陸蘇陽(yáng) 楊玉棋 王欽 耿飚

摘要：隨著高校招生規(guī)模的擴(kuò)大，進(jìn)入校園的車輛不斷增多，校園內(nèi)原有的停車區(qū)域已經(jīng)不能滿足日益增長(zhǎng)的泊車需求，再加上高校內(nèi)原有的停車位規(guī)劃不盡合理，這就迫切的要求對(duì)高校停車位規(guī)劃進(jìn)行改良。在高校內(nèi)利用基于圖像識(shí)別技術(shù)構(gòu)建的停車區(qū)域規(guī)劃系統(tǒng)不僅可以根據(jù)實(shí)際泊車情況動(dòng)態(tài)的規(guī)劃車位，還能在分時(shí)段運(yùn)行不同標(biāo)準(zhǔn)的停車檢測(cè)，對(duì)停放車輛進(jìn)行智能化管理。

關(guān)鍵詞：停車區(qū)域;動(dòng)態(tài)規(guī)劃;圖像識(shí)別;聚類算法

中圖分類號(hào)：TP311 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）17-0076-02

Abstract： With the expansion of college enrollment scale， the number of vehicles entering the campus is increasing， the original parking area on campus can not meet the growing demand for parking， coupled with the original parking space planning in the university is not reasonable， which urgently requires the university parking space planning to improve. The parking area planning system in colleges and universities based on image recognition technology can not only plan parking spaces according to the actual parking situation， but also run different standard parking detection in time-sharing time， and intelligently manage parked vehicles.

Key words： parking area; dynamic planning; image recognition; clustering algorithm

1 當(dāng)前校園車停位存在的問題

多數(shù)高校建校已有年頭，導(dǎo)致校園內(nèi)的停車設(shè)施規(guī)劃跟不上車輛增長(zhǎng)速度。落后的靜態(tài)交通規(guī)劃不能滿足師生需求，機(jī)動(dòng)車、行人和非機(jī)動(dòng)車的矛盾日益突出，這就使得校園泊車問題已經(jīng)成為影響高校加速發(fā)展、擴(kuò)大規(guī)模的重要因素，因此做好高校校園停車區(qū)域的規(guī)劃與設(shè)計(jì)是完善當(dāng)前校園建設(shè)的一個(gè)重要任務(wù)。

2 基于自學(xué)習(xí)的停車規(guī)劃系統(tǒng)

針對(duì)現(xiàn)有停車位存在的問題，本文提出一種基于自學(xué)習(xí)算法的校園停車區(qū)域規(guī)劃系統(tǒng)。

系統(tǒng)設(shè)計(jì)以停車位劃分為核心內(nèi)容，在使用圖像識(shí)別技術(shù)獲取大量停車數(shù)據(jù)信息的基礎(chǔ)上采用聚類算法，從而針對(duì)停車區(qū)域的位置給出人性化的劃分，對(duì)于車輛停放檢測(cè)采用分時(shí)段執(zhí)行不同的檢測(cè)標(biāo)準(zhǔn)。具體設(shè)計(jì)如下。

1）選擇準(zhǔn)確且高效的圖像識(shí)別算法用來識(shí)別車輛并記錄各個(gè)檢測(cè)到車輛的位置信息。

2）在得到車輛數(shù)據(jù)信息的基礎(chǔ)上，選擇合理的聚類算法對(duì)車輛坐標(biāo)數(shù)據(jù)進(jìn)行處理，得到概率密度最大聚類中心，再獲取所有聚類中心的最小外接平行四邊形即為停車概率最大的模糊停車范圍。

3）由前端輸入需要?jiǎng)澐志_停車位的數(shù)量信息，在上一部分得到的最小外接平行四邊形四角坐標(biāo)的基礎(chǔ)上設(shè)計(jì)算法對(duì)模糊區(qū)域進(jìn)行等分記錄所有等分點(diǎn)的坐標(biāo)，依次連接即為精確停車位的坐標(biāo)信息。

4）根據(jù)當(dāng)前時(shí)間，對(duì)照分時(shí)段設(shè)置，采用嚴(yán)格檢測(cè)模式或?qū)捤蓹z測(cè)模式。

2.1 圖像識(shí)別算法

圖形識(shí)別算法使用YOLO算法，其運(yùn)行速度快結(jié)構(gòu)簡(jiǎn)單結(jié)果準(zhǔn)確，其核心思想是通過劃分單元格，使用滑動(dòng)窗口技術(shù)依次對(duì)其進(jìn)行檢測(cè)，將圖像檢測(cè)轉(zhuǎn)化為圖像的分類。YOLO算法可以為每個(gè)b-box預(yù)測(cè)出所需要的坐標(biāo)（tx，ty，tw，th，to），公式如下。

