基于OpenCV的地面停車誘導(dǎo)系統(tǒng)研究

劉派 廖壽敏 張麗 張興 袁龍 楊世軍

摘 要：為解決城市交通中存在的停車難問題，本研究提出基于計算機視覺和機器學(xué)習(xí)軟件庫（OpenCV）的地面停車誘導(dǎo)系統(tǒng)，以某露天停車場為例，開展實地測試，分析設(shè)備的拍攝角度、拍攝高度和級聯(lián)分類器個數(shù)對設(shè)備識別效果的影響。試驗結(jié)果表明，設(shè)備的拍攝角度為0°、拍攝高度為10 m、級聯(lián)分類器個數(shù)為6個，設(shè)備的識別效果最為理想;設(shè)備對除黑色車型的識別率（0.77）較低外，對其他顏色車型的識別率均在0.85以上，其中對白色車輛的識別率最高（0.92），車輛顏色與停車場地面顏色色差越大時，設(shè)備識別率越高。

關(guān)鍵詞：交通工程;停車誘導(dǎo)系統(tǒng);計算機視覺;車輛檢測;移動通信

中圖分類號：U491 ? ?文獻標識碼：A ? 文章編號：1006-8023（2021）03-0119-07

Abstract：In order to solve the parking difficult problems of urban traffic， this study proposed a ground parking guidance system based on computer vision and machine learning library （OpenCV）. Taking an open parking lot as an example， field tests were carried out to analyze the effects of the shooting angle， shoot height and the number of cascade classifiers on the recognition effect of equipment. The test results showed that the best recognition effect was achieved when the shooting angle of the device was 0 degrees， the shooting height was 10m and the number of cascading classifiers was 6. Except for the low recognition rate （0.77） of black car， the recognition rate of other color cars was above 0.85， and the recognition rate for white car was the highest （0.92）. The greater the color difference between the vehicle color and the parking lot ground color， the higher the device recognition rate.

Keywords：Traffic engineering; parking guidance system; computer vision; vehicle detection; mobile communication

0 引言

國民經(jīng)濟水平提高使得汽車保有量隨之提高，但停車場的建設(shè)速度與汽車保有量的增長速度無法匹配，由此導(dǎo)致“停車難”等問題[1]?！败嚩嘬囄簧佟钡默F(xiàn)象愈演愈烈的同時，車位難尋的問題也不容忽視。駕駛?cè)藷o法準確獲知停車場內(nèi)車位利用情況，難以快速地找到空閑車位，車輛在停車場內(nèi)盲目行駛導(dǎo)致?lián)矶拢约芭抨犂U費浪費時間等[2]。這造成了路外公共停車場利用率低下，駕駛?cè)烁鼉A向于將車輛停放于路內(nèi)停車場。車輛停放過程中對動態(tài)交通產(chǎn)生干擾的同時，易出現(xiàn)車輛追尾、剮蹭等安全事故[3-4]。停車誘導(dǎo)目前存在諸如安裝于路側(cè)的LED停車誘導(dǎo)屏安裝難度較大，建設(shè)成本偏高;同時駕駛員在注視誘導(dǎo)屏的過程中，視覺分心會產(chǎn)生安全隱患[5]。

國內(nèi)外針對停車位檢測技術(shù)有了相對豐富的研究。林淵博等[6]運用地磁傳感器對停車位進行數(shù)據(jù)采集;陳錦生等[7]提出了基于導(dǎo)航平臺的智能交通停車誘導(dǎo)系統(tǒng)設(shè)計。桑博[8]提出了將“互聯(lián)網(wǎng)+”與傳統(tǒng)停車場系統(tǒng)相結(jié)合的新型停車誘導(dǎo)系統(tǒng)，并通過實地實驗對技術(shù)進行應(yīng)用。上述技術(shù)的實施主要存在以下幾點問題[9]。

