Simple Science

Hochmoderne Wissenschaft einfach erklärt

# Computerwissenschaften# Computer Vision und Mustererkennung

Innovative Lösungen für städtische Parkprobleme

Neue Methoden automatisieren die Parkraumerkennung und Statusbestimmung für intelligentere Systeme.

― 7 min Lesedauer


Automatisierte städtischeAutomatisierte städtischeParkinnovationenvon freien Plätzen.Parkraumüberwachung und die ErkennungNeue Methoden optimieren die
Inhaltsverzeichnis

Mit dem Wachstum der Städte und der Zunahme der Menschen wird der Verkehr immer mehr zum Problem. Ein grosses Problem, dem sich die Leute gegenübersehen, ist das Finden von Parkplätzen. Smarte Parksysteme helfen dabei, indem sie Kameras und Sensoren nutzen, um freie Parkplätze zu finden. Das spart Zeit, verringert den Verkehr und reduziert die Umweltverschmutzung.

In letzter Zeit haben viele Menschen angefangen, Methoden zu nutzen, die auf Computer Vision basieren, um Parkplätze zu finden. Die meisten dieser Techniken hängen jedoch von Parkplätzen ab, die von Menschen gekennzeichnet wurden, was teuer und nicht praktikabel für grosse Flächen sein kann.

Um dieses Problem anzugehen, schlagen wir eine neue Methode vor, die PakLoc heisst und die Parkplätze automatisch finden kann. Ausserdem stellen wir PakSke vor, ein Modul, das anpasst, wie die Parkplätze im System angezeigt werden, um sicherzustellen, dass sie die richtige Grösse und Ausrichtung haben. Unsere Tests zeigen, dass diese Methode den menschlichen Aufwand für die Parksensorik erheblich reduzieren kann.

Ein wichtiger Bestandteil eines smarten Parksystems ist die Fähigkeit, genau anzuzeigen, ob Plätze belegt oder frei sind. Traditionell wurde dies mittels Klassifikationsmethoden gemacht, die den Zustand von Parkplätzen basierend auf gekennzeichneten Bildern vorhersagen. Unsere neue Methode, PakSta, identifiziert automatisch, ob Parkplätze belegt oder leer sind.

Das Problem des urbanen Parkens

Wie 2018 berichtet wurde, wird bis 2050 ein grosser Teil der Weltbevölkerung in Städten leben. Mit mehr Menschen kommen mehr Autos und Verkehr, was es für Betreiber schwierig macht, Parkplätze effektiv zu verwalten. Das wirft Fragen zu Umweltverschmutzung und Zeitverschwendung für Fahrer auf, die nach Parkplätzen suchen. Das schafft auch Probleme für Parkplätze, die nicht voll genutzt werden.

Viele aktuelle Studien konzentrieren sich auf Verkehrssimulationen, um Staus zu reduzieren. Eine Umfrage ergab jedoch, dass der durchschnittliche Fahrer jedes Jahr Stunden mit der Parkplatzsuche verbringt, wobei einige Leute in geschäftigen Städten mehr als hundert Stunden mit Suchen verbringen. Das macht klar, dass genaue Informationen über Parkplätze unerlässlich sind, besonders da autonome Autos immer üblicher werden.

Smarten Parksystemen wird gebraucht, um Fahrer mit Parkplatzmanagern zu verbinden. Diese Systeme sollten aktuelle Informationen über die Verfügbarkeit von Parkplätzen bereitstellen, um Fahrzeugemissionen zu verringern und mehr Kunden zu den Parkplätzen zu bringen.

Trotz ihrer Wichtigkeit haben smarte Parksysteme Schwierigkeiten, Parkplätze genau zu erkennen. Die meisten aktuellen Lösungen verwenden Sensoren, die für grössere Bereiche teuer sind, da für jeden Parkplatz ein Sensor benötigt wird.

Ein bekanntes Programm in San Francisco hilft Fahrern, Parkplätze zu finden, hat aber Millionen von Dollar gekostet, weil es so viele Sensoren installiert hatte. Eine effektivere und günstigere Lösung könnte durch Computer Vision kommen. Kameras können mehrere Parkplätze abdecken, was eine weniger aufdringliche Option bietet, die auch Probleme wie schlechtes Parken oder Diebstahl erfassen kann.

