基于Ibeacon的室內(nèi)智能停車導(dǎo)航系統(tǒng)

葉建林，潘志宏，顏浩瀚

(中山大學(xué)新華學(xué)院，廣東 廣州 510520)

0 引 言

2019年5G通信技術(shù)格局初步形成，微信成為國內(nèi)歷史上第一款擁有10億DAU數(shù)量級(jí)的APP，中國國民生活即將邁入小康社會(huì)，全國機(jī)動(dòng)車保有量達(dá)3.19億輛。在這些背景因素的影響下，人們對大型室內(nèi)停車場場景中基于位置服務(wù)的需求日益增加。城市停車難、停車場尋車位難的問題逐漸受到人們的重視[1]。對此，文中設(shè)計(jì)開發(fā)了一個(gè)基于Ibeacon的室內(nèi)智能停車導(dǎo)航小程序。該設(shè)計(jì)與應(yīng)用將通過物聯(lián)網(wǎng)、Ibeacon定位等技術(shù)的應(yīng)用來幫助用戶更方便、更快捷地找到自己的停車位，大大提高了用戶的便利性。同時(shí)也改善了停車場的管理效率和幫助停車場進(jìn)行電子數(shù)據(jù)統(tǒng)計(jì)和分析，從而達(dá)到雙贏的局面。

首先介紹Ibeacon定位技術(shù)與MATLAB圖像處理技術(shù)相結(jié)合進(jìn)行問題解決的可行性，再介紹系統(tǒng)的硬件部署，并重點(diǎn)研究整個(gè)系統(tǒng)的設(shè)計(jì)思路、實(shí)現(xiàn)方法和測試效果。

1 相關(guān)技術(shù)可行性

1.1 Ibeacon定位技術(shù)

Ibeacon定位技術(shù)是由Apple公司于2013年提出的，Ibeacon是一款體積小、能耗低的基于Bluetooh-4.0的藍(lán)牙模塊[2]。它通過無線信號(hào)與用戶設(shè)備進(jìn)行交互[3]，所以Ibeacon技術(shù)對現(xiàn)如今的主流手機(jī)設(shè)備有著很好的技術(shù)支持性，后期的使用不需要添置其他終端設(shè)備。

基于Ibeacon信號(hào)指紋的定位技術(shù)主要通過利用地理位置和無線信號(hào)的RSSI的關(guān)聯(lián)性，將需要定位的位置周圍的信號(hào)信息與離線Ibeacon信號(hào)信息進(jìn)行映射匹配[3]。在基于Ibeacon信號(hào)指紋的定位環(huán)境中，n維的信號(hào)強(qiáng)度的RSSI值向量和二維的地理位置向量是相互對應(yīng)的[4]。當(dāng)獲取到當(dāng)前位置的Ibeacon信號(hào)值的向量之后，就能通過定位算法匹配出當(dāng)前位置的坐標(biāo)。基于信號(hào)指紋的定位主要是通過實(shí)時(shí)測量當(dāng)前未知的RSSI值上傳到服務(wù)器[5]，再由服務(wù)器進(jìn)行信號(hào)指紋的匹配，通過定位算法找出相近的幾個(gè)指紋的值，然后計(jì)算出最接近的位置坐標(biāo)，返回匹配后的坐標(biāo)，實(shí)現(xiàn)定位。該過程如圖1所示。

圖1 基于Ibeacon信號(hào)指紋的室內(nèi)定位過程

Ibeacon定位技術(shù)相較于現(xiàn)如今主流的Wi-Fi定位技術(shù)有一定的優(yōu)勢。在原理相同的情況下，雖然Wi-Fi定位技術(shù)有不用再額外添加硬件設(shè)備、發(fā)射信號(hào)相對穩(wěn)定并且傳輸距離遠(yuǎn)的優(yōu)勢[6]，但由于它的自身傳播性的原因，存在信號(hào)傳輸易干擾、傳輸數(shù)據(jù)有誤差、室內(nèi)環(huán)境物體布局導(dǎo)致Wi-Fi信號(hào)產(chǎn)生多徑傳播效應(yīng)等問題。而Ibeacon定位技術(shù)則不存在以上問題[7]。