（1）硬件成本高、維護成本大導(dǎo)致經(jīng)濟可行性低。

（2）泊位信息較粗略，實時性和精確度較低。

（3）用戶信息獲取困難，不支持線上服務(wù)。

為了解決現(xiàn)有常用停車誘導(dǎo)系統(tǒng)存在的主要問題，本研究提出基于計算機視覺和機器學(xué)習(xí)軟件庫[10-11]（OpenCV）的交通管理應(yīng)用場景視頻信息處理方法，并將其應(yīng)用于地面停車誘導(dǎo)系統(tǒng)。利用OpenCV將“高位攝像頭”與“手機APP”緊密結(jié)合，通過“實時監(jiān)控—數(shù)據(jù)傳輸—后端處理—用戶手機APP”的技術(shù)流程，形成了“高位攝像頭—圖像識別處理—手機APP”的一體化停車誘導(dǎo)系統(tǒng)。

1 系統(tǒng)設(shè)計思路

基于OpenCV的地面停車誘導(dǎo)系統(tǒng)技術(shù)能通過在地面停車場安裝高位攝像頭，對整個地面停車場進行實時監(jiān)控，將采集的視頻數(shù)據(jù)、車位情況通過系統(tǒng)后端進行處理、存儲和實時傳輸?shù)接脩羰謾C當中，為用戶提供實時的車位信息。能夠?qū)崿F(xiàn)在較少的建設(shè)投入條件下，為駕駛?cè)颂峁崟r、準確的停車場泊位信息，方便駕駛?cè)烁咝＼?。系統(tǒng)研究與應(yīng)用主要設(shè)計控制流程如下（圖1）。

（1）車位使用情況采集：利用主動標定方法，盡量借助已有的建筑物或照明、交通標志等高桿架設(shè)高點攝像設(shè)備，對地面停車場進行監(jiān)控，實時采集停車場視頻圖像。

（2）停車場視頻圖像的集成與處理：將視頻圖像導(dǎo)入OpenCV數(shù)據(jù)庫并進行處理，并導(dǎo)出手機服務(wù)端可識別的類型數(shù)據(jù)。

（3）最優(yōu)停車位推薦方案：采用位置分配與最短路徑原理，向駕駛?cè)送扑]最佳停車位，以及最佳停車誘導(dǎo)路線。

（4）系統(tǒng)使用說明：通過手機APP開發(fā)，實現(xiàn)遠程查詢停車位信息（車位占用及空閑情況）并進行停車位預(yù)約。

2 停車誘導(dǎo)系統(tǒng)研究

2.1 停車場高點視頻信息采集

基于OpenCV的車輛檢測技術(shù)是指利用高點攝像頭拍攝視頻并對該視頻信息做出相應(yīng)處理從而進行車輛檢測的技術(shù)。攝像頭的安放高度決定了檢測區(qū)域范圍的大小。與近距攝像頭相比，高點攝像頭的檢測區(qū)域范圍更廣，構(gòu)成更復(fù)雜，內(nèi)部空間尺度變化更大。高點視頻能夠從較為廣闊的視角對停車場內(nèi)停車位占用及空閑情況進行監(jiān)測，最終獲得較為宏觀的停車位占用及空閑信息。

本研究中攝像裝置采用的是焦距為16 mm，清晰度為720 p的高清攝像頭，可觀測30～50 m，安裝高度到5 m時可監(jiān)測中小型停車場（約20個車位），安裝高度到10 m時可監(jiān)測大型停車場（約50個車位），安裝到30 m以上則可以實現(xiàn)高點視頻監(jiān)測。視頻通過4G信號或者WIFI傳輸?shù)椒?wù)器，視頻格式為MP4、AVI等。采用的網(wǎng)路帶寬需要保證可以進行實時的視頻傳輸，采用的攝像頭清晰度和安裝高度需要和信息處理相適應(yīng)，得到更有利于數(shù)據(jù)處理的視頻數(shù)據(jù)。停車視頻識別效果如圖2所示。

