基于自學習的校園停車區域規劃系統

陸蘇陽 楊玉棋 王欽 耿飚

摘要：隨著高校招生規模的擴大，進入校園的車輛不斷增多，校園內原有的停車區域已經不能滿足日益增長的泊車需求，再加上高校內原有的停車位規劃不盡合理，這就迫切的要求對高校停車位規劃進行改良。在高校內利用基于圖像識別技術構建的停車區域規劃系統不僅可以根據實際泊車情況動態的規劃車位，還能在分時段運行不同標準的停車檢測，對停放車輛進行智能化管理。

關鍵詞：停車區域;動態規劃;圖像識別;聚類算法

中圖分類號：TP311 ? ? ?文獻標識碼：A

文章編號：1009-3044（2020）17-0076-02

Abstract： With the expansion of college enrollment scale， the number of vehicles entering the campus is increasing， the original parking area on campus can not meet the growing demand for parking， coupled with the original parking space planning in the university is not reasonable， which urgently requires the university parking space planning to improve. The parking area planning system in colleges and universities based on image recognition technology can not only plan parking spaces according to the actual parking situation， but also run different standard parking detection in time-sharing time， and intelligently manage parked vehicles.

Key words： parking area; dynamic planning; image recognition; clustering algorithm

1 當前校園車停位存在的問題

多數高校建校已有年頭，導致校園內的停車設施規劃跟不上車輛增長速度。落后的靜態交通規劃不能滿足師生需求，機動車、行人和非機動車的矛盾日益突出，這就使得校園泊車問題已經成為影響高校加速發展、擴大規模的重要因素，因此做好高校校園停車區域的規劃與設計是完善當前校園建設的一個重要任務。

2 基于自學習的停車規劃系統

針對現有停車位存在的問題，本文提出一種基于自學習算法的校園停車區域規劃系統。

系統設計以停車位劃分為核心內容，在使用圖像識別技術獲取大量停車數據信息的基礎上采用聚類算法，從而針對停車區域的位置給出人性化的劃分，對于車輛停放檢測采用分時段執行不同的檢測標準。具體設計如下。

1）選擇準確且高效的圖像識別算法用來識別車輛并記錄各個檢測到車輛的位置信息。

2）在得到車輛數據信息的基礎上，選擇合理的聚類算法對車輛坐標數據進行處理，得到概率密度最大聚類中心，再獲取所有聚類中心的最小外接平行四邊形即為停車概率最大的模糊停車范圍。

3）由前端輸入需要劃分精確停車位的數量信息，在上一部分得到的最小外接平行四邊形四角坐標的基礎上設計算法對模糊區域進行等分記錄所有等分點的坐標，依次連接即為精確停車位的坐標信息。

4）根據當前時間，對照分時段設置，采用嚴格檢測模式或寬松檢測模式。

2.1 圖像識別算法

圖形識別算法使用YOLO算法，其運行速度快結構簡單結果準確，其核心思想是通過劃分單元格，使用滑動窗口技術依次對其進行檢測，將圖像檢測轉化為圖像的分類。YOLO算法可以為每個b-box預測出所需要的坐標（tx，ty，tw，th，to），公式如下。

bx = δ（tx） + cx

by = δ（ty） + cy

bw = pwe^（tw）

bh = phe^（th）

Pr（object） * IOU（b， object） = δ（to）

YOLO算法采用了leaky ReLU函數作為激活函數，使用端到端的方式進行數據集的訓練，讓使用者只將重點放在輸入端與輸出端，簡化了使用流程。整個算法包含252層，輸入數據源大小為320*320，416*416，608*608（必須為32的整數倍），有5次步長為2的下采樣;輸出三個不同尺度的feature map（13*13*255、26*26*255、52*52*255），每個劃分的單元格會預測三個box，每個box有5個基本參數（x，y，w，h，c）對應的每個種類都輸出一個概率，coco類別共有80個類，共計需要預測3*（80+5），合計255。

2.2 數據庫設計

本系統需要以下幾張四張表，用來存儲車位坐標信息及車輛停放信息：

accurateparkingspace 精確車位位置表，包含編號，各車位四角坐標，標記位（有無車輛停放）;

parkinginformation ?停放信息表，包含車位編號，停入時間;

tobedeterminedspace 待確定停車位表，包含yolo算法檢測到各量車的中心坐標;

vagueparkingspace ?模糊停車區域表，包含模糊區域的四角坐標。

采用體積小、執行命令速度更快的MySql作為存儲車輛及車位坐標信息的數據庫。

2.3 meanshift算法獲取目標聚類中心點

1）經由YOLO算法計算得到每個b-box目標框的中心（在每次迭代畫框的過程中，通過計算（left + （right - left） / 2）與（top + （bottom - top） / 2）得到每個目標框的中心橫縱坐標），將所獲得中心坐標存入tobedeterminedspace表中;

2）從tobedeterminedspace表中提取待確定范圍中心點坐標，交由meanshift算法來進行聚類，設置合理的距離閾值，得到停車概率最大的各聚類的中心坐標;

3）得到聚類中心坐標后，使用openCV庫中包含的cv2.minAreaRect（）函數來獲取最小外接平行四邊形的中心的橫縱坐標、寬高及調整的角度，再使用cv2.boxPoints（）函數來計算最小外接矩形的4個頂點坐標，記錄這四個角的坐標并存入vagueparkingspace表。

