陳詩蔚

摘要：伴隨著私家車購買量的提升，傳統(tǒng)的停車場管理方式逐漸暴露出空位無處尋、有空無指向、沒有精準地圖等問題，雖然前人已有諸多嘗試，但在新科技的視野下仍不是最優(yōu)解。在“新基建”的發(fā)展大環(huán)境下，智慧城市成為智慧化的重要一步，新興技術人工智能也逐漸加入城市智慧化的工具包。為高效解決停車難問題，將圖像處理技術與人工智能相結(jié)合，制作出一款停車位人工智能檢測系統(tǒng)，實時反映當前停車場停車情況并輸出視頻，起到提示指引作用。

關鍵詞：智慧停車；圖像識別；機器學習

一、前言

隨著經(jīng)濟水平的逐步攀升，汽車已經(jīng)成為生活中較為常見的代步工具，在全國人民實現(xiàn)小康的大背景下，一家多車更是逐漸成為普遍。當前，我國智能停車場設備的市場規(guī)模已達到50億元，且以20%的速度增長[1]。統(tǒng)計數(shù)據(jù)顯示，截至2023年9月底，全國機動車保有量達4.3億輛，其中汽車3.3億輛，新能源汽車1821萬輛；機動車駕駛?cè)?.2億人，其中汽車駕駛?cè)?.8億人。

這一情況也致使停車位緊缺的問題逐漸突出，包含了車位不足、停車場內(nèi)空位數(shù)量無法得知、車位太多找不到最近的空車位等問題。當前有許多解決辦法應用在實際中：在入口處領取IC卡來控制進入停車場的車輛數(shù)量，但這也造成了出入口處堵塞問題以及資源浪費；車牌識別系統(tǒng)可以減少入口堵塞，但仍存在停車場內(nèi)車輛違規(guī)停放與空位不好找情況，在中大型商場的上千平米停車場，問題尤為突出。

如何解決這一系列問題，已成為城市發(fā)展、民生保障刻不容緩的重大需求。結(jié)合時下較為熱門的人工智能圖像識別技術，利用衛(wèi)星拍攝的實時圖像來制作停車場空車位導航以及瞬時計數(shù)系統(tǒng)，最大限度減少人力、物力使用，并在學習模型的不斷優(yōu)化中提高精準度。

二、需求分析

智慧化的車位管理系統(tǒng)在大數(shù)據(jù)中心、5G 基建、新能源汽車充電樁、人工智能、城際高速鐵路和城際軌道交通等新基礎建設背景下快速發(fā)展[1]，《關于推動城市停車設施發(fā)展意見》中提到，到 2025年，全國將基本建成配建停車設施為主、路外公共停車設施為輔、 路內(nèi)停車為補充的城市停車系統(tǒng)。智慧停車發(fā)展勢頭迅猛，權威機構(gòu)數(shù)據(jù)預測，2025 年整體智慧停車市場規(guī)模將達 1.4 萬億元，5年復合增長率為 19%[2]。

人工智能、圖像處理、機器學習等新興技術飛速發(fā)展也為智慧停車系統(tǒng)提供必要的技術支持，對其發(fā)展產(chǎn)生深遠影響。在交通與管理服務深層改變背景下，傳統(tǒng)的管理方式早已存在管理效率低下、人力成本高、用戶體驗感不佳等弊端，不管是管理者還是用戶，都應當盡快轉(zhuǎn)變管理模式，比如從人力為主的管理向高效率自動服務轉(zhuǎn)變，提高自助式停車服務水平，以降低人力成本，提升用戶滿意度[3]。

智慧停車系統(tǒng)可以在有限資源中盤活新資源，將每一個車位都智慧化引導到用戶，增加有效車位利用率。相比新建停車場，使用智慧化停車管理系統(tǒng)，在現(xiàn)有停車場基礎上進行智慧化升級改造的成本更低、建設周期更短，是更具性價比的方案[4]。

