基于Mesh 網(wǎng)絡(luò)和深度學(xué)習的城市智慧停車

劉文鹍，李迪，解曉凡

（南京智騁致想電子科技有限公司，江蘇南京 210000）

這些年我國城市建設(shè)高速發(fā)展，在提高城市居民生活質(zhì)量的同時，也帶來了不少新問題。比如城市里的停車問題，以及隨之而來的一系列停車管理問題。如何改進現(xiàn)有的技術(shù)與管理方式，提高管理效率并節(jié)約成本，一直是一大熱點話題。文中系統(tǒng)通過引入物聯(lián)網(wǎng)，并輔以人工智能等技術(shù)，使停車管理系統(tǒng)更加智能化，更加低成本。同時無人工干預(yù)、車輛進出時無需取卡和讀卡的操作方式，縮短了車輛在停車場進出口及道路上的滯留時間。各停車場的數(shù)據(jù)信息對于城市管理部門而言，還可以進一步完善城市車輛綜合管理大數(shù)據(jù)，提高城市公共資源運行效率[1-2]。

1 系統(tǒng)設(shè)計思路

1.1 系統(tǒng)組成

文中系統(tǒng)的核心是利用Mesh 網(wǎng)絡(luò)來連接停車場內(nèi)不同的終端監(jiān)測設(shè)備，并通過設(shè)備內(nèi)的攝像頭模塊抓拍現(xiàn)場照片，之后，照片用于識別車輛的停放。這樣可以減少人工干預(yù)，提高工作效率。雖然高清圖像在車位和車牌識別方面有著至關(guān)重要的作用，但是高成本的設(shè)備及有限的無線網(wǎng)絡(luò)帶寬，不適合在現(xiàn)場采集和傳輸高分辨率的照片。相比較而言，低分辨率照片的優(yōu)勢在于不過多的占用無線網(wǎng)絡(luò)資源，且設(shè)備價格便宜適于大批量部署。初始照片可通過深度學(xué)習技術(shù)在后臺將低分辨率的圖片還原成超分辨率圖片用于實際的檢測。

1.2 組網(wǎng)原理

Mesh 網(wǎng)絡(luò)又叫多跳（Multi-hop）網(wǎng)絡(luò)，是無線網(wǎng)絡(luò)的一種，由眾多的節(jié)點組成，這些節(jié)點通過無線方式連接到彼此，在同一個網(wǎng)絡(luò)內(nèi)相鄰近的節(jié)點可以相互轉(zhuǎn)發(fā)數(shù)據(jù)。每個網(wǎng)絡(luò)中有一個網(wǎng)關(guān)，用于與外部網(wǎng)絡(luò)相連接[3]，如圖1 所示。Mesh 網(wǎng)絡(luò)無中心化的設(shè)計，使得網(wǎng)絡(luò)中即使有部分節(jié)點發(fā)生故障，卻不影響整個網(wǎng)絡(luò)的運行，同時可以節(jié)約現(xiàn)場的布線成本。目前，市面上有Zigbee、Lora、藍牙、Theard和Z-ware等多種基于不同頻段的成熟解決方案。

圖1 Mesh網(wǎng)絡(luò)連接圖

無線信號在傳輸?shù)倪^程中都會產(chǎn)生衰落。停車場環(huán)境一般比較空曠，且屬于地面視距傳播，場內(nèi)設(shè)備架設(shè)桿的高度又遠高于所停車輛的高度，可以認為其傳播環(huán)境類似于理想的自由空間傳播。式（1）為自由空間傳播模型。式（1）中，L是損耗因子，λ是無線信號波長，Gt和Gr分別是發(fā)射端天線增益和接收端天線增益。路徑損耗PL為發(fā)射功率Pt與接收功率Pr之間的比值如式（2）所示，其中信號的頻率fc=c/λ，c為光速，d和fc的單位分別為km 與MHz[4-5]。

除此之外，設(shè)備之間還存在信號的反射路徑（通過車頂或是地面）和一些信號干擾。但是停車場內(nèi)設(shè)備位置固定不會移動，傳輸路徑相對穩(wěn)定，影響信號強度的主要因素還是節(jié)點間的距離。

文中系統(tǒng)部署思路是在網(wǎng)絡(luò)中優(yōu)先選擇可覆蓋流量最大、實際覆蓋半徑最小的節(jié)點，作為網(wǎng)絡(luò)中的關(guān)鍵節(jié)點。不斷更新網(wǎng)絡(luò)中所有節(jié)點的剩余帶寬和已部署節(jié)點的最小跳數(shù)，再統(tǒng)計關(guān)鍵節(jié)點的最短路徑與節(jié)點可覆蓋需求，反復(fù)調(diào)整直至最佳[6]。

