基于NB-IOT的城市道路停車管理系統

葉競成 錢其沛 李逸辰

摘要：我國的停車管理系統目前已初具規模，但在道路停車方面卻缺乏一套系統化的管理方案，致使我國道路停車呈現停車難、停車亂、收費散漫的情況。針對當今城市道路停車強安全、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。該系統結合NB-IOT低功耗通信、圖像處理技術和云端數據平臺，為有效管理城市道路停車提供了可能。

關鍵詞：NB-IOT;道路停車;停車系統

中圖分類號：TP227 文獻標識碼：A 文章編號：1007-9416（2019）10-0130-02

0 引言

目前，城市停車難已成為常態痛點。據國家統計局數據顯示，2018年在全國范圍內的民用汽車保有量達到23231.19萬輛，比上年末增長11.12%，其中私人汽車保有量20574.93萬輛，增長11.13%。[1]雖然國際通行的車與車位的比例為1：1.2，然而中國大多數城市的汽車保有率只有國外的三分之一[2]。

基于以上現狀，我國開始大力發展智能停車管理系統。然而，近階段不斷投入使用的停車管理系統只適用于地下停車場、露天停車場等地，對于城市道路兩側停車卻沒有一個切實可行、有效的方案。為解決上述問題，本文研發了一款城市道路停車管理系統。在此系統中，為降低成本，取代傳統地磁系統，采用攝像頭動態提取車牌信息;針對GPRS信號在停車場信號弱，車位獲取存在盲點等問題，通過利用NB-IOT技術來獲取實時車位信息;最后通過通信企業的物聯網平臺渠道將車位信息匯聚在云平臺，形成各路邊停車場的實時停車信息，使道理管理方可以在不進行停桿的情況下掌握車輛的停車情況。

1 系統總體框架

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

此系統主要采用在路口設置檢測器對車牌進行識別，記錄時間后通過對比來確定最終的停車時間，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 窄帶物聯網

NB-IoT是華為在2014年提出的窄帶技術，又被稱為窄帶物聯網（Narrow Band-Internet of Things）技術，也被稱為低功耗廣域網（LPWAN）。該技術被廣泛運用于世界各地，具有覆蓋廣、連接多、速率快、成本低、功耗低、架構優等特點[4]。該技術可采取的帶內、保護帶及獨立載波3種部署方式，與現有網絡共存，推動全球移動通信網絡或LTE網絡的部署連接，促進平滑升級目標的順利實現。由于車位在道路兩旁部署，要求具有較大的并發量以及較低的功耗與成本，以適用于車位信息的實時獲取，因此系統采用NB-IoT作為系統通信模塊[5-6]。

2.2 GPS模塊

GPS模塊主要作用在于可以為車輛檢測器提供遠程的定位信息，從而確定每個車輛檢測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。

本系統采用的是SIRF三代芯片組的GPS模塊，其主要特點在于總體靈敏度較高，縮短了定位時間，同時也幫助系統快速的進入了定位狀態。

3 圖像識別模塊

3.1 車牌圖像預處理

為了對車輛圖像的預處理，必須將車輛圖像提取出來，而后進行灰度化和去噪，這樣可以提高圖像質量。由于噪聲是隨機出現的，故而要保留車牌的紋理和顏色信息，并適當加強。最后再去除可能影響牌照區域紋理和顏色的噪點，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（x，y）及其若干像素的灰度平均值來代替點（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]。在這里我們使用計算量小、對細節反應敏感的Roberts邊緣檢測算子，這是一種利用局部差分提供邊緣候選點的算子，可以給出較細邊緣。用如下卷積模板表示：

3.2 車牌的矯正

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

3.3 車牌圖像的識別

車牌圖像的字符識別有很多方法，如模板匹配法、神經網絡方法、模式識別等。對車牌圖像上的字符識別，本文采用BP神經網絡的方法。對于車牌字符，因為1和I、0和O是一樣的，所以數字加字母一共34類，其中每類有200個樣本圖像，共34*200個訓練樣本。最終我們設計一個3層的神經網絡，輸入層有48個結點，隱藏層也為48個結點，輸出層為34個結點。經過一定次數的迭代，可以獲得較好結果。

4 結語

本文分三個部分對整個停車系統進行了全面的描述。第一部分對系統的整體框架進行了介紹，主要包括數據層，用戶層，通信層和感知層，第二部分對車輛檢測器中的主要硬件進行介紹，最后則是作中介紹了圖像識別模塊的主要技術及功能。

參考文獻

[1] 國家統計局.中華人民共和國2017年國民經濟和社會發展統計公報[R].2017.

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

[3] 梁英波，張利紅.基于多尺度數學形態學梯度的圖像檢測[J].周口師范學院學報，2012，29（5）：60-62.

[4] 戴博，袁弋，余媛芳.窄帶物聯網NB-IoT標準與關鍵技術[M].北京：人民郵電出版社，2016.

[5] 張建國.中國移動NB-IoT部署策略研究[J].移動通信，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].周口師范學院學報，2011，28（5）：85-87.

[8] 謝鳳英.數字圖像處理及應用[M].北京：電子工業出版社，2014.

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