bx = δ（tx） + cx

by = δ（ty） + cy

bw = pwe^（tw）

bh = phe^（th）

Pr（object） * IOU（b， object） = δ（to）

YOLO算法采用了leaky ReLU函數(shù)作為激活函數(shù)，使用端到端的方式進(jìn)行數(shù)據(jù)集的訓(xùn)練，讓使用者只將重點(diǎn)放在輸入端與輸出端，簡(jiǎn)化了使用流程。整個(gè)算法包含252層，輸入數(shù)據(jù)源大小為320*320，416*416，608*608（必須為32的整數(shù)倍），有5次步長(zhǎng)為2的下采樣;輸出三個(gè)不同尺度的feature map（13*13*255、26*26*255、52*52*255），每個(gè)劃分的單元格會(huì)預(yù)測(cè)三個(gè)box，每個(gè)box有5個(gè)基本參數(shù)（x，y，w，h，c）對(duì)應(yīng)的每個(gè)種類都輸出一個(gè)概率，coco類別共有80個(gè)類，共計(jì)需要預(yù)測(cè)3*（80+5），合計(jì)255。

2.2 數(shù)據(jù)庫(kù)設(shè)計(jì)

本系統(tǒng)需要以下幾張四張表，用來存儲(chǔ)車位坐標(biāo)信息及車輛停放信息：

accurateparkingspace 精確車位位置表，包含編號(hào)，各車位四角坐標(biāo)，標(biāo)記位（有無車輛停放）;

parkinginformation ?停放信息表，包含車位編號(hào)，停入時(shí)間;

tobedeterminedspace 待確定停車位表，包含yolo算法檢測(cè)到各量車的中心坐標(biāo);

vagueparkingspace ?模糊停車區(qū)域表，包含模糊區(qū)域的四角坐標(biāo)。

采用體積小、執(zhí)行命令速度更快的MySql作為存儲(chǔ)車輛及車位坐標(biāo)信息的數(shù)據(jù)庫(kù)。

2.3 meanshift算法獲取目標(biāo)聚類中心點(diǎn)

1）經(jīng)由YOLO算法計(jì)算得到每個(gè)b-box目標(biāo)框的中心（在每次迭代畫框的過程中，通過計(jì)算（left + （right - left） / 2）與（top + （bottom - top） / 2）得到每個(gè)目標(biāo)框的中心橫縱坐標(biāo)），將所獲得中心坐標(biāo)存入tobedeterminedspace表中;

2）從tobedeterminedspace表中提取待確定范圍中心點(diǎn)坐標(biāo)，交由meanshift算法來進(jìn)行聚類，設(shè)置合理的距離閾值，得到停車概率最大的各聚類的中心坐標(biāo);

3）得到聚類中心坐標(biāo)后，使用openCV庫(kù)中包含的cv2.minAreaRect（）函數(shù)來獲取最小外接平行四邊形的中心的橫縱坐標(biāo)、寬高及調(diào)整的角度，再使用cv2.boxPoints（）函數(shù)來計(jì)算最小外接矩形的4個(gè)頂點(diǎn)坐標(biāo)，記錄這四個(gè)角的坐標(biāo)并存入vagueparkingspace表。

2.4 精確區(qū)域劃分

該劃分方法主要依賴于模糊停車區(qū)域的范圍，通過前端界面輸入需要?jiǎng)澐值男辛行畔ⅲ瑢?duì)模糊停車區(qū)域的邊緣進(jìn)行等分操作，若原模糊區(qū)域的四角分別為x1、x2、x3、x4，且x4是離原點(diǎn)最遠(yuǎn)的一個(gè)坐標(biāo)，那么則以x2為原點(diǎn)，重新構(gòu)建直角坐標(biāo)系，而將x1的橫坐標(biāo)與x2橫坐標(biāo)差的1/m作為該坐標(biāo)系在x方向上的單位尺度，記位：X，將x3的縱坐標(biāo)與x2的縱坐標(biāo)差的1/n作為該坐標(biāo)系在y方向上的單位尺度，記為：Y。實(shí)際x1、x2、x3、x4與其邊緣及內(nèi)部的各等分點(diǎn)在該直角坐標(biāo)系上呈一一對(duì)應(yīng)關(guān)系，這些點(diǎn)與對(duì)應(yīng)點(diǎn)之間存在著一個(gè)橫坐標(biāo)上的偏移量記為m，縱坐標(biāo)上的偏移量記為n。該偏移量可以通過x2與x4的關(guān)系得出，若要在橫坐標(biāo)方向劃分j個(gè)等分點(diǎn)，則偏移量m = ?[x4_x - （ x2_x + j*X）] / j，偏移量n = [x4_y - （x2_y + i*Y）] / j。

下面以劃分三行三列為例：

從左至右，從上到下記為：

a[0][0] ?a[0][1] ?a[0][2] ?a[0][3]

a[1][0] ?a[1][1] ?a[1][2] ?a[1][3]

a[2][0] ?a[2][1] ?a[2][2] ?a[2][3]

a[3][0] ?a[3][1] ?a[3][2] ?a[3][3]

x軸上一個(gè)單位的尺度X = （x1_x - x2_x） / 3;

y軸上一個(gè)單位的尺度Y = （x3_y - x2_y） / 3;

x軸上一個(gè)單位的偏移量m = [x4_x - （ x2_x + 3X）] / 3;

y軸上一個(gè)單位的偏移量n = [x4_y - （x2_y + 3Y）] / 3。

設(shè)計(jì)分割算法，通過嵌套循環(huán)的方式一次性遍歷完全部的分割點(diǎn)及四角坐標(biāo)：

1）計(jì)算x + y，值最小的記為x2;

