JERMSURAWONG Jermsak,AHSAN Umair,HAIDARAbdulhamid,DONG Haiwei*，MAVRIDIS Nikolaos

（1.紐約大學,美國紐約州紐約市；2.麻省理工學院,美國馬薩諸塞州劍橋市）

1 引言

由于私家車的增長，停車管理問題越來越迫切.一方面，過少的停車位會引起交通擁堵并導致停車占用其他空間[1，2].另一方面，如果停車位過多，容易造成土地資源的浪費，而且間接促進了私家車的進一步增長，背離了環(huán)境友好型的交通發(fā)展模式[3].對實際數(shù)據(jù)進行統(tǒng)計分析，對于制定合理的決策具有重要意義.本文嘗試利用單攝像機空位檢測系統(tǒng)，對位于阿布扎比市區(qū)的通用路外停車場全天的停車數(shù)據(jù)進行統(tǒng)計分析.

為給交通管理和決策制定提供依據(jù)，已有許多針對小汽車停車問題的研究，其中停車需求是重要的研究對象之一[4].“停車需求是車輛在指定地點、關(guān)聯(lián)位置和一定時間內(nèi)的累積值……它應該是觀測時間內(nèi)的最大車輛觀測數(shù)”[5].因此，停車需求表示停車場在時間維度上的利用率.調(diào)整停車位的大小和數(shù)量[6]、估算利潤和環(huán)境成本[7]、評價政策的效果和預測未來需求[8]都依賴于對停車需求的統(tǒng)計分析.

停車需求首先被用于確定停車位的大小.目前，許多路外停車場的建設標準都參考美國交通工程師學會停車研究所(Institute of Transportation Engineers’Parking Generation)的研究成果.這本書明確了不同性質(zhì)的土地利用的最小停車需求.然而，研究成果中的數(shù)據(jù)來自于單一土地利用性質(zhì)的郊區(qū)[1]，而未兼顧到混合土地利用的情況，事實上，對于后者，停車需求相對更小.因此，在停車場的設計過程中，利用低成本、高效率的方法獲得更加精確的停車需求顯得非常重要.

除了停車場設計之外，評價既有停車場的停車需求對于制定停車政策也是有意義的，比如常用來確定合理的停車費用.高停車需求下有限的停車位會導致停車費提高，而收費過低則造成停車位緊張，收費過高則會降低利用率，浪費公共資源，合理的價格才能使資源得到最有效的利用.舊金山成功實施了一種先進的停車收費系統(tǒng)，它可以根據(jù)不同時段和當天的實際停車情況進行收費[4]，但是對于事先未確定的停車費的最優(yōu)定價不能僅僅依賴于停車需求，因為它僅僅是實際的停車人數(shù)，還應當通過調(diào)查獲得在某種收費價格水平下有停車意愿的所有數(shù)量.

目前，存在兩種較為常用的停車需求估計方法.第一種是基于仿真建模，模型既有方便的簡化形式，也有需要大量數(shù)據(jù)、計算過程復雜的形式[9].實際上在預測停車需求方面，有許多針對影響停車選擇的因素，包括走行距離、停車費、可用停車位、違法停車罰款等[10,11].一些模型根據(jù)概率理論考慮了駕駛員對這些因素的感知成本和效用估計[12]，其他模型利用機器學習方法根據(jù)時間參數(shù)來確定對當前停車設施的需求[13].這些方法都需要根據(jù)實際數(shù)據(jù)進行標定，并且停車需求可由實際數(shù)據(jù)統(tǒng)計得到.以智能停車系統(tǒng)[14]為代表的自動化系統(tǒng)能夠有效收集停車信息[15].這些系統(tǒng)可進一步分為侵入式和非侵入式兩類[16].比如，需要將無線[17]或有線傳感器[18]安裝在復雜的設備上的屬于侵入式系統(tǒng)，而另外一種非侵入式系統(tǒng)，如微波雷達、被動式聲線列陣傳感器、被動式紅外傳感器等更便于安裝[14].這兩種系統(tǒng)都是資源密集型的，僅可用于收集短時數(shù)據(jù).所以，更好的解決方法是采用基于圖像檢測的一對多系統(tǒng)，這種系統(tǒng)成本更低而且更靈活，屬于非侵入式的系統(tǒng).

