t y=t z=0，即T=[d0 0]T，可得

由式（1）和式（5）可得右目相機(jī)逆投影公式：

通過(guò)式（1）和式（6），可將雙目相機(jī)逆投影變換在同一坐標(biāo)系下，便于后續(xù)的圖像差分變換。BIPM算法充分利用了雙目相機(jī)的尺度信息（基線長(zhǎng)度），通過(guò)高精度標(biāo)定實(shí)現(xiàn)了雙目圖像在參考平面（地面）上的精確映射。

1.2 基于雙目逆投影差分圖的障礙檢測(cè)

圖像差分法常用于變化或運(yùn)動(dòng)的物體，將同一場(chǎng)景在不同時(shí)間拍攝的圖像相減，實(shí)際上就是圖像的差分運(yùn)算。差分圖像提供了圖像間的像素差值信息，消除了兩圖像的背景和噪聲，該方法可運(yùn)用于目標(biāo)的檢測(cè)、跟蹤和識(shí)別［20］。結(jié)合上節(jié)所述的逆投影變換，可將目標(biāo)上的點(diǎn)通過(guò)某一平面進(jìn)行區(qū)分，即在不同視角下的逆投影平面，目標(biāo)上的點(diǎn)所在位置不同，故可將多視角下的逆投影圖像進(jìn)行差分，將目標(biāo)的輪廓勾勒出來(lái)，實(shí)現(xiàn)目標(biāo)檢測(cè)。

基于雙目逆投影差分圖的障礙檢測(cè)方法原理如圖3所示。相機(jī)跟隨車以速度v向前移動(dòng)，在某一時(shí)刻，左右目光心C1、C2運(yùn)動(dòng)到圖中所示的位置。對(duì)于地面上一點(diǎn)Q1，相機(jī)在C1與C2處的成像在地面上的投影均為Q1，灰度值相同；而對(duì)于高于地面上一點(diǎn)Q2，成像在地面的投影分別為Q3和Q4，灰度值存在差異。

圖3 基于雙目相機(jī)逆投影的障礙物檢測(cè)原理

定義Pl(xl，yl)和Pr(xr，yr)為進(jìn)行坐標(biāo)補(bǔ)償后的兩個(gè)IPM圖像坐標(biāo)，則它們的差分圖為

對(duì)差分圖進(jìn)行二值化處理，并設(shè)置閾值，突出目標(biāo)區(qū)域：

式中：B(x，y)為左右目逆投影差分后的二值圖；τ為二值化的閾值。B(x，y)=0表示地面，B(x，y)=1表示非地面的障礙物。

然而，二值化處理后圖像通常會(huì)有很多噪聲點(diǎn)，需要對(duì)二值圖進(jìn)行后處理，進(jìn)一步區(qū)分出平面上和平面外的點(diǎn)。對(duì)此，提出使用開(kāi)運(yùn)算的形態(tài)學(xué)濾波方法消除噪點(diǎn)：

式中：?為腐蝕；⊕為膨脹；S為核函數(shù)。本文中核函數(shù)根據(jù)雙目相機(jī)基線長(zhǎng)度d設(shè)置，即S≤d。

1.3 車位占位檢測(cè)與障礙物位置計(jì)算

由式（9）可知，(x，y)在G(x，y)=0時(shí)為平面上一點(diǎn)，在G(x，y)=1時(shí)為非平面上一點(diǎn)。由此，可以通過(guò)車位區(qū)域非平面點(diǎn)的多少來(lái)判斷該車位是否被占用。為獲取車位的占用信息，首先需要確定停車位的位置，本文中采用文獻(xiàn)［17］中的方法對(duì)車位線進(jìn)行識(shí)別，獲取車位的位置信息，同時(shí)設(shè)置為ROI。

通過(guò)式（10）可以快速計(jì)算ROI中二值圖像上的像素?cái)?shù)，并計(jì)算非平面像素的比例，其中(x，y)為ROI區(qū)域內(nèi)的坐標(biāo)。通過(guò)設(shè)置比率閾值，最終可以確定一個(gè)停車位是否被占用。另外，可以在一個(gè)停車場(chǎng)上設(shè)置多個(gè)ROI，以獲得更準(zhǔn)確的占用檢測(cè)結(jié)果。

在ROI區(qū)域遍歷G(x，y)=1的點(diǎn)，將與相機(jī)最近的點(diǎn)定義為障礙物位置計(jì)算的起點(diǎn)。通過(guò)平面兩點(diǎn)的距離公式得到地面上的實(shí)際距離L1。由于雙目相機(jī)視場(chǎng)角的影響，如圖2（a）所示，逆投影的起始位置并不能從原點(diǎn)O開(kāi)始，所以逆投影起始點(diǎn)與相機(jī)還有一段距離L2，故最終計(jì)算障礙物到相機(jī)的距離L=L1+L2。

