杜嘉豪，黃孝慈，邢孟陽

（上海工程技術大學 機械與汽車工程學院，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)，停車困難與找車困擾成為了汽車業(yè)務的兩大主要問題。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，由于復雜停車場占用空間大和方向不易辨別等原因，導致車主們尋車時容易會陷入迷路，從而浪費大量時間。所以智能尋車系統(tǒng)成為學術界的熱點研究課題，并已經(jīng)對此進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，提出一種基于機器視覺的停車場智能尋車系統(tǒng)，有效解決了在復雜大型地下停車場內(nèi)，車主難停車、尋車時易迷失方向，且找車困難的問題。停車場電子地圖可以在移動終端顯示屏誘導，通過車牌識別模塊和路徑規(guī)劃模塊相結合，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營管理效率。在車牌識別模塊方面，系統(tǒng)改進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A算法，提高路徑尋找的準確率和效率。

1 系統(tǒng)總體設計與架構

本文系統(tǒng)技術路線如圖1所示。圖1中給出了智能尋車系統(tǒng)的整體構架，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)中至關重要的構成是圖像信息采集和算法決斷部分。其中，信息采集負責提取車牌圖像信息。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，并在終端進行顯示。

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

本文旨在研究智能尋車系統(tǒng)，，將以機器視覺為基礎，以復雜多變的地下停車場為研究目標，通過車牌識別模塊和路徑規(guī)劃模塊在中央服務器融合，在移動終端觸控操作并顯示尋車路徑，設計并實現(xiàn)了地下停車場尋車導航系統(tǒng)。本文系統(tǒng)的各個環(huán)節(jié)及總流程如圖2所示，是一個機器視覺與人工智能交叉的學科系統(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)絡的基礎上進行優(yōu)化，設計了YOLO_D網(wǎng)絡。在字符識別部分，本文借鑒OCR在處理網(wǎng)絡和數(shù)據(jù)技術任務中已經(jīng)廣泛應用的CRNN網(wǎng)絡模型，對其中的相關網(wǎng)絡信號輸入和數(shù)據(jù)框架結構等設計方法進行了一些設計改進，構建了一種直接從網(wǎng)絡數(shù)據(jù)庫圖像識別到網(wǎng)絡信號處理字符串的網(wǎng)絡端到端和終點字符識別網(wǎng)絡模型，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)機動車車牌具有更高的辨認性和較強的顏色與形態(tài)學特征，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)絡框架，從而提升檢測的準確性與效率。主要的改進是用單層卷積神經(jīng)網(wǎng)絡來替換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)絡輸出前加入2個注意力模塊，組成CBAM網(wǎng)絡。修改后的網(wǎng)絡架構，如圖3所示。

圖3 YOLO_D網(wǎng)絡結構圖Fig.3 YOLO_D network structure

2.2 基于深度學習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模型的基礎上，通過改進網(wǎng)絡輸入和結構，直接從圖像到字符串構建了端到端的字符識別模型CRNN_D。通過實驗證明，改進模型在少量計算的情況下達到了96.83%的準確率，符合場景應用的標準，CRNN_D網(wǎng)絡主體結構如圖4所示，主要由4部分構成。

圖4 CRNN_D網(wǎng)絡結構圖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)絡中灰度圖像輸入部分改進成為3×32×88的彩色圖像輸入，并且將卷積特征提取網(wǎng)絡的輸入通道修改成3。通過對網(wǎng)絡模型中輸入的選擇和調(diào)整，可以讓識別車牌文本的準確性獲得大致約3%的提高。另外當字符傾斜較大時會嚴重影響辨識的精度，所以在空間矯正部分，本文在特征提取前，加入STN網(wǎng)絡，對其中所輸入的圖像進行了預校正，對輸入的數(shù)據(jù)進行空間變化，提高識別的精度。通過測試實驗證明，改進后的網(wǎng)絡架構使得模型的辨識精度和準確性獲得了約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算法來進行改進，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。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個方格間的距離設為相同的值：由于停車場環(huán)境的獨特性，可以將2個沒有障礙物的方格間的距離設為相同數(shù)值。進而將傳統(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)進行迭代來尋找終止點，尋找到最優(yōu)點的方案。

（2）進行拐角優(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)學上的最優(yōu)路徑，一些轉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上盡量減少了轉彎次數(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。車牌識別模塊結合YOLO_D和CRNN_D車牌識別網(wǎng)絡模型，在測試集上與傳統(tǒng)算法進行測試，對比實驗結果見表1。結果表明，本文改進的車牌識別算法的識別準確率達到了96.86%，較傳統(tǒng)算法的準確率提高 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 車牌識別實驗結果Tab.1 Experimental results of license plate recognition

（2）路徑規(guī)劃算法效果驗證。基于Matlab軟件，對傳統(tǒng)的A算法和Q-Star算法進行搜索測試對比，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，運行并計時的結果對比如圖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

如上述進行的A算法與Q-Star算法的實驗對比，通過對比結果可知，在相同的條件下，對同一目標進行搜索與路徑規(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)劃準確度進行了同等條件下的實驗，路徑規(guī)劃算法實驗結果見表2。結果表明，Q-Star算法所規(guī)劃路徑的成功率遠高于傳統(tǒng)A算法，其成功率對比為95.4%∶54.6%。

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

5 結束語

本文基于機器學習，設計了一款人機交互型便民服務的復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上改進并提出了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)劃算法改進成Q-Star算法，使得路徑搜索效率遠高于傳統(tǒng)的A算法，并且改進后的算法，路徑規(guī)劃的準確率高達95.4%，確保該系統(tǒng)在復雜地下停車場內(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，更好地服務于社會，解決“停車難”與“尋車難”的問題。