基于CNN神經網絡的大型停車庫實時優化

劉 念 徐良杰 趙 瑋

(武漢理工大學交通學院1) 武漢 430063) (內蒙古大學經濟與管理學院2) 包頭 014010)

0 引 言

汽車數量的不斷增長，停車需求的日益擴張，使得對停車場的功能要求越來越高，停車場的結構也日漸復雜[1].為使駕駛員進入停車場后方便快捷的找到合適的泊位，智能化的停車引導已成為一種發展趨勢.據ETCP智慧停車產業研究院聯合第一財經商業數據中心發布《2017中國智慧停車行業大數據報告》統計，2016年我國停車缺口率達到50%，而平均空置率也達到51.3%，現有的車位并沒有充分利用[2].停車場功能及結構的復雜化使得停車路徑引導十分重要，目前駕駛員停車通常采取隨機停放的方式，常會發生在停車場內繞圈搜尋合適空車位的現象，使得停車場內部交通混亂，極易造成擁堵.停車場內滯留的怠速車輛還會對停車場內空氣質量產生局部污染，降低停車場服務質量[3-4].若能合理引導駕駛員由較為通暢且行駛距離較短的路線前往目標車位停車，將提高停車場效率, 其中實時的停車路徑智能算法的選擇十分關鍵[5].

現有很多研究都集中于交通系統整體的優化上，趙瑋等[6]通過實地采訪和跟蹤記錄，采集乘客換乘的歷史數據，對數據整體分析后進行整體火車站換乘系統優化，提高換乘的整體便利性.目前停車路徑優化中常用的是Dijkstra算法[7-8]，從起始節點開始，依次訪問其他最靠近的節點，并逐步進行迭代檢查的方式來找到至目標節點的最優路徑.雖然該方法可以搜尋出靜態情況下至目標車位的最短路徑，但在實際情況下，由于沒有考慮實際車流量，“最短”路線不一定會提高車輛的通行效率.A*算法等[9]啟發式算法則存在搜尋速度較慢，且可能會出現局部收斂，最終路線不一定距離最短等問題.常用的停車檢測手段為地埋式或懸掛式感應，但該手段無法檢測正行駛在車道內的車輛，一般只用于停車位狀態檢測[10].

環境會對駕駛員產生影響，若提前用技術手段獲取相關視覺信息并進行判斷，可增加對駕駛環境的認知[11-12].Zhao等[13-14]在路面設置障礙和傳感器，來實地測試駕駛員對危險的判斷能力，利用了深度學習和迷糊理論建立的駕駛員對冰雪環境下危險的判斷和避讓能力模型.運用CNN卷積神經網絡算法可以通過直接識別停車場內各停車位及通道圖像，獲取停車位狀態以及通道路徑上的實時流量狀態，從而在靜態最短距離路徑的基礎上同時考慮路徑擁擠程度，綜合選擇行駛至停車泊位處時間較短的路徑.

1 停車實時優化問題

1.1 停車模型的建立

大型停車庫形式多種多樣，建立一個停車場的簡化模型進行研究.本文選取停車場包含一個出口和入口，每個車位前有一條行車通道相連接，可以依此進入車位.以停車位為網絡節點，將停車場化為點線結合的網絡，其中Pi為停車位節點(i=1,2，…N，N為停車場總車位數)，xnp賦值為停車位距離入口(或出口)的距離.當停車位有車輛停放時該處停車位賦權值0，無車輛停放時賦權值為1.假設車輛在停車場內以速度v勻速行駛.

停車場通道交叉處定為通道節點，用Ck(k=1,2，…)表示為通道節點，R (l,m=1,2，…)為相鄰節點間的路段.

1.2 車輛最優停車路徑評價

在每段停車場通道R上進行車輛流量識別，根據每段通道上的車輛數確定路段通行權重α.根據駕駛員最終目標車位，判斷從該車位至相鄰節點C的通道路徑距離長度，乘上權值α后再次比較并選取較小的節點.將選取的節點C再依次按上述步驟捕捉下一節點直至找到停車場出口(入口).將所選取的各節點依次連接起來則為最終停車優化路徑.整體停車實時優化流程見圖1.

圖1 停車實時優化流程

2 CNN停車圖像識別

2.1 CNN卷積神經網絡

CNN卷積神經網絡是一種層次模型，輸入數據后(尤其是圖像數據或音視頻數據)，機器通過學習諸如邊緣和曲線之類的低級特征來進行識別與分類，繼而通過一系列卷積層級建構出更為抽象的概念.CNN卷積網絡的核心之一是卷積核，也被稱為濾波器.簡單來說，訓練CNN在相對意義上是在訓練每一個卷積層的濾波器.

卷積神經網絡建立的深度模型[15]，輸入的數據是未經處理的原始形式，在數據層之后再通過層層操作對數據特征進行“學習”和“提取”.整個所有的操作層可以看做一個復雜的CNN函數，函數損失由兩部分組成，一部分為模型參數的正則損失，一部分為數據損失.整個模型在運行訓練過程中，會依賴最小化損失函數來學習模型參數，最終誤差還會存在反向傳播的情況.模型簡單來說可以看做將原始數據中的隱含特征提煉出來，再進行逐層抽象，不同操作的對應卷積神經網絡中的不同“層”.卷積操作對應的是“卷積層”，池化操作對應的是“池化層”等等，其中“層”可以進行不同組合的堆疊.最后的目標任務形式化為目標函數，同時模型產生的誤差會有最后一層逐層向前傳播反饋，并更新模型每層的參數，更新參數之后再次正向前饋，循環反復直到卷積神經模型收斂，得出結果，見圖2.