1.2 MATLAB圖像處理技術(shù)

MATLAB是一個(gè)多種類工具的結(jié)合體。在MATLAB上用戶可以借助多種工具進(jìn)行操作或者調(diào)用函數(shù)和文件。其中包括了命令窗口、歷史命令窗口、編輯器和調(diào)試器、路徑搜索。同時(shí)MATLAB也具有出色的圖形處理能力。包括顯示圖像灰度分布情況、繪制灰度直方圖、圖像噪聲的添加、圖像傅里葉變換等[8]。由于它的特性，MATLAB還被應(yīng)用于車牌識(shí)別，通過灰度處理、圖像旋轉(zhuǎn)矯正、邊緣檢測、腐蝕填充和形態(tài)濾波等一系列操作得到二值化圖像后，再通過圖像區(qū)域分割和OTCU自適應(yīng)算法進(jìn)行車牌提取。

2 系統(tǒng)硬件部署

該小程序的硬件部分由移動(dòng)終端、Ibeacon信標(biāo)、服務(wù)端和其他輔助硬件設(shè)備組成，如圖2所示。

移動(dòng)用戶端由基于微信的微信小程序的手機(jī)、平板和筆記本電腦這種可攜帶式的設(shè)備組成，用戶只需通過小程序便可完成應(yīng)用程序與服務(wù)端的數(shù)據(jù)焦化以及一些邏輯業(yè)務(wù)處理。數(shù)據(jù)的采集也是通過移動(dòng)終端接收附近的Ibeacon信標(biāo)的信號(hào)來實(shí)現(xiàn)，再通過無線通信網(wǎng)絡(luò)把數(shù)據(jù)發(fā)送到服務(wù)端響應(yīng)，服務(wù)端對數(shù)據(jù)進(jìn)行處理，返回定位結(jié)果。而部署在停車場四周的Ibeacon信標(biāo)設(shè)備會(huì)不斷地發(fā)送RSSI信號(hào)，形成定位傳感網(wǎng)絡(luò)。輔助設(shè)備則主要采集車牌圖像。

圖2 系統(tǒng)硬件部署設(shè)計(jì)

3 系統(tǒng)功能設(shè)計(jì)與實(shí)現(xiàn)

3.1 架構(gòu)設(shè)計(jì)

在架構(gòu)設(shè)計(jì)方面，決定采用面向服務(wù)體系結(jié)構(gòu)SOA(service-oriented architecture)。這種具有中立的接口定義(沒有強(qiáng)制綁定到特定的實(shí)現(xiàn)上)的特征稱為服務(wù)之間的松耦合。松耦合系統(tǒng)的好處有兩點(diǎn)：一是它的靈活性，二是當(dāng)組成整個(gè)應(yīng)用程序的每個(gè)服務(wù)的內(nèi)部結(jié)構(gòu)和實(shí)現(xiàn)逐漸地發(fā)生改變時(shí)，它能夠繼續(xù)存在。與之相反，緊耦合意味著應(yīng)用程序的不同組件之間的接口與其功能和結(jié)構(gòu)是緊密相連的，因而當(dāng)需要對部分或整個(gè)應(yīng)用程序進(jìn)行某種形式的更改時(shí)，它們就顯得非常脆弱[9]。所以整個(gè)架構(gòu)設(shè)計(jì)分為硬件層、數(shù)據(jù)層、服務(wù)層、應(yīng)用層，如圖3所示。

圖3 軟件架構(gòu)

3.2 功能設(shè)計(jì)