2）由于openCV存儲(chǔ)最小外接平行四邊形的四角坐標(biāo)是通過逆時(shí)針順序存儲(chǔ)，故可以通過列表索引的方式，在確認(rèn)出x4的坐標(biāo)后依次推算出x1、x2、x3的坐標(biāo)，并按照順序存入vagueparkingspace表中;

3）以x2為參考點(diǎn)，命名為a[0][0]，a[0][0]坐標(biāo)初始為（a，b），則：

2.5 車輛停放檢測(cè)

由于不同時(shí)間段對(duì)于車輛停放檢測(cè)的標(biāo)準(zhǔn)不需要完全相同，在高頻時(shí)間段（8：00～22：00），車輛必須嚴(yán)格按照車輛停放位置所規(guī)定的區(qū)域停放車輛，否則會(huì)干擾正常的交通。但是在深夜的低頻時(shí)間段（22：00～次日8：00），在該時(shí)間段內(nèi)，挪車情況很少，而且在校園內(nèi)常常由于車位數(shù)不夠?qū)е萝囍麟S意在路邊停車，針對(duì)這種現(xiàn)象，完全沒有必要浪費(fèi)大量的人力物力在深夜對(duì)這些停放車輛進(jìn)行違規(guī)處罰。

基于上述觀點(diǎn)，筆者為本系統(tǒng)規(guī)劃了一套簡(jiǎn)單的車輛停放檢測(cè)功能，主要目的是為例實(shí)現(xiàn)分時(shí)劃分停車區(qū)域，在高頻時(shí)間段，啟用嚴(yán)格的檢測(cè)模式，監(jiān)測(cè)車輛是否進(jìn)入停車位;在低頻時(shí)間段內(nèi)不對(duì)車輛停放位置做檢測(cè)，只是展示適合停車的模糊區(qū)域。

檢測(cè)流程如下：

選擇一個(gè)數(shù)據(jù)源：攝像頭傳輸?shù)囊曨l;

選擇模式：車輛停放檢測(cè);

開始檢測(cè)車輛，系統(tǒng)時(shí)間：

8：00～22：00：執(zhí)行車輛停放精確檢測(cè)，車輛中心坐標(biāo)是否進(jìn)入車位：

是，前端輸出幾時(shí)幾分有車輛進(jìn)入編號(hào)為幾的車位，parkingInformation表記錄停放車位的編號(hào)（serial_number）、記錄in_time、accurateParkingSpace表對(duì)應(yīng)編號(hào)的標(biāo)記位park修改為1;

否，返回繼續(xù)檢測(cè);

22：00～8：00：執(zhí)行車輛停放模糊檢測(cè)，判斷車輛中心是否進(jìn)入模糊停車范圍。

3 結(jié)束語

此系統(tǒng)主要是應(yīng)用在校園內(nèi)未劃分車位的情況下，根據(jù)記錄的大量過往數(shù)據(jù)得到的停車概率最大的位置來規(guī)劃停車范圍，進(jìn)而由管理人員確定此處應(yīng)該精確劃分的車位數(shù)量。依據(jù)這種自學(xué)習(xí)模式得到的停車位能在最大程度的滿足大部分車主對(duì)于停車區(qū)域所在位置的需求。同時(shí)通過分時(shí)段執(zhí)行不同的檢測(cè)標(biāo)準(zhǔn)，在白天執(zhí)行精確的車輛停放檢測(cè)，在夜晚則提供一個(gè)模糊的停車范圍供車主選擇，使得停車管理模式更加人性化。

參考文獻(xiàn)：

[1] 裘國(guó)平， 顧偉， 何東明， 等. 大數(shù)據(jù)時(shí)代下停車模式轉(zhuǎn)型研究[J]. 智能城市， 2019， 5（23）： 1-5.

[2] 宋汝玫. 國(guó)內(nèi)外停車場(chǎng)規(guī)劃研究現(xiàn)狀分析[J]. 科學(xué)與財(cái)富， 2017（4）： 52.

[3] Redmon J， Farhadi A. YOLOv3： An Incremental Improvement[J]. 2018.

[4] Comaniciu D， Meer P. Mean shift： a robust approach toward feature space analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（5）： 603-619.

[5] Redmon J， Farhadi A. YOLO9000： better， faster， stronger[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， July 21-26， 2017. Honolulu， HI. IEEE， 2017： 7263-7271.

[6] 闞馨童， 李愷， 張露露， 等. 高校校園停車場(chǎng)規(guī)劃與設(shè)計(jì)[J]. 山西建筑， 2018， 44（3）： 2-4.

[7] 李文鵬. 深度學(xué)習(xí)在車牌識(shí)別中的研究與應(yīng)用[D]. 西安： 西安工程大學(xué)， 2018.

【通聯(lián)編輯：謝媛媛】