張先才，張足生，李益廣，2，郭小紅，陳 偉，2

1.東莞理工學(xué)院 網(wǎng)絡(luò)空間安全學(xué)院，廣東 東莞 523808 2.廣東工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，廣州 510006

近年來，隨著我國汽車保有量持續(xù)增加，城市中心區(qū)停車難問題日益嚴(yán)重，路邊智慧停車管理系統(tǒng)已成為解決該問題的有效途徑[1-2]。該系統(tǒng)的基礎(chǔ)是實(shí)時(shí)車輛檢測技術(shù)，在準(zhǔn)確獲得每個(gè)停車位的狀態(tài)信息基礎(chǔ)上，路邊智慧停車管理系統(tǒng)可實(shí)現(xiàn)車位預(yù)約、停車誘導(dǎo)、停車計(jì)費(fèi)等功能。

磁阻傳感器、視頻是目前主要的車輛檢測技術(shù)。磁阻傳感器成本和功耗低，生命周期長，但容易受到相鄰車位、城市軌道交通等磁場干擾[3]?；诖抛鑲鞲衅鞯耐＼囄粰z測已有很多研究，文獻(xiàn)[4]提出了一種自適應(yīng)閾值算法；文獻(xiàn)[5]為了降低相鄰車位干擾，綜合相鄰傳感器的信息，通過計(jì)算相鄰車位信號的相似度實(shí)現(xiàn)停車檢測。相比磁阻傳感器，視頻可以獲得更多的信息，比如車牌號，但是視頻易受到天氣和光照干擾，并且室外視頻停車檢測技術(shù)需要布電源線和通信線，安裝和維護(hù)成本高。隨著人工智能的發(fā)展，已有越來越多的研究將深度學(xué)習(xí)算法應(yīng)用在基于視頻的車輛檢測中[6]。文獻(xiàn)[7]提出一種基于Faster R-CNN[8]的車輛檢測改進(jìn)算法，可以較好地實(shí)現(xiàn)交通監(jiān)控視頻中的車輛檢測；文獻(xiàn)[9]提出了一種基于最新的YOLOv3[10-12]算法的實(shí)時(shí)車輛檢測分類模型，該模型通過增強(qiáng)深度殘差網(wǎng)絡(luò)的特征提取能力，提高了復(fù)雜無約束自然場景下實(shí)時(shí)車輛檢測的精度。

基于磁阻和視頻的車輛檢測技術(shù)大多受限于不同的干擾因素，雖然目前對各種干擾問題有較多研究，但是效果有限。而基于新型傳感器的方法可以和這些方法互補(bǔ)。目前關(guān)于雷達(dá)的車輛檢測研究，大多是基于激光雷達(dá)[13-15]，且主要關(guān)注于自動(dòng)駕駛領(lǐng)域。激光雷達(dá)探測距離遠(yuǎn)，精度高，但是在功耗、體積和成本方面皆不適用于停車位檢測。

本文使用的脈沖相干雷達(dá)傳感器（pulse coherent radar，PCR）是一種新型的傳感器，它兼具脈沖式雷達(dá)低功耗和相位式雷達(dá)高精度的優(yōu)點(diǎn)[16]，面積只有29 mm2，成本遠(yuǎn)低于激光雷達(dá)，并且不受磁場、光照干擾。本文根據(jù)PCR雷達(dá)信號的特征，考慮到水和濕樹葉等干擾，提出了一種基于PCR的停車檢測算法。

1 問題描述

PCR基于信號傳播時(shí)間來測量物體的距離，即無線電波由第一根天線發(fā)射，經(jīng)物體反射后再由第二根天線接收，通過測量發(fā)射和接收信號之間的傳播時(shí)間來判斷物體的距離。本文采用的是型號為A111的雷達(dá)傳感器，該傳感器提供四種工作模式[16]，其中Powerbin工作模式采樣的信息量較少，能耗低，適用于停車位檢測，下面給出該模式的雷達(dá)信號定義。

例如，起始檢測距離是20 cm，檢測范圍為50 cm，如果分為5個(gè)Bin，每個(gè)Bin代表的距離范圍依次為[20，30]，[30，40]，[40，50]，[50，60]，[60，70]。圖1（a）是t0時(shí)刻傳感器上方?jīng)]有被物體遮擋時(shí)的信號，圖1（b）是t1時(shí)刻其正上方0.5 m處有金屬板時(shí)的信號?？梢姰?dāng)有物體時(shí)，第3個(gè)Bin接收的振幅最大，則可以估計(jì)該物體的距離范圍是[40，50]。