2.2 停車場車位占用狀態(tài)信息處理

視頻處理使用Linux服務(wù)器實現(xiàn)，本研究采用的Linux版本為centOS6.9。在服務(wù)器內(nèi)部，使用Tomcat進行視頻信息的接收和處理后數(shù)據(jù)的發(fā)送，使用MySQL作為數(shù)據(jù)庫，進行數(shù)據(jù)的存儲，使用Python調(diào)用OpenCV庫進行視頻處理程序的實現(xiàn)[12]。具體信息處理流程步驟如下（圖3）。

Step1 網(wǎng)絡(luò)攝像頭輸入信號：攝像頭實時拍攝傳輸720 p的視頻數(shù)據(jù)，通過網(wǎng)絡(luò)傳輸（HTTP/POST協(xié)議）到云服務(wù)器。

Step2 服務(wù)器接收數(shù)據(jù)：服務(wù)器中有Tomcat服務(wù)器，通過JavaWeb相關(guān)技術(shù)（Servlet等），實現(xiàn)視頻信號的接收。

Step3 服務(wù)器處理：服務(wù)器接收到視頻信號（字節(jié)流的形式），服務(wù)器內(nèi)的圖像識別程序（python+OpenCV）對視頻信號進行處理，識別視頻中每一幀圖像中的車輛，實現(xiàn)車輛檢測，得到的數(shù)據(jù)存到服務(wù)器的硬盤和數(shù)據(jù)庫中，等待取用。

Step4 圖像識別：將接收的視頻拆分成為圖片，根據(jù)已有的XML模板文件，采用級聯(lián)分類器的方法，對每一張圖片進行模式匹配，識別對應(yīng)的車輛，輸出圖片中車輛的位置坐標、車輛數(shù)目、識別后進行標記的圖片。然后處理下一張圖片。

Step5 服務(wù)器發(fā)送數(shù)據(jù)：服務(wù)器中有Tomcat服務(wù)器，通過JavaWeb相關(guān)技術(shù)（Servlet等），處理來自手機APP發(fā)送的請求，實現(xiàn)圖片和其他數(shù)據(jù)的發(fā)送。

Step6 手機APP顯示：向服務(wù)器發(fā)送請求，服務(wù)器響應(yīng)請求，每個用戶獲得實時的停車誘導(dǎo)信息。

本研究使用的是Tomcat8.5.31，使用Tomcat[13-14]的Servlet實現(xiàn)數(shù)據(jù)的接收和發(fā)送，視頻片段存儲在服務(wù)器的硬盤中，處理后的數(shù)據(jù)通過HTTP/GET的方式發(fā)送給前端手機APP。利用Cascade級聯(lián)分類器[15-16]訓(xùn)練車輛檢測，得到XML格式的模型，用此模型對視頻信息進行模式匹配（Python+OpenCV實現(xiàn)的程序段），從而確定視頻中停車位處是否停放車輛。在訓(xùn)練過程中，為了達到更高的識別率，需要做到以下幾點。

（1）負樣本集與正樣本集完全無關(guān)。

（2）制作正樣本集時，保留車輛的邊緣輪廓。

（3）樣本量盡可能大。

（4）視頻清晰度[17]應(yīng)當適宜（約720 p較為合適），清晰度過高會保留過多細節(jié)容易導(dǎo)致誤識別，清晰度過低會導(dǎo)致無法識別。

（5）根據(jù)攝像頭安裝位置不同，應(yīng)該使用對應(yīng)高度的樣本訓(xùn)練出的模型。

3 案例分析

選取東北林業(yè)大學(xué)成棟樓前露天停車場開展試驗研究。該停車場為黑色瀝青路面，現(xiàn)有停車泊位24個，車位使用率較高，進出停車場的車流量較大。