在基于視覺的研究領(lǐng)域中，目標檢測一直是研究的焦點.Bong等人利用像素檢測臨界值來區(qū)分車輛和空位，雖然臨界值不能隨著光條件的改變而自發(fā)性地變化，但他用邊緣檢測進行了修正[19].盡管如此，這種方法在車輛距離攝像機較遠或車輛圖像占有像素點較少的情況下的檢測效果仍然較差.Fabian在這種方法的基礎(chǔ)上利用車輛像素的同質(zhì)化特征，計算了同質(zhì)化的像素塊數(shù)量[20].同樣，這種方法也要求圖像具有較高的精細度，因此這種方法對于單攝像機檢測系統(tǒng)在大規(guī)模停車場的適用性有限.本文提出的算法需要的像素很少，單攝像機的覆蓋范圍超過150個停車位.

另外，有一些研究嘗試利用機器學習判斷停車狀態(tài)[21,22]，這種方法在光線變化的條件下的穩(wěn)定性稍差.為了解決這個問題，Huang提出了一種基于貝葉斯理論的檢測方法，這個研究詳細到基于美國海軍氣象天文臺根據(jù)光線方向?qū)τ白舆M行了建模，以此避免影子被錯誤識別成黑色車輛[23].可以看出，這種方法很復雜，雖然可以通過影子識別車輛，但車輛的外形存在差異.此外，雖然該方法的精確度可以達到99%[23]，但僅在白天被測試過.而本文提出的方法在夜間依然可以得到同樣令人滿意的效果.

還有一些可在夜間使用的空位識別系統(tǒng)的少量案例[24].遺憾的是，Macdonell和Lobo檢測到的夜間圖像只能覆蓋5個停車位[25].日本測試了基于模糊C均值算法識別空位的系統(tǒng)，得到了較為滿意的結(jié)果.該研究收集了兩個月的全天數(shù)據(jù)[26]，但是研究區(qū)域在一個多層停車場的頂層，車位數(shù)不到30個.所以，檢測區(qū)域不能完全代表整個停車場，并且?？康能囕v較少，以至于難以獲得更有效的統(tǒng)計數(shù)據(jù).

對停車場進行全天的研究并不多，最系統(tǒng)的一次研究是由香港運輸署委托的，估算了4 000個停車場從7:30至22:30的停車需求[27].結(jié)果發(fā)現(xiàn)停車需求曲線具有相似性，并且停車場可以根據(jù)周邊土地利用性質(zhì)進行分類.由得到的需求模型，該研究根據(jù)周邊土地利用性質(zhì)提出了停車需求預測方法.雖然這類方法能夠滿足應用需要，但在全天時段內(nèi)觀測的停車需求有可能出現(xiàn)偏差，因為即使白天的停車曲線很相似，夜間的差別可能會很大.因此，研究不能夠預先假設停車行為的動態(tài)時間區(qū)間，而應該基于全天的經(jīng)驗數(shù)據(jù).

目前關(guān)于停車研究的另一個局限性在于即使停車場接近飽和，仍然將利用率作為唯一指標.當每個需要停車的駕駛員都能夠?？吭谕＼噲觯⒁虼吮豢醋鍪钦麄€停車需求的一部分的時候，利用率確實能夠代表停車需求.然而，當停車場接近飽和時，并不是所有想要停車的駕駛員都能夠成功獲得停車位.僅從利用率來評價整個停車需求必然排除了沒有成功獲得停車位的那部分人的需求.除了描述利用率隨時間的變化，更為詳細的研究會記錄在停車場出入口處進入和離開停車場的車輛數(shù)[28].實際上，在利用率近似飽和的情況下，根據(jù)進入和駛出停車場的車輛數(shù)可以得到?jīng)]有找到停車位的那部分停車需求.然而，以往研究中往往忽略了這種潛在的停車需求.本文的方法檢測的數(shù)據(jù)能夠用于研究停車位在空閑之后多久再次被占用.當大多數(shù)停車位已被占用，潛在需求較高就表現(xiàn)為新來的車輛會迅速占用剛空出的停車位.當停車場接近飽和時，它進一步捕獲了沒有成功停車的那部分需求，是一種更精確的描述方法.

