喻博威，先俊澤，趙 洋，周 波

（四川輕化工大學(xué)物理與電子工程學(xué)院，四川宜賓 644000）

目前，我國的違章停車問題越來越普遍，據(jù)調(diào)查，我國的交通違規(guī)中有32.5%屬于違規(guī)停車，其中90%以上的違規(guī)停車屬于“無意”的，僅僅是車主的粗心大意。因此，為了在硬件層面更為便捷地解決這個問題，該設(shè)計用樹莓派作前推，采用OpenCV 進行圖像處理，并結(jié)合時下熱門的物聯(lián)網(wǎng)技術(shù)，在OneNET 云端對處理后的信息進行存儲和調(diào)配，進行大數(shù)據(jù)分析；并開發(fā)出配套的微信小程序，使車主可以查看自己的記錄，以此減少違章停車次數(shù)，從而達到改善城市公共交通秩序的目的[1-3]。

1 系統(tǒng)框架設(shè)計

在系統(tǒng)總體框架的搭建中，運用模塊化的思維，將系統(tǒng)分為圖像處理模塊、北斗模塊、物聯(lián)網(wǎng)平臺、微信小程序終端。在圖像處理模塊中，為實現(xiàn)禁停標識的實時采集與識別，選取了處理器主頻達1.5 GHz 的raspberry pi 4B，并通過OpenCV 實現(xiàn)對圖像的精準識別；在北斗模塊中，利用北斗導(dǎo)航系統(tǒng)獲取設(shè)備的實時經(jīng)緯度以及速度信息，并上傳至物聯(lián)網(wǎng)平臺，進行數(shù)據(jù)的存儲和后臺可視化窗口的搭建；選取了中國移動的OneNET 物聯(lián)網(wǎng)平臺來接收數(shù)據(jù)，并為后續(xù)的大數(shù)據(jù)處理提供接口；為方便用戶的使用，在終端使用微信小程序作為接收端口，實現(xiàn)精準的定位和及時的提醒。其系統(tǒng)框圖如圖1所示。

圖1 系統(tǒng)總體框圖

2 圖像處理模塊

2.1 禁停標識模型的搭建

關(guān)于標志物的識別和分類，文中先利用卷積神經(jīng)網(wǎng)絡(luò)提取不同禁停標識的相關(guān)特征，再通過Cascade（級聯(lián)）分類器得到最后的分類結(jié)果[4]。

文中采用Haar 特征提取算法來實現(xiàn)矩陣特征的提取。Haar-like 特征最早由Papageorigiou 提出，并用于人臉的描述，對其他目標檢測技術(shù)，也可以使用Haar 特征對目標圖像進行特征提取。目標物的訓(xùn)練使用了Cascade（級聯(lián)）分類器的Haar 特征，作為訓(xùn)練樣本數(shù)據(jù)的特征描述因子，然后將特征描述因子作為樣本數(shù)據(jù)送入Cascade 分類器中，通過Adaboost（adapt boost）自適應(yīng)推進算法來訓(xùn)練用于圖像識別和目標檢測的分類器[5-8]。然后通過級聯(lián)和積分圖進行快速運算，從而達到檢測目標物體的目的。

該文在特征提取方面受到Viola 提出的原始矩陣特征的啟發(fā)，建立了3×3×3 的卷積核結(jié)構(gòu)。該方法在保證了精度和深度的同時，提高了運算速度[9]。

對交通標識矩陣特征的提取如圖2 所示。

圖2 禁停標識特征圖

對于圖2 的兩個矩形特征，在一定程度上可以表現(xiàn)出禁止停車交通標示的某些特征。在中間的一幅圖中，Ⅰ區(qū)域的顏色比Ⅱ區(qū)域的顏色深，右邊的圖中Ⅳ、Ⅴ區(qū)域的顏色比Ⅲ區(qū)域的顏色要深。運用Haar 的特征計算公式v=Sum(白)-Sum(黑)對其進行Haar 特征計算。

該算法基于特征對禁停目標進行計算，使其能夠在有限數(shù)據(jù)的情況下編碼特定區(qū)域的狀態(tài)；并可將每一個特征在訓(xùn)練圖像子窗口中進行滑動計算，從而獲取各個位置的各類矩陣特征；當找出子窗口的所有特征后，便可進行分類訓(xùn)練。

2.2 特征總數(shù)量的計算

特征總數(shù)量的大小直接關(guān)乎到分類訓(xùn)練的快慢以及運算速度的大小。文中通過多次計算取平均值得出不同窗口大小下的特征總數(shù)量。理論計算過程如下：

在m×m的子窗中，滿足(s,t)條件（x方向邊長必須能被自然數(shù)s整除，y方向邊長必須能被自然數(shù)t整除）的所有矩形數(shù)量可以由以下公式計算得出：

由式（1）計算可得出在不同子窗口大小內(nèi)特征的總數(shù)量，如表1 所示。

表1 不同窗口的特征總數(shù)量

根據(jù)計算的特征總數(shù)量分析得出，特征總數(shù)量隨窗口大小呈幾何倍數(shù)增長，相應(yīng)地，檢測精度會增加，計算機的運算量也會呈幾何增加，通過多次實驗測試和分析可知，在正樣本數(shù)量為600 張、負樣本數(shù)量為800 張、窗口大小為50×50 時，計算機訓(xùn)練時間為5 小時28 分，但精度較差，匹配率為70%左右；當窗口大小為80×80 時，計算機訓(xùn)練時間為9 小時46分，檢測精度較高，匹配率在80%以上。為了保證運算速度和檢測精度，文中選取了窗口大小為50×50的正樣本數(shù)量600 個、窗口大小為80×80 的正樣本數(shù)量400 個，對不同的禁停標識進行訓(xùn)練，在保證訓(xùn)練速度的同時保證了匹配精度。

2.3 訓(xùn)練結(jié)果

基于深度學(xué)習(xí)的算法需要大量的樣本進行訓(xùn)練，文中以python 爬蟲為工具，爬取不同場景、不同外觀的圖片作為訓(xùn)練集和測試集，并分為交通禁停標識和交通提醒標識兩大類。訓(xùn)練集共有2 618 張正樣本圖片、4 631張負樣本圖片，測試集有1 624張圖片；在訓(xùn)練之前需要進行圖像的預(yù)處理，得到50×50和80×80 的交通標識集。最終訓(xùn)練生成的cascade.xml即為提取目標的特征文件。

2.4 OpenCV算法實現(xiàn)

實驗采用PyCharm 作為開發(fā)平臺，通過python語言進行程序的編寫，導(dǎo)入OpenCV 的CV2 官方庫，利用OpenCV 的HaarCascade 分類器，對實時獲取的圖像進行一幀一幀的處理，來進行算法實現(xiàn)。該算法主要解決了以下幾方面的問題：

首先，為實現(xiàn)圖像的識別與匹配，該系統(tǒng)使用CV2.CascadeClassifier(“casca.xml”)來讀取訓(xùn)練后的特征文件，隨后利用OpenCV 的classifier.detectMultiScale()將訓(xùn)練的特征與攝像頭實時數(shù)據(jù)進行對比，從而得出該圖像是否為正確的交通標識。

其次，圖像匹配成功后，需通過樹莓派的串口將數(shù)據(jù)發(fā)送至OneNET 云端，因python 具備豐富的API接口，所以只需在算法中導(dǎo)入封裝了對串口進行訪問的模塊pyserial，并通過serial.Serial(‘/dev/ttyS0’,9 600)對其進行串口與波特率的設(shè)置，并在需輸出數(shù)據(jù)時進行調(diào)用，即可成功完成數(shù)據(jù)的傳輸。

最后，在實際的算法實現(xiàn)中，因光照、煙霧以及行車過程中抖動等因素的影響，會極大地影響圖像的穩(wěn)定性以及識別的精準度。為此，該系統(tǒng)在進行圖像處理前先進行了預(yù)處理，通過CV2.cvtColor()函數(shù)將BGR 三通道的彩色圖轉(zhuǎn)換為GRAY 的三通道灰度圖；同時，為避免系統(tǒng)因劇烈抖動造成的系統(tǒng)整體不穩(wěn)定，利用了cap.set(CV2.CAP_PROP_FPS,30)將系統(tǒng)的幀率穩(wěn)定在30 幀，實測顯示，系統(tǒng)的幀率能夠較好地穩(wěn)定在26 幀左右，能夠較好地實現(xiàn)數(shù)據(jù)的高速處理。

