周 敏

（中國鐵路設(shè)計集團有限公司 電化電信工程設(shè)計研究院，天津 300308）

近年來，各地大規(guī)模建設(shè)涵蓋多種交通形式的綜合交通樞紐，顯著提升了旅客出行、換乘的便捷性。但由于交通樞紐客流密集，小汽車接駁數(shù)量逐年增長，停車困難問題日益突出[1]。

因停車場內(nèi)部空間復雜，很多車位存在長期空置的問題，未得到充分利用，而車主進入停車場后，往往會被立柱與車輛阻礙視線，無法提前發(fā)現(xiàn)空余車位，導致其耗費較長時間在場內(nèi)盲目尋找，造成停車場內(nèi)的交通擁堵。車主在返回停車場取車時，由于場內(nèi)空間大、標志物和空間環(huán)境相似，無法及時找到停車位置，為此耗費大量時間在停車場內(nèi)尋車，降低出行體驗[2]。

本文采用車輛識別、三維全景建模、軌跡跟蹤、人像識別等技術(shù)，提出了綜合交通樞紐智能停車系統(tǒng)，有效提升停車場管理效率，降低運營成本，為車主提供便捷、智能的停車體驗。

1 核心技術(shù)

為方便旅客停車、尋車，需對交通樞紐的停車場進行三維全景建模，判定停車場中的車位狀態(tài)及各車輛的位置情況；再對用戶車輛進行識別，獲取車輛類型、車牌號碼等信息來判定用戶查找的車輛位置；通過人性化的導航方式，引導旅客找到空閑的停車位或所查詢的車輛。

1.1 車輛識別與車位關(guān)聯(lián)

車輛識別與車位關(guān)聯(lián)的流程，如圖1 所示。

圖1 車輛識別與車位關(guān)聯(lián)流程

在綜合交通樞紐停車場采集的視頻中標記出停車場的區(qū)域位置及停車位編號。當車輛進入停車場后，視頻采集到含有車輛的畫面時，通過車輛入位算法，分析其是否在停車位中。如果車輛在車位中，系統(tǒng)對畫面中車輛的車牌號和外觀進行識別，并綁定車牌號與車位編號，從而完成車輛與車位的關(guān)聯(lián)。

1.1.1 車輛入位檢測算法

本文設(shè)計一套車輛入位檢測算法流程，如圖2所示。

圖2 車輛入位檢測算法流程

該算法核心在于檢測車輛是否進入車位，本文采用Retinanet[3]作為基礎(chǔ)檢測框架，利用backbone[3]和anchor[4]對數(shù)據(jù)進行增強、優(yōu)化、匹配。檢測任務(wù)采用CIoU[3]作為損失函數(shù)，公式如下：

其中，IoU是交并比，指產(chǎn)生的候選框與原標記框的交疊率，即它們的交集與并集的比值；RCIoU為CIoU 損失函數(shù)的懲罰項；LCIoU為CIOU 損失值[3]；α為正向的權(quán)衡參數(shù)；ρ2為歐式距離；v為測量橫縱比的一致性；c為圖中兩車輛檢測框的對角線長度；B為檢測的目標邊界框大??；wide為目標邊界框?qū)挾?，h為目標邊界框高度；gt為真實標注的目標邊界框。

為了克服無法精確定位的問題，本文利用檢測器分別檢測車身、車頭、車尾3 部分，對非標記區(qū)域的車輛采用匈牙利算法進行車位信息關(guān)聯(lián)，對標記區(qū)域的車輛，利用overlap 區(qū)域關(guān)聯(lián)方式進行車位匹配，并以車頭、車位、車尾的優(yōu)先級進行關(guān)聯(lián)，將檢測到的目標投影到三維圖中進行車輛定位。

1.1.2 車牌號識別

本文采用光學字符識別（OCR，Optical Character Recognition）方法對車牌號碼進行識別[5]。為快速準確地識別車牌號，采用DenseNet[6]網(wǎng)絡(luò)結(jié)構(gòu)，使該模塊可在攝像頭等邊緣設(shè)備上流暢運行。為避免傳統(tǒng)車牌識別中的字符分割、字符識別等繁瑣的識別流程，本文采用CTC-Loss[6]，可端到端地進行車牌號識別訓練和測試。

1.1.3 車輛外觀屬性識別

車輛外觀屬性識別是針對車輛類型、品牌、顏色等屬性的識別。本文采用Resnet 作為圖像特征提取 模 塊，用Circle-Loss 和Softmax-Cross-Entropy-Loss 作為模型訓練時的損失函數(shù)。

Circle-Loss 可使不同類型、品牌的車輛特征差距增大，同一類型、品牌的車輛特征差距縮小，從而較好地區(qū)分車輛的外觀屬性，提升準確率，公式如下：

其中，γ為尺度因子；K為正樣本個數(shù)，即車輛圖像品牌類型一致的樣本個數(shù)；L為負樣本個數(shù)，即圖像品牌不一致的樣本個數(shù)；為第i個同類樣本對的相似性得分；為第j個不同類樣本對的相似性得分；為第j個負樣本對的系數(shù)；為第i個正樣本對的系數(shù)。