本文收集一天的數(shù)據(jù)，利用訓練好的神經(jīng)網(wǎng)絡根據(jù)停車位的視覺特征來確定其占用狀態(tài).空位檢測系統(tǒng)解決了三個技術(shù)問題：首先，通過自動匹配路面像素值來計算停車位和車道之間的顏色距離，并且能夠根據(jù)光強變化和光強的非均衡性進行調(diào)整；其次，將光照不足的部分近似為與其有相似特征值的光照充足的部分，并將兩部分進行合并；最后，特別系統(tǒng)性地考察了夜間的空位檢測，選擇適當?shù)膮^(qū)域獲得參考顏色值.總體而言，檢測系統(tǒng)有兩個主要優(yōu)點：其一，和其他方法相比，它依賴的像素點較少，單攝像機能夠覆蓋超過150個停車位；其二，在周圍建筑物遮擋造成的光照變化和光強不均勻時具有較好的穩(wěn)定性.此外，該方法便于實施、容易計算，能夠得到很好的實驗結(jié)果.在持續(xù)一天的實驗過程中，占用停車位的檢測精度為99.9%，空閑停車位的檢測精度為97.9%，特別適合全天數(shù)據(jù)的統(tǒng)計.由于傳統(tǒng)方法借助利用率描述停車需求不能夠捕獲沒有找到停車位那部分的需求，本文提出了停車場接近飽和時停車需求的統(tǒng)計方法，該方法能夠估算出停車場擁擠狀態(tài)的更精確的停車需求.本文提出的方法可以用于混合土地利用性質(zhì)下停車需求的估算，這通常難以在現(xiàn)行的單一土地利用性質(zhì)的計算標準中得到.此外，該方法可用于評價政策的實施效果，比如實行停車收費等.

2 技術(shù)問題

（1）問題1：白天光照變化與光強不均勻.

在室外停車場，光強不僅隨時間變化，并且不均勻，如圖1所示.周圍建筑物的影子會延伸至停車場，這個問題在城市停車場中很明顯，因為停車場通常會被建筑物包圍.圖像分析可以給出停車場狀態(tài)不變的情況下停車位在不同時間的變化特征.表1列出了停車位從無陰影區(qū)到陰影區(qū)后平均統(tǒng)計指標的降低率.本文提出的方法應當能夠動態(tài)地響應光照的變化，包括光強及其不均勻性.

圖1 問題1,從早至晚停車場的光照變化與光強的不均勻性Fig.1 Problem 1,different light intensity and non-uniformity in the car park from morning to evening time.(a)Morning.(b)Noon.(c)Evening

（2）問題2：清晨和傍晚光強不足.

雖然能夠解決光強在白天的變化問題，但是光強嚴重不足給圖像的細節(jié)分析造成了嚴重影響.這種光強嚴重不足的情況通常發(fā)生在白天和夜間交替的時段，即關(guān)燈之后的清晨和開燈之前的傍晚，如圖2中(a)、(b)所示.這種條件下圖像像素值的統(tǒng)計結(jié)果與照明條件良好的情況有所區(qū)別，傍晚像素值的值域及其標準差明顯比下午小.由于傍晚車輛活動頻繁，在此關(guān)鍵時期獲得準確的空位檢測結(jié)果十分重要.

表1 停車位從無陰影區(qū)到陰影區(qū)后平均統(tǒng)計指標的降低率Table 1 Comparison of Average Statistical Measures for the Non-Shaded Spots with the Shaded Spots

圖2 問題2和問題3，其中(a)、(b)光強不足Fig.2 Problem 2 and 3,(a,b)Limited light intensity

（3）問題3：夜間不同的光照模式.

雖然夜間的持續(xù)燈光不會使圖像特征值隨時間產(chǎn)生復雜變化，但是燈柱射出的短距離單光源不同于白天日光下的圖像，如圖2（c）.因為路燈照明僅集中在停車位，空閑車位的顏色比附近路面更亮，兩者顏色差別很大，直接比較兩個區(qū)域會得到錯誤的車輛停放信息.

3 方法

從2012年7月3日上午9點至4日上午9點，我們記錄了位于阿布扎比市區(qū)內(nèi)一個露天停車場為期一天的數(shù)據(jù).為了避免遮擋，攝像機被安置在相鄰大樓的第29層.研究區(qū)域包含9條車道，每條車道一側(cè)有14個停車位，所以一共包括126個停車位.這種大范圍的觀測將每個停車位的像素值減少到30×14個.建立神經(jīng)網(wǎng)絡，利用一個視頻幀來訓練樣本，然后用于分析圖像記錄.

3.1 神經(jīng)網(wǎng)絡

神經(jīng)網(wǎng)絡的分類用于確定停車位的占用狀態(tài)，白天和夜間是兩個雙層前饋的網(wǎng)絡，具有感知隱層和輸出神經(jīng)元.將從每個停車位收集到的各種屬性作為輸入，給出的停車狀態(tài)作為輸出.在訓練過程中，每個網(wǎng)絡提取一套包括輸入屬性的數(shù)據(jù)樣本，輸出目標停車位的實際狀態(tài)，也就是相應停車位的占用情況，并且用本研究提出的一種專用標注方法手動注解.