圖1 無物體和有物體時(shí)的雷達(dá)信號Fig.1 Radar signal with object and without object

PCR對外界的光、聲音、磁場和灰塵不敏感，因此不受這些因素干擾。玻璃、水、濕樹葉等材料能很好地反射PCR發(fā)射的無線電波。路邊停車檢測，傳感器節(jié)點(diǎn)置于地面以下，頂蓋與路邊齊平，當(dāng)節(jié)點(diǎn)頂蓋被水或濕樹葉覆蓋時(shí)，無線電波被反射，會(huì)影響車輛檢測的準(zhǔn)確性。為此將干擾因素納入檢測任務(wù)中，將停車位狀態(tài)劃分為四種類別，如定義2所示。

定義2停車位狀態(tài)的集合為{ }S1,S2,S3,S4。各狀態(tài)按次序分別指{無車且無干擾，有車且無干擾，無車且有干擾，有車且有干擾}。

基于定義1、定義2，本文算法可表示為：

其中，n為Bin的個(gè)數(shù)，Bin1(t),Bin2(t),…,Bin n(t)為t時(shí)刻的雷達(dá)信號，S(t)為t時(shí)刻的停車位狀態(tài)。

2 算法設(shè)計(jì)

算法的框架如圖2所示，包括添加擴(kuò)展特征、分類算法和訓(xùn)練三部分。添加擴(kuò)展特征：給雷達(dá)信號添加擴(kuò)展特征。分類算法：對添加了擴(kuò)展特征的雷達(dá)信號分類，得到該雷達(dá)信號對應(yīng)的停車位狀態(tài)。訓(xùn)練：根據(jù)雷達(dá)數(shù)據(jù)樣本，利用粒子群優(yōu)化算法[17]訓(xùn)練分類算法的參數(shù)。

圖2 算法框架圖Fig.2 Algorithm framework

2.1 添加擴(kuò)展特征

圖3展示了不同停車位狀態(tài)的20條雷達(dá)信號。S1、S3、S4之間差異較小，S2與其他類別差異較大。為了更好地區(qū)分S1、S3和S4，提取雷達(dá)信號的特征并將其作為雷達(dá)信號的擴(kuò)展特征。將添加了擴(kuò)展特征的雷達(dá)信號稱為擴(kuò)展雷達(dá)信號。

圖3 不同停車位狀態(tài)的雷達(dá)信號特點(diǎn)Fig.3 Radar signals of different parking space status

式（2）為均值，反映了雷達(dá)信號各個(gè)Bin的平均大??；式（3）為方差，反映了雷達(dá)信號各個(gè)Bin的波動(dòng)大小；式（4）為大于或等于50的Bin的個(gè)數(shù)，H（~）是單位階躍函數(shù)，在~大于或等于0時(shí)為1，小于0時(shí)為0，無物體遮擋時(shí)雷達(dá)信號各個(gè)Bin一般小于50，因此該特征反映了雷達(dá)信號的響應(yīng)程度；式（5）為雷達(dá)信號各個(gè)Bin與下標(biāo)序列(1,2,…,n)的協(xié)方差，其在一定程度上反映了雷達(dá)信號的變化模式[18]。

2.2 分類算法

分類算法對擴(kuò)展雷達(dá)信號分類，得到停車位狀態(tài)。停車位狀態(tài)有四種，本文的分類算法每次在兩種停車位狀態(tài)中做出預(yù)測，將四種停車位狀態(tài)兩兩配對有六種不同的組合，因此總共需要預(yù)測6次[19]。每次預(yù)測的兩種可能的停車位狀態(tài)如表1所示。

表1 每次預(yù)測的可能的預(yù)測結(jié)果Table 1 Possible outcomes of each forecast

S1、S2、S3、S4中被預(yù)測次數(shù)最多的即為分類算法所得到的停車位狀態(tài)。在實(shí)際測試中出現(xiàn)被預(yù)測次數(shù)相同的情況少于0.5%。相同說明雷達(dá)信號特征不明顯，難以分類，此時(shí)在被預(yù)測次數(shù)相同的停車位狀態(tài)中隨機(jī)選擇一個(gè)作為輸出。