在BIPM算法獲取的二值差分圖中，可直接獲取參考平面（地面）的物理坐標(biāo)信息，完成障礙物的位置計(jì)算。在停車的場(chǎng)景下，檢測(cè)區(qū)域一般較?。?個(gè)車位左右，范圍約800 cm×600 cm）。在該檢測(cè)范圍內(nèi)，基于逆投影方法（本質(zhì)上是單視圖方法）可以獲得較好的定位精度［19］。

2 試驗(yàn)結(jié)果與分析

試驗(yàn)所用的雙目相機(jī)如圖4所示，相機(jī)的安裝高度為120 cm，基線長(zhǎng)度為120 mm。通過(guò)棋盤格標(biāo)定獲取雙目系統(tǒng)內(nèi)外參數(shù)。其中雙目相機(jī)內(nèi)參數(shù)如表1所示，H、V、D分別表示相機(jī)水平、垂直和對(duì)角的視場(chǎng)角。相機(jī)的俯仰角為86°。通過(guò)標(biāo)定結(jié)果，可以完成雙目圖圖4像逆投影，生成BIPM差分圖。

圖4 車載雙目相機(jī)及標(biāo)定

表1 雙目相機(jī)參數(shù)

試驗(yàn)過(guò)程分為兩個(gè)階段：障礙物檢測(cè)和車位占用分析與測(cè)距。在障礙物檢測(cè)階段，由于相機(jī)視場(chǎng)角的影響，試驗(yàn)根據(jù)檢測(cè)車位的大小，指定800 cm×600 cm的目標(biāo)區(qū)域來(lái)進(jìn)行占位檢測(cè)。逆投影的最近點(diǎn)設(shè)置在相機(jī)前方20 cm處。在差分圖二值化過(guò)程中，考慮到圖像處理過(guò)程中噪聲點(diǎn)的影響，采?。?，5］核對(duì)二值圖像進(jìn)行形態(tài)學(xué)濾波。在測(cè)距與車位占用分析階段，將每個(gè)停車位根據(jù)距離設(shè)置3個(gè)ROI網(wǎng)格，并通過(guò)網(wǎng)格中障礙物像素點(diǎn)的占比來(lái)確定該停車位是否為空，同時(shí)獲取車位中各個(gè)障礙物到相機(jī)的距離。

本文中分別在地下停車場(chǎng)和室外停車場(chǎng)兩種場(chǎng)景進(jìn)行實(shí)驗(yàn)，且均在相同的計(jì)算機(jī)環(huán)境下進(jìn)行測(cè)試，其配置為CPU：Intel Core i7-8700 3.2 GHz，內(nèi)存：16 GB，開(kāi)發(fā)環(huán)境為Visual Studio 2017 C∕C++。

2.1 地下停車場(chǎng)試驗(yàn)結(jié)果與分析

圖5 顯示了地下停車場(chǎng)兩個(gè)較為典型的場(chǎng)景。第一行為雙目相機(jī)左右目原始圖，第二行為對(duì)應(yīng)的IPM圖像，通過(guò)外參標(biāo)定估計(jì)兩個(gè)圖像之間的運(yùn)動(dòng)，得到第三行左圖所示的BIPM差分圖。通過(guò)二值化和形態(tài)學(xué)濾波做進(jìn)一步處理，生成第三行右圖所示的二值差分圖。從圖中可以觀察到，障礙物的區(qū)域顯示為白色，而地面顯示為黑色。試驗(yàn)中，在停車場(chǎng)中從遠(yuǎn)到近設(shè)置了3個(gè)相等大小的ROI，每個(gè)ROI的閾值為6%。

圖5 地下停車場(chǎng)占位檢測(cè)

試驗(yàn)車沿著地下停車場(chǎng)的封閉路徑行駛，共獲取78個(gè)停車位信息，最終的檢測(cè)結(jié)果如表2所示。第2列中顯示，有18個(gè)車位為空位，56個(gè)車位停放有車，2個(gè)車位有路障，其余2個(gè)車位有車位鎖。表2的第3列顯示了錯(cuò)誤檢測(cè)的次數(shù)，在78個(gè)停車位中，本文提出的方法成功檢測(cè)到其中77個(gè)，檢測(cè)精度為98.7%。

表2 地下停車場(chǎng)占位檢測(cè)結(jié)果

2.2 室外停車場(chǎng)試驗(yàn)結(jié)果和分析

試驗(yàn)二選擇某大學(xué)的室外停車場(chǎng)作為試驗(yàn)場(chǎng)景。由于室外場(chǎng)景環(huán)境變化較大，存在更多的變量，使得停車位檢測(cè)較于地下停車場(chǎng)更具挑戰(zhàn)性。在試驗(yàn)中，測(cè)試車沿著室外停車場(chǎng)的任意路徑行駛，并使用本文算法進(jìn)行車位占用檢測(cè)。共檢測(cè)有40個(gè)停車位，其中15個(gè)車位為空位，21個(gè)車位停放有車，4個(gè)車位有路障。部分檢測(cè)結(jié)果如圖6所示。

圖6 露天停車場(chǎng)占位檢測(cè)