攝像機每秒記錄25幀，白天的訓練數(shù)據(jù)僅需要326幀.由于空閑車位數(shù)明顯少于占用車位數(shù)，以固定間隔從地面停車位提取的樣本按比例來講空閑車位數(shù)很少.因此，這326幀均勻地分布在整個白天，而夜晚用兩倍頻率來觀測更加頻繁的停車活動，以及收集更多的空閑車位信息.盡管如此，數(shù)據(jù)樣本仍是有偏的，因為夜間比白天時間短.事實上，將夜間樣本加倍可以使數(shù)據(jù)樣本更能代表不同光照條件下的地面停車位情況.從夜間開燈后的4小時內(nèi)均勻提取112幀，這段時間的停車位明顯多于深夜的，并且夜間光強是穩(wěn)定的，樣本仍能代表整夜的情況.由于每一幀覆蓋126個停車位，因此白天訓練序列一共有41 076個數(shù)據(jù)，其中占用車位39 747個，空閑車位1 329個，夜間訓練序列有14 112個停車位，其中占用車位13 731個，空閑車位381個.

白天和夜間兩個神經(jīng)網(wǎng)絡各自的數(shù)據(jù)訓練樣本可以進一步分成三類.首先，70%的數(shù)據(jù)是采用按比例共軛梯度反向傳播法隨機選定的.從神經(jīng)網(wǎng)絡到地面停車位占用或空閑狀態(tài)的預期輸出，由預測誤差項通過網(wǎng)絡向后傳播來確定權(quán)重及調(diào)整偏差使其更加接近地面實況.其次，除了上述用于訓練的70%的數(shù)據(jù)，另外15%的數(shù)據(jù)用于檢驗神經(jīng)網(wǎng)絡的效果，神經(jīng)網(wǎng)絡會不斷訓練直到這15%的樣本的檢驗效果不再提高.最后剩下15%的樣本數(shù)據(jù)作為測試數(shù)據(jù)序列獨立用于對網(wǎng)絡進行評價.

白天網(wǎng)絡隱層包括11個元素，能被正確識別的測試數(shù)據(jù)占用車位的檢測精度為99.9%，空閑車位的檢測精度為98.5%.夜間網(wǎng)絡隱層包括10個元素，占用車位檢測精度為99.9%，空閑車位的檢測精度為98.4%.兩個時段內(nèi)，空閑車位的檢測精度都小于占用車位，這是因為空閑車位的數(shù)據(jù)樣本量比占用車位少很多.另外，夜間的誤差貫穿整個觀測時段，而白天的誤差大多集中在清晨和傍晚，這就更加明確了如問題2中所述的兩個時間段的光照問題，建議將它們與白天神經(jīng)網(wǎng)絡中效果較好的時間段取近似值.

3.2 特征選擇

停車位的特征總結(jié)如下，五類明顯特征分別是：光特征、像素值統(tǒng)計特征、邊界特征、顏色特征、時間特征.

（1）光特征.

這種特征表現(xiàn)為光照的不均勻性和光強變化.首先，顏色距離特征有一個自適應的參考值.由于研究中每個停車位的尺寸一樣的，顏色距離實際上就是停車位中每個像素的顏色距離之和，或者單位面積的顏色距離之和.其次，每個停車位的陰影狀態(tài)特征確定了該停車位處于陰影區(qū)、無陰影區(qū)還是陰影不明顯，對應狀態(tài)值分別為0、1、2.

（2）像素值統(tǒng)計特征.

該特征考慮了停車位圖像像素分散的空間分布，與空閑車位相比，車輛的像素值更廣且空間分布更加不均勻.然而，某些車輛在光線不好的情況下與無車行駛的路面的統(tǒng)計指標有相似值域.因此這些統(tǒng)計指標有雙層約束，可以通過訓練神經(jīng)網(wǎng)絡得到每層約束的理想權(quán)重，從統(tǒng)計指標中獲得最優(yōu)值.寬松約束是指整個觀測區(qū)域的標準差、熵和像素值的值域.當停車位被占用時，由于車輛通常不會覆蓋停車位的全部空間，標準差和熵的計算結(jié)果中必然會包括一部分路面的像素值，雖然對整個停車位的檢測增加了占用車位的分散性和隨機性，增大了車輛占用的預測，但是也有可能包括相鄰車輛的陰影和重疊部分，也錯誤地增加了傳播和隨機性.寬松約束的另一個特征是值域，它表征了停車位像素值之間的最大差異，包含像素值中的異常值.較為嚴格的約束是停車位區(qū)域內(nèi)的標準差和四分位差.從實際觀測區(qū)域20%以內(nèi)的范圍里提取像素值可以排除相鄰車輛的干擾.而異常值對四分位差基本無干擾，因為它表示像素值的第25至第75分位值的差異，并不包括極端值.

