基于NB-IOT的城市道路停車管理系統(tǒng)

葉競(jìng)成 錢其沛 李逸辰

摘要：我國(guó)的停車管理系統(tǒng)目前已初具規(guī)模，但在道路停車方面卻缺乏一套系統(tǒng)化的管理方案，致使我國(guó)道路停車呈現(xiàn)停車難、停車亂、收費(fèi)散漫的情況。針對(duì)當(dāng)今城市道路停車強(qiáng)安全、易操作、高效率的要求，文中介紹了基于NB-IOT的城市道路停車管理系統(tǒng)。該系統(tǒng)結(jié)合NB-IOT低功耗通信、圖像處理技術(shù)和云端數(shù)據(jù)平臺(tái)，為有效管理城市道路停車提供了可能。

關(guān)鍵詞：NB-IOT;道路停車;停車系統(tǒng)

中圖分類號(hào)：TP227 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2019）10-0130-02

0 引言

目前，城市停車難已成為常態(tài)痛點(diǎn)。據(jù)國(guó)家統(tǒng)計(jì)局?jǐn)?shù)據(jù)顯示，2018年在全國(guó)范圍內(nèi)的民用汽車保有量達(dá)到23231.19萬輛，比上年末增長(zhǎng)11.12%，其中私人汽車保有量20574.93萬輛，增長(zhǎng)11.13%。[1]雖然國(guó)際通行的車與車位的比例為1：1.2，然而中國(guó)大多數(shù)城市的汽車保有率只有國(guó)外的三分之一[2]。

基于以上現(xiàn)狀，我國(guó)開始大力發(fā)展智能停車管理系統(tǒng)。然而，近階段不斷投入使用的停車管理系統(tǒng)只適用于地下停車場(chǎng)、露天停車場(chǎng)等地，對(duì)于城市道路兩側(cè)停車卻沒有一個(gè)切實(shí)可行、有效的方案。為解決上述問題，本文研發(fā)了一款城市道路停車管理系統(tǒng)。在此系統(tǒng)中，為降低成本，取代傳統(tǒng)地磁系統(tǒng)，采用攝像頭動(dòng)態(tài)提取車牌信息;針對(duì)GPRS信號(hào)在停車場(chǎng)信號(hào)弱，車位獲取存在盲點(diǎn)等問題，通過利用NB-IOT技術(shù)來獲取實(shí)時(shí)車位信息;最后通過通信企業(yè)的物聯(lián)網(wǎng)平臺(tái)渠道將車位信息匯聚在云平臺(tái)，形成各路邊停車場(chǎng)的實(shí)時(shí)停車信息，使道理管理方可以在不進(jìn)行停桿的情況下掌握車輛的停車情況。

1 系統(tǒng)總體框架

基于NB-IOT的城市道路停車管理系統(tǒng)可以分為三部分：第一部分為以STM32單片機(jī)為主的硬件模塊。通過STM32單片機(jī)的BC28物聯(lián)網(wǎng)集成模塊的nb-iot模塊及北斗GPS模塊，通過電信云（華為云）進(jìn)行了在線的profile開發(fā)，利用MQTT協(xié)議同阿里云搭建交互平臺(tái)作為程序的云服務(wù)器;第二部分為智能攝像技術(shù)為核心的圖像識(shí)別模塊，采用python編譯的圖像識(shí)別技術(shù)，對(duì)圖像進(jìn)行采集、預(yù)處理之后，通過車牌定位、字符分割、字符識(shí)別等技術(shù)，最終輸出車牌號(hào)[3];第三部分利用HTML5+CSS+Java等組合方式編寫了微信小程序。系統(tǒng)框圖如圖1所示。

此系統(tǒng)主要采用在路口設(shè)置檢測(cè)器對(duì)車牌進(jìn)行識(shí)別，記錄時(shí)間后通過對(duì)比來確定最終的停車時(shí)間，從而完成無需停車，智能的獲取所有車輛的停車信息。

2 硬件模塊

2.1 窄帶物聯(lián)網(wǎng)

NB-IoT是華為在2014年提出的窄帶技術(shù)，又被稱為窄帶物聯(lián)網(wǎng)（Narrow Band-Internet of Things）技術(shù)，也被稱為低功耗廣域網(wǎng)（LPWAN）。該技術(shù)被廣泛運(yùn)用于世界各地，具有覆蓋廣、連接多、速率快、成本低、功耗低、架構(gòu)優(yōu)等特點(diǎn)[4]。該技術(shù)可采取的帶內(nèi)、保護(hù)帶及獨(dú)立載波3種部署方式，與現(xiàn)有網(wǎng)絡(luò)共存，推動(dòng)全球移動(dòng)通信網(wǎng)絡(luò)或LTE網(wǎng)絡(luò)的部署連接，促進(jìn)平滑升級(jí)目標(biāo)的順利實(shí)現(xiàn)。由于車位在道路兩旁部署，要求具有較大的并發(fā)量以及較低的功耗與成本，以適用于車位信息的實(shí)時(shí)獲取，因此系統(tǒng)采用NB-IoT作為系統(tǒng)通信模塊[5-6]。

