蘇立敏 陳吉東 莫月柳

（1.廣東石油化工學(xué)院 廣東省茂名市 525000 2.廣州工商學(xué)院 廣東省廣州市 510850）

1 關(guān)于智能停車場(chǎng)的概述

本文中研究的智能停車場(chǎng)車位查詢系統(tǒng)實(shí)際上是一套通過(guò)借助停車場(chǎng)監(jiān)控畫面獲取車位詳細(xì)信息的智能系統(tǒng)[1]。一般情況下，系統(tǒng)由以下兩個(gè)部分共同組成。

一部分是對(duì)停車位監(jiān)控視頻進(jìn)行處理，在視頻畫面URL地址的幫助下，利用RTSP協(xié)議對(duì)視頻數(shù)據(jù)實(shí)現(xiàn)有效傳送，借助YOLO目標(biāo)檢測(cè)算法以及與停車信息相關(guān)的算法，對(duì)停車進(jìn)行計(jì)算，比如空余車位情況、已用車位停車時(shí)間以及車牌信息等。

而另外一部分是將停車場(chǎng)內(nèi)與車位有關(guān)的信息資料有效上傳至終端設(shè)備，把本地計(jì)算機(jī)當(dāng)做服務(wù)器使用，依據(jù)傳輸過(guò)來(lái)的車輛信息，將車輛信息保存到計(jì)算機(jī)的指定路徑處，借助Web開(kāi)發(fā)平臺(tái)讓Flask發(fā)揮功能對(duì)保存路徑進(jìn)行設(shè)置同時(shí)在終端生成URL地址，最后利用微信公眾平臺(tái)實(shí)現(xiàn)對(duì)小程度的開(kāi)發(fā)利用，在根據(jù)URL地址，實(shí)現(xiàn)對(duì)停車場(chǎng)車輛信息的實(shí)時(shí)查看。

2 深度學(xué)習(xí)YOLO目標(biāo)檢測(cè)算法

車位查詢系統(tǒng)中對(duì)模型進(jìn)行檢測(cè)的主干網(wǎng)絡(luò)為殘差網(wǎng)絡(luò)(Res Net)[2]。圖1中左側(cè)方框內(nèi)容為主干網(wǎng)絡(luò)模型，不難發(fā)現(xiàn)它是由53層卷積層和21層殘差層構(gòu)成的，即Darknet-53，將其與YOLOv2算法中19層卷積層的主干網(wǎng)絡(luò)作比較，該模型所具備的層次更先進(jìn)，并且還運(yùn)用了殘差結(jié)構(gòu)，很大程度上加強(qiáng)了模型提取對(duì)圖像特征的水平，在一定程度上避免了梯度極易消失的狀況。通過(guò)多尺度預(yù)測(cè)法的應(yīng)用，具體內(nèi)容見(jiàn)圖1中右側(cè)方框中的內(nèi)容，分別對(duì)選定的尺度各異的特征圖上進(jìn)行特征提取工作，達(dá)到Y(jié)OLO檢測(cè)算法輸入的要求。對(duì)Anchor Box展開(kāi)設(shè)計(jì)工作時(shí)，為了能夠獲取到最后的長(zhǎng)寬比同樣也采用了聚類得方法。通過(guò)聚類以后，獲得9個(gè)聚類中心，把所有的聚類中心均勻的劃分到三種不同的尺度上，每中尺度都預(yù)測(cè)出3個(gè)檢測(cè)框。除此之外，還應(yīng)對(duì)不同尺度積極引入一些卷積層從而達(dá)到特征提取的目的，隨后再輸出關(guān)于檢測(cè)框的數(shù)據(jù)信息。尺度1在經(jīng)過(guò)卷積相應(yīng)作用后，直接得到與檢測(cè)框相關(guān)的后期信息。在尺度2方面，當(dāng)該檢測(cè)框接收到輸出信號(hào)后，它便會(huì)針對(duì)尺度1中輸出的卷積執(zhí)行上采樣操作，隨后再跟卷積2的特征圖進(jìn)行疊加，疊加后再借助卷積層的作用把檢測(cè)框信息輸送出去。尺度2中檢測(cè)框的整體尺寸要比尺度1放大兩倍。并且尺度3也隨之變化而變化，同樣比尺度2擴(kuò)大了兩倍，但是其輸入大小還是跟尺度2上采樣獲取到的特征圖規(guī)格大小一樣，再加上原有特征圖的大小重新讓卷積層對(duì)其進(jìn)行作用，輸送出最后檢測(cè)框的信息。本結(jié)構(gòu)與FPN結(jié)構(gòu)相類似。

