李曉宇 孟令軍 王佳軍 薛志凌

（中北大學(xué)儀器與電子學(xué)院 太原 030051）

1 引言

智慧城市的建設(shè)、出行方式的改變、生活質(zhì)量的提高等因素使我國機(jī)動(dòng)車保有量逐年遞增，伴生出交通擁堵、車位短缺、停車?yán)щy、停車位置遺忘等社會(huì)問題。目前，基于各類物聯(lián)網(wǎng)技術(shù)的智能停車場(chǎng)車位管理系統(tǒng)是民生建設(shè)領(lǐng)域的研究熱點(diǎn)。大連交通大學(xué)史添添等［1］設(shè)計(jì)了利用GPRS無線網(wǎng)絡(luò)將地磁感應(yīng)裝置的檢測(cè)數(shù)據(jù)實(shí)時(shí)傳至信息管理平臺(tái)的智能停車場(chǎng)車位信息檢測(cè)及管理系統(tǒng)；安徽理工大學(xué)程瑤［2］設(shè)計(jì)了利用NB-IOT-ZigBee 物聯(lián)網(wǎng)技術(shù)完成車位信息的采集、傳輸、管理、發(fā)布完整流程的人機(jī)交互性停車場(chǎng)管理系統(tǒng)；蔡雪香等［3］設(shè)計(jì)了利用RFID 射頻技術(shù)和嵌入式控制的實(shí)現(xiàn)停取車、收費(fèi)、管理統(tǒng)籌的智能立體停車場(chǎng)出入口管理機(jī)；Karim Hammoudi等［4］設(shè)計(jì)出基于網(wǎng)絡(luò)攝像頭的低成本、非接觸式的自適應(yīng)停車場(chǎng)車位管理監(jiān)控系統(tǒng)。上述車位管理系統(tǒng)設(shè)備成本和后期維護(hù)費(fèi)高昂，需要人員實(shí)時(shí)管理。因此，本文設(shè)計(jì)的基于ZigBee 的立體停車場(chǎng)車位管理系統(tǒng)不僅成本低和無需人員管理，還很好地緩解了空車位混亂、停車難、尋車難的問題，同時(shí)對(duì)停車場(chǎng)的運(yùn)行效率起積極推動(dòng)作用。

2 系統(tǒng)方案設(shè)計(jì)

立體停車場(chǎng)車位管理系統(tǒng)由車牌識(shí)別和車位狀態(tài)檢測(cè)組成，其中車牌識(shí)別包括車輛圖像采集、車牌定位、字符分割識(shí)別等過程，車位狀態(tài)檢測(cè)包括距離檢測(cè)、數(shù)據(jù)傳輸、閾值判斷、信息顯示等過程。車牌識(shí)別硬件使用Raspberry Pi 3B+和IMX477R圖像傳感器對(duì)車輛前身感應(yīng)拍照并顯示［5］；軟件編程經(jīng)高斯模糊、灰度二值化、Sobel 邊緣檢測(cè)、形態(tài)學(xué)操作、Canny 算子、統(tǒng)一尺寸操作后分割成單字符進(jìn)行識(shí)別組合［6］。車位狀態(tài)檢測(cè)硬件使用單片機(jī)、超聲傳感器、紅外傳感器、ZigBee 模塊和Wi-Fi模塊；軟件編程經(jīng)A/D 采集轉(zhuǎn)換的距離數(shù)據(jù)通過ZigBee 技術(shù)傳輸給計(jì)算機(jī)并通過Wi-Fi 發(fā)送給上位機(jī)，車主根據(jù)信息引導(dǎo)停到指定車位。系統(tǒng)硬件總體框圖如圖1所示。