（3）邊界特征.

同樣地，邊界特征也有兩層約束.寬松約束使用Canny邊界檢測方法，由于這種方法按灰度圖像的局部最大梯度來確定邊界，所以對模糊邊界比較敏感.對模糊、清晰邊界有兩種不同的邊界值，不僅輸出清晰邊界，還輸出與清晰邊界相連的模糊邊界.雖然寬松約束邊界檢測可以定義與空白路面顏色相似的車輛，但它包括了不必要的模糊邊界，比如空閑停車位的斑點.清晰邊界特征用Sobel方法，它僅在灰度圖像的最大梯度處定義邊界，因此需要更清晰的車輛特征.

（4）顏色特征.

顏色特征是著色車輛的重要屬性.紅色、綠色、藍色車輛濾鏡的最大值和平均值都比空閑車位要高很多.在RGB濾鏡中的的最大差值對于識別著色車輛與路面起到類似作用.灰色在紅綠藍濾鏡上有相似的顏色值，因此空閑車位對任意兩個濾色鏡的最大差值更小.

（5）時間特征.

時間特性考慮了前一幀傳達的信息.當停車狀態(tài)從一幀到另一幀發(fā)生改變時，表現(xiàn)的特征也會有很大改變.如果傳播、邊界、隨機值與前一幀相比是下降的，這就表示被觀測的停車位在目前這一幀變成空閑狀態(tài)，相反，如果這些值增加，停車位有可能將會被占用.每一個新幀中的這種相對變化并未考慮到白天日光條件的變化，因為它對于不變的或者緩慢改變的日光條件是穩(wěn)定的.雖然，停車狀態(tài)保持不變的情況下，這些特征是無用的，但是當停車狀態(tài)快速變化，交通流量較大的情況下，時間特征是確定停車狀態(tài)的關(guān)鍵因素.

3.3 問題1的解決：自適應像素參考值

光特征表現(xiàn)為光強變化和光照不均勻.顏色距離計算了停車位像素和路面一般像素的距離之和.一般像素作為自適應的參考值，在白天隨著光強的變化而變化.當光照不均勻時，就會得到與陰影區(qū)域和非陰影區(qū)域相關(guān)的兩個一般像素值，陰影狀態(tài)值進一步確定停車位是否處在陰影區(qū)域.如果停車位的顏色距離高就表示有車輛占用，顏色距離低就表示與沒有車輛行駛的路面情況一致，即無車輛占用.

為了確定一般像素值，首先把圖像轉(zhuǎn)換成YcbCr顏色空間.按照圖3（a）中黃色區(qū)域手動區(qū)分空白路面.繪制所有區(qū)域像素值的直方圖.如果光線均勻，就會出現(xiàn)單峰值，如圖3（c）所示.隨著向陰影方的移動，直方圖會出現(xiàn)雙峰，如圖3（d）所示.這兩種情況需要分別研究.

圖3 均勻與非均勻光照Fig.3 Uniform and Non-uniform lighting

如果所有區(qū)域的直方圖只有一個峰值，就單獨考慮這些區(qū)域找到出現(xiàn)最頻繁的像素值，并取這些像素值的平均值，就得到了均勻光照條件下的最終像素參考值.如果路面上有車輛，有可能造成一般像素值在某個區(qū)域內(nèi)異常，從這一區(qū)域內(nèi)得到的值就會被認為是異常值而不納入考慮范圍.

當直方圖有兩個峰值，一個峰值是在無陰影區(qū)域最常出現(xiàn)的像素值，另一個是在陰影區(qū)最常出現(xiàn)的像素值.這兩個區(qū)域的平均值是用于區(qū)分陰影區(qū)和無陰影區(qū)的臨界值，按照像素是否超過了臨界值，將像素分配為0或1，然后識別出目前二進制映像中的最大關(guān)聯(lián)區(qū)域，如圖4（b）所示.在得到最終陰影區(qū)和非陰影區(qū)的劃分界線之前，要事先過濾圖像除去噪聲，如圖4（c）所示.然后，按照是否處于陰影區(qū)來劃分停車位，不同區(qū)域的停車位的像素參考值則與停車位所處區(qū)域的像素的峰值相關(guān).