3.1 方案可行性分析

利用攝像頭采集停車場車位信息，將OpenCV引入停車誘導(dǎo)系統(tǒng)中用以判別車位占用情況，實現(xiàn)停車誘導(dǎo)，需具備良好的試驗條件。

（1）OpenCV用C++語言編寫，具有C++、Python、Java和MATLAB接口，并支持Windows、Linux、Android和MacOS。Open CV主要傾向于實時視覺應(yīng)用，并在可用時利用MMX和SSE指令，如今也提供對于C#、Ch、Ruby、GO的支持?？膳c本研究中開發(fā)出的手機APP配置使用。

（2）在識別算法授權(quán)方面，OpenCV是基于BSD許可發(fā)行的跨平臺計算機視覺和機器學(xué)習(xí)軟件庫。沒有授權(quán)費用，可在計算機系統(tǒng)上分發(fā)使用。

（3）在停車誘導(dǎo)系統(tǒng)中只需要判斷停車場泊位情況，不需要了解車牌、車主身份等信息，對識別精度的要求相對較低。本研究所選取的試驗停車場標線清晰、干擾物少，車位利用率較高，可借助路燈桿架設(shè)實驗攝像頭，采集實驗所需信息方便，可很好地開展試驗。

3.2 識別效果影響因素分析

攝像頭的拍攝角度、拍攝高度、程序中級聯(lián)分類器個數(shù)以及地面與車輛顏色差別程度均會影響識別率。本研究采用清晰度為720 p的高清攝像頭進行試驗。

ω=nN。 （1）

式中：ω為車輛識別率;n為視頻中被識別車輛總數(shù);N為視頻中車輛總數(shù)。

3.2.1 拍攝角度對識別率的影響

攝像頭拍攝安放位置如圖4所示。其中1為用于安裝攝像頭的高桿，2為攝像頭，3為停車位中的汽車，4為停車位，H為攝像頭安裝高度，θ為高桿和地面的交點與停車位前方中點連線與停車位中軸線之前的夾角，并以右為正，以左為負。分類器數(shù)量取6，安裝高度為10 m，分析拍攝角度為-70°～70°，拍攝角度間隔取為10°時，各間隔實驗5次，每次實驗時長為30 min。拍攝角度對識別率實驗影響如圖5所示。

3.2.2 調(diào)試級聯(lián)分類器數(shù)量對識別率的影響

取安裝角度為0°，設(shè)備安裝高度為10 ?m，各分類器數(shù)量實驗5次，每次試驗時長為30 min。結(jié)合圖6（a）與表2可以得出：分類器數(shù)量取5或6時，設(shè)備具有較高的識別率，識別率均值分別為0.96與0.95，但分類器數(shù)量取6時，設(shè)備識別的穩(wěn)定率更高，識別率方差為0.02，略低于分類器為5的情況（0.08）。

3.2.3 設(shè)備高度對識別率的影響

分類器數(shù)量取6，安裝角度為0°，各安裝高度實驗5次，每次實驗時長為30 min。結(jié)合圖6（b）與表3可以得出：安裝高度取10 m時，設(shè)備具有較高的識別率，識別率均值為0.96，且設(shè)備識別的穩(wěn)定率較高，識別率標準差為0.08。

3.2.4 識別效果分析

選取安裝角度為0°，分類器數(shù)量為6個，設(shè)備高度為10 m，對不同顏色車輛的識別率情況進行統(tǒng)計，得到結(jié)果見表4。對白色車輛的識別率最高，為0.92，對黑色車輛的識別率最低，僅為0.77;對其他色系的車輛具有較高的識別率，均在0.85以上。黑色車與停車場地面的色差最小，識別效果較差，白色車與地面色差最大，識別效果最好，設(shè)備的總體識別效果良好。

3.3 停車誘導(dǎo)的實現(xiàn)

駕駛?cè)舜蜷_手機中的“停車誘導(dǎo)系統(tǒng)”APP即可查看停車場的泊位情況，APP界面如圖7所示。其中，停車位顯示紅色表示已被占用，白色表示未被占用。