2.4 精確區域劃分

該劃分方法主要依賴于模糊停車區域的范圍，通過前端界面輸入需要劃分的行列信息，對模糊停車區域的邊緣進行等分操作，若原模糊區域的四角分別為x1、x2、x3、x4，且x4是離原點最遠的一個坐標，那么則以x2為原點，重新構建直角坐標系，而將x1的橫坐標與x2橫坐標差的1/m作為該坐標系在x方向上的單位尺度，記位：X，將x3的縱坐標與x2的縱坐標差的1/n作為該坐標系在y方向上的單位尺度，記為：Y。實際x1、x2、x3、x4與其邊緣及內部的各等分點在該直角坐標系上呈一一對應關系，這些點與對應點之間存在著一個橫坐標上的偏移量記為m，縱坐標上的偏移量記為n。該偏移量可以通過x2與x4的關系得出，若要在橫坐標方向劃分j個等分點，則偏移量m = ?[x4_x - （ x2_x + j*X）] / j，偏移量n = [x4_y - （x2_y + i*Y）] / j。

下面以劃分三行三列為例：

從左至右，從上到下記為：

a[0][0] ?a[0][1] ?a[0][2] ?a[0][3]

a[1][0] ?a[1][1] ?a[1][2] ?a[1][3]

a[2][0] ?a[2][1] ?a[2][2] ?a[2][3]

a[3][0] ?a[3][1] ?a[3][2] ?a[3][3]

x軸上一個單位的尺度X = （x1_x - x2_x） / 3;

y軸上一個單位的尺度Y = （x3_y - x2_y） / 3;

x軸上一個單位的偏移量m = [x4_x - （ x2_x + 3X）] / 3;

y軸上一個單位的偏移量n = [x4_y - （x2_y + 3Y）] / 3。

設計分割算法，通過嵌套循環的方式一次性遍歷完全部的分割點及四角坐標：

1）計算x + y，值最小的記為x2;

2）由于openCV存儲最小外接平行四邊形的四角坐標是通過逆時針順序存儲，故可以通過列表索引的方式，在確認出x4的坐標后依次推算出x1、x2、x3的坐標，并按照順序存入vagueparkingspace表中;

3）以x2為參考點，命名為a[0][0]，a[0][0]坐標初始為（a，b），則：

2.5 車輛停放檢測

由于不同時間段對于車輛停放檢測的標準不需要完全相同，在高頻時間段（8：00～22：00），車輛必須嚴格按照車輛停放位置所規定的區域停放車輛，否則會干擾正常的交通。但是在深夜的低頻時間段（22：00～次日8：00），在該時間段內，挪車情況很少，而且在校園內常常由于車位數不夠導致車主隨意在路邊停車，針對這種現象，完全沒有必要浪費大量的人力物力在深夜對這些停放車輛進行違規處罰。

基于上述觀點，筆者為本系統規劃了一套簡單的車輛停放檢測功能，主要目的是為例實現分時劃分停車區域，在高頻時間段，啟用嚴格的檢測模式，監測車輛是否進入停車位;在低頻時間段內不對車輛停放位置做檢測，只是展示適合停車的模糊區域。

檢測流程如下：

選擇一個數據源：攝像頭傳輸的視頻;

選擇模式：車輛停放檢測;

開始檢測車輛，系統時間：

8：00～22：00：執行車輛停放精確檢測，車輛中心坐標是否進入車位：

是，前端輸出幾時幾分有車輛進入編號為幾的車位，parkingInformation表記錄停放車位的編號（serial_number）、記錄in_time、accurateParkingSpace表對應編號的標記位park修改為1;

否，返回繼續檢測;

22：00～8：00：執行車輛停放模糊檢測，判斷車輛中心是否進入模糊停車范圍。

3 結束語

此系統主要是應用在校園內未劃分車位的情況下，根據記錄的大量過往數據得到的停車概率最大的位置來規劃停車范圍，進而由管理人員確定此處應該精確劃分的車位數量。依據這種自學習模式得到的停車位能在最大程度的滿足大部分車主對于停車區域所在位置的需求。同時通過分時段執行不同的檢測標準，在白天執行精確的車輛停放檢測，在夜晚則提供一個模糊的停車范圍供車主選擇，使得停車管理模式更加人性化。

參考文獻：

[1] 裘國平， 顧偉， 何東明， 等. 大數據時代下停車模式轉型研究[J]. 智能城市， 2019， 5（23）： 1-5.

[2] 宋汝玫. 國內外停車場規劃研究現狀分析[J]. 科學與財富， 2017（4）： 52.

[3] Redmon J， Farhadi A. YOLOv3： An Incremental Improvement[J]. 2018.

[4] Comaniciu D， Meer P. Mean shift： a robust approach toward feature space analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（5）： 603-619.

[5] Redmon J， Farhadi A. YOLO9000： better， faster， stronger[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， July 21-26， 2017. Honolulu， HI. IEEE， 2017： 7263-7271.

[6] 闞馨童， 李愷， 張露露， 等. 高校校園停車場規劃與設計[J]. 山西建筑， 2018， 44（3）： 2-4.

[7] 李文鵬. 深度學習在車牌識別中的研究與應用[D]. 西安： 西安工程大學， 2018.

【通聯編輯：謝媛媛】