杜嘉豪，黃孝慈，邢孟陽

（上海工程技術(shù)大學(xué) 機(jī)械與汽車工程學(xué)院，上海 201620）

0 引 言

近些年來，國民生活質(zhì)量日益改善和提高，與此同時機(jī)動車輛數(shù)也在迅速地增長，但隨即卻也出現(xiàn)了“停車難”以及“找車難”等一系列問題。如今，在購物商場等大型停車場內(nèi)，停車?yán)щy與找車?yán)_成為了汽車業(yè)務(wù)的兩大主要問題。究其原因有2個方面，首先是在熱門區(qū)域地段，公共停車站泊位緊張；其次，由于復(fù)雜停車場占用空間大和方向不易辨別等原因，導(dǎo)致車主們尋車時容易會陷入迷路，從而浪費(fèi)大量時間。所以智能尋車系統(tǒng)成為學(xué)術(shù)界的熱點研究課題，并已經(jīng)對此進(jìn)行大量的探索和嘗試，提出了多種解決方案。但提出的解決方案均存在著不同的技術(shù)缺陷，例如尋車精度和效率較低或者執(zhí)行成本過高等，都無法完美地解決上述問題。

在此背景下，提出一種基于機(jī)器視覺的停車場智能尋車系統(tǒng)，有效解決了在復(fù)雜大型地下停車場內(nèi)，車主難停車、尋車時易迷失方向，且找車?yán)щy的問題。停車場電子地圖可以在移動終端顯示屏誘導(dǎo)，通過車牌識別模塊和路徑規(guī)劃模塊相結(jié)合，幫助車主找到自己車輛停放的位置。該系統(tǒng)使車主停車和找車更加方便，大幅提升停車場的運(yùn)營管理效率。在車牌識別模塊方面，系統(tǒng)改進(jìn)YOLOv3檢測模型和CRNN字符識別模型，提高了車牌檢測及車牌號識別速率。在路徑規(guī)劃模塊方面，系統(tǒng)改進(jìn)A算法，提高路徑尋找的準(zhǔn)確率和效率。

1 系統(tǒng)總體設(shè)計與架構(gòu)

本文系統(tǒng)技術(shù)路線如圖1所示。圖1中給出了智能尋車系統(tǒng)的整體構(gòu)架，以及信息的處理模式。整個系統(tǒng)依托Matlab軟件平臺開發(fā)界面，由前端與后端組成，系統(tǒng)中至關(guān)重要的構(gòu)成是圖像信息采集和算法決斷部分。其中，信息采集負(fù)責(zé)提取車牌圖像信息。算法決斷系統(tǒng)是智能尋車系統(tǒng)的最核心的組成部分，根據(jù)車牌識別到的車牌文本信息與人工輸入的車牌信息匹配，結(jié)合攝像頭位置信息，定位到車輛位置，最終規(guī)劃出一條移動終端到所尋車輛的最短路線，并在終端進(jìn)行顯示。

圖1 系統(tǒng)技術(shù)路線框架圖Fig.1 Technical route diagram of the system

本文旨在研究智能尋車系統(tǒng)，，將以機(jī)器視覺為基礎(chǔ)，以復(fù)雜多變的地下停車場為研究目標(biāo)，通過車牌識別模塊和路徑規(guī)劃模塊在中央服務(wù)器融合，在移動終端觸控操作并顯示尋車路徑，設(shè)計并實現(xiàn)了地下停車場尋車導(dǎo)航系統(tǒng)。本文系統(tǒng)的各個環(huán)節(jié)及總流程如圖2所示，是一個機(jī)器視覺與人工智能交叉的學(xué)科系統(tǒng)，主要由車牌識別模塊、路徑規(guī)劃模塊、移動終端模塊等部分組成。

圖2 系統(tǒng)總體流程圖Fig.2 Overall flowchart of the system

2 車牌識別模塊在系統(tǒng)中的實現(xiàn)

車牌識別模塊分為車牌檢測與字符識別兩個步驟，本文選取YOLO模型作為車牌檢測框架，在YOLOv3網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)行優(yōu)化，設(shè)計了YOLO_D網(wǎng)絡(luò)。在字符識別部分，本文借鑒OCR在處理網(wǎng)絡(luò)和數(shù)據(jù)技術(shù)任務(wù)中已經(jīng)廣泛應(yīng)用的CRNN網(wǎng)絡(luò)模型，對其中的相關(guān)網(wǎng)絡(luò)信號輸入和數(shù)據(jù)框架結(jié)構(gòu)等設(shè)計方法進(jìn)行了一些設(shè)計改進(jìn)，構(gòu)建了一種直接從網(wǎng)絡(luò)數(shù)據(jù)庫圖像識別到網(wǎng)絡(luò)信號處理字符串的網(wǎng)絡(luò)端到端和終點字符識別網(wǎng)絡(luò)模型，即CRNN_D。

