現今停車場的管理越來越受重視，能夠快速的導引駕駛到停車位上一直是最重要的課題，以至於停車格的狀態偵測是停車場監控管理系統最重視的技術之一，雖然已經有做法是直接在每個車位上安裝一個感測器來監控，但是這樣的方法不但耗費成本且維護費工。本篇論文提出利用停車場既有的監視器來擷取照片並且分析停車格的演算法，這樣的做法不僅可以大幅減少安裝的困難度，成本上來說也是非常節省的。
本篇論文所提出的辦法是基於影像處理技術，主要利用色彩統計以及角點偵測來個別判斷停車格的狀態，再利用這兩種方法的數據資料來做為依據並且以投票方式來決定判斷的結果。
我們在實際的停車場中模擬我們所提出的方法，模擬的場景包括含有車輛及未含有車輛時的各種情況，透過這樣的方式以貼近真實在停車場時可能會發生的各種情況，最後我們的測試結果顯示出本篇論文所提的車位狀態偵測方法準確率高達97%。

One important issue in parking lot management is to guide incoming cars to available parking space promptly. Therefore empty parking space detection is critical in producing efficient parking lot management system. This paper uses existing parking monitor to capture photos and analyzes the parking space, such an economic approach can significantly reduce the installation difficulty.
The approach proposed in this thesis is based on image processing technology, color statistics, and corner detection to determine the parking space of the status of the individual, using the data of these two methods to do as the basis and a poll to determine the judgment results.
We simulate our method in the parking lot. The simulation scenes contains variety situation of vehicles and without vehicles. Using this method can simulate several situations in a parking lot. The simulation results show the accuracy of our parking state detection method up to 97%.

目錄
第一章 緒論	1
1.1 研究背景	1
1.2 研究流程概述	5
1.3 論文架構	7
第二章 相關研究與影像處理流程	8
2.1 電腦視覺相關技術	8
2.2 灰階轉換	10
2.3 邊緣偵測	11
2.4 形態學	16
2.5 連通法	19
2.6 角點偵測	21
2.7 色彩統計	24
第三章 停車格偵測及辨識	26
3.1 前置準備	26
3.1.1 影像擷取	26
3.1.2 影像灰階化	27
3.2 車位定位	28
3.2.1 邊緣輪廓偵測	28
3.2.2 侵蝕與膨脹	29
3.2.3 連通定位	30
3.3 車位使用狀態偵測	31
3.3.1 車位角點偵測	32
3.3.2 車位色彩比對	34
3.3.3 投票演算法	35
第四章 實驗結果	37
4.1 實驗環境	37
4.2 模擬結果與分析	37
第五章 結論	46
參考文獻	48
附錄-英文論文	50
 
圖目錄
圖 1. 1 簡易流程圖	6
圖 2. 1 原始彩色影像	10
圖 2. 2 灰階化後影像	11
圖 2. 3 未邊緣化影像	15
圖 2. 4 Sobel邊緣偵測結果	15
圖 2. 5 Canny邊緣偵測結果	15
圖 2. 6 侵蝕表示圖	17
圖 2. 7 膨脹表示圖	18
圖 2. 8 (a)原始影像；(b)侵蝕後的影像；(c)膨脹後的影像	18
圖 2. 9 四連通示意圖	20
圖 2. 10 Harris角點偵測法偵測後結果	24
圖 2. 11 KLT角點偵測法偵測後結果	24
圖 2. 12 直方圖的範例影像	25
圖 2. 13 直方圖結果	25
圖 3. 1 灰階化前的原始影像	27
圖 3. 2 灰階化後的影像	27
圖 3. 3 Canny參數值過高的結果	29
圖 3. 4 Canny參數值過低的結果	29
圖 3. 5 Canny參數值適當的結果	29
圖 3. 6 侵蝕後結果	30
圖 3. 7 膨脹後結果	30
圖 3. 8 連通法未篩選結果	31
圖 3. 9 連通法篩選後的結果	31
圖 3. 10 未停車時的角點數	32
圖 3. 11 車子經過車格時的角點數	32
圖 3. 12 車子進入情況1，角點數為116	33
圖 3. 13 車子進入情況2，角點數為64	33
圖 3. 14 車子進入情況3，角點數為232	33
圖 3. 15 車子進入情況4，角點數為219	33
圖 3. 16 車子完全停好，角點數為129	33
圖 3. 17 解析度較好的攝影機，偵測出的角點總數為359個	34
圖 4. 1 車格1的實際拍攝影像	38
圖 4. 2 車格2的實際拍攝影像	38
圖 4. 3 車格3的實際拍攝影像	39
圖 4. 4 車格4的實際拍攝影像	39
圖 4. 5 車格5的實際拍攝影像	39
圖 4. 6 車格6的實際拍攝影像	39
圖 4. 7 車格7的實際拍攝影像	40
圖 4. 8 車格8的實際拍攝影像	40
圖 4. 9 車格9的實際拍攝影像	41
圖 4. 10 車格10的實際拍攝影像	41
圖 4. 11 車格11的實際拍攝影像	42
圖 4. 12 車格12的實際拍攝影像	42
圖 5. 1 停車場車位使用狀況	47