具體來說，當(dāng)進(jìn)行第1次預(yù)測時(shí)，算法依次對每個(gè)Bin進(jìn)行分類：

圖4 分類算法流程圖Fig.4 Classification algorithm flowchart

2.3 訓(xùn)練

訓(xùn)練模塊的目的是根據(jù)雷達(dá)數(shù)據(jù)集計(jì)算分類算法參數(shù)。原始雷達(dá)數(shù)據(jù)集是采集的雷達(dá)信號的集合，本文為采集的雷達(dá)信號添加擴(kuò)展特征和停車位狀態(tài)標(biāo)簽。將處理后的數(shù)據(jù)集記為L,L中的樣本記為(r(t),S(t))，其中r(t)為t時(shí)刻的擴(kuò)展雷達(dá)信號，S(t)為t時(shí)刻的停車位狀態(tài)。L中所有停車位狀態(tài)為S1、S2、S3、S4的樣本依次記為L S1、L S2、L S3、L S4。

第1次預(yù)測的可能結(jié)果為S1和S2，希望找到最佳的參數(shù)α1，使得第1次預(yù)測在L S1和L S2上的誤差和最小，誤差和記為error(α1,L S1,L S2)。尋找參數(shù)α2至α6與尋找α1類似。形式上，尋找分類算法參數(shù)的問題可表達(dá)為：

其中，L S(t)為L中所有停車位狀態(tài)為S(t)的樣本，函數(shù)I（~）在~為真和假時(shí)取1和0。注意，因?yàn)镾1和S2的樣本數(shù)不同，如果直接將第1次預(yù)測在L S1和L S2上的錯(cuò)誤個(gè)數(shù)作為誤差和，預(yù)測的結(jié)果會(huì)傾向樣本數(shù)更多的停車位狀態(tài)。為了消除這種偏好，當(dāng)停車位狀態(tài)為S()

t的樣本分類錯(cuò)誤時(shí)，誤差修正為1/ ||L S()t。第2~6次預(yù)測的誤差和計(jì)算與第1次類似。

式（11）所示的優(yōu)化問題的目標(biāo)函數(shù)形式復(fù)雜，難以找到一個(gè)專門的算法求解。而粒子群優(yōu)化算法[17]是一種群體智能優(yōu)化算法，可以近似求解擁有復(fù)雜目標(biāo)函數(shù)的優(yōu)化問題。因此利用粒子群優(yōu)化算法求解該問題，得到分類算法的參數(shù)。算法1展示了訓(xùn)練算法。

算法1訓(xùn)練

2.4 復(fù)雜度分析

添加擴(kuò)展特征和分類算法的時(shí)間復(fù)雜度為O(n)。分類算法每次預(yù)測需要存儲(chǔ)對每個(gè)Bin的分類結(jié)果，空間復(fù)雜度為O(n)。訓(xùn)練部分共執(zhí)行6次粒子群優(yōu)化算法，假設(shè)每次的粒子個(gè)數(shù)為M，迭代次數(shù)為K。每次迭代包括：（1）計(jì)算所有粒子的目標(biāo)函數(shù)值，時(shí)間復(fù)雜度為O(M|L| n)；（2）更新粒子，時(shí)間復(fù)雜度為O(Mn)。從而訓(xùn)練部分的時(shí)間復(fù)雜度為O(KM|L|n)。將添加擴(kuò)展特征和分類算法作為算法的檢測部分，表2列出了算法的時(shí)間復(fù)雜度和空間復(fù)雜度。

表2 算法復(fù)雜度Table 2 Algorithm complexity

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)設(shè)定

（1）采集系統(tǒng)與數(shù)據(jù)集

PCR雷達(dá)信號的采集系統(tǒng)如圖5所示，由檢測節(jié)點(diǎn)、網(wǎng)關(guān)節(jié)點(diǎn)和上位機(jī)三部分組成。檢測節(jié)點(diǎn)放置在停車位中央，網(wǎng)關(guān)節(jié)點(diǎn)和上位機(jī)放置在檢測節(jié)點(diǎn)附近并通過串口相連。檢測節(jié)點(diǎn)集成了MSP430MCU、PCR雷達(dá)傳感器和Lora SX1278無線通信模塊，由ER14505H鋰電池供電，每隔1秒采樣一次，并將數(shù)據(jù)通過無線通信模塊傳輸出去；網(wǎng)關(guān)節(jié)點(diǎn)集成了MSP430MCU和Lora SX1278無線通信模塊，由ER14505H鋰電池供電，其通過無線通信模塊接收檢測節(jié)點(diǎn)發(fā)送的數(shù)據(jù)，并通過串口將數(shù)據(jù)傳給上位機(jī)；上位機(jī)是普通的筆記本電腦，從串口接收數(shù)據(jù)，并將其保存在本地。實(shí)驗(yàn)參數(shù)取值如表3所示。