Der Bedarf an automatisierten Lösungen

Die Verwendung von Computer Vision zur Parkplatzsuche ist ein vielversprechender Ansatz, aber viele bestehende Systeme behandeln die Erkennung als einfache Aufgabe, um Parkplätze als besetzt oder frei zu klassifizieren. Allerdings gibt es drei Hauptprobleme mit diesem Ansatz.

Erstens dauert das manuelle Kennzeichnen von Parkplätzen viel Zeit und Mühe. Zweitens, wenn sich ein Parkplatzbereich ändert, benötigt es eine neue Kennzeichnung, was die Sache für Betreiber, die mehrere Parkplätze verwalten, kompliziert. Drittens, mit steigender Anzahl an Parkplätzen sind mehr Kontrollen nötig, was das Feedback für die Fahrer verlangsamt.

Um diese Probleme zu lösen, schlagen wir PakLoc vor, eine automatisierte Methode zur Auffindung von Parkplätzen. Die Idee ist, dass Parkplätze normalerweise dort sind, wo Autos im Video-Feed von Kameras zu sehen sind.

PakLoc verwendet einen Algorithmus zur Objekterkennung, um Parkplätze automatisch zu finden und zu verfolgen. Wir haben auch PakSke eingeführt, um anpassen zu können, wie die erkannten Parkplätze angezeigt werden. Einige Parkplätze sind vielleicht nicht perfekt im Rahmen der Kamera ausgerichtet, was die Anpassung für die korrekte Identifizierung notwendig macht.

Tests auf gängigen Datensätzen zeigen, dass unsere Methode Parkplätze finden kann, ohne dass vorherige manuelle Kennzeichnungen nötig sind, was viel Zeit spart.

Die PakLoc- und PakSke-Methoden

PakLoc: Automatische Parkplatz-Erkennung

PakLoc nimmt eine Reihe von Videoframes und erkennt Fahrzeuge, indem es Begrenzungsrahmen erstellt, die ihren Standort umreissen. Die Methode vergleicht dann diese Rahmen über die Zeit, um zu sehen, welche stabil bleiben, was darauf hinweist, dass ein Auto geparkt ist.

Wenn ein Rahmen über einem bestimmten Schwellenwert an Ort und Stelle bleibt, zählt die Methode ihn als geparktes Fahrzeug. Wenn ein neues Fahrzeug ins Bild kommt, wird es zur Liste hinzugefügt, während sich bewegende Fahrzeuge entfernt werden, wenn sie nicht zu den bestehenden Rahmen passen.

Durch eine sorgfältige Auswahl bestimmter Schwellenwerte kann das System effektive Ergebnisse beim Unterscheiden zwischen geparkten und fahrenden Autos erreichen.

Am Ende verfeinert das PakSke-Modul diese Rahmen, um sicherzustellen, dass sie gut mit den tatsächlichen Parkplätzen übereinstimmen, da Parkplätze oft Platzierungen aus verschiedenen Winkeln haben. Diese Anpassung verbessert die Genauigkeit erheblich.

PakSta: Identifizierung des Parkplatzstatus

Die PakSta-Methode sagt voraus, ob die von PakLoc gefundenen Parkplätze verfügbar oder belegt sind. Sie verarbeitet Videoframes nacheinander und filtert sie, um sich nur auf die erkannten Parkbereiche zu konzentrieren.

Die gefilterten Bilder werden dann analysiert, um nach Fahrzeugen zu suchen. Wenn ein Auto in einem Parkplatz erkannt wird, wird es als belegt markiert; andernfalls wird es als frei notiert. So bietet PakSta Echtzeit-Updates zur Verfügbarkeit von Parkplätzen.

Die verwendeten Datensätze

Um unsere Methoden zu testen, haben wir den PKLot-Datensatz verwendet, der Tausende von Bildern aus verschiedenen Winkeln in verschiedenen Parkanlagen umfasst. Dieser Datensatz bietet sowohl gekennzeichnete als auch ungekennzeichnete Bilder, sodass wir eine robuste Basis zur Auswertung unserer Arbeit haben.

Ausserdem haben wir andere Datensätze zum Trainieren unseres Erkennungsalgorithmus verwendet. Dazu gehören CityFlow, das gekennzeichnete Bilder von Fahrzeugen aus belebten Kreuzungen enthält, und VeRi-776, das Bilder aus einer Vielzahl von Verkehrsszenarien zeigt.

Bewertungsmetriken

Für unsere Methoden haben wir uns auf spezifische Metriken konzentriert, um die Leistung zu bewerten. Für PakLoc haben wir uns auf die Rückrufquote konzentriert, die misst, wie viele der tatsächlichen Parkplätze identifiziert wurden, sowie auf die durchschnittliche Präzision für verschiedene Schwellenwerte. Für PakSta haben wir die Präzision betrachtet, um zu bewerten, wie genau das System leere und belegte Plätze klassifiziert.

Wir wollten zeigen, dass unsere Techniken besser abschneiden als bestehende Methoden und das gesamte Parkplatzmanagement für Betreiber vereinfachen.

Experimentelle Ergebnisse

PakLoc-Leistung

Die Ergebnisse unserer Tests zeigten, dass wir durch die Kombination von PakLoc mit dem PakSke-Anpassungsmodul signifikante Verbesserungen erzielt haben. Insbesondere Metriken wie durchschnittlicher Rückruf und Präzision zeigten einen deutlichen Anstieg bei Verwendung der PakSke-Schichten.

PakLoc übertraf mehrere bestehende Modelle und zeigte, dass es in der Lage war, Parkplätze in realen Szenarien mit minimalem manuellem Input genau zu erkennen.

PakSta-Leistung

In unseren Tests zeigte auch PakSta eine starke Leistung und erreichte eine hohe Genauigkeit bei der Bestimmung, ob Parkplätze belegt oder nicht waren. Bemerkenswerterweise basierte es nicht auf manuell gekennzeichneten Daten für seine Effektivität, im Gegensatz zu vielen vorherigen Lösungen.

Die Ergebnisse dieser Tests zeigen die Effektivität sowohl von PakLoc als auch von PakSta bei der Schaffung eines smarten Parksystems, das leicht erweitert und angepasst werden kann.

Fazit

Unsere vorgeschlagenen Methoden, PakLoc und PakSta, adressieren kritische Probleme im Parkmanagement, indem sie die Erkennung und Statusidentifikation von Parkplätzen automatisieren. Sie minimieren nicht nur die erforderliche manuelle Kennzeichnung, sondern verbessern auch die Effizienz smarter Parksysteme.

In Zukunft beabsichtigen wir, eine umfassende smarte Parkplatzplattform zu entwickeln, die diese Methoden integriert und die Herausforderungen im urbanen Parkmanagement weiter erleichtert.

Originalquelle

Titel: Smart Camera Parking System With Auto Parking Spot Detection

Zusammenfassung: Given the rising urban population and the consequential rise in traffic congestion, the implementation of smart parking systems has emerged as a critical matter of concern. Smart parking solutions use cameras, sensors, and algorithms like computer vision to find available parking spaces. This method improves parking place recognition, reduces traffic and pollution, and optimizes travel time. In recent years, computer vision-based approaches have been widely used. However, most existing studies rely on manually labeled parking spots, which has implications for the cost and practicality of implementation. To solve this problem, we propose a novel approach PakLoc, which automatically localize parking spots. Furthermore, we present the PakSke module, which automatically adjust the rotation and the size of detected bounding box. The efficacy of our proposed methodology on the PKLot dataset results in a significant reduction in human labor of 94.25\%. Another fundamental aspect of a smart parking system is its capacity to accurately determine and indicate the state of parking spots within a parking lot. The conventional approach involves employing classification techniques to forecast the condition of parking spots based on the bounding boxes derived from manually labeled grids. In this study, we provide a novel approach called PakSta for identifying the state of parking spots automatically. Our method utilizes object detector from PakLoc to simultaneously determine the occupancy status of all parking lots within a video frame. Our proposed method PakSta exhibits a competitive performance on the PKLot dataset when compared to other classification methods.

Autoren: Tuan T. Nguyen, Mina Sartipi

Letzte Aktualisierung: 2024-07-07 00:00:00

Sprache: English

Quell-URL: https://arxiv.org/abs/2407.05469

Quell-PDF: https://arxiv.org/pdf/2407.05469

Lizenz: https://creativecommons.org/licenses/by/4.0/

Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.

Vielen Dank an arxiv für die Nutzung seiner Open-Access-Interoperabilität.

Mehr von den Autoren

Ähnliche Artikel