表目錄
表 1. 1 停車位偵測元件建置數量分析	4
表 1. 2 停車位偵測元件建置總成本分析	4
表 3. 1 利用CHISQR來統計色彩差異	35
表 3. 2 投票情況	36
表 4. 1 車格1的偵測結果	38
表 4. 2 車格2的偵測結果	38
表 4. 3 車格3的偵測結果	39
表 4. 4 車格4的偵測結果	39
表 4. 5 車格5的偵測結果	40
表 4. 6 車格6的偵測結果	40
表 4. 7 車格7的偵測結果	41
表 4. 8 車格8的偵測結果	41
表 4. 9 車格9的偵測結果	42
表 4. 10 車格10的偵測結果	42
表 4. 11 車格11的偵測結果	43
表 4. 12 車格12的偵測結果	43
表 4. 13 車位偵測總整理	44

[1] 	中華民國交通部 [http://www.motc.gov.tw/ch/index.jsp]，2011。
[2] 	劉文予， 朱光喜， 「二值圖像角點檢測的形態骨架法信號處理」，pp. 276-280， 2000。
[3] 	S. Agarwal, and D. Roth, “Learning a Sparse Representation for Object Detection,” Proceedings of the Seventh European Conference on Computer Vision, Vol. 4, pp. 113-130, 2002. 
[4] 	H. Asada, and M. Brady, “The Curvature Primal Sketch,” IEEE Trans. PAMI, pp. 2-14, 1986. 
[5] 	J. Canny, “A computational approach to edge detection,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-8, no. 6, pp. 679-698, 1986. 
[6] 	H. Freeman, and L. S. Davis, “A Corner Finding Algorithm for Chain Coded Curves,” IEEE Trans. Computers, pp. 297-303, 1977.
[7] 	C. Harris, and M. Stephens, “A Combined Corner and Edge Detector,” Manchester: Proceedings of the 4th Alvey Vision Conference, pp. 147-151, 1988.
[8] 	L. Kitchen, and A. Rosenfeld, “Gray Level Corner Detection,” Pattern 
Recognition Letters, pp. 95 -102, 1982.
[9] 	L. Kitchen, and A. Rosenfeld, “Analysis of Gray Level Corner Detection,” Pattern Recognition Letters, pp 149-162, 1999.
[10] 	C. H. Lee, M. G. Wen, C. C. Han, and D. C. Kou, “An Automatic Monitoring Approach for Unsupervised Parking Lots in Outdoors,” IEEE International Carnahan Conference on Security Technology(ICCST), Institute of Electrical and Electronics Engineers, pp. 271-274, 2005.
[11]	I. Masaki, “Machine-Vision Systems for Intelligent Transportation Systems,” Proceedings of IEEE Conference on Intelligent Transportation System, Institute of Electrical and Electronics Engineers, Vol. 13, No.6, pp. 24-31, 1998.
[12]	G. Mathron, “Random Sets and Integral Geometric,” Wiley, New York : 1975.
[13]	T. Miroslav, and H. Mark, “Fast Corner Detection,” Image and Vision Computing, pp. 75-87, 1998.
[14]	A. Rosenfeld, and J. S. Weszka, “An Improved Method of Angel Detection on Digital Curves,” IEEE Trans. Computers, pp. 940-941, 1975.
[15]	J. Serra, “Image Analysis and Mathematical Morphology,” Jovanovich B.H., Academic Press, Tokyo, London, p. 610, 1982.
[16]	J. Shi, and C. Tomasi, “Good Features to Track,” pp. 593- 600, 1994.
[17]	I. E. Sobel, “Camera Models and Machine Perception,” Ph.D. thesis, Stanford University, pp. 99, 1970.
[18]	C. Tomasi, and T. Kanade, “Detection and Tracking of Point Features,” Carnegie Mellon University, 1991.
[19]	N. True, “Vacant Parking Space Detection in Static Images,” University of California, 2008.
[20]	X. G Wang, and A. R. Hanson, “Parking Lot Analysis and Visualization from Aerial Images,” Proceedings of Fourth IEEE Workshop Applications of Computer Vision, IEEE Computer Society Press, pp. 36-41, 1998.
[21]	Q. Wu, and Y. Zhang, “Parking Lots Space Detection,” Machine Learning, Carnegie Mellon University, 2008.