圖4 陰影檢測Fig.4 Shade Detection

3.4 問題2的解決：逼近充足照明

如在2.2中提到的問題，顏色的分布特征在光強不足的情況下不明顯，而且像素值在光強不足的情況下明顯偏低.白天由于光強足夠，其圖像對比度較高，在灰度等級或強度分級上有較好的直方分布圖.隨著直方圖的適當延伸，光強不足條件下的弱對比圖像能夠接近充足光強的效果，此時神經(jīng)網(wǎng)絡效果好.

對比度可以從灰度共生矩陣中得到.在共生矩陣中，每個元素都有位置編碼i和j，元素值表示像素值i和j在指定空間關(guān)系中出現(xiàn)的頻率.換言之，矩陣中的每個元素表示兩個像素值之間的共生次數(shù)，而位置編碼就是像素值.本文中，空間關(guān)系定義為左鄰接關(guān)系.根據(jù)共生矩陣，對比度值就是所有像素值與對應位置編碼平方差的乘積之和.如果圖像是不變的，相應共生矩陣的對比度就為0.

對比度值在夜間下降很快，如圖5（a）所示.在繪制超過某一臨界值的像素值的直方圖時，弱對比圖像可以通過拉伸直方圖來補償對比度，即減小臨界值直到得到滿意的對比圖像，此時更多像素被推移到圖中右側(cè)明亮的區(qū)域內(nèi).從圖5（a）中選擇目標對比度值為0.28，剛好此時對比度開始下降.圖5中（b）和（c）表示臨界值在減小后達到了目標對比度值.

由表2可知，調(diào)整目標對比度值后，顏色值非常接近光照充足時的情況，而光照充足條件下無論是空閑車位還是占用車位采用神經(jīng)網(wǎng)絡的檢測效果都很好.然而，與預期不同的是，空白地面的傳播值在直方圖拉伸之后變大了.事實上，在調(diào)整之前，光照不足的傳播值也比光照充足的傳播值大.這是因為空閑車位的黑色污點在光照不足時更加明顯，如圖6所示.但無論什么情況，空閑車位的傳播值總比占用車位的明顯小.

圖5 光適應Fig.5 Light adaptation

表2 調(diào)整目標對比度后特征的平均值Table 2 Average values of features after adjusted to the target contrast value

圖6 同一位置的污點在光照不足時更顯著Fig.6 Dark stains of the same spot intensified in the limited sunlight

3.5 問題3的解決：為參照選擇適當區(qū)域

光照條件在夜間是穩(wěn)定的，不需要預處理，但仍需找到合適的區(qū)域為計算顏色距離確定參考點.夜間的光照集中在停車位而不是車道，空閑車位顏色完全不同于地面.本文的方法是選擇每個停車位前段的半圓區(qū)，因為這部分地面受到與其它光照位置相似的穩(wěn)定光照.

4 結(jié)果

4.1 精度

利用選定的白天和夜間的神經(jīng)網(wǎng)絡，在對光照不足的圖像進行修正之后，對全天錄像數(shù)據(jù)進行分析和統(tǒng)計.為了保證即使在交通量較大的時段也能夠捕獲停車狀態(tài)的變化，從錄像中每隔10s提取一幀，然后再從這些幀中提取停車位的特征，輸入到神經(jīng)網(wǎng)絡中來判斷停車狀態(tài).之后，每60幀中取1幀作為計算精度的樣本.這就意味著每隔10 min驗證停車狀態(tài)的輸出結(jié)果.總共有17 640個停車位狀態(tài)等待檢驗，其中17 083個占用車位中僅有9個檢測錯誤，537個空閑車位中有11個被檢測錯誤.全天輸出結(jié)果中占用車位的檢測精度為99.9%，空閑車位的檢測精度為97.9%.

4.2 全天的數(shù)據(jù)分析

由于錄像條件和技術(shù)的限制，該天的數(shù)據(jù)丟失了21:20至22:00的40 min，以及8:45至9:00的15 min，共還剩23小時零5分鐘完整的數(shù)據(jù)，也就是獲得了全天超過95%的數(shù)據(jù).本節(jié)中將討論利用圖像上的灰色區(qū)域來表示這兩個時間段的情況.