駕駛?cè)送ㄟ^APP“搜索”窗口，輸入目的地，點擊搜索，下端即可呈現(xiàn)目的地附近的停車場。再選擇目標停車場即可查看停車場內(nèi)泊位使用情況，輸入停車場名稱即可導(dǎo)航前去該停車場，從而實現(xiàn)停車誘導(dǎo)功能。

4 結(jié)論

本研究提出基于計算機視覺和機器學(xué)習(xí)軟件庫（OpenCV）的交通管理應(yīng)用場景視頻信息處理方法，并將其應(yīng)用于地面停車誘導(dǎo)系統(tǒng)。所構(gòu)建的地面停車誘導(dǎo)系統(tǒng)是利用高點攝像頭將采集的視頻信息通過網(wǎng)絡(luò)傳輸數(shù)據(jù)到服務(wù)器，服務(wù)器使用基于OpenCV的圖像處理系統(tǒng)，利用Cascade級聯(lián)分類器訓(xùn)練車輛檢測，得到XML格式的模型，使用OpenCV的模式匹配進行圖像的識別，從而實現(xiàn)實時準確的識別圖片中的汽車，處理實時傳輸過來的視頻信息，處理后的信息通過手機APP反饋給用戶，使用戶能夠?qū)崟r了解車位占用情況，并為其提供最快的停車解決方案。

通過試驗分析不同的拍攝角度、級聯(lián)分類器個數(shù)、拍攝高度對識別率的影響，發(fā)現(xiàn)設(shè)備安裝角度為0°、分類器數(shù)量為6個、拍攝高度為10 m時，設(shè)備的識別率和穩(wěn)定性最優(yōu)。在該條件下，設(shè)備對除黑色車型的識別率為（0.77）較低外，對其他顏色車型的識別率均在0.85以上，其中白色車輛的識別率最高（0.92）。車輛與停車場地面的顏色色差越大，設(shè)備識別效果越好。

本研究提出的“基于OpenCV車輛檢測的地面停車誘導(dǎo)系統(tǒng)”具有覆蓋范圍廣、成本低、安裝簡便和便捷高效等優(yōu)點，有較好的市場推廣應(yīng)用價值。

【參 考 文 獻】

[1]張文會，孫舒蕊，于秋影，等.考慮供需平衡的路內(nèi)停車布局研究[J].森林工程，2020，36（2）：91-96.

ZHANG W H， SUN S R， YU Q Y， et al. Study on the layout of in-road parking considering the balance between supply and demand[J]. Forest Engineering， 2020， 36（2）： 91-96.

[2]羅梓銘，馬飛虎.基于手機應(yīng)用的智能停車誘導(dǎo)和繳費系統(tǒng)設(shè)計[J].計算機時代，2017，35（7）：17-20.

LUO Z M， MA F H. Design of intelligent parking guidance and payment system based on mobile phone application[J]. Computer Era， 2017， 35（7）： 17-20.

[3]NISSAN A， NTRIANKOS I， ELIASSON J， et al. Impacts of on-street parking fees in suburbs[J]. International Journal of Transportation Engineering and Technology， 2020， 6（3）： 75.

[4]陳大地，覃薇，莫新強.高速公路服務(wù)區(qū)智能停車誘導(dǎo)系統(tǒng)建設(shè)方案[J].西部交通科技，2020，15（6）：141-142+153.

CHEN D D， QIN W， MO X Q. Highway service area intelligent parking induction system construction program[J]. Western Transportation Technology， 2020， 15（6）： 141-142+153.

[5]TIVESTEN E， DOZZA M. Driving context and visual-manual phone tasks influence glance behavior in naturalistic driving[J]. Transportation Research Part F： Traffic Psychology and Behaviour， 2014， 26： 258-272.

[6]林淵博，姚劍敏，林偉.基于地磁傳感器的停車位檢測算法研究[J].電氣開關(guān)，2019，57（4）：42-44.