2.1 基于YOLO的車牌檢測算法

車牌檢測是在包含6 500張圖片的SVM2數(shù)據(jù)集上進(jìn)行的，由于系統(tǒng)車牌識別模塊的檢測對象只有車牌，而國內(nèi)機(jī)動車車牌具有更高的辨認(rèn)性和較強(qiáng)的顏色與形態(tài)學(xué)特征，并且由于車輛在攝像頭拍照時的位置和距離是相對固定的，因此檢測到的車牌位置和像素變化較小。所以本文通過簡化YOLOv3的網(wǎng)絡(luò)框架，從而提升檢測的準(zhǔn)確性與效率。主要的改進(jìn)是用單層卷積神經(jīng)網(wǎng)絡(luò)來替換YOLOv3原文中DarkNet53的主干框架，并且僅保存了YOLO的單尺度輸出，同時還在網(wǎng)絡(luò)輸出前加入2個注意力模塊，組成CBAM網(wǎng)絡(luò)。修改后的網(wǎng)絡(luò)架構(gòu)，如圖3所示。

圖3 YOLO_D網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 YOLO_D network structure

2.2 基于深度學(xué)習(xí)方法的字符識別算法

傳統(tǒng)的字符識別方法通常識別精度較低，本文在CRNN模型的基礎(chǔ)上，通過改進(jìn)網(wǎng)絡(luò)輸入和結(jié)構(gòu)，直接從圖像到字符串構(gòu)建了端到端的字符識別模型CRNN_D。通過實驗證明，改進(jìn)模型在少量計算的情況下達(dá)到了96.83%的準(zhǔn)確率，符合場景應(yīng)用的標(biāo)準(zhǔn)，CRNN_D網(wǎng)絡(luò)主體結(jié)構(gòu)如圖4所示，主要由4部分構(gòu)成。

圖4 CRNN_D網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.4 CRNN_D network structure

由圖4可知，因為每一個車牌都具有特定的顏色，因此本文將原網(wǎng)絡(luò)中灰度圖像輸入部分改進(jìn)成為3×32×88的彩色圖像輸入，并且將卷積特征提取網(wǎng)絡(luò)的輸入通道修改成3。通過對網(wǎng)絡(luò)模型中輸入的選擇和調(diào)整，可以讓識別車牌文本的準(zhǔn)確性獲得大致約3%的提高。另外當(dāng)字符傾斜較大時會嚴(yán)重影響辨識的精度，所以在空間矯正部分，本文在特征提取前，加入STN網(wǎng)絡(luò)，對其中所輸入的圖像進(jìn)行了預(yù)校正，對輸入的數(shù)據(jù)進(jìn)行空間變化，提高識別的精度。通過測試實驗證明，改進(jìn)后的網(wǎng)絡(luò)架構(gòu)使得模型的辨識精度和準(zhǔn)確性獲得了約6%的提高。

3 路徑規(guī)劃在系統(tǒng)中的實現(xiàn)

3.1 Q-Star算法基本內(nèi)容和原理

本文路徑規(guī)劃算法是基于A算法來進(jìn)行改進(jìn)，A算法是一種啟發(fā)式搜索算法。A算法的基本原理是先評估每個搜索位置，找到最佳位置，再從這個位置搜索到目標(biāo)。這樣一來就省略了不必要的搜索路徑，直接提高了路徑規(guī)劃的效率。傳統(tǒng)的A算法的總代價計算公式為：

本文將2個方格間的距離設(shè)為相同的值：由于停車場環(huán)境的獨(dú)特性，可以將2個沒有障礙物的方格間的距離設(shè)為相同數(shù)值。進(jìn)而將傳統(tǒng)的A算法，優(yōu)化為動態(tài)衡量啟發(fā)式A算法—Q-Star算法。與A算法不同的是，本文算法中（）變成了（）*（），其中的（）會影響估計值。在路徑規(guī)劃過程中，可以通過改變（）來進(jìn)行調(diào)整，就如公式（1）中的（）對A算法的影響。分析可知，（）越大，越趨近于BFS算法，而（）相對越小，則相對于趨近于Dijkstra算法，這就是本文提出的Q-Star算法優(yōu)化的重點所在。

3.2 Q-Star算法特點

（1）增加值，如上文所述在初始參數(shù)中增加了（）的權(quán)重系數(shù)，通過這個系數(shù)的大小就可以控制路徑規(guī)劃的行為，本文利用循環(huán)進(jìn)行迭代來尋找終止點，尋找到最優(yōu)點的方案。

（2）進(jìn)行拐角優(yōu)化，分析發(fā)現(xiàn)無論是原本的A算法、還是傳統(tǒng)的動態(tài)衡量啟發(fā)式的算法，由其找出來的路徑只是數(shù)學(xué)上的最優(yōu)路徑，一些轉(zhuǎn)彎是完全可以省去的，而Q-Star算法在保證不增加路程的基礎(chǔ)上盡量減少了轉(zhuǎn)彎次數(shù)，從而提高路徑規(guī)劃的效率。算法優(yōu)化后的示意圖如圖5所示。