圖1：改進(jìn)之后的網(wǎng)絡(luò)結(jié)構(gòu)

在分類器上，在多標(biāo)簽分類方面不使用YOLOv2中的的Soft max，其主要是因?yàn)镾oft max對(duì)所有檢測(cè)框進(jìn)行分類劃分的時(shí)候，它只分配分?jǐn)?shù)最大那個(gè)類別，它最后會(huì)傳輸出來(lái)一個(gè)概率分布，其中在概率分布值中最高值便會(huì)被當(dāng)做該檢測(cè)框的類別。如果當(dāng)前目標(biāo)有重復(fù)的類別標(biāo)簽，在對(duì)多標(biāo)簽分類問(wèn)題進(jìn)行解決時(shí)不適合應(yīng)用Soft max。實(shí)際上，一個(gè)Soft max能夠使用幾個(gè)Logistic分類器進(jìn)行替換，并且準(zhǔn)確度不會(huì)被因此而降低。原有的Soft max分類器運(yùn)用binary cross-entropy loss（二次交叉熵）分類器進(jìn)行替換[3]。

正如圖1展示的那樣，YOLO目標(biāo)檢測(cè)算法通過(guò)優(yōu)化與完善后，較之Faster R-CNN檢測(cè)算法，改進(jìn)升級(jí)之后的目標(biāo)算法在檢測(cè)效果方面表現(xiàn)出更佳，而且小尺度檢測(cè)水平也得到了進(jìn)一步的提升。

3 停車場(chǎng)車位查詢算法

3.1 車位檢測(cè)

檢測(cè)模型系統(tǒng)對(duì)停車場(chǎng)監(jiān)控視頻畫面執(zhí)行檢測(cè)后，再對(duì)檢測(cè)取得的數(shù)據(jù)進(jìn)行分析判斷在指定類別物體坐標(biāo)位置上是否處于提前設(shè)定好的閾值范圍內(nèi)，進(jìn)而分析出車位處于何種狀態(tài)[4]。為了確保超出該攝像頭監(jiān)控范圍的其它車位上停放的車輛不會(huì)遭到錯(cuò)誤判定，應(yīng)該參照多個(gè)監(jiān)控設(shè)備攝錄下的視頻資料，對(duì)其它監(jiān)控設(shè)備下的停車位執(zhí)行檢測(cè)過(guò)程中的閾值進(jìn)行相應(yīng)設(shè)置。

3.2 車牌識(shí)別算法設(shè)計(jì)

車牌是車位查詢系統(tǒng)在檢測(cè)中篩選出來(lái)的屬于licence plate一類的物體?；跀z像頭只對(duì)前排停車位進(jìn)行檢測(cè)的限制，倘若前排的車位處于閑置狀態(tài)，這是該攝像頭就會(huì)對(duì)其后排超出它拍攝界限的車位上的車輛車牌執(zhí)行檢測(cè)操作。因此，在此過(guò)程中應(yīng)該除過(guò)前排那些不在停車位界限內(nèi)的車牌號(hào)碼，參照?qǐng)D2中所設(shè)置的閾值，將圖中左側(cè)車輛定為1號(hào)車，中間位置的車輛定位2號(hào)車，則右側(cè)停放的車就為3號(hào)車，并且將中心點(diǎn)坐標(biāo)y<387的車牌進(jìn)行去除。行成列表licence plate=[]用來(lái)對(duì)篩選出來(lái)的車輛停放具體位置的相應(yīng)數(shù)據(jù)信息進(jìn)行儲(chǔ)存。

圖2：閾值設(shè)定

用for循環(huán)遍歷列表licence plate，依據(jù)車牌中心坐標(biāo)的x值來(lái)確定出此車牌的車輛具體停在停車場(chǎng)的哪個(gè)具體位置：