LIN Y B， YAO J M， LIN W. Study on parking space detection algorithms based on geomagnetic sensors[J]. Electrical Switches， 2019， 57 （4）： 42-44.

[7]陳錦生，靳麗麗，應(yīng)夏暉，等.基于導(dǎo)航平臺的智能交通停車誘導(dǎo)系統(tǒng)設(shè)計——以衡陽為例[J].科技視界，2019，9（32）：127-129.

CHEN J S H， JIN L L， YING X H， et al. Intelligent traffic parking induction system design based on navigation platform - take Hengyang as an example[J]. Technology Vision， 2019， 9（32）： 127-129.

[8]桑博.“互聯(lián)網(wǎng)+”模式下城市智慧停車誘導(dǎo)系統(tǒng)設(shè)計研究[J].山西電子技術(shù)，2020，48（4）：85-87.

SANG B. “Research on the design of urban intelligent parking induction system in the mode of Internet plus”[J]. Shanxi Electronics Technology， 2020， 48（4）： 85-87.

[9]李博，何鵬舉，顏靖藝，等.基于物聯(lián)網(wǎng)的停車場內(nèi)停車誘導(dǎo)系統(tǒng)[J].電子設(shè)計工程，2019，27（9）：26-30.

LI B， HE P J， YAN J Y， et al. Internet of things-based parking induction system in parking[J]. Electronic Design Engineering， 2019， 27（9）： 26-30.

[10]崔亞平，沙麗榮.基于OpenCV的建筑設(shè)備巡檢機器人定位精度檢測算法[J].自動化與儀器儀表，2020，40（12）：10-13.

CUI Y P， SHA L R. Detection algorithm of positioning accuracy of inspection robot for building equipment based on OpenCV[J]. Automation & Instrumentation， 2020， 40（12）： 10-13.

[11]李士堯，魯元博，裴玉龍.道路交通流參數(shù)無人機調(diào)查與識別方法研究[J].森林工程，2018，34（5）：72-77.

LI S Y， LU Y B， PEI Y L. Research on investigation and recognition method of road traffic flow parameters based on UAV full text replacement[J]. Forest Engineering， 2018， 34（5）： 72-77.

[12]周倩，王軍，王亮亮.基于OpenCV輪廓逼近的Android簡單圖形識別[J].福建電腦，2016，32（2）：122-123.

ZHOU Q， WANG J， WANG L L. Android simple graphics recognition based on OpenCV contour approaching[J]. Fu Jian Computer， 2016， 32 （2）： 122-123.

[13]SHAW T B， YORK A， BARTH M， et al. Towards optimising MRI characterisation of tissue （TOMCAT） dataset including all longitudinal automatic segmentation of hippocampal subfields （LASHiS） data[J]. Data in Brief， 2020， 32：106043.

[14]CUNNINGHAM G， WRIGHT D， NNADI C. Smartphone application technique for localising magnetically controlled growth rod actuators： the Oxford Magnetic Counter App Technique （TOMCAT）[J]. European Spine Journal， 2020， 29（8）： 2025-2028.

[15]周宏宇，宋旭，劉國英.Haar特征耦合級聯(lián)分類器的車道線檢測算法[J].計算機工程與設(shè)計，2020，41（6）：1719-1724.

ZHOU H Y， SONG X， LIU G Y. Lane detection algorithm based on Haar feature based coupled cascade classifer[J]. Computer Engineering and Design， 2020， 41（6）： 1719-1724.

[16]TANG G L， LIU Z J， XIONG J. Distinctive image features from illumination and scale invariant keypoints[J]. Multimedia Tools and Applications， 2019， 78（16）： 23415-23442.

[17]NIE L Q， LIU M， SONG X M. Multimodal Learning toward Micro-Video Understanding[M]. San Rafael： Morgan & Claypool Publishers， 2019.