圖5 算法優(yōu)化示意圖Fig.5 Algorithm optimization diagram

4 結(jié)果與分析

4.1 系統(tǒng)界面展示

（1）系統(tǒng)操作界面。研發(fā)得到的系統(tǒng)移動終端操作界面見圖6。

圖6 系統(tǒng)移動終端操作界面Fig.6 Mobile terminal operation page of the system

（2）車輛定位界面。研發(fā)得到的車輛定位界面見圖7。

圖7 車輛定位界面Fig.7 Location page of the vehicle

（3）最短路徑規(guī)劃界面。研發(fā)得到的系統(tǒng)最短路徑規(guī)劃界面見圖8。

圖8 系統(tǒng)最短路徑規(guī)劃界面Fig.8 Shortest path planning page of the system

（4）車牌識別界面。研發(fā)得到的車牌識別界面及結(jié)果詳見圖9、圖10。

圖9 車牌識別界面Fig.9 License plate recognition page

圖10 車牌識別結(jié)果Fig.10 License plate recognition results

4.2 系統(tǒng)測試及誤差分析

（1）車牌識別效果驗證。車牌識別模塊結(jié)合YOLO_D和CRNN_D車牌識別網(wǎng)絡(luò)模型，在測試集上與傳統(tǒng)算法進(jìn)行測試，對比實驗結(jié)果見表1。結(jié)果表明，本文改進(jìn)的車牌識別算法的識別準(zhǔn)確率達(dá)到了96.86%，較傳統(tǒng)算法的準(zhǔn)確率提高 了29.7%，并且檢測圖片時長大幅縮短，僅用時15.66 ms，滿足實時檢測的時間要求。

表1 車牌識別實驗結(jié)果Tab.1 Experimental results of license plate recognition

（2）路徑規(guī)劃算法效果驗證?；贛atlab軟件，對傳統(tǒng)的A算法和Q-Star算法進(jìn)行搜索測試對比，將傳統(tǒng)的A算法文件命名為A_ROAD_book02.m，Q-Star算法文件命名為A_ROAD_book03.m，運(yùn)行并計時的結(jié)果對比如圖11、圖12所示。

圖11 傳統(tǒng)A*算法火焰圖Fig.11 Flame diagram of the traditional A*algorithm

圖12 Q-Star算法火焰圖Fig.12 Flame diagram of the Q-star algorithm

如上述進(jìn)行的A算法與Q-Star算法的實驗對比，通過對比結(jié)果可知，在相同的條件下，對同一目標(biāo)進(jìn)行搜索與路徑規(guī)劃，A算法平均需要用時31.87 s，相比之下，Q-Star算法則只需7.53 s，其搜索目標(biāo)和規(guī)劃的效率是傳統(tǒng)A算法的4.23倍。研究中又對2種算法的路徑規(guī)劃準(zhǔn)確度進(jìn)行了同等條件下的實驗，路徑規(guī)劃算法實驗結(jié)果見表2。結(jié)果表明，Q-Star算法所規(guī)劃路徑的成功率遠(yuǎn)高于傳統(tǒng)A算法，其成功率對比為95.4%∶54.6%。

表2 路徑規(guī)劃算法實驗結(jié)果Tab.2 Experimental results of the path planning algorithms

5 結(jié)束語

本文基于機(jī)器學(xué)習(xí)，設(shè)計了一款人機(jī)交互型便民服務(wù)的復(fù)雜地下停車場智能尋車系統(tǒng)，系統(tǒng)車牌檢測模塊算法通過在前人基礎(chǔ)上改進(jìn)并提出了YOLO_D和CRNN_D模型，這2種模型的提出有效提高了車牌識別的速度和準(zhǔn)確性，其魯棒性也得到了極大的提升，確保了系統(tǒng)的快速穩(wěn)定運(yùn)行。而在路徑規(guī)劃模塊中，本文基于多種路徑規(guī)劃算法改進(jìn)成Q-Star算法，使得路徑搜索效率遠(yuǎn)高于傳統(tǒng)的A算法，并且改進(jìn)后的算法，路徑規(guī)劃的準(zhǔn)確率高達(dá)95.4%，確保該系統(tǒng)在復(fù)雜地下停車場內(nèi)使用中能夠滿足用戶的需求。最終，將兩大系統(tǒng)集成為一個人機(jī)交互系統(tǒng)，并研發(fā)制作了用戶界面，簡化用戶操作使用流程，能夠使用戶無障礙式上手該系統(tǒng)，有利于該智能尋車系統(tǒng)未來的推廣使用，更好地服務(wù)于社會，解決“停車難”與“尋車難”的問題。