1.3 圖像重建

在圖片識別過程中引入深度學(xué)習算法來實現(xiàn)圖像的超分辨率重建。深度學(xué)習是機器學(xué)習領(lǐng)域中的一個研究方向，它的出現(xiàn)進一步推動了人工智能（AI）的發(fā)展。

以往傳統(tǒng)方法是從圖像表層特征進行推測，通過插值算法擴大圖片尺寸和分辨率，這種方法在提高PSNR值（Peak Singnal-to-Noise Ratil，峰值信噪比）上效果顯著。但重建之后的圖片與真正的高清圖片相比，還是有些“失真”。

式（3）中，MSE（Mean Square Error）表示當前圖像和參考圖像的均方誤差，n為每像素的比特數(shù)，一般的灰度圖像取8，即像素灰階數(shù)為256。PSNR的單位是db，數(shù)值越大越好。

文中采用基于GAN（Generative Adversarial Network 生成對抗網(wǎng)絡(luò)）的超分辨率重建方法，通過大規(guī)模的GPU 訓(xùn)練，不僅可以得到一個更高的PSNR結(jié)果，同時重建之后的圖像也與真實物體更接近。模型訓(xùn)練流程如下：先降低原始高清圖片集合a 的分辨率，生成新圖片集合b，構(gòu)成訓(xùn)練集；然后，建立生成器與判別器組成的二級深度學(xué)習模型；通過生成器將圖片b 超分辨率重建為圖片c，同時結(jié)合a 和c 訓(xùn)練判別器進行重建損失判定；通過生成器與判別器的交替迭代訓(xùn)練，使網(wǎng)絡(luò)模型逐步提升超分辨率重建性能；通過PSNR等方法比較圖片a 與圖片c，驗證超分辨率重建的效果。反復(fù)執(zhí)行直到得到滿意結(jié)果[7]。

在圖像重建過程中，加載訓(xùn)練好的模型權(quán)重，輸入一個尺寸f×f大小的低質(zhì)量圖片，然后進行n層卷積運算生成超分辨率圖像。在處理階段，根據(jù)提取的圖像特征通過特征信道之間的相互依賴性來自適應(yīng)地調(diào)整信道特征，以達到恢復(fù)更多細節(jié)的目的[8]，再按照信道的前后順序以及卷積核的大小，對每個特征值在輸出圖片上的位置進行重新排列，得到最終超分辨率圖片，如圖2 所示。

圖2 超分辨率圖像重建

在實際應(yīng)用中，將現(xiàn)場上傳的圖片進行超分辨率圖片重建后，再進行下一步的車輛和車牌識別工作，具體流程如圖3 所示。

圖3 超分辨率圖片處理流程

1.4 系統(tǒng)工作流程

現(xiàn)場終端設(shè)備按時抓拍照片并上傳后臺。圖片分包后的數(shù)據(jù)通過Mesh 網(wǎng)絡(luò)依次發(fā)送到網(wǎng)關(guān)，再通過網(wǎng)關(guān)連接到外網(wǎng)（主要為光纖網(wǎng)絡(luò)、4/5G 網(wǎng)絡(luò)）向下一層傳輸。當原始的低分辨率照片上傳至后臺以后，進行圖像超分辨率重建，處理后的圖片用于車輛和車牌的識別。后臺通過這些照片判斷停車位上是否有車，針對車輛的識別采用邊緣檢測算法及Hough 直線檢測算法，依據(jù)分割好的車位，通過檢測來確定車輛的停放[9]。

2 系統(tǒng)測試

測試設(shè)備主要由網(wǎng)絡(luò)節(jié)點、攝像頭模塊、單片機開發(fā)板和后臺圖片處理部分組成，其中攝像頭模塊和單片機開發(fā)板構(gòu)成下位機部分，上位機為后臺圖片處理部分。為了便于完成測試，多采用已有的硬件設(shè)備來完成測試平臺的搭建。結(jié)構(gòu)連接如圖4所示。