圖1 系統(tǒng)硬件總體框圖

2.1 車牌特征識(shí)別

車牌由漢字、字母、數(shù)字編碼組成七字序列，用于車輛編號(hào)和信息登記。第一個(gè)字符為中文，代表省份簡(jiǎn)稱；第二個(gè)字符為字母，代表城市代碼；第三到第七個(gè)字符為字母數(shù)字編碼，代表區(qū)域車輛編號(hào)。車牌顏色根據(jù)用途不同分為多種，藍(lán)牌外形尺寸為440mm×140mm，鋁質(zhì)材質(zhì)，藍(lán)底白字白框線，字符寬高為45mm×90mm，間隔符直徑為10mm，字符間間隔距為12mm，除了第二個(gè)和第三個(gè)字符間隔為34mm，四個(gè)固封螺絲將其固定在車輛上，位于車身前后，垂直固定，因此不存在較大的旋轉(zhuǎn)或變形。識(shí)別是對(duì)編碼序列進(jìn)行分割提取比對(duì)獲得車牌信息。通過計(jì)算圖像中垂直邊緣較多的矩形框和面積比例獲取疑似車牌區(qū)域圖像，對(duì)其進(jìn)行支持向量機(jī)（SVM），通過一系列條件判斷后得到真實(shí)車牌區(qū)域，分割后利用ANN 神經(jīng)網(wǎng)絡(luò)識(shí)別出字符以組成車牌號(hào)。車牌識(shí)別流程如圖2所示。

圖2 車牌識(shí)別流程圖

2.2 車位狀態(tài)檢測(cè)

便捷停車必須遵守停放規(guī)則、共享車位信息和增強(qiáng)車位管理，但現(xiàn)實(shí)中很多車主隨意停放且時(shí)間一長便忘記停放位置，給自己和他人造成不便。立體停車場(chǎng)車位長5.3m、寬2.5m、層高2.5m，車位狀態(tài)檢測(cè)系統(tǒng)硬件主要有紅外傳感器、超聲傳感器HC-SR04、單片機(jī)系統(tǒng)CH32F103C8T6、ZigBee 模塊HZB001［7］、Wi-Fi 模塊ESP8266，組成原理圖如圖3 所示。紅外傳感器位于車位底部和超聲傳感器位于車位頂部，設(shè)置距離閾值分別為0.25m、1.5m，綜合判斷可以準(zhǔn)確檢測(cè)車位狀態(tài)以防止誤觸發(fā)。紅外傳感器模塊檢測(cè)距離2cm～30cm，檢測(cè)角度35°，通過主動(dòng)式紅外線反射探測(cè)到上方車輛障礙物后，輸出端口持續(xù)輸出低電平信號(hào)，反之高電平信號(hào)，同時(shí)喚醒超聲測(cè)距。超聲傳感器感測(cè)距離2cm～400cm，探測(cè)角度60°，通過單片機(jī)給TRIG 引腳一個(gè)至少10us 以上的高電平信號(hào)啟動(dòng)并發(fā)出八個(gè)40KHz 的方波，ECHO 引腳檢測(cè)到回波信號(hào)并持續(xù)輸出一個(gè)高電平信號(hào)，根據(jù)高電平信號(hào)時(shí)間計(jì)算出距離［8］。單片機(jī)為國產(chǎn)南京沁恒公司生產(chǎn)，ADC精度12 位，與STM 芯片兼容，并且價(jià)格便宜。Zig-Bee 以CC2530 為主控，多節(jié)點(diǎn)通信，全雙工透?jìng)鳎?20 米通信距離，超低功耗，波特率設(shè)置為115200，從模塊網(wǎng)絡(luò)ID 為0×0001、0×0002、…，主模塊目的地址為0×0000。Wi-Fi 模塊采用ESP8266 為主控，將數(shù)據(jù)發(fā)送到上位機(jī)。

圖3 車位狀態(tài)檢測(cè)原理圖

3 程序算法設(shè)計(jì)

3.1 車牌定位

立體停車場(chǎng)出入口采集的車輛圖像往往含有與車牌面積特征相近的干擾因素，如車燈輪廓、后視鏡輪廓、車標(biāo)、進(jìn)氣柵格等。不排除干擾會(huì)增加硬件資源，延長計(jì)算時(shí)間，降低準(zhǔn)確率，因此采用高斯模糊、灰度二值化、Sobel 邊緣檢測(cè)、形態(tài)學(xué)圖像處理、Canny 算子等操作去除干擾。車輛圖像以圖4為例，尺寸為640×480像素，以時(shí)間命名方式存入SD卡中。

