第四章 停車格偵測(Parking space detection)
4.2 辨識停車格並估計停車格的中心位置
(a) (b)
(c) (d)
(e)
圖 4.2：PTV 影像 (a)原圖 (b)Canny 邊緣偵測 (c)只保留右側資訊 (d)Hough transform 找出直線 (e)線段整合。
線段整合後的圖排除了與停車格不相關資訊，而且 Hough transform 提供了線 段的起終點訊息，接著我們便可以判斷影像中是否有停車格並估計停車格的中心 位置。
4.2 辨識停車格並估計停車格的中心位置
停車格線為一封閉的四邊形，因此在道路繪製時，需要繪製其四個邊。再由 於停車格的位置通常緊鄰著慢車道，因此我們假設當車輛經過時，至少可以偵測 到停車格位車道線四邊中的三邊。利用此假設，停車格位的車道線三邊與其兩個
車道線交點及為偵測停車格位重要的線索。
在接下來的實驗，我們利用 Hough transform 提供的線段資訊去解聯立方程式 找出停車格位中的兩個車道線交點與其相關的資訊，如圖 4.3，接著我們計算兩 兩交點間的距離，並依據交通部所制定的停車格規格[表 4.1]與 PTV 影像的比例 關係可以判斷出兩兩交點所形成的線段到底屬不屬於停車格?是長邊或者短邊?如 果是停車格，那下一步就是去估計停車格中心位置，方法如下：1.找出兩交點的 中心點(圖 4.4) 2.找出通過中心點的垂直線(圖 4.5) 3.根據停車格規格與 PTV 影 像的比例關係可以知道停車格中心位置到中心點的距離為 k，此時我們便可以在 垂直線上找出與中心點距離為 k 的兩點(圖 4.6)，其中離車子較遠的點便是停車格 位置座標了(圖 4.6 中紅色的點)。利用此座標與 PTV transformation 步驟中提供之
2D-to-3D 距離對應表做對應，即可得知停車格位在 3D 空間中與車輛之真實的相 對距離。
以上過程所使用的例子是直角停車格(Garage-parking space)，現存常見的停車 格還有路邊停車(Parallel-parking space)和斜角停車(Diagonal-parking space)。要辨 別不同種類的停車格其實很簡單，圖 4.3 所提供的停車格夾角資訊可以辨識出斜 角停車格，而交通部所提供的停車格規格幫助我們辨識出停車格的長邊和短邊，
如此便可以分辨直角停車格和路邊停車格。
圖 4.3 線段的交點資訊。 圖 4.4 兩交點間的中心點。
圖 4.5 通過中心點的垂直線。 圖 4.6 與中心點距離為 k 的兩點。
表4.1：停車格繪製規範一覽表。
4.2.1 交點累計整合
由於本實驗使用之魚眼攝影機較老舊，在擷取影像時會產生一些波狀雜訊以 致於影響線段的偵測，再加上本實驗所使用之 Hough transform 是 opencv 內所提 供的方法，其偵測的線段起終點會隨影像的 frame 變動，以上兩點因素會造成線 段偵測不穩定並且連帶使得計算交點時會出現雜訊點，但基本上雜訊點出現的時 間只有 1 到 2 個 frame，本實驗利用此特性設計一交點累計整合之演算法使交點 穩定，演算法如下。
1. 偵測開始時(第一個 frame)令一空交點集合Ω。當出現新的交點𝐵𝑗時，將其加入 到Ω內使其成為集合內交點𝐴𝑖並賦與權重值𝑎𝑖 = 2(𝑎𝑖的最大值為 4)
2. 當Ω ∉ {}時，新出現的交點𝐵𝑗必須與集合內交點𝐴𝑖計算距離 d
如果 d 小於閥值k時(d<k)，則計算𝐴𝑖與𝐵𝑗的中心座標 C，並且令𝐴𝑖=C，𝑎𝑖= 𝑎𝑖+ 1 如果𝐵𝑗與Ω內所有交點𝐴𝑖的距離 d 皆大於 k(d>k)，直接將𝐵𝑗加入到Ω內使其成為
集合內交點𝐴𝑖並賦與權重值𝑎𝑖= 2
如果Ω內的交點𝐴𝑖在該回合(frame)內沒有更新過座標，則𝑎𝑖= 𝑎𝑖− 2 3. 當權重值𝑎𝑖≤ 0時則從Ω中移除該交點𝐴𝑖
4. 到達第 m 個 frame 時演算法即停止，Ω內交點即為排除雜訊點之正確交點
根據雜訊點出現的時間只有 1 到 2 個 frame 的特性，本演算法的設計理念是 讓雜訊點快速移出點的集合，因此讓權重值下降的較快、上升的較慢。
4.2.2 其餘必要的停車格資訊
當有了停車格位置資訊後便可利用我們之前的實驗中[Hsu 10]已設計好上述 三種停車格的路徑規劃策略，根據這些策略，我們不只要提供停車格的中心座標，
還要依停車格種類提供額外的一些資訊，這些資訊包含：停車格開口方向與車輛 前進方向的夾角(圖 4.7)、斜角停車時需要停車格的夾角角度、路邊停車時需要碰 撞點座標(圖 4.8)
圖4.7 停車格開口方向與車輛前進方向的夾角 圖4.8 路邊停車時的碰撞點。
第五章 實驗
在本章節首先要介紹本系統的實驗環境，之後再依序展示各階段的成果圖片 和相關參數…等，緊接著比較 PTV 影像與傳統鳥瞰影像之間的差異。