圖4 硬件結(jié)構(gòu)連接

目前市面上廣泛使用的組網(wǎng)方案有Zigbee 和Lora。測試中選作網(wǎng)絡(luò)節(jié)點的是基于TI CC2530芯片的Zigbee 模塊，工作頻段2.4 GHz，該頻段免費且模塊自帶相應(yīng)的組網(wǎng)協(xié)議，較容易實現(xiàn)組網(wǎng)功能[10]。綜合文中1.2 節(jié)組網(wǎng)原理中的內(nèi)容以及一些現(xiàn)場經(jīng)驗，測試時網(wǎng)絡(luò)中的關(guān)鍵節(jié)點鋪設(shè)間距在50 m 以內(nèi)，除此之外，還部署了一定數(shù)量的備用節(jié)點來增加網(wǎng)絡(luò)冗余，提高網(wǎng)絡(luò)的魯棒性。模塊背部自帶電池盒，可以使用7 號電池供電，方便現(xiàn)場部署。后續(xù)產(chǎn)品可以考慮使用太陽能來為網(wǎng)絡(luò)節(jié)點供電，這樣既方便又環(huán)保。

攝像頭模塊采用RS232 接口與單片機開發(fā)板相連接。考慮到照片過大會導(dǎo)致數(shù)據(jù)分包過多，影響傳輸效率甚至造成網(wǎng)絡(luò)阻塞。所以，攝像頭模塊抓拍的照片是規(guī)格在640×480 像素（30 萬像素）的低分辨率照片，大約30～40 K?，F(xiàn)在一般停車再加上下車時間大約需要3～8 分鐘，且很多停車場采用每15 分鐘做一次計費統(tǒng)計，再綜合考慮無線網(wǎng)絡(luò)的傳輸帶寬，上傳照片的時間間隔定為每5 分鐘一次。

測試中控制部分采用單片機的開發(fā)板基于STM32F103VET6 芯片，該芯片內(nèi)核采用ARM Cortex-M3 架構(gòu)，性能較強。由于圖片處理部分都放在了后臺，下位機只負責控制節(jié)點和攝像頭模塊。在后續(xù)實際的產(chǎn)品中，下位機設(shè)備可采用性能較低、價格更便宜的芯片。

后臺部分由PC端和NVIDIA的Jetson TX2嵌入式平臺組成，用以實現(xiàn)圖片的超分辨重建和車輛的識別。PC 端基于Caffe 框架進行模型訓(xùn)練與性能測試，再通過訓(xùn)練好的模型進行圖片的還原。將之前經(jīng)過一系列處理得到的圖片發(fā)送給TX2 嵌入式平臺，再使用Yolo V2 檢測算法對圖片進行檢測，得到車輛的輪廓信息[11]。通過實驗，現(xiàn)場檢測效果如圖5 所示。

3 未來展望

文中系統(tǒng)今后還需進一步完善，增加車牌識別和手機APP 等功能。

車牌識別功能會在后臺判斷有車輛停放后，進一步識別所停位置車輛的車牌號碼并開始收費計時[12-13]，在車輛離開時統(tǒng)計停車時間，作為停車的收費依據(jù)。

圖5 車輛識別效果圖

系統(tǒng)配合相應(yīng)的手機APP 和客戶端軟件后，可以做到停車場無人值守、手機端車輛圖片實時查看、手機端自動扣費、輔助找車等功能。在提高效率的同時也大大地降低了停車場的運營成本。只需少量的工作人員，就可以同時覆蓋多個不相連接的停車區(qū)域，屏幕前的觀測人員加上在外巡視人員作為輔助并處理突發(fā)事件。同時對于區(qū)域內(nèi)垃圾亂放和違法占用消防應(yīng)急車道，也可以通過后臺系統(tǒng)對現(xiàn)場照片的識別發(fā)出預(yù)警，再通過巡視人員做出及時處理[14-15]。

除此之外，還可以通過ETC 與停車業(yè)務(wù)的深度融合，實現(xiàn)智慧停車+ETC 支付的業(yè)務(wù)整合。目前，隨著全國范圍內(nèi)各大銀行大力推廣車載ETC 設(shè)備，ETC 系統(tǒng)已成為車輛獨一無二的電子標簽?，F(xiàn)場設(shè)備通過增加相應(yīng)的ETC 識別模塊，可以準確識別區(qū)域范圍內(nèi)的車輛，并現(xiàn)場完成扣費工作。同時，停車場的數(shù)據(jù)信息可與其他平臺相對接，完善城市車輛大數(shù)據(jù)的綜合管理[16]。

4 結(jié)束語

文中系統(tǒng)的智慧停車應(yīng)用基于Mesh 網(wǎng)絡(luò)，通過融合物聯(lián)網(wǎng)、人工智能和大數(shù)據(jù)等當下熱點技術(shù)，集高效監(jiān)控、低成本運營和精細化管理于一體。今后終端設(shè)備配合太陽能供電以及微環(huán)境監(jiān)測傳感器，可以廣泛地應(yīng)用于智慧城市等新興項目中，與未來智慧城市的發(fā)展方向一致。