圖4 采集的車輛初始圖像

首先對(duì)車輛初始圖像進(jìn)行高斯模糊操作以減少圖像噪聲、降低細(xì)節(jié)層次，使邊緣變得平滑。具體步驟為：1）獲得原像素點(diǎn)的RGB 三通道值；2）邊緣像素進(jìn)行鏡像擴(kuò)充，以防模板核在邊緣處卷積出錯(cuò)；3）設(shè)模糊半徑為3，模板為7*7，根據(jù)模板像素坐標(biāo)和二維高斯函數(shù)式（1）計(jì)算出權(quán)重矩陣；4）圖像內(nèi)像素點(diǎn)通道值與對(duì)應(yīng)權(quán)重相乘和得到新像素點(diǎn)通道值，得到高斯模糊效果圖像如圖5 所示，明顯看出細(xì)節(jié)處模糊，顏色邊緣層次過渡自然，亮度變暗。

圖5 高斯模糊效果圖像

式中，(i,j)為模板內(nèi)像素點(diǎn)坐標(biāo)，(i0,j0)為中心點(diǎn)坐標(biāo)，σ為1.5。

其次進(jìn)行灰度化［9］以減輕計(jì)算復(fù)雜度，提高識(shí)別效率，即R、G、B 三分量以不同的權(quán)重進(jìn)行加權(quán)平均，見式（2）。得到灰度化圖像如圖6 所示。車牌顏色損失的后果不影響本系統(tǒng)后續(xù)處理步驟同時(shí)也可以處理不同車牌。

圖6 灰度化圖像

式中，ωr=0.299，ωg=0.587，ωb=0.114，且三者之和為1。

然后對(duì)灰度化圖像進(jìn)行Sobel邊緣檢測(cè)以檢測(cè)出不同像素點(diǎn)邊緣值，即求水平和垂直方向上的灰度矢量以得到圖形邊緣［10］。采用周邊值加權(quán)和卷積法，見式（3）。本系統(tǒng)中水平和垂直方向梯度權(quán)重占比為0.5。

式中，G(i,j)為新灰度值，和為水平和垂直方向的卷積因子，A(i,j)為像素點(diǎn)初始灰度值。如果G(i,j)在上下、左右鄰點(diǎn)達(dá)到極值即該像素點(diǎn)為邊緣點(diǎn)。Sobel邊緣檢測(cè)效果如圖7 所示。結(jié)果表現(xiàn)出有些邊緣線不連續(xù)和顏色梯度分差小。因此采用自適應(yīng)閾值二值法優(yōu)化，使邊緣線連續(xù)明顯以利于準(zhǔn)確選取車牌區(qū)域。將小于閾值的值變?yōu)?（黑色），大于閾值的值變?yōu)?（白色）。二值化結(jié)果如圖8所示。

圖7 Sobel邊緣檢測(cè)結(jié)果圖

圖8 自適應(yīng)閾值二值化結(jié)果圖

再用形態(tài)學(xué)操作中的開閉操作對(duì)圖像進(jìn)行膨脹腐蝕，使白色邊緣線形成連通域。閉操作用來填充目標(biāo)內(nèi)部的細(xì)小孔洞，將斷開的鄰近目標(biāo)連接，在不明顯改變物體面積和形狀的情況下平滑其邊界，模板大小為18×4；開操作用來消除圖像中細(xì)小對(duì)象，在纖細(xì)點(diǎn)處分離物體和平滑較大物體的邊界而有不明顯改變其面積和形狀，模板大小為10×3。通過形態(tài)學(xué)操作后細(xì)小邊緣線演變成塊狀區(qū)域，將所有可能區(qū)域全部包含進(jìn)去。形態(tài)學(xué)操作結(jié)果如圖9 所示?？闯鲇行┰緣K狀區(qū)域變成連通域，減少了判斷輪廓時(shí)間。

