A. Parking space classificationWith

A. Parking space classification
With reference to Figure 1, let I be the image of the
parking lot acquired by a camera node, containing C parking
spaces. Since camera nodes are likely to be deployed statically
in the parking lot, we assume to know a-priori, for each
parking space, the pixel coordinates of its center xc, together
with its rotation angle dc, width wc and height hc, with
c = 1 . . . C. For each parking space, a squared subregion of
size min(wc, hc) centered in xc is extracted from the image.
Each subregion is converted from RGB to HSV colorspace,
and the hue component is used to populate a histogram hc
made of 180 bins, one for each discretized hue value ranging
in [0, 179]. In order to save computation, parking spaces are
not rotated to a predefined orientation. In fact, due to the
nature of the proposed feature, rotation has almost no effect
on task accuracy. When the ATC paradigm is enabled, the
histogram can be compressed by reducing the number of
bins. A further step to reduce the amount of information
being sent over the network, consists in quantizing histogram
bin counts before arithmetic coding and transmission.
The histograms are used as local features to determine
whether or not a parking space is vacant. For the task at hand, we trained a binary linear SVM classifier with
regularization constant K = 100. The classifier is fed with
normalized hue-histograms extracted from labeled data both
in training and in test phase. The SVM is trained giving as
input one normalized histogram for each parking space in
the training set. Empty parking lots are labeled as negative
samples (−1), while occupied parking lots are labeled as
positive samples (+1). The trained SVM is then used to
predict the labels for all the test samples. The accuracy is
finally calculated on the test set as the ratio between the
number of correctly classified parking spaces over the total
number of parking spaces in the set.

Kết quả (Việt) 1:

A. phân loại bãi đậu xe không gianVới tham chiếu đến hình 1, hãy để tôi là hình ảnh của nhữngBãi đậu xe được mua lại bởi một nút máy ảnh, có bãi đậu xe Ctại toàn. Kể từ khi các nút máy ảnh có khả năng được bố trí tĩnhở bãi đậu xe, chúng ta giả sử để biết một tiên nghiệm, cho mỗiBãi đậu xe không gian, tọa độ điểm ảnh của Trung tâm xc, cùng nhauvới góc quay dc, hc wc và chiều cao chiều rộng, vớic = 1 . . . C. cho mỗi không gian đậu xe, một phân vùng bình phương củaKích thước min (wc, hc) tập trung ở xc được chiết xuất từ các hình ảnh.Mỗi phân vùng được chuyển đổi từ RGB sang HSV colorspace,và các thành phần Huế được sử dụng để cư một biểu đồ hcthực hiện của 180 thùng, một cho mỗi discretized Huế giá trị khác nhautrong [0, 179]. Để tiết kiệm tính toán, đậukhông quay theo một hướng xác định trước. Trong thực tế, do để cácbản chất của các tính năng được đề xuất, Luân chuyển hầu như không có hiệu lựcvề tính chính xác của nhiệm vụ. Khi các mô hình ATC được kích hoạt, cácbiểu đồ có thể được nén bằng cách giảm số lượngthùng. Một bước xa hơn để giảm số lượng thông tinđược gửi qua mạng, bao gồm trong quantizing biểu đồbin số lần trước khi học mã và truyền dẫn.Các histograms được sử dụng như tính năng địa phương để xác địnhcó hay không một không gian đậu xe là trống. Đối với nhiệm vụ ở bàn tay, chúng tôi đào tạo một loại SVM nhị phân tuyến tính vớihằng số regularization K = 100. Loại được cho ăn vớibình thường Huế-histograms chiết xuất từ dữ liệu cả hai có nhãnđào tạo và trong giai đoạn thử nghiệm. SVM là đào tạo cho nhưnhập vào một biểu đồ bình thường cho mỗi không gian đậu xe trongtập huấn luyện. Bãi đậu xe có sản phẩm nào được gắn nhãn là tiêu cựcmẫu (−1), trong khi chiếm bãi đậu xe được đánh dấu làmẫu tích cực (+ 1). SVM được đào tạo thì được sử dụng đểdự đoán các nhãn cho tất cả các mẫu thử nghiệm. Độ chính xác làcuối cùng đã được tính toán trên các bài kiểm tra thiết lập là tỷ lệ giữa cácsố lượng phân loại chính xác đậu trên tổng sốsố chỗ đậu trong các thiết lập.

Kết quả (Việt) 2:

A. xe phân loại không gian
Với tham khảo hình 1, hãy để tôi là hình ảnh của
bãi đậu xe được mua lại bởi một nút máy ảnh, có bãi đậu xe C
không gian. Kể từ khi các nút máy ảnh có khả năng được triển khai tĩnh
ở bãi đậu xe, chúng tôi giả biết một tiên nghiệm, cho mỗi
không gian đậu xe, tọa độ pixel của xc trung tâm của nó, cùng
với góc quay dc của nó, chiều rộng wc và chiều cao hc, với
c = 1. . . C. Đối với mỗi không gian đậu xe, một tiểu vùng bình phương của
kích thước min (wc, hc) làm trung tâm trong xc được chiết xuất từ các hình ảnh.
Mỗi tiểu vùng được chuyển đổi từ RGB sang HSV vùng màu,
và các thành phần màu sắc được sử dụng để cư một hc biểu đồ
làm bằng 180 thùng, một cho mỗi giá trị rời rạc sắc khác nhau,
trong [0, 179]. Để cứu tính toán, chỗ đỗ xe
không xoay để định hướng được xác định trước. Trong thực tế, do
bản chất của tính năng đề xuất, luân chuyển hầu như không có hiệu lực
trên chính xác nhiệm vụ. Khi mô ATC được kích hoạt,
biểu đồ có thể được nén bằng cách giảm số lượng
thùng. Một bước xa hơn để giảm bớt số lượng thông tin
được gửi qua mạng, bao gồm trong lượng tử histogram
đếm bin trước khi mã hóa số học và truyền dẫn.
Các biểu đồ được sử dụng như là các tính năng địa phương để xác định
có hay không một chỗ đậu xe là bỏ trống. Đối với nhiệm vụ trước mắt, chúng tôi được đào tạo một phân lớp SVM tuyến tính nhị phân với
K không đổi theo quy tắc = 100. Bộ phân loại được cho ăn bằng
bình thường hue-biểu đồ lấy từ dữ liệu nhãn cả
trong đào tạo và trong giai đoạn thử nghiệm. Các SVM được được đào tạo cho như
đầu vào một biểu đồ bình thường hóa cho mỗi không gian đậu xe trong
tập huấn luyện. Bãi đậu xe trống được gắn nhãn là âm
mẫu (-1), trong khi các bãi đậu xe chiếm được dán nhãn là
mẫu dương tính (1). Sau đó SVM đào tạo được sử dụng để
dự đoán các nhãn cho tất cả các mẫu thử nghiệm. Độ chính xác là
cuối cùng tính toán trên các thử nghiệm thiết lập như là tỷ lệ giữa
số lượng chỗ đậu xe phân loại chính xác trên tổng
số chỗ đậu xe trong bộ này.