全天的空閑車位圖(FSP)描述了空車位數(shù)量隨時間的變化.126個可用車位的最大空車位為33，比例為26%.停車場在6:00至9:00的空車位逐漸變多，因為過夜停車的居民開始出行.9:00以后，隨著其他人來此地工作，空閑車位高峰數(shù)量逐漸下降.下午13:00至14:00部分小汽車在午餐時間離開此停車場，造成第二次出現(xiàn)較多的空閑車位高峰，最多達18個，占所有車位的14%，超過最高峰時段數(shù)量的一半.這個高峰比早高峰持續(xù)時間短，很可能因為人們早晨開車出行的離開時間不一定相同，但一般中午開車去吃飯的時間大體相同.一般情況下空閑車位的數(shù)量都小于10，表示一天內(nèi)的大多數(shù)時間有92%的停車位均處于被占用狀態(tài)，是一個較高的利用率.空閑車位比例圖中正值和負值在一天內(nèi)交替出現(xiàn)，如圖7（b）所示，意味著車輛活動較為頻繁，當車輛離開時，便有新車占用車位.連續(xù)正值的時間間隔等于兩個高峰的時間間隔.空閑車位比例再次增大出現(xiàn)在晚上的21:00至22:00，那時人們結(jié)束夜間活動離開此地.

圖7 統(tǒng)計結(jié)果Fig.7 Statistical result

4.3 停車需求估計

當停車場接近飽和時，一種較好的停車需求估計方法是研究車輛尋找停車位的行為，也可以理解為當車輛離開一個車位后，該車位多久再被占用.由于利用率僅能反映停車位數(shù)量可用的停車需求，而本文的這種估計方法給出了對停車需求更精確的理解.縱軸為停車位編號，橫軸表示時間，黑線表示車位處于空閑狀態(tài).一共分為四種情況.

首先，黑線出現(xiàn)次數(shù)多且短的車位表示有較多車輛離開該停車位，且尋找空閑車位的車輛較多.一旦有車離開停車位，該停車位就會很快被占用.結(jié)果是停車場在使用波動中達到了最大利用率.這段時間為19:00至19:30，如圖8所示.

圖8 19:00-19:30空閑車位出現(xiàn)次數(shù)多且空閑時間短Fig.8 High number and short length 19:00 to 19:30

圖9 15:45-16:30與23:30-00:30空閑車位出現(xiàn)次數(shù)少且空閑時間短Fig.9 Low number and short length 15:45 to 16:30 and 23:30 to 00:30

第二，離開停車場的車輛數(shù)較少，并且車位一旦空閑就會馬上被重新占用.這種情況出現(xiàn)在15:45至16:30，如圖9所示.較少有人在下午的中間這段時間開車離開，并且?guī)缀跻坏┯熊囯x開，車位馬上會被重新占用.這種情況在23:30至00:30也很顯著.很少有人在深夜開車離開，但是一旦有人離開，總會有車馬上占用空閑車位.這表明深夜仍然有一定數(shù)量的車尋找過夜停車位.雖然這種情況也表示了類似于情況一的最大利用率，但是交通量相對較小.

圖10 02:00-03:00空閑車位出現(xiàn)次數(shù)少且空閑時間長Fig.10 Low number and long length 02:00 to 03:00

第三，如圖10所示的這種情況下，很少車輛會在02:00至03:00時間段內(nèi)尋找停車位，很少車輛會在這個時間內(nèi)開車離開停車場.本案例中，某車離開某一停車位后，該停車位空閑長達一個小時.停車場利用率保持最大且穩(wěn)定.

圖11 7:00-9:00與13:00-14:00空閑車位出現(xiàn)次數(shù)多且空閑時間長Fig.11 High number and long length 7:00 to 9:00 and 13:00 to 14:00

最后一種情況，早晨7:00至9:00，黑線出現(xiàn)次數(shù)多且長，表示較多車輛離開停車場且停車位空閑時間長，如圖11所示.這段時間內(nèi)，人們出行上班，于是過夜車輛離開停車場.另一個類似時間段13:00至14:00，在午飯時間空出較多停車位.

5 研究結(jié)論

用實際統(tǒng)計數(shù)據(jù)對停車需求進行估計對于停車場管理和政策制定非常重要.本文構(gòu)建了一個簡便高效的單攝像機空位檢測系統(tǒng)，能夠?qū)κ彝馔＼噲鲞M行全天候的檢測和分析.利用位于阿布扎比市區(qū)內(nèi)的一個通用室外停車場對系統(tǒng)進行檢驗，并得到了全天的統(tǒng)計結(jié)果.本文在系統(tǒng)中嵌入了事先訓練的神經(jīng)網(wǎng)絡，基于從停車場的錄像中提取的視覺特征來判斷占用狀態(tài)和停車需求.研究結(jié)果表明，除清晨和中午較早的時候人們離開該地去上班或吃午飯外，白天的大部分時間停車位都處于被占用狀態(tài)，停車場利用率達到了92%.當停車場接近飽和時，從未滿足需求的角度對停車需求進行了更準確的定義.利用構(gòu)建的系統(tǒng)和方法，可以得到全天準確的停車需求，可為制定停車政策提供依據(jù)，比如根據(jù)停車需求改變收費水平，或者根據(jù)需求的時間分布特征來設計共享停車位的措施，以使停車需求達到均衡.