如果中心坐標(biāo)x值介于800與990之間，那么可判定該車輛停在圖2中1號(hào)車的位置上；如果中心坐標(biāo)x值處于520與740之間，那么可以推斷出該車輛停放在圖2中2號(hào)車位的位置；如果中心坐標(biāo)x值是230與270之間的任何一個(gè)值，那么可以確定該車輛是停在3號(hào)車位上的。

隨后將篩選出來(lái)的所有車牌一一進(jìn)行識(shí)別，這里涉及到的環(huán)節(jié)有3個(gè)：矯正傾斜車牌，分割車牌字符以及識(shí)別。其中矯正車牌為確保后續(xù)環(huán)節(jié)的準(zhǔn)確度奠定基礎(chǔ)。矯正存在傾斜現(xiàn)象的車牌具體操作是：先將已經(jīng)檢測(cè)出來(lái)的車牌進(jìn)行灰度化處理，利用Ran don變換計(jì)算方法，對(duì)車牌展開(kāi)各個(gè)方位的投影，借助投影操作取得的傾斜度實(shí)行正確校對(duì)。除此之外，還能夠借助垂直投影法以及常用的聚類連通域法對(duì)選取出來(lái)的車牌邊框與車牌上的字符實(shí)行準(zhǔn)確分割。一般來(lái)說(shuō)，經(jīng)過(guò)矯正處理完成的車牌邊框，在它的上邊框以及下邊框上還會(huì)剩下部分邊框，這時(shí)我們可以使用黑白跳變統(tǒng)計(jì)法及行像素值距離不變法對(duì)此車牌邊框殘留部分進(jìn)行清理。而針對(duì)邊框左右多出的部分，可以在保證分割精準(zhǔn)度的前提下同樣進(jìn)行分割。首先，可以利用計(jì)算水平已結(jié)合差對(duì)其進(jìn)行分圖操作，計(jì)算公式可用：

再對(duì)一階差分圖中數(shù)列進(jìn)行平均值計(jì)算：

通過(guò)對(duì)列的差分值、平均值進(jìn)行比較，得到與要求相符的列，之后再借助符合要求的列查詢到與最大差分相一致的左右列。倘若得到的左右列結(jié)果顯示是和，就需要利用縮小誤差的公式：

最后可以對(duì)左右邊界進(jìn)行最后的計(jì)算：

以圖2中2號(hào)停車位為例，將待檢測(cè)的車牌進(jìn)行上述操作處理后，最后看到的結(jié)果與如圖3所示一樣。

圖3：經(jīng)過(guò)處理后的車牌

首先對(duì)車牌的邊框整體執(zhí)行精準(zhǔn)分割操作，之后再對(duì)車牌上的阻隔字符進(jìn)行準(zhǔn)確無(wú)誤的分割，利用二值化方法對(duì)其處理得出最后結(jié)果，白色部分為車牌上的字符，黑色部分則為字符的背景，此過(guò)程中所運(yùn)用的分割方法為垂直投影法。

3.3 車位查詢系統(tǒng)的準(zhǔn)確性

從停車場(chǎng)的所有監(jiān)控視頻中隨機(jī)選取100張時(shí)間隨機(jī)的監(jiān)控畫面截圖，同時(shí)人為對(duì)監(jiān)控下的車位狀態(tài)進(jìn)行手動(dòng)標(biāo)記。把這些截圖全部錄入車位查詢系統(tǒng)，然后將得出的結(jié)果與之前人工標(biāo)記的信息進(jìn)行比較，進(jìn)而取得車位狀態(tài)判定的準(zhǔn)確率。在設(shè)備終端輸出檢驗(yàn)結(jié)果，發(fā)現(xiàn)準(zhǔn)確率為100%。

4 結(jié)語(yǔ)

總而言之，在國(guó)內(nèi)停車場(chǎng)管理混亂以及私家車數(shù)目不斷增加的背景下，本文對(duì)智能停車場(chǎng)車位查詢系統(tǒng)進(jìn)行分析是很有必要的。該系統(tǒng)能夠有效地增強(qiáng)停車場(chǎng)的利用效率，解決城市交通運(yùn)輸壓力，對(duì)于停車場(chǎng)實(shí)行更加精確的停車計(jì)時(shí)計(jì)費(fèi)方式，降低因?yàn)槭召M(fèi)誤差給車主帶去不好的停車體驗(yàn)有重要意義，很值得將該系統(tǒng)大力推廣出去。