三、框架設計與開發(fā)任務明確

通過軟件層次圖（見圖1）可知，停車位檢測系統(tǒng)分為讀取模塊、預處理模塊、訓練模塊和測試模塊四個模塊，除去讀取模塊，其余三個模塊是按照主要的三個功能節(jié)點分割的。本系統(tǒng)最終使用的是測試模塊測試圖片或視頻的車位狀態(tài)，而測試模塊需要一個網(wǎng)絡模型來進行測試，所以分割出一個訓練模塊生成所需要的網(wǎng)絡模型，但是網(wǎng)絡模型也需要一些預處理過的圖片集來訓練，于是分割出了預處理模塊。以上三個模塊都需要使用讀取的功能，最終將所有的讀取功能單獨分割出來形成讀取模塊。

（一）讀取模塊

讀取模塊的功能就是讀取其他模塊所需要的測試圖、訓練集、驗證集、視頻以及模型。

在所有模塊中，該模塊是最基礎的，它為其他三個模塊均提供服務：為預處理模塊提供讀取測試圖片的服務，為訓練模塊提供讀取訓練集、驗證集的服務，為測試模塊提供讀取模型、測試圖片和測試視頻的服務。

（二）預處理模塊

預處理模塊可以說是本系統(tǒng)最為重要的部分，該模塊以視頻中某一幀的圖像為單位進行處理，主要有以下的功能：

通過二值化、灰度化、邊緣檢測、特定點標定連線等，把圖片中多余的部分去掉，只保留停車場內(nèi)的這部分對象；使用霍夫變換的直線檢測，找到圖片中的直線，根據(jù)直線坐標，先以列為單位，把車位按列框起來，然后對框手動微調(diào)；在每一列中，鎖定每個停車位的位置，并對每個停車位進行標號，把這些標號保存成字典，而有了每個停車位的位置，就能提取出對應圖片，可以作為后面模型的訓練以及驗證的數(shù)據(jù)集，不過需要人工手動劃分。

預處理模塊為訓練模塊提供切割車位矩形圖的服務，該模塊將預處理后的測試圖片按車位切割成單獨的矩形圖，而后，人為劃分成訓練集和驗證集，并進一步劃分為empty和occupied兩部分。這些矩形圖為訓練模塊打下基礎。

預處理模塊使用讀取模塊中讀取測試圖片的服務。

（三）訓練模塊

訓練模塊的主要功能就是訓練出測試模塊所需要的carl.h5模型。該模塊為測試模塊提供訓練carl.h5模型的服務，具體過程如下。

訓練模塊功能解釋為：使用VGG預訓練模型，減少訓練層和改變輸出層后，新建神經(jīng)網(wǎng)絡model_final，通過定義該神經(jīng)網(wǎng)絡的損失值loss、優(yōu)化器optimizer、學習速率lr、動量值momentum、指標metrics編譯該神經(jīng)網(wǎng)絡，再通過圖像增強技術改善圖像的視覺效果后，調(diào)用預處理模塊提供的訓練集和驗證集開始訓練模型，最后導出carl.h5這個模型文件。

（四）測試模塊

測試模塊的主要功能就是利用carl.h5模型測試圖片或視頻中車位的狀態(tài)，將空車位標記出來，并統(tǒng)計出總車位數(shù)量和空車位數(shù)量。

在測試的過程中，該模塊還需要對圖片或視頻進行處理，如：調(diào)整圖片大小、歸一化圖像、圖像增維等。對于視頻，還需要先將整段視頻按幀轉(zhuǎn)換成圖片后，再處理測試。

測試模塊使用讀取模塊的讀取視頻、讀取測試圖片和讀取模型的服務，使用訓練模塊提供的carl.h5模型服務。

四、系統(tǒng)功能與實現(xiàn)

本系統(tǒng)實現(xiàn)的主要功能是對衛(wèi)星拍攝的動態(tài)視頻進行處理，動態(tài)呈現(xiàn)當前停車場內(nèi)車輛停放情況，用綠色矩形標明空車位位置，并將總車位以及空車位數(shù)量顯示在視頻左上角（見圖2）。