圖9 形態(tài)學(xué)操作結(jié)果圖

最后進(jìn)行取輪廓，通過Canny 算法將連通域的邊界描繪出來。操作步驟：1）高斯濾波器平滑圖像；2）計(jì)算梯度幅度和梯度角度；3）對(duì)梯度幅度圖像應(yīng)用非極大值抑制；4）使用雙閾值來檢測(cè)和連通性連接邊緣，設(shè)定閾值為100、150。形成外接矩形，對(duì)其進(jìn)行尺寸判斷，排除不是車牌的矩形以提高準(zhǔn)確率和效率。由于車牌尺寸為440mm×140mm，寬高比為3.14，設(shè)定一個(gè)偏差率和面積率，偏差率為寬高比的最小和最大值，面積率為矩形輪廓面積最小和最大值，滿足所有條件保留下來的輪廓統(tǒng)稱疑似區(qū)域。再對(duì)疑似區(qū)域進(jìn)行角度判斷，正常情況下車牌不會(huì)有很大的傾斜變形，設(shè)置角度閾值30°，小于閾值的為疑似車牌區(qū)域。通過一系列條件篩選后，包含車牌區(qū)域的結(jié)果已選出，結(jié)果如圖10 所示。最后對(duì)符合條件的矩形區(qū)位置映射到原始圖像中取出，統(tǒng)一尺寸為136 ×34 像素，如圖11所示。

圖10 疑似車牌區(qū)域框選結(jié)果

圖11 車牌區(qū)域

在車牌定位部分，車型不同最后可能會(huì)產(chǎn)生不止一個(gè)疑似車牌區(qū)域，因此需要支持向量機(jī)（SVM）［11～12］來準(zhǔn)確獲得車牌區(qū)域。本文使用的是OpenCV 中的CVSVM，分為訓(xùn)練和預(yù)測(cè)兩個(gè)過程，訓(xùn)練過程首先設(shè)置訓(xùn)練樣本數(shù)據(jù)，準(zhǔn)備1000 張圖像，其中700張為車牌作為正樣本，300張為車輛其他部位作為負(fù)樣本；SVM 參數(shù)調(diào)優(yōu)和利用CVSVMPararms 類實(shí)現(xiàn)類內(nèi)的成員變量表示；調(diào)用CvS-VM：：train 函數(shù)建立SVM 模型，第一個(gè)參數(shù)是圖像全部像素，第二個(gè)參數(shù)是分類結(jié)果；調(diào)用CvSVM：：predict 實(shí)現(xiàn)分類。預(yù)測(cè)過程是將測(cè)試樣本輸入到SVM模型中通過結(jié)果驗(yàn)證模型準(zhǔn)確性，通過不斷調(diào)參和優(yōu)化以得到正確車牌。

3.2 車牌分割與識(shí)別

對(duì)車牌進(jìn)行字符分割，輸入歸一化車牌進(jìn)行顏色判斷，然后進(jìn)行灰度化，再利用顏色判斷結(jié)果確定閾值參數(shù)而進(jìn)行二值化，利用findContours 函數(shù)獲取字符輪廓，最后通過最小外接矩形分割出每個(gè)字符并對(duì)矩形的寬高比和面積進(jìn)行驗(yàn)證以歸一化保存，每個(gè)字符尺寸為15*24 像素，字符分割結(jié)果如圖12所示。

圖12 字符分割結(jié)果

對(duì)車牌進(jìn)行字符識(shí)別，使用ANN 人工神經(jīng)網(wǎng)絡(luò)對(duì)字符進(jìn)行訓(xùn)練識(shí)別［13～14］，ANN 的特征設(shè)為字符的水平方向與垂直方向的累計(jì)直方圖和低分辨率圖像，設(shè)置12 個(gè)隱藏層，通過ANN.train 函數(shù)并設(shè)置相應(yīng)參數(shù)對(duì)字符訓(xùn)練，使用ANN.predict 函數(shù)對(duì)各個(gè)車牌特征進(jìn)行預(yù)測(cè)。每層傳播過程如式（4）所示。