2.2 GPS模塊

GPS模塊主要作用在于可以為車輛檢測(cè)器提供遠(yuǎn)程的定位信息，從而確定每個(gè)車輛檢測(cè)器獲取到信息的地理位置，以此確定車輛在城市中的哪條道路上停車。

本系統(tǒng)采用的是SIRF三代芯片組的GPS模塊，其主要特點(diǎn)在于總體靈敏度較高，縮短了定位時(shí)間，同時(shí)也幫助系統(tǒng)快速的進(jìn)入了定位狀態(tài)。

3 圖像識(shí)別模塊

3.1 車牌圖像預(yù)處理

為了對(duì)車輛圖像的預(yù)處理，必須將車輛圖像提取出來，而后進(jìn)行灰度化和去噪，這樣可以提高圖像質(zhì)量。由于噪聲是隨機(jī)出現(xiàn)的，故而要保留車牌的紋理和顏色信息，并適當(dāng)加強(qiáng)。最后再去除可能影響牌照區(qū)域紋理和顏色的噪點(diǎn)，加快圖像的處理速度[7]。

在處理車牌圖像平滑化的過程中，我們主要采用鄰域平均法，利用圖像點(diǎn)（x，y）及其若干像素的灰度平均值來代替點(diǎn)（x，y）的灰度值。微分法則是車牌圖像銳化的主要處理方法。要用微分法處理圖像銳化，就要使用梯度算子[8]。在這里我們使用計(jì)算量小、對(duì)細(xì)節(jié)反應(yīng)敏感的Roberts邊緣檢測(cè)算子，這是一種利用局部差分提供邊緣候選點(diǎn)的算子，可以給出較細(xì)邊緣。用如下卷積模板表示：

3.2 車牌的矯正

由于車輛的動(dòng)態(tài)行駛以及拍攝角度的不確定，截取的車牌圖像常常出現(xiàn)傾斜。為解決這種情況，可以運(yùn)用運(yùn)用Radon積分變換計(jì)算車牌的傾斜角度，從斷層掃描的剖面圖重建出投影前的函數(shù)，以獲得高質(zhì)量的車牌圖像，沿θ方向的Radon變換定義如下[9]：

3.3 車牌圖像的識(shí)別

車牌圖像的字符識(shí)別有很多方法，如模板匹配法、神經(jīng)網(wǎng)絡(luò)方法、模式識(shí)別等。對(duì)車牌圖像上的字符識(shí)別，本文采用BP神經(jīng)網(wǎng)絡(luò)的方法。對(duì)于車牌字符，因?yàn)?和I、0和O是一樣的，所以數(shù)字加字母一共34類，其中每類有200個(gè)樣本圖像，共34*200個(gè)訓(xùn)練樣本。最終我們?cè)O(shè)計(jì)一個(gè)3層的神經(jīng)網(wǎng)絡(luò)，輸入層有48個(gè)結(jié)點(diǎn)，隱藏層也為48個(gè)結(jié)點(diǎn)，輸出層為34個(gè)結(jié)點(diǎn)。經(jīng)過一定次數(shù)的迭代，可以獲得較好結(jié)果。

4 結(jié)語(yǔ)

本文分三個(gè)部分對(duì)整個(gè)停車系統(tǒng)進(jìn)行了全面的描述。第一部分對(duì)系統(tǒng)的整體框架進(jìn)行了介紹，主要包括數(shù)據(jù)層，用戶層，通信層和感知層，第二部分對(duì)車輛檢測(cè)器中的主要硬件進(jìn)行介紹，最后則是作中介紹了圖像識(shí)別模塊的主要技術(shù)及功能。

參考文獻(xiàn)

[1] 國(guó)家統(tǒng)計(jì)局.中華人民共和國(guó)2017年國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)[R].2017.

[2] 徐敬海，楊燕，鄧民憲，等.基于GIS的地震災(zāi)情速報(bào)與快速判定[J].自然災(zāi)害學(xué)報(bào)，2010，19（04）：141-146.

[3] 梁英波，張利紅.基于多尺度數(shù)學(xué)形態(tài)學(xué)梯度的圖像檢測(cè)[J].周口師范學(xué)院學(xué)報(bào)，2012，29（5）：60-62.

[4] 戴博，袁弋，余媛芳.窄帶物聯(lián)網(wǎng)NB-IoT標(biāo)準(zhǔn)與關(guān)鍵技術(shù)[M].北京：人民郵電出版社，2016.

[5] 張建國(guó).中國(guó)移動(dòng)NB-IoT部署策略研究[J].移動(dòng)通信，2017，41（1）：25-30.

[6] WANG Y P E，LIN X Q，ADHIKARY A，et al.A primer on 3GPP narrowband Internet of Things（NB-IoT）[J].IEEE Communications Magazine，2017，55（3）：117-123.

[7] 趙金帥，丁新慧，李雪霞.一種用于去除圖像椒鹽噪聲的濾波算法[J].周口師范學(xué)院學(xué)報(bào)，2011，28（5）：85-87.

[8] 謝鳳英.數(shù)字圖像處理及應(yīng)用[M].北京：電子工業(yè)出版社，2014.

[9] 黎洪龍.基于圖像處理技術(shù)的車牌識(shí)別方法研究[J].科技與創(chuàng)新，2017（19）：65-66.