本系統(tǒng)的集成開發(fā)環(huán)境是PyCharm，基于深度學習和OpenCV-Python技術，還涉及H5技術。軟件應用以及硬件方面主要基于 4G無線通信的物聯(lián)網(wǎng)技術、無線地磁感應系統(tǒng)、LED 信息顯示、語音播報模塊、云平臺管理系統(tǒng)和道閘聯(lián)動系統(tǒng)[4]。

以下為系統(tǒng)具體開發(fā)環(huán)境：

開發(fā)工具：PyCharm Community Edition 2023.1.1

代碼托管平臺：gitee.com

版本管理：Git

后端開發(fā)環(huán)境：OpenCV 圖像預處理、Tensorflow + Keras 搭建網(wǎng)絡、CNN機器學習

在實現(xiàn)過程中，首先用功能模型來大致規(guī)范整體開發(fā)流程（見圖3）。

（一）素材篩選

開發(fā)之初，需要明確選取什么樣的視頻素材，高質(zhì)量、多樣性和代表性的素材對機器學習來說是重要基石。通過調(diào)查發(fā)現(xiàn)，現(xiàn)階段，隨機選取刁鉆角度的攝像頭通過機器學習實現(xiàn)空車位檢測付出成本較大，收益甚微，特別是植被覆蓋遮擋的停車位，很容易因為植被長勢迅猛而需要頻繁進行機器訓練才能時刻保持高精準度，同時不同類型停車位有不同顏色（黃、白、藍）、不同樣式（橫向、縱向、斜向、實線、虛線）也造成了難以達到想要實現(xiàn)所有停車位檢測的理想型通用停車位檢測系統(tǒng)。由此，選擇了較為經(jīng)濟的室外大型停車場車位檢測系統(tǒng)，通過衛(wèi)星監(jiān)控可以較為直觀地反映出實時的停車位情況，同時大型停車場規(guī)劃更統(tǒng)一，更有利于進行停車位檢測系統(tǒng)的初步探索。

通過一系列分析，明確了素材篩選要求：尋找一份大型停車場的俯拍衛(wèi)星監(jiān)控視頻，這不僅可以降低模型訓練的難度、提高識別準確率，還可以減少遮擋和透視變形等因素對車位識別的干擾。同時，為保證效益，停車位數(shù)量至少200個，視頻時長1分鐘，這樣的時長能夠保證有足夠的樣本來訓練模型，并確保數(shù)據(jù)的多樣性和代表性。

（二）圖像預處理

接著使用視頻圖像截圖功能代碼將視頻進行逐幀截圖，需要至少1000張不同的車位截圖，以便進行豐富的數(shù)據(jù)樣本訓練，這個數(shù)量可以覆蓋各種車位布局和場景，增加模型的泛化能力。為了方便后續(xù)的數(shù)據(jù)處理和分割算法訓練，每張圖片的大小應該保持一致，像素適中。在保證精準度的同時，降低訓練讀取時間，通過測試規(guī)定的尺寸是1836x1080。

進入圖像處理階段，通過設置閾值來過濾背景，再將圖像格式進行轉(zhuǎn)換，灰度圖像可以兼容使用大部分圖像處理函數(shù)。使用邊緣檢測明確每個停車位狀況，再通過人工定位裁剪出要進行檢測的停車場大致區(qū)塊。這些都是為了減少停車位檢測干擾，降低檢測難度的操作。

接著，基于霍夫變換，用直線檢測法來監(jiān)測直線位置，以此確定停車位。但是因為遮擋導致了對線的判斷不精準，所以如果有一張沒有車的圖片來確定車位，那么判斷會更加精準。

（三）圖像劃分操作

圖像切割的好壞往往與測試結(jié)果的正確率有著緊密聯(lián)系，所以這一步是圖像處理的關鍵步驟。

首先，需要用過濾函數(shù)選取長度合適的線段作為停車線的判斷標準，接著對連續(xù)排列的停車位進行區(qū)塊劃分，并將每個區(qū)塊左上角和右下角坐標標記放入列表。為保證區(qū)塊準確性，通過人工調(diào)參的方式不斷優(yōu)化選取空間，以契合規(guī)律停車位的精準定位。然后，根據(jù)等長、寬停車位長度，等間距地將區(qū)塊劃分成單個車位，這里的間距也需要不斷試錯找到最優(yōu)解，這樣截取車位信息的模型就完成了。