表3 實(shí)驗(yàn)參數(shù)Table 3 Experimental parameters

圖5 采集系統(tǒng)示意圖Fig.5 Schematic diagram of acquisition system

基于該采集系統(tǒng)對某部門停車位的無車無干擾、有車無干擾、無車有干擾、有車有干擾四種狀態(tài)做了詳細(xì)的采樣。所得到的雷達(dá)數(shù)據(jù)集共有12 285條樣本，四種類別的樣本數(shù)依次為3 720、4 835、1 700、2 030。采集場景如圖6所示。

圖6 雷達(dá)信號采集場景Fig.6 Scene of collecting radar signals

（2）對比算法

在MATLAB上實(shí)現(xiàn)了上文所述的所有算法，將本文提出的算法稱為多閾值投票法（multiple threshold voting，MTV）。為了客觀地驗(yàn)證MTV的性能以及引入擴(kuò)展特征的效果，采用兩種檢測方法進(jìn)行對比實(shí)驗(yàn)。

ER算法[16]：PCR雷達(dá)供應(yīng)商提供的停車位檢測算法。將無物體時(shí)的雷達(dá)信號作為參考信號，計(jì)算待檢測的雷達(dá)信號與參考信號的差值，超出閾值則檢測為有車，閾值根據(jù)經(jīng)驗(yàn)設(shè)置。

MTV-0算法：以MTV為基礎(chǔ)，不使用擴(kuò)展特征進(jìn)行停車位檢測。

MTV-0和MTV需要訓(xùn)練過程，因此利用5折交叉驗(yàn)證方法[20]來驗(yàn)證兩種算法。做法是將雷達(dá)數(shù)據(jù)集隨機(jī)劃分為5等份；選取其中的4份用于訓(xùn)練，選取余下的1份用于測試；共執(zhí)行5次，每次選取不同的等份用于訓(xùn)練和測試，累計(jì)每次的測試結(jié)果，最后得到算法對整個(gè)雷達(dá)數(shù)據(jù)集的測試結(jié)果。

3.2 方法有效性分析

當(dāng)?shù)玫酵＼囄粻顟B(tài)后，MTV既實(shí)現(xiàn)了停車檢測，又檢測出了雷達(dá)是否有干擾，因此評估在這兩種任務(wù)上的性能。

停車檢測的測試結(jié)果如表4所示。在無干擾場景下，MTV的準(zhǔn)確率大于99.9%。在有干擾場景下，MTV的準(zhǔn)確率為91.46%，比MTV-0高約3個(gè)百分點(diǎn)，這是因?yàn)镸TV引入擴(kuò)展特征，增加了S3和S4的差異，從而提高了在干擾場景下的檢測精度。ER在干擾場景下的準(zhǔn)確率只有71.81%，這是因?yàn)椋海?）ER只利用了雷達(dá)信號與參考信號的差值這一個(gè)特征，沒有發(fā)掘雷達(dá)信號更多的信息；（2）ER在無干擾和有干擾場景下使用同一個(gè)參考信號和閾值進(jìn)行檢測，難以同時(shí)保證兩種場景下的準(zhǔn)確率。而MTV綜合雷達(dá)信號所有的Bin以及擴(kuò)展特征的信息，并且進(jìn)行多次預(yù)測，每次預(yù)測針對不同的停車位狀態(tài)使用不同的參數(shù)，因此MTV在無干擾和有干擾場景下皆有不錯(cuò)的準(zhǔn)確率。

表4 檢測是否有車的準(zhǔn)確率Table 4 Accuracy of detecting whether there is a car

檢測雷達(dá)是否有干擾的測試結(jié)果如表5所示。MTV的準(zhǔn)確率為96.09%，比MTV-0高約1個(gè)百分點(diǎn)。而ER只考慮了“有車”和“無車”兩種狀態(tài)，無法檢測出傳感器是否受到干擾。