Softmax-Cross-Entropy-Loss 對車輛顏色分類,使不同顏色車輛的特征差距更大[7]，從而區(qū)分車輛的不同顏色，公式如下：

其中，w為權(quán)重矩陣；N表示總的樣本個數(shù)；yi為第i個樣本的類別標簽；b為偏置；xi為第i個樣本的特征。

1.2 三維全景建模

本文基于數(shù)字孿生的三維場景建模技術(shù)，利用激光雷達、慣導、輪速計、AI 相機等設(shè)備對停車場進行三維場景重建。采用多傳感器融合、圖像優(yōu)化等技術(shù)進行定位、數(shù)據(jù)矯正，自動獲取激光雷達在運動過程中的位置，通過激光slam 算法，根據(jù)位置[8]，對運動中采集的多個局部激光掃描點云信息進行匹配處理，實現(xiàn)對停車場大空間場景的自動化拼接、自動建模，形成厘米級精度的停車場三維模型。

通過三維空間模型的三維坐標信息與對停車場大規(guī)模物理空間場景的連續(xù)圖片進行紋理自動拼接融合后，形成720°停車場全場實景信息，如圖3 所示。

圖3 停車場厘米級三維模型

1.3 移動端室內(nèi)導航

移動端基于iBeacon，通過三角定位得到用戶的位置，并結(jié)合步行者航位推算（PDR，Pedestrian Dead Reckoning）定位，使位置信息更加精準[9]。單一的iBeacon 定位噪聲波動大，單一的PDR 定位易產(chǎn)生累積誤差，兩者融合起來，相互之間優(yōu)勢互補，當出現(xiàn)部分環(huán)境信號缺失或部分傳感器不兼容時能夠相互補充，使得定位精度更高，定位穩(wěn)定性更強。

2 系統(tǒng)設(shè)計

2.1 系統(tǒng)架構(gòu)

綜合交通樞紐智能停車系統(tǒng)架構(gòu)如圖4 所示，包括基礎(chǔ)層、資源層、算法層、業(yè)務(wù)層。其中，基礎(chǔ)層包括AI 相機、交換機、服務(wù)器等，實現(xiàn)對車輛信息的采集、處理、存儲及查詢；資源層包括車輛數(shù)據(jù)、三維實景地圖等；算法層包括車輛識別、三維全景建模、室內(nèi)導航；業(yè)務(wù)層包括停車場管理模塊、移動端小程序。

圖4 綜合交通樞紐智能停車系統(tǒng)架構(gòu)

2.2 網(wǎng)絡(luò)架構(gòu)

綜合交通樞紐智能停車系統(tǒng)主要由視頻分析服務(wù)器、三維地圖服務(wù)器、小程序服務(wù)器組成。三維地圖服務(wù)器負責停車場三維實景信息的管理與發(fā)布；視頻分析服務(wù)器負責對AI 相機采集到的車輛視頻進行分析，生產(chǎn)車輛結(jié)構(gòu)化數(shù)據(jù)；小程序服務(wù)器負責移動端的服務(wù)收發(fā)及定位導航功能，綜合交通樞紐智能停車系統(tǒng)網(wǎng)絡(luò)架構(gòu)，如圖5 所示。

圖5 綜合交通樞紐智能停車系統(tǒng)網(wǎng)絡(luò)架構(gòu)

2.3 系統(tǒng)功能

2.3.1 停車場管理模塊

停車場管理模塊可對停車場累計進出場車輛、平均出場時間、停車場占用比例、平均周轉(zhuǎn)率等進行分析；對通道逆行車輛、違停車輛、車輛擁堵等事件進行精準識別、抓拍、記錄、統(tǒng)計，包括發(fā)生時間、車牌號、抓拍照片、車道號等，界面如圖6 所示。

圖6 停車場管理模塊界面

2.3.2 移動端App

移動端App 通過手機、平板等移動設(shè)備獲知用戶精準定位，為用戶提供剩余車位正向引導及尋找車輛車位的導航功能，界面如圖7 所示。

圖7 移動端App 正向引導及反向?qū)ぼ嚱缑?/p>

系統(tǒng)基于移動設(shè)備獲取iBeacon、Wi-Fi 等物理場信號及用戶行走距離、方向等信息，通過多傳感器融合濾波算法，實現(xiàn)各傳感器數(shù)據(jù)的優(yōu)勢互補，最終實現(xiàn)對用戶的高精度定位[10]。移動端App 通過獲取空余車位信息，并基于用戶的定位信息，為用戶提供剩余車位的實景導航、地圖導航功能。其反向?qū)ぼ嚬δ芸蔀橛脩籼峁ぼ嚨膶嵕皩Ш健⒌貓D導航。

3 結(jié)束語

本文梳理了綜合交通樞紐停車場的各項問題與難點，針對車位引導難、反向?qū)ぼ囯y等問題提出了綜合交通樞紐智能停車系統(tǒng)，通過綜合運用車輛識別、三維全景建模、移動端室內(nèi)導航等技術(shù)，實現(xiàn)空余車位實時引導、智能尋車等功能，提高了停車場的車輛周轉(zhuǎn)率和管理水平，盤活現(xiàn)有停車資源，降低運營成本，同時優(yōu)化了用戶停車體驗。該系統(tǒng)仍需不斷完善，實現(xiàn)停車場人車大數(shù)據(jù)分析及與其他業(yè)務(wù)系統(tǒng)的協(xié)同是今后研究的重點。