Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2021 - zeszyt 9

An Enhancement in Accuracy of Vehicle Detection in Parking Areas Employing Haar-Like Features and AdaBoost Algorithm

10.15199/48.2021.09.27

nr katalogowy: 133251
10.15199/48.2021.09.27

Streszczenie

With the increasing number of vehicles on the road, often it is difficult to find suitable parking spaces in metropolitan cities. It may cause wastage of time as well as traffic congestion if proper parking spaces haven’t been preserved. An autonomous parking system can detect empty parking spaces and allow drivers to effectively park in empty parking spaces which require less time and less fuel. This paper has presented an intelligent vision-based approach that discovers vehicles and empty spaces autonomously. We have introduced Haar-like feature cascade classifier trained by a machine learning technique for the vehicle detection process. The proposed system has delivered promising results to the detection accuracy of the vehicles to allow parking places. The vehicle detection accuracy of the proposed system has been validated through simulation. Besides, the proposed approach has made available the optimum threshold value to acquire the best possible detection accuracy. The advantages of the proposed scheme are a) it saves time to get the vehicles parked; b) it provides to get rid of traffic congestion; c) as the driver gets the space immediately, so less energy is required with the proposed approach. Later, a brief comparison of performance metrics among various classifiers is provided.

Abstract

Przy rosnącej liczbie pojazdów poruszających się po drogach często trudno jest znaleźć odpowiednie miejsca parkingowe w metropoliach. Może to spowodować stratę czasu, a także zatory drogowe, jeśli nie zostaną zachowane odpowiednie miejsca parkingowe. Autonomiczny system parkowania może wykrywać puste miejsca parkingowe i umożliwiać kierowcom efektywne parkowanie na pustych miejscach, które wymagają mniej czasu i mniej paliwa. W artykule przedstawiono inteligentne podejście oparte na wizji, które autonomicznie wykrywa pojazdy i puste przestrzenie. Wprowadziliśmy kaskadowy klasyfikator cech podobny do Haara, wyszkolony techniką uczenia maszynowego dla procesu wykrywania pojazdów. Zaproponowany system przyniósł obiecujące wyniki w zakresie dokładności wykrywania pojazdów w celu umożliwienia parkowania. Dokładność wykrywania pojazdów proponowanego systemu została zweryfikowana poprzez symulację. Ponadto zaproponowane podejście umożliwiło uzyskanie optymalnej wartości progowej w celu uzyskania najlepszej możliwej dokładności wykrywania. Zaletami proponowanego schematu są: a) oszczędność czasu na zaparkowanie pojazdów; b) zapewnia pozbycie się zatorów komunikacyjnych; c) ponieważ kierowca natychmiast otrzymuje miejsce, więc przy proponowanym podejściu potrzeba mniej energii. Później przedstawiono krótkie porównanie metryk wydajności między różnymi klasyfikatorami. (Zwiększenie dokładności wykrywania pojazdów na parkingach dzięki funkcjom podobnym do algorytmu Haar i AdaBoost)