圖2 卷積神經網絡基本流程

卷積神經網絡的根本核心是進行卷積運算.以二維場景中的卷積為例，輸入圖像后，每個像素作為一個小單位可化為數字矩陣，其對應卷積核為另一個規模較小矩陣.

2.2 改進CNN方法下的圖像訓練與識別

本文采用改進CNN算法，訓練車輛參數模型，獲取停車場通道上車輛數及車位狀態情況.通過停車場視頻監控實時監測車輛目標，建立停車場內狀態參數矩陣方程，且保存到數據庫中.其中車輛圖像的識別與采取YOLO算法，將輸入圖像劃分為S×S的網格，當某物體中心落在網格內時，該網格負責檢測該物體.同時每個網格還負責預測邊框、邊框的置信度以及類別概率.其中邊框為B個，類別數為C個，最后預測被編碼為S×S×(B*5+C)的張量.具體YOLO算法下的圖像識別見圖3.每個網格預測多個邊框，這樣在訓練時就僅需一個邊框預測器來鎖定目標物體.每個預測器專業化的預測特定大小、長寬比或目標類別，同時指定與目標重疊度最好的預測器來負責，就能改善整體的識別正確率.

圖3 YOLO算法模型下的圖像識別

與常規CNN網絡圖像識別相比，YOLO算法簡易且快捷，它基本可以在不到25 ms的延遲時間內處理動態視頻，具有很高的實時性.

3 實時停車路徑優化

在停車場網絡中，最終目標為駕駛員停車至目標車位總時間最短，即最優選擇停車路徑較短且停車延誤時間最小(因等待錯車或擁擠排隊)的路徑.在視頻分析車位狀態，檢測出節點間實時流量后，停車路徑優化為

(1)

(2)

所檢測出的每段R上的車輛將最終計入整體節點間的交通交通量中，通過計算篩選每一小段“通暢”路段，以最短時間駛入目標車位.

在停車的最短路是基于“最少”停車時間的，并作為算法方程的目標結果.利用在停車場所獲得的實時車流現狀，并進行道路信息和車流的分析，將停車場交通狀況作為約束條件考慮，以此建立起實時的停車道路優化模型并找尋最佳停車線路.

4 案例分析

以武漢市宜家停車場為研究對象，通過分析其基本布局和結構進行停車優化.宜家綜合停車場由若干片區停車場組合而成，分區情況及各區車位編排見圖4.圖5為截取其中某一分區停車場平面示意圖.

圖4 武漢宜家停車場平面分區布局

圖5 武漢宜家部分分區停車場平面示意圖

運用上述優化方法選取武漢市宜家大型停車場為實驗參照，首先對停車場狀態進行學習與識別.拍攝實際停車圖像輸入神經網絡模型進行機器訓練與識別，最終可輸出識別圖像，監控附近車輛檢測成功率可達85%，畫面中遠處車輛雖然會出現檢測不清的狀況，但可以通過其他角度攝像彌補該問題.

通過訓練行人圖像，停車場內行人也可被檢測出來，在一定程度上更加可以增加實時優化的準確性.

然后調查宜家停車場駕駛員的停車量、平均速度等為仿真參數.比較優化前后選車位時平均車速行駛車速、停車時間、停車延誤時間等，見表1.根據上述優化算法編輯C++程序，平均車速設定為15 km/h，在相同的停車量下仿真運行一天的停駛狀況.由表1可知，優化后停車延誤降低，停車平均耗時約減少63%.

表1 優化前后后停車時間對比min

46.532.922.113.95.34.816.43.5

通過實地模擬實驗，對CNN優化算法車輛監測情況進行了效果評估.圖6為不同車輛數下，車輛監測錯誤率情況.根據停車場視頻監控器所能拍攝的視野范圍內的車輛數，總的監測錯誤率在15%以下，且由不同角度的圖像檢測，將能進一步降低錯誤率的影響.天氣也會對圖像識別及交通狀況產生很大的影響[16].圖7為天氣不同時的檢測錯誤率累計曲線，不同天氣情況下，檢測的整體效果仍可以達到精度要求的.若為室內停車場，天氣情況的影響將會更小.整體來說該方法可以達到檢測精度的要求.

圖6 不同車輛數下車輛監測錯誤率

圖7 不同天氣情況下車輛監測錯誤車輛數累計情況

圖8對比分析了四種不同停車方式分別與本文所采用的優化停車方式的時間比.在初始停車情況相同的條件下，四種停車方式分別為本文所采用的優化停車、就近選取停車位停車、隨機停車以及選取最遠的停車位停車.其中A方式為基于CNN的優化停車方式、B方式為駕駛員第一選擇最近的停車位、C方式為駕駛員隨機停車、D方式為駕駛員選擇最遠的停車位進行停車.對比分析可見，本文的優化停車方式降低了整體停車時間，增加了停車效率.

圖8 不同停車方式與本文優化方式停車時間比

5 結 束 語

智能停車是未來大型停車場的發展趨勢.本文基改進的CNN卷積神經網絡算法重點研究了停車數據的采集與分析，從而選取擁擠程度小的較短路徑，達到了大型停車場交通組織優化的目的.并以武漢市宜家停車場為對象進行實證研究，驗證了算法的有效性.研究方法可以推廣到具有一定規模的其他大型停車場，具有較高的現實意義與前瞻性.

本文用神經網絡的方法實時的視頻檢測方便快捷，且能大幅提高停車效率，更加容易進行停車場交通組織.在停車數據采集與分析上具有前瞻性，是未來高效智能停車的趨勢.