[1]Shoup D.Truth in transportation planning[J].Journal of Transportation and Statistics,2003,6(1):1-16.

[2]Blumer K,H Halaseh,et al.Cost-effective single-camera multi-car parking monitoring and vacancy detection towards real-world parking statistics and real-time reporting[J].Neural Information Processing,Lecture Notes in Computer Science,2012,7667:506-515.

[3]Pandhe A,A March.Parking availability influences on travel mode:Melbourne CBD offices[J].Australia Planner,2012,49(2):161-171.

[4]Pierce G,D Shoup.Getting the prices right:An evaluation of pricing parking by demand in San Francisco[J].Journal of the American Planning,2013,79(1):67-81.

[5]Parking generation,3rd edition[M].Washington,DC,Institute of Transportation Engineers,2004:48-52.

[6]Mukhija V,D Shoup.Quantity versus quality in offstreet parking requirements[J].Journal of the American Planning Association,2006,72(3):296-308.

[7]Albanese B,G Matlack.Environmental auditing:utilizing of parking lots in hattiesburg,mississippi,usa,and impacts on local streams[J].Environmental Management,1998,24(2):265-271.

[8]Wong S C,C O Tong,et al.Development of parking demand models in Hong Kong[J].ASCE Journal of Urban Planning and Development,2000,126:55-74.

[9]Young W.A review of parking lot design models[J].Transport Reviews:A Transnational Transdisciplinary Journal,1988,8(2):161-181.

[10]Teknomo K,K Hokao.Parking behavior in central business district:A case study of surabaya,Indonesia[J].EASTS Journal,1997,2(2):551-570.

[11]Waerden P V D,H Oppewal,et al.Adaptive choice behavior of motorists in congested shopping centre parking lots[J].Transportation,1993,20(4):395-408.

[12]Ottomanelli M,M Dell'Orco,et al.Modelling parking choice behavior using possibility theory[J].Transportation Planning and Technology,2011,34(7):647-667.

[13]Rojas D,G Centeno.Predicting parking demand using neural networks[R].IIE Annual Conference,2006:1-6.

[14]Idris M Y I,Y Y Leng,et al.Car park system:A review of smart parking system and its technology[J].Information Technology Journal,2009,8:101-113.

[15]Bonsall P W.The changing face of parking-related data collection and analysis:The role of new technologies[J].Transportation,1991,18(1):83-106.

[16]Mimbela L Y,L A Klein.A summary of vehicle detection and surveillance technologies used in intelligent transportation systems[R],New Mexico State University,2007.

[17]Yan G,W Yan,et al.Smart parking:A secure and intelligent parking system[J].IEEE Intelligent Transportation Systems Magazine,2011,3(1):18-30.

[18]Wolff J,T Heuer,et al.Parking monitor system based on magnetic field sensors[C].IEEE Intelligent Transportation Systems Conference,2006:1275-1279.

[19]Bong D B L.,K C Ting,et al.Integrated approach in the design ofcarpark cccupancy information system(COINS)[J].IAENG International Journal of Computer Science,2008,35(1):7-14.

[20]Fabian T.An algorithm for parking lot occupation detection[C].7th Computer Information Systems and Industrial Management Applications,2008:165-170.

[21]True N.Vacant parking space detection in static images[M],University of California,San Diego,2007.

[22]Wu Q,C C Huang,et al.Robust parking space detection considering inter-space correlation[C].IEEE International Conference Multimedia Expo,2007:659-662.

[23]Jermsurawong J,M U Ahsan,et al.Car parking vacancy detection and its application in 24-hour statistical analysis[C].10th International Conference on Frontiers of Information Technology,2012:84-90.

[24]Huang C,S Wang.A hierarchical bayesian generation framework for vacant parking space detection[J].IEEE Transactions on Circuits and Systems for Video Technology,2010,20(12):1770-1785.

[25]Macdonell A,J Lobo.Visual sensor for smart parking[R],Boston University,2011.

[26]Ichihashi H,T Katada,et al.Improvement in the performance of camera based vehicle detector for parking lot[C].IEEE International Conference on Fuzzy System,2010:1950-1956.

[27]Tong C O,S C Wong,et al.Estimation of parking accumulation profiles from survey data[J].Transportation,2004,31(2):183-202.

[28]Hamid N A.Utilization patterns of park and ride facilities among kuala lumpur commuters[J].Transportation,2009,36(3):295-307.