接下來直接將上一步的全局截圖逐張代入模型進行劃分就可以得到所有停車位上單獨的截圖，大大減少人工截圖的時間成本。

（四）訓練集與測試集

得到了數(shù)千張高質(zhì)量、多樣性和代表性的停車位素材，需要對素材進行人工分類，將有車和植被分到一個文件夾，將無車分到另一個文件夾。接著，將兩個文件夾再分成80%的訓練集與20%的測試集，這樣四個文件夾的素材就全部準備就緒了。

（五）模型訓練

當前可選的圖像識別模型不在少數(shù)，通過時間、性能等測試，選擇VGG16網(wǎng)絡去訓練，它網(wǎng)絡速度較高，可以快速識別分析大量圖像，而且精度比較高，可以滿足檢測停車位的需求。

讀取訓練集，數(shù)據(jù)增強后帶入訓練，一段時間后得到了一個H5模型，接著把測試集對應整體圖像帶入，與分類好的測試集部分進行比對，得到正確率。

（六）視頻分割以及結(jié)果圖片拼接

使用函數(shù)讀入視頻，實現(xiàn)逐幀讀取，再采用車位分割模型進行車位快速分割，接著引入剛才訓練好的H5模型進行檢測，得到機器自動分類好的有無車位截圖，并帶有唯一編號。為了達到用戶友好型系統(tǒng)，通過空車位編號直接讀取車位坐標并將該停車位標注成紅色區(qū)塊，顯示在該幀的截圖上。因為植被位置是永遠固定的，只需要提前將劃分出的車位數(shù)量減去“植被位”數(shù)量，就可以得到該停車場的車位總數(shù)。同時，對于每一幀形成的一個有無車位截圖，數(shù)據(jù)包都會進行計數(shù)，只需要把總車位減去空車位數(shù)量就可以得到當前停車場已有車輛數(shù)量信息，全部顯示在截圖左上角，更加明確。

每一幀畫面都會進行操作，最后通過逐幀拼接的方式，將處理好的圖像拼接成視頻反饋給用戶，系統(tǒng)就完成了檢測。

五、結(jié)語

開發(fā)的停車位檢測系統(tǒng)主要面向室外大規(guī)模停車場，停車場管理商用戶只需要將該停車場衛(wèi)星監(jiān)控畫面實時導入系統(tǒng)，系統(tǒng)就可以實時導出當前停車位空閑數(shù)量及位置，同時也可以觀測其他車輛是否有前往空位的可能。

對圖像處理的研究只是剛剛開始，系統(tǒng)還有許多進步空間，配合日新月異的硬件科技，可以有更多的創(chuàng)新：結(jié)合地磁系統(tǒng)及車位上車牌識別系統(tǒng)，可以做到用戶找車導航、用戶繳費及時；再通過遺傳算法或是蟻群算法結(jié)合TSP最短路徑，可以優(yōu)化用戶找車或是出場的時間以及人力成本，提高用戶滿意度。

參考文獻

[1]王華安.“互聯(lián)網(wǎng)+”智慧停車市場競爭態(tài)勢加劇[J].中國公共安全，2016（18）：23- 26.

[2]叢順，董藝.智慧停車應用現(xiàn)狀及前景分析[J].時代汽車， 2023 （05）：31-33.

[3]李蘭蘭.無非不集：智慧停車管理的新風向標[J].中國房地產(chǎn)，2018（05）：54-58.

[4]王茹茹.智能停車場管理系統(tǒng)的設計與實現(xiàn)[D].呼和浩特：內(nèi)蒙古大學，2017.

基金項目：1.浙江省大學生科技活動計劃暨新苗人才計劃資助項目（項目編號：2022R412B040）； 2.2022年國家級大學生創(chuàng)新創(chuàng)業(yè)訓練計劃（項目編號：202210341006）

作者單位：浙江農(nóng)林大學數(shù)學與計算機科學學院

責任編輯：張津平