該系統(tǒng)是基于大型停車場場景提出的，而Ibeacon的工作原理是基于Bluetooth Low Energy(BLE)低功耗藍(lán)牙傳輸技術(shù)發(fā)送特定識(shí)別信息[10]。藍(lán)牙低功耗beacon基站不斷向四周發(fā)送藍(lán)牙信號(hào)(含相同的UUID，一個(gè)區(qū)域有多個(gè)相同的UUID時(shí)，可附帶其他信息以區(qū)分)，當(dāng)滿足Ibeacon技術(shù)標(biāo)準(zhǔn)的藍(lán)牙模塊的智能設(shè)備進(jìn)入設(shè)定區(qū)域時(shí)，就能接收到信號(hào)，藍(lán)牙設(shè)備定位接受并反饋信號(hào)，定位引擎通過基于rssi的三點(diǎn)定位算法計(jì)算出用戶位置[11]。基于rssi的三點(diǎn)定位算法是已知三個(gè)點(diǎn)的坐標(biāo)和未知點(diǎn)到這三個(gè)點(diǎn)的rssi的信號(hào)值，求解未知點(diǎn)的坐標(biāo)。首先是將rssi信號(hào)轉(zhuǎn)換為距離：d=10^((ABS(RSSI)-A)/(10*n))[12]。其中d為距離，單位是m。RSSI為rssi信號(hào)強(qiáng)度，為負(fù)數(shù)；A為距離探測設(shè)備1 m時(shí)的rssi值的絕對值，最佳范圍在45～49之間；n為環(huán)境衰減因子，需要測試矯正，最佳范圍在3.25～4.5之間[13-14]。在獲取得到未知點(diǎn)到三個(gè)坐標(biāo)點(diǎn)的距離后，根據(jù)畢達(dá)哥拉斯定理，得出未知點(diǎn)的位置(x,y)，其計(jì)算公式如下：

Ibeacon信標(biāo)傳輸?shù)淖畲笊涑倘Q于位置、現(xiàn)場布置、障礙物等。標(biāo)準(zhǔn)信號(hào)有近似70 m，遠(yuǎn)程信號(hào)可達(dá)450 m[15]。而淘寶網(wǎng)上數(shù)據(jù)顯示，Ibeacon信標(biāo)的傳輸距離普遍屬于標(biāo)準(zhǔn)信號(hào)(50 m～90 m)。例如，某一大型地下停車場一層車位為75個(gè)，而地下車庫一個(gè)停車位的面積一般為35 m2，則75*35=2 625 m2。所以至少需要260個(gè)Ibeacon信標(biāo)基站，按照市面價(jià)格約為8 000元。

3.3 功能實(shí)現(xiàn)

依據(jù)上述定位基本原理，該系統(tǒng)接入蜂鳥云SDK和MATLAB圖像處理后即可以實(shí)現(xiàn)其核心功能。即在進(jìn)入停車場前會(huì)通過MATLAB工具輔助進(jìn)行圖像處理。通過停車場ETC入庫口處的攝影機(jī)獲得車牌號(hào)圖像，再通過rgb2gray()方法將原圖轉(zhuǎn)換為灰度圖像。接著使用str2double()的get()方法和imrotate()對非正常角度的車牌圖像進(jìn)行旋轉(zhuǎn)。在獲取灰度圖像后通過調(diào)用edge()方法對灰度圖像驚醒邊緣檢測處理，處理后設(shè)置結(jié)構(gòu)元素對象并使用imerode()方法實(shí)現(xiàn)腐蝕效果，再重新設(shè)計(jì)結(jié)構(gòu)元素對象并使用imclose()方法對腐蝕圖像進(jìn)行閉關(guān)運(yùn)算實(shí)現(xiàn)填充效果。最后再調(diào)用bwareaopen()函數(shù)進(jìn)行形態(tài)濾波，得到有車牌號(hào)輪廓的圖像。得到二值化的圖像之后再通過zeros(size())方法計(jì)算X,Y方向車牌圖像區(qū)域，并對該區(qū)域進(jìn)行定位分割。最后用OTCU算法自適應(yīng)二值化處理后提取車牌。其核心代碼如下。

function pushbutton7_Callback(hObject,eventdata,handles)

%車牌提取

I=handles.I;

I_final=handle.I_final;

I_new=zeros(size(I_final,1),size(I_final,2)); %尋找二值圖像中白點(diǎn)的位置

location_of_1=[];

for i=1:size(I_final,1)

for j=1:size(I_final,2)

if I_final(i,j)==1;

nelocation=[i.j];

location_of_1=[location_of_1;newlocation];

end

end

end

mini=inf;maxi=0;

for i=1:size(location_of_1,1) %尋找所有白點(diǎn)中,x坐標(biāo)和y坐標(biāo)的和最大,最小的兩個(gè)點(diǎn)的位置

temp=location_of_1(i,1)+location_of_1(i,2);

if temp

mini=temp;

a=i;

end

if temp>maxi

maxi=temp;

b=i;

end

end

first_point=location_of_1(a,:); %和最小的點(diǎn)為車牌的左上角

last_point=location_of_1(b,:); %和最大的點(diǎn)為車牌的右上角

x1=first_point(1)+4; %坐標(biāo)值修正

x2=last_point(1)-4;

y1=first_point(2)+4;

y2=last_point(2)-4;