Słowa kluczowe

Keywords

Bibliografia

[1] P. R. L. de Almeida, L. S. Oliveira, A. S. Britto, E. J. Silva, and A. L. Koerich, “PKLot – A robust dataset for parking lot classification,” Expert Systems with Applications, vol. 42, no. 11, pp. 4937–4949, Jul. 2015, doi: 10.1016/j.eswa.2015.02.009.
[2] C. I. C. Crisostomo, R. V. C. Malalis, R. S. Saysay, and R. G. Baldovino, “A Multi-storey Garage Smart Parking System based on Image Processing,” in 2019 7th International Conference on Robot Intelligence Technology and Applications (RiTA), Nov. 2019, pp. 52–55. doi: 10.1109/RITAPP.2019.8932899.
[3] A. Varghese and G. Sreelekha, “An Efficient Algorithm for Detection of Vacant Spaces in Delimited and Non-Delimited Parking Lots,” IEEE Transactions on Intelligent Transportation Systems, vol. 21, no. 10, pp. 4052–4062, Oct. 2020, doi: 10.1109/TITS.2019.2934574.
[4] E. Sifuentes, O. Casas, and R. Pallas-Areny, “Wireless Magnetic Sensor Node for Vehicle Detection With Optical Wake-Up,” IEEE Sensors Journal, vol. 11, no. 8, pp. 1669– 1676, Aug. 2011, doi: 10.1109/JSEN.2010.2103937.
[5] H. Padmasiri, R. Madurawe, C. Abeysinghe, and D. Meedeniya, “Automated Vehicle Parking Occupancy Detection in Real-Time,” in 2020 Moratuwa Engineering Research Conference (MERCon), Jul. 2020, pp. 1–6. doi: 10.1109/MERCon50084.2020.9185199.
[6] T. Lin, H. Rivano, and F. L. Mouël, “A Survey of Smart Parking Solutions,” IEEE Transactions on Intelligent Transportation Systems, vol. 18, no. 12, p. 3229, Dec. 2017, doi: 10.1109/TITS.2017.2685143.
[7] V. K. Boda, A. Nasipuri, and I. Howitt, “Design considerations for a wireless sensor network for locating parking spaces,” in Proceedings 2007 IEEE SoutheastCon, Mar. 2007, pp. 698– 703. doi: 10.1109/SECON.2007.342990.
[8] B. Y. Cai, R. Alvarez, M. Sit, F. Duarte, and C. Ratti, “Deep Learning-Based Video System for Accurate and Real-Time Parking Measurement,” IEEE Internet of Things Journal, vol. 6, no. 5, pp. 7693–7701, Oct. 2019, doi: 10.1109/JIOT.2019.2902887.
[9] N. Bibi, M. N. Majid, H. Dawood, and P. Guo, “Automatic Parking Space Detection System,” in 2017 2nd International Conference on Multimedia and Image Processing (ICMIP), Mar. 2017, pp. 11–15. doi: 10.1109/ICMIP.2017.4.
[10] T. Fabian, “An Algorithm for Parking Lot Occupation Detection,” in 2008 7th Computer Information Systems and Industrial Management Applications, Jun. 2008, pp. 165–170. doi: 10.1109/CISIM.2008.53.
[11] Q. Wu, C. Huang, S. Wang, W. Chiu, and T. Chen, “Robust Parking Space Detection Considering Inter-Space Correlation,” in 2007 IEEE International Conference on Multimedia and Expo, Jul. 2007, pp. 659–662. doi: 10.1109/ICME.2007.4284736.
[12] B. Sairam, A. Agrawal, G. Krishna, and S. P. Sahu, “Automated Vehicle Parking Slot Detection System Using Deep Learning,” in 2020 Fourth International Conference on Computing Methodologies and Communication (ICCMC), Mar. 2020, pp. 750–755. doi: 10.1109/ICCMC48092.2020.ICCMC-000140.
[13] W. Hasselbring and G. Steinacker, “Microservice Architectures for Scalability, Agility and Reliability in E-Commerce,” 2017 IEEE International Conference on Software Architecture Workshops (ICSAW), 2017, doi: 10.1109/ICSAW.2017.11.
[14] “Laplacian Edge Detection.” http://www.owlnet.rice.edu/~elec539/Projects97/morphjrks/lapla cian.html (accessed Mar. 19, 2021).
[15] R. Yusnita, F. Norbaya, and N. Basharuddin, “Intelligent Parking Space Detection System Based on Image Processing,” International Journal of Innovation, vol. 3, no. 3, p. 4, 2012.
[16] A. Asraf, “Cars Dataset (Positive and Negative),” vol. 1, May 2021, doi: 10.17632/dvnntk22h6.1.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2021-9 , nr katalogowy 133251 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2021-9 licencja: Osobista Produkt cyfrowy Nowość	55.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2021-9

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma