Video-Based Parking Occupancy Detection for Smart Control System

Abstract

Street lighting is a fundamental aspect of security systems in homes, industrial facilities, and public places. To detect parking lot occupancy in outdoor environments, street light control plays a crucial role in smart surveillance applications that can perform robustly in extreme surveillance environments. However, traditional parking occupancy systems are mostly implemented for outdoor environments using costly sensor-based techniques. This study uses the Jetson TX2 to develop a method that can accurately identify street parking occupancy and control streetlights to assist occupancy detection, thereby reducing costs, and can adapt to various weather conditions. The proposed method adopts You Only Look Once version 3 (YOLO v3, Seattle, WA, USA) based on MobileNet version 2 (MobileNet v2, Salt Lake City, UT, USA), which is area-based and uses voting to stably recognize occupancy status. This solution was verified using the CNRPark + EXT dataset, a simulated model, and real scenes photographed with a camera. Our experiments revealed that the proposed framework can achieve stable parking occupancy detection in streets.

Desafios na Gerência de Estacionamentos por Imagem

“…A classificação das vagas pode ser caracterizada como o processo de se inferir se determinada imagem (previamente recortada como na Figura 1) contendo exatamente uma vaga de estacionamento encontra-se ocupada ou vazia. Esteé um problema amplamente estudado, sendo que os métodos propostos comumente se baseiam na extração de características para utilização posterior de classificadores [de Almeida et al 2015, Ahrnbom et al 2016, Bohush et al 2018, Vítek and Melničuk 2018, Varghese and Sreelekha 2019, ou na utilização de redes neurais convolucionais [Amato et al 2017, Nurullayev and Lee 2019, Jensen et al 2017, Nieto et al 2018, Zhang et al 2019, Chen et al 2020 Para os testes dos métodos de classificação de vagas individuais, podemos definir os seguintes cenários:…”

“…Com isso, faz-se necessário o desenvolvimento de métodos baseados em paradigmas emergentes de computação, como o edge computing [Satyanarayanan 2017]. Neste sentido, iniciativas de pesquisa devem levar em consideração restrições de custo computacional, de tráfego de rede de dados, e uso energético, para que pelo menos parte do processamento possa ser realizado diretamente onde o sensor se encontra (em um sistema embarcado), evitando assim o envio dos dados não tratados (e.g., fluxo de vídeo ou imagens) pela rede [Amato et al 2017, Chen et al 2020.…”

Návrhy Řešení Parkování v Obytných Městských Částech

“…Další příspěvek (Saharan et al, 2020) navrhuje využít strojové učení pro získání přesných a aktuálních informací o obsazenosti a dostupnosti parkovacích míst na základě sledování jejich obsazenosti. Video detekcí obsazenosti parkovacích míst ve vazbě na uliční osvětlení se zabývá (Chen et al, 2020).…”

Contextual Detection of Pedestrians and Vehicles in Orthophotography by Fusion of Deep Learning Algorithms

“…The association of AI and video surveillance has been developing for years to provide citizens with new services [ 1 , 2 , 3 ]. Improving the safety of users of public roads, particularly those most vulnerable (pedestrians, cyclists), is one of the priority objectives [ 4 , 5 ].…”