I_plate=I(x1:x2,y1:y2);

I_plate=OTSU(I_plate,50); %以O(shè)TSU算法對分割出的車牌進(jìn)行自適應(yīng)二值處理化

axes(handles.axes7);

imshow(I_plate);

title('車牌提取');

handles.I_plate=I_plate;

guidata(hObject,handles);

其實(shí)現(xiàn)效果如圖4所示。

圖4 車牌識(shí)別測試

然后在進(jìn)入停車場后就可以根據(jù)空余車位的編號(hào)在室內(nèi)停車場地圖上通過選擇起點(diǎn)和終點(diǎn)進(jìn)行快速的路線規(guī)劃，方便用戶前往停車位，避免了盲目兜圈。在室內(nèi)停車場的路徑規(guī)劃過程中一開始會(huì)初始化地圖信息加載地圖，創(chuàng)建路徑分析對象new fengmap.FMNaviAnalyser.create({})，然后通過已加載的地圖數(shù)據(jù)加載模型dijkstra.init(map)。初始化完畢之后，用戶就可以根據(jù)之前獲得的車位編號(hào)設(shè)置起點(diǎn)和終點(diǎn)。該流程核心代碼如下：

//創(chuàng)建路徑分析對象

var dijkstra=new fengmap.FMNaviAnalyser.create({});

//通過已加載的地圖數(shù)據(jù)加載模型

dijkstra.init(map);//注意：此方法需保證map數(shù)據(jù)已加載完成，可在map的loadComplete事件后調(diào)用

//添加模擬起、終點(diǎn)

var naviCoords=[] ,naviGids=[];

var coord=new fengmap.FMMapCoord();

coord.x=12961588.0371617;

coord.y=4861847.72571208;

naviCoords.push(coord);

var coord1=new fengmap.FMMapCoord();

coord1.x=12961587.6306147;

coord1.y=4861844.85608228;

naviCoords.push(coord1);

//添加起點(diǎn)和終點(diǎn)對應(yīng)的樓層id

naviGids=[6,5];

根據(jù)設(shè)置的起點(diǎn)和終點(diǎn)進(jìn)行路徑分析，分析成功，返回路徑經(jīng)過的坐標(biāo)點(diǎn)集。

//路徑分析：傳入起點(diǎn)和終點(diǎn)坐標(biāo)和樓層ID進(jìn)行樓層分析

if (dijkstra.analyzeNavi(naviGids[0], naviCoords[0], naviGids[1], naviCoords[1],

fengmap.FMNaviModule.MODULE_SHORTEST)==fengmap.FMRouteCalcuResult.ROUTE_SUCCESS) {

var results=dijkstra.getNaviResults(); //得到路徑分析后的結(jié)果集

if (results.length==0)

return;

var des=dijkstra.getRouteDescriptions(navResult);

console.log(des);

}

其實(shí)現(xiàn)效果如圖5所示。

圖5 停車導(dǎo)航測試

4 結(jié)束語

根據(jù)市場調(diào)研得出用戶需求，并加以分析，將Ibeacon定位技術(shù)和微信小程序相結(jié)合設(shè)計(jì)開發(fā)了室內(nèi)智能停車導(dǎo)航小程序。該小程序主要從硬件部署，服務(wù)器的數(shù)據(jù)庫和軟件架構(gòu)、數(shù)據(jù)交互方式、Ibeacon定位和用戶端模塊這些方面入手進(jìn)行設(shè)計(jì)。最后對小程序進(jìn)行測試和分析，并且展現(xiàn)了運(yùn)行結(jié)果。該小程序?qū)崿F(xiàn)了停車導(dǎo)航和車牌識(shí)別的功能。這些功能對現(xiàn)在城市停車難的問題提供了良好的解決方案，為用戶節(jié)省了在停車場內(nèi)滯留的時(shí)間，同時(shí)也提高了停車場管理人員的工作效率。