式中，Wi為系數(shù)矩陣的第i行，由in在該層的位置決定，b為偏置項(xiàng)，activation()為激活函數(shù)，x為每層的輸出。

3.3 車位狀態(tài)信息

至此車牌信息已經(jīng)獲取，引導(dǎo)車輛停在指定空車位便是傳感器所做工作。系統(tǒng)使用兩類傳感器，分別為紅外傳感器和超聲傳感器。通過CH32單片機(jī)控制低功耗穩(wěn)定工作，由紅外傳感器先粗略檢測(cè)再觸發(fā)超聲傳感器精確檢測(cè)，紅外傳感器每隔1s檢測(cè)一次，檢測(cè)到車位上有車輛后，指示燈亮起，超聲傳感器發(fā)出超聲波，單片機(jī)計(jì)算回波信號(hào)高電平時(shí)間，環(huán)境溫度由DS18b20 采集，室溫下超聲波在空氣中傳播速度為334m/s，但其傳播速度受溫度、濕度影響較大，因此距離計(jì)算采用溫度補(bǔ)償式［15］，如式（5）。

式中，S 為距離，單位m/s，T 為溫度，單位℃，t 為高電平時(shí)間，單位ms。通過從ZigBee 模塊將距離數(shù)據(jù)傳輸給主ZigBee模塊，判定閾值后將車位信息更新至上位機(jī)。反之，紅外傳感器沒有檢測(cè)到車輛，指示燈滅，超聲傳感器不工作，因此上位機(jī)顯示該車位為空。

4 實(shí)驗(yàn)結(jié)果與分析

車牌識(shí)別中的測(cè)試數(shù)據(jù)選自開源的EasyPR 中的車牌數(shù)據(jù)集［16］和本系統(tǒng)采集處理的20 張車輛圖像，從中選出1000 張圖像（700 張是車牌，300 張不是車牌）作為樣本集用于SVM 模型調(diào)優(yōu)和ANN 神經(jīng)網(wǎng)絡(luò)訓(xùn)練以達(dá)到高定位準(zhǔn)確率。其中300 張不是車牌圖像作為干擾因素以提高模型判斷魯棒性。由于車牌具有豐富的垂直邊緣的原因使干擾圖像在SVM 中排除。ANN 神經(jīng)網(wǎng)絡(luò)中對(duì)省份簡(jiǎn)稱、數(shù)字、大寫字母進(jìn)行了特征標(biāo)識(shí)，但偶爾會(huì)在0與D、1 與I，8 與B 等字符上混淆識(shí)別錯(cuò)誤，本系統(tǒng)對(duì)特殊字符進(jìn)行了加強(qiáng)優(yōu)化和閾值縮小，使車牌識(shí)別準(zhǔn)確率達(dá)93%。超聲測(cè)距部分具有雙重判斷和溫度補(bǔ)償及ZigBee 技術(shù)穩(wěn)定傳輸使車位狀態(tài)檢測(cè)準(zhǔn)確率達(dá)98%。

軟 件 環(huán) 境 使 用 python3.6、OpenCV4.1、2019-09-26-raspbian-buster、numpy、image、CVSVM、matplotlib 等，使用python 和C 語言編程。經(jīng)過器件選型，系統(tǒng)搭建，程序編寫，參數(shù)優(yōu)化等設(shè)計(jì)出一種基于ZigBee的立體停車場(chǎng)管理系統(tǒng)，系統(tǒng)實(shí)物如圖13所示。

圖13 系統(tǒng)實(shí)物圖

上位機(jī)使用成熟的機(jī)智云App，車主可以在上位機(jī)上查閱到當(dāng)前停車場(chǎng)信息（空車位名稱、總車位數(shù)量、車位引導(dǎo)、空車位數(shù)量），方便快捷。上位機(jī)界面效果如圖14所示。

圖14 上位機(jī)效果圖

5 結(jié)語

立體停車場(chǎng)是智慧城市建設(shè)的需求，相比較普通停車場(chǎng)具有占地小、車位多、管理便捷等優(yōu)勢(shì)。本文設(shè)計(jì)了一種基于ZigBee 的立體停車場(chǎng)車位管理系統(tǒng)，既降低硬件成本又提高運(yùn)算速率，具有應(yīng)用價(jià)值。通過對(duì)車牌圖像多重處理和車位實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)融合，實(shí)現(xiàn)車輛停放管理。未來希望在新能源車牌識(shí)別和環(huán)境自適應(yīng)上進(jìn)一步研究設(shè)計(jì)。