在室外停車場(chǎng)試驗(yàn)的統(tǒng)計(jì)結(jié)果如表3所示。在15個(gè)空車位和被車輛占用的21個(gè)車位中，均只有1個(gè)錯(cuò)誤檢測(cè)，而有路障的停車位檢測(cè)精度為100%，平均檢測(cè)精度為95.0%。試驗(yàn)結(jié)果進(jìn)一步證明了本文中提出的BIPM方法對(duì)停車位占用檢測(cè)的有效性和準(zhǔn)確性。

表3 室外停車場(chǎng)占位檢測(cè)結(jié)果

2.3 試驗(yàn)結(jié)果對(duì)比分析

為體現(xiàn)文本算法在時(shí)間、準(zhǔn)確率、定位精度上的優(yōu)越性，現(xiàn)與常用的3種算法進(jìn)行對(duì)比，包括基于三維重建的停車位占用檢測(cè)［6］、基于環(huán)視圖的停車位占用檢測(cè)［12］和基于深度學(xué)習(xí)的停車位占用檢測(cè)［14］，結(jié)果如圖7所示。

圖7 對(duì)比算法停車位占位檢測(cè)結(jié)果

文獻(xiàn)［6］中提出基于三維重建的方法，通過(guò)深度信息識(shí)別車位上的障礙物，該方法在近距離檢測(cè)時(shí)定位精度較好，但深度圖計(jì)算量過(guò)大，不滿足實(shí)時(shí)性的需求。文獻(xiàn)［12］中提出通過(guò)環(huán)視監(jiān)控系統(tǒng)和相關(guān)空位分析算法，使用四路相機(jī)拼接的AVM圖像，獲取停車位的占用信息。由于環(huán)視系統(tǒng)相鄰相機(jī)公共視野的影響，在圖像拼接時(shí)只保留了鳥(niǎo)瞰圖的一部分，無(wú)法識(shí)別整個(gè)車位，所以對(duì)于停車靠后的車位，會(huì)誤檢為空。文獻(xiàn)［14］中提出深度學(xué)習(xí)在目標(biāo)識(shí)別方面的優(yōu)越性，將其應(yīng)用于停車場(chǎng)的車位檢測(cè)。類比于文獻(xiàn)［14］，本文中使用YOLO-v3網(wǎng)絡(luò)進(jìn)行試驗(yàn)。該方法在特定目標(biāo)的識(shí)別上有很高的準(zhǔn)確率，但在識(shí)別路障、車位鎖等障礙物時(shí)準(zhǔn)確率較低，并且該網(wǎng)絡(luò)生成的bounding box的位置對(duì)障礙物測(cè)距的精度有很大的影響。

本文算法與這3種方法使用相同的數(shù)據(jù)集，綜合檢測(cè)結(jié)果如表4所示。從給出的對(duì)比算法的檢測(cè)時(shí)間、準(zhǔn)確率、定位精度的結(jié)果可以看出，基于環(huán)視圖的方法（文獻(xiàn)［12］）在檢測(cè)時(shí)間和定位精度方面表現(xiàn)較好，但由于環(huán)視系統(tǒng)的局限和場(chǎng)景的要求，導(dǎo)致其準(zhǔn)確率較差；而基于深度學(xué)習(xí)方法（文獻(xiàn)［14］）耗時(shí)相對(duì)較長(zhǎng)，并且由于bounding box的不確定性導(dǎo)致定位精度不足；基于三維重建的方法（文獻(xiàn)［6］）在定位上有一定的優(yōu)勢(shì)，但檢測(cè)時(shí)間太長(zhǎng)。由此可見(jiàn)，本文算法在檢測(cè)時(shí)間、準(zhǔn)確率和定位精度方面與對(duì)比方法相比有較大優(yōu)勢(shì)。

表4 各方法對(duì)比結(jié)果

3 結(jié)論

本文中將雙目系統(tǒng)用于停車場(chǎng)車位檢測(cè)，提出了一種基于雙目相機(jī)逆投影變換的停車位檢測(cè)方法，通過(guò)對(duì)左右目相機(jī)外參標(biāo)定，將雙目相機(jī)逆投影變換在同一坐標(biāo)系，獲得差分圖像并進(jìn)行車位占用檢測(cè)，并通過(guò)雙目相機(jī)逆投影差分圖，計(jì)算障礙物與相機(jī)的距離。試驗(yàn)結(jié)果表明，車位檢測(cè)算法準(zhǔn)確率在95%以上，并且本文中提出的測(cè)距模型能有效測(cè)量縱向6 m、橫向8 m以內(nèi)的車輛距離，對(duì)不同停車場(chǎng)環(huán)境的障礙物測(cè)距誤差在2%以內(nèi)，且算法的平均處理速度達(dá)到了18幀∕s，實(shí)時(shí)性能好，魯棒性高，滿足智能車系統(tǒng)對(duì)算法實(shí)時(shí)性和準(zhǔn)確性的要求。