表5 檢測是否受到干擾的準(zhǔn)確率Table 5 Accuracy of detecting whether there is interference

圖7是一段時(shí)間內(nèi)無干擾的雷達(dá)信號，其中0~0.2 min、0.6~0.8 min、1.1~1.5 min為無車無干擾，0.2~0.6 min、0.8~1.1 min為有車無干擾。檢測結(jié)果如圖8所示。因?yàn)閮煞N停車位狀態(tài)的區(qū)別明顯，三種算法都能得到正確的檢測結(jié)果。

圖9是一段時(shí)間內(nèi)有干擾的雷達(dá)信號，其中0~0.8 min、1.7~2.5 min為無車有干擾，0.8~1.7 min、2.5~2.9 min為有車有干擾。檢測結(jié)果如圖10所示。在干擾場景下，ER幾乎漏檢了所有停車事件，MTV-0有較多的漏檢和誤檢，而MTV只在2.6 min處漏檢了一次。MTV-0和MTV都沒有將停車位狀態(tài)誤判為S1或S2，這說明兩種算法都成功地識別出傳感器受到了干擾。

圖9 有干擾雷達(dá)信號Fig.9 Radar signal with interference

圖10 有干擾時(shí)的檢測結(jié)果Fig.10 Detection results with interference

含有泥土、灰塵等雜質(zhì)的水不僅能很好地反射PCR發(fā)射的無線電波，而且無線電波穿過它時(shí)會(huì)產(chǎn)生散射。這種干擾在實(shí)際場景中是常見的，且比無雜質(zhì)的水對停車檢測的挑戰(zhàn)更大。本文采集了這種干擾下的停車數(shù)據(jù)，測試了MTV在這種數(shù)據(jù)下停車檢測的效果。相比無雜質(zhì)的水，檢測精度略微降低，可見散射對MTV停車檢測的性能影響較小。

為了更全面地驗(yàn)證MTV檢測干擾的性能，除了水和濕樹葉干擾之外，本文也采集了傳感器受到含有雜質(zhì)的水、玻璃、泥土覆蓋的數(shù)據(jù)用于測試。MTV識別這些干擾的精度依然較高，為95%左右。這些干擾對傳感器的影響是類似的，這些具有較高反射率的干擾物體覆蓋在檢測節(jié)點(diǎn)上，反射了雷達(dá)發(fā)射的部分無線電波，使得雷達(dá)信號相應(yīng)的Bin值產(chǎn)生了相似的變化。

3.3 方法運(yùn)行效率分析

三種算法檢測不同數(shù)量的樣本所需的時(shí)間如圖11所示。MTV用時(shí)雖然明顯大于ER和MTV-0，但三者的速度都已滿足實(shí)時(shí)性的要求。MTV與MTV-0的主要區(qū)別是MTV需要計(jì)算擴(kuò)展特征，而MTV用時(shí)明顯大于MTV-0，這說明MTV的時(shí)間開銷主要花在擴(kuò)展特征的計(jì)算上。表6列出了三種算法的檢測速度。

圖11 算法檢測效率對比圖Fig.11 Detection efficiency comparison

表6 檢測速度Table 6 Detection speed

圖12是MTV訓(xùn)練不同數(shù)量樣本所需的時(shí)間，其中各類別的樣本比例相同，粒子個(gè)數(shù)設(shè)為100，迭代次數(shù)設(shè)為50。在上述參數(shù)設(shè)定下，訓(xùn)練時(shí)間與樣本數(shù)成線性增長，這與本文復(fù)雜度分析相符。雖然相比ER算法，MTV需要較耗時(shí)的訓(xùn)練過程，但在訓(xùn)練完畢后，MTV的檢測速度可以滿足實(shí)時(shí)性要求。

圖12 MTV訓(xùn)練不同數(shù)量樣本的時(shí)間Fig.12 MTV training time for different numbers of samples

4 結(jié)束語

本文提出了一種基于脈沖相干雷達(dá)的停車檢測算法。提取雷達(dá)信號的特征，對雷達(dá)信號進(jìn)行多次預(yù)測，結(jié)合多次預(yù)測的結(jié)果實(shí)現(xiàn)停車檢測。相比已有算法，本文算法提高了干擾場景下停車檢測的精度，并且可以檢測雷達(dá)是否有水或濕樹葉的干擾。未來工作包括：將本文算法擴(kuò)展到更多干擾因素的場景；借鑒相鄰多個(gè)時(shí)刻的雷達(dá)信號提高檢測準(zhǔn)確率。