Parkirališta su važni dijelovi prometnih središta koji u slučaju neefikasne iskoristivosti troše vrijeme i novac. Moderni PGI sustavi rješavaju ovaj problem praćenjem zauzetosti parkirnih mjesta na parkiralištu pomoću računalnog vida. Postojeća rješenja ovog tipa imaju relativno visoke performanse no zahtijevaju ručno označavanje graničnih pravokutnika, odnosno segmentaciju, parkirnih mjesta prije klasifikacije zauzetosti. Algoritam predstavljen u ovom radu omogućuje automatiziranu segmentaciju parkirnih mjesta pomoću detektora objekata i predloženog PSD algoritma, a detekciju zauzetosti pomoću binarnog klasifikatora zauzetosti. Segmentacija parkirališta je opisana zadatkom pronalaska graničnih pravokutnika koji odgovaraju parkirnim mjestima. Parkirna mjesta se u predloženom algoritmu promatraju kao 2D površine slike gdje se uzastopno pojavljuju detekcije vozila odnosno gdje se vozila često zadržavaju. Ovo zahtjeva detekciju vozila na slici za što je korišten izgrađeni detektor vozila, a analizu da li se zaista tamo vozila zadržavaju odrađuje PSD algoritam. Za detektor vozila je korišten single-shot detektor YOLOv3 treniran na COCO skupu podataka koji služi u procesu segmentacije parkirnih mjesta i tijekom toga prvi prima slike s video kamere. On ima zadaću detektirati sva vozila na primljenoj slici u obliku liste graničnih pravokutnika koju prosljeđuje PSD algoritmu. PSD algoritam temeljen je na matricu koja ažurira svoje vrijednosti za svaku primljenu listu graničnih pravokutnika od detektora vozila tako da predstavlja svojevrsnu toplinsku kartu zadržavanja vozila na slikama koja služi za segmentiranje parkirnih mjesta. Nakon segmentiranja parkirnih mjesta primijenjen je binarni klasifikator kako bi se odredila zauzetost svakog parkirnog mjesta. Uz klasifikator više nije potreban detektor objekata koji je puno slabije točnosti i brzine izvršenja jer su poznate lokacije svih parkirnih mjesta i samo se želi odrediti da li su zauzeta ili slobodna. Kao osnova klasifikatora korištena je ResNet34 duboka neuronska mreža uz težine prethodno trenirane na ImageNet skupu podataka. ResNet34 je proširen slojem koji je treniran na podacima iz PKLot i CNRPark-EXT skupa podataka. Testiranje algoritma je provedeno na 5 skupova podataka. Kod testiranja smo za pojedini skup podataka prvo za sve slike u pojedinom skupu podataka proveli segmentaciju parkirnih mjesta gdje je mjerena uspješnost u obliku postotka segmentiranih parkirnih mjesta. Nakon toga je na istima slikama koje su služile za segmentaciju provjerena uspješnost klasifikatora uz pronađene granične pravokutnike parkirnih mjesta u prethodnom koraku