同時，為在車載硬件上提醒車主，該系統(tǒng)采用封裝的RPI.GPIO 模塊，對樹莓派的16 號端口進行控制，通過對該端口的電位置高與置低，來實現(xiàn)硬件上蜂鳴器的發(fā)聲，以此達到對車主提醒的作用。

2.5 識別效果

該系統(tǒng)在樹莓派4B 上的Linux系統(tǒng)中運行，通過Camera Module v2 攝像頭采集圖像，經(jīng)過算法處理進行識別。圖3 為系統(tǒng)運行整體界面。

圖3 系統(tǒng)運行整體界面

圖3 左側(cè)為程序編寫端，可根據(jù)實際情況對程序進行修改與參數(shù)的查看，右側(cè)為實時畫面。

圖4、圖5 為識別畫面。通過對測試集的多次測試，在理想情況下，夜晚的平均識別率為66%，白天的平均識別率為80%，能夠較好地完成對目標物的識別。

圖4 識別畫面1

圖5 識別畫面2

3 北斗模塊

為達到更高的定位精度，該系統(tǒng)采用了ATK1218-BD 雙模定位模塊，可實現(xiàn)北斗和GPS雙重定位，其定位精度為2.5 mCEP，捕獲追蹤靈敏度為-165 dBm，并且該模塊體積小巧，滿足系統(tǒng)輕便化的要求。

圖6 北斗模塊實物圖

該模塊在完成首次定位后，可實現(xiàn)快速連接與定位，該系統(tǒng)將采集到的經(jīng)緯度信息通過串口發(fā)送至WiFi模塊上，并及時上傳至物聯(lián)網(wǎng)平臺。

4 OneNET物聯(lián)網(wǎng)平臺

該系統(tǒng)采用中國移動的OneNET 物聯(lián)網(wǎng)開發(fā)平臺，進行云端的開發(fā)和后天數(shù)據(jù)的可視化，通過ESP8266 WiFi 模塊將識別的數(shù)據(jù)傳送至云端，在云端對數(shù)據(jù)進行存儲和后臺的數(shù)據(jù)監(jiān)測[10-13]。同時為微信小程序接收數(shù)據(jù)提供一個中繼服務(wù)站，也為后續(xù)更多行車數(shù)據(jù)的上傳提供數(shù)據(jù)接口[14]。

圖7 為系統(tǒng)后臺管理界面。圖7 中的定位采用雙重定位，左側(cè)地圖通過LBS 基站定位保存了汽車即將違停時的地點，右側(cè)地圖通過北斗系統(tǒng)進行定位，雙重定位交叉擬合，獲取相對精準的位置信息；WARN 為從樹莓派接收到的識別信息；HEIGHT 為當前海拔高度；SPEED 是當前車速，北斗導(dǎo)航模塊獲取汽車當前的車速，來預(yù)測擬合車主是否有臨時?？康内厔?，從而對車主進行及時提醒[15-17]。

圖7 系統(tǒng)后臺管理界面

5 微信小程序平臺

該系統(tǒng)以微信小程序為終端，通過API 接口與OneNET 云端相連接，實時接收云端信息，在預(yù)測到車主將有違章停車的趨向時，通過調(diào)用手機端的語言進行播報，提醒司機，避免司機因粗心和路況不熟悉而造成的違章停車。

如圖8 所示，當檢測到司機有違章停車趨向后，在語言提醒的同時，對該點進行標注，以便后續(xù)司機進行查看[18-20]。

圖8 微信小程序界面

6 結(jié)論

該文采用卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，通過OpenCV的HaarCascade 分類器進行圖像的快速處理，并將樹莓派與物聯(lián)網(wǎng)平臺有機結(jié)合，通過微信小程序進行事后數(shù)據(jù)的讀取，可以實現(xiàn)對禁停標識的快速識別及判斷，并且具有識別精度高、實時性強、可移植性好的特點，對于“無意”交通違規(guī)現(xiàn)象可以起到較好的預(yù)警作用。當然，該系統(tǒng)整體上還有提升、優(yōu)化的空間，識別算法也有繼續(xù)研討和改進的意義。