基于Mesh 網絡和深度學習的城市智慧停車

劉文鹍，李迪，解曉凡

（南京智騁致想電子科技有限公司，江蘇南京 210000）

這些年我國城市建設高速發展，在提高城市居民生活質量的同時，也帶來了不少新問題。比如城市里的停車問題，以及隨之而來的一系列停車管理問題。如何改進現有的技術與管理方式，提高管理效率并節約成本，一直是一大熱點話題。文中系統通過引入物聯網，并輔以人工智能等技術，使停車管理系統更加智能化，更加低成本。同時無人工干預、車輛進出時無需取卡和讀卡的操作方式，縮短了車輛在停車場進出口及道路上的滯留時間。各停車場的數據信息對于城市管理部門而言，還可以進一步完善城市車輛綜合管理大數據，提高城市公共資源運行效率[1-2]。

1 系統設計思路

1.1 系統組成

文中系統的核心是利用Mesh 網絡來連接停車場內不同的終端監測設備，并通過設備內的攝像頭模塊抓拍現場照片，之后，照片用于識別車輛的停放。這樣可以減少人工干預，提高工作效率。雖然高清圖像在車位和車牌識別方面有著至關重要的作用，但是高成本的設備及有限的無線網絡帶寬，不適合在現場采集和傳輸高分辨率的照片。相比較而言，低分辨率照片的優勢在于不過多的占用無線網絡資源，且設備價格便宜適于大批量部署。初始照片可通過深度學習技術在后臺將低分辨率的圖片還原成超分辨率圖片用于實際的檢測。

1.2 組網原理

Mesh 網絡又叫多跳（Multi-hop）網絡，是無線網絡的一種，由眾多的節點組成，這些節點通過無線方式連接到彼此，在同一個網絡內相鄰近的節點可以相互轉發數據。每個網絡中有一個網關，用于與外部網絡相連接[3]，如圖1 所示。Mesh 網絡無中心化的設計，使得網絡中即使有部分節點發生故障，卻不影響整個網絡的運行，同時可以節約現場的布線成本。目前，市面上有Zigbee、Lora、藍牙、Theard和Z-ware等多種基于不同頻段的成熟解決方案。

圖1 Mesh網絡連接圖

無線信號在傳輸的過程中都會產生衰落。停車場環境一般比較空曠，且屬于地面視距傳播，場內設備架設桿的高度又遠高于所停車輛的高度，可以認為其傳播環境類似于理想的自由空間傳播。式（1）為自由空間傳播模型。式（1）中，L是損耗因子，λ是無線信號波長，Gt和Gr分別是發射端天線增益和接收端天線增益。路徑損耗PL為發射功率Pt與接收功率Pr之間的比值如式（2）所示，其中信號的頻率fc=c/λ，c為光速，d和fc的單位分別為km 與MHz[4-5]。

除此之外，設備之間還存在信號的反射路徑（通過車頂或是地面）和一些信號干擾。但是停車場內設備位置固定不會移動，傳輸路徑相對穩定，影響信號強度的主要因素還是節點間的距離。

文中系統部署思路是在網絡中優先選擇可覆蓋流量最大、實際覆蓋半徑最小的節點，作為網絡中的關鍵節點。不斷更新網絡中所有節點的剩余帶寬和已部署節點的最小跳數，再統計關鍵節點的最短路徑與節點可覆蓋需求，反復調整直至最佳[6]。

1.3 圖像重建

在圖片識別過程中引入深度學習算法來實現圖像的超分辨率重建。深度學習是機器學習領域中的一個研究方向，它的出現進一步推動了人工智能（AI）的發展。

以往傳統方法是從圖像表層特征進行推測，通過插值算法擴大圖片尺寸和分辨率，這種方法在提高PSNR值（Peak Singnal-to-Noise Ratil，峰值信噪比）上效果顯著。但重建之后的圖片與真正的高清圖片相比，還是有些“失真”。

式（3）中，MSE（Mean Square Error）表示當前圖像和參考圖像的均方誤差，n為每像素的比特數，一般的灰度圖像取8，即像素灰階數為256。PSNR的單位是db，數值越大越好。

文中采用基于GAN（Generative Adversarial Network 生成對抗網絡）的超分辨率重建方法，通過大規模的GPU 訓練，不僅可以得到一個更高的PSNR結果，同時重建之后的圖像也與真實物體更接近。模型訓練流程如下：先降低原始高清圖片集合a 的分辨率，生成新圖片集合b，構成訓練集；然后，建立生成器與判別器組成的二級深度學習模型；通過生成器將圖片b 超分辨率重建為圖片c，同時結合a 和c 訓練判別器進行重建損失判定；通過生成器與判別器的交替迭代訓練，使網絡模型逐步提升超分辨率重建性能；通過PSNR等方法比較圖片a 與圖片c，驗證超分辨率重建的效果。反復執行直到得到滿意結果[7]。

在圖像重建過程中，加載訓練好的模型權重，輸入一個尺寸f×f大小的低質量圖片，然后進行n層卷積運算生成超分辨率圖像。在處理階段，根據提取的圖像特征通過特征信道之間的相互依賴性來自適應地調整信道特征，以達到恢復更多細節的目的[8]，再按照信道的前后順序以及卷積核的大小，對每個特征值在輸出圖片上的位置進行重新排列，得到最終超分辨率圖片，如圖2 所示。

圖2 超分辨率圖像重建

在實際應用中，將現場上傳的圖片進行超分辨率圖片重建后，再進行下一步的車輛和車牌識別工作，具體流程如圖3 所示。

圖3 超分辨率圖片處理流程

1.4 系統工作流程

現場終端設備按時抓拍照片并上傳后臺。圖片分包后的數據通過Mesh 網絡依次發送到網關，再通過網關連接到外網（主要為光纖網絡、4/5G 網絡）向下一層傳輸。當原始的低分辨率照片上傳至后臺以后，進行圖像超分辨率重建，處理后的圖片用于車輛和車牌的識別。后臺通過這些照片判斷停車位上是否有車，針對車輛的識別采用邊緣檢測算法及Hough 直線檢測算法，依據分割好的車位，通過檢測來確定車輛的停放[9]。

2 系統測試

測試設備主要由網絡節點、攝像頭模塊、單片機開發板和后臺圖片處理部分組成，其中攝像頭模塊和單片機開發板構成下位機部分，上位機為后臺圖片處理部分。為了便于完成測試，多采用已有的硬件設備來完成測試平臺的搭建。結構連接如圖4所示。

圖4 硬件結構連接

目前市面上廣泛使用的組網方案有Zigbee 和Lora。測試中選作網絡節點的是基于TI CC2530芯片的Zigbee 模塊，工作頻段2.4 GHz，該頻段免費且模塊自帶相應的組網協議，較容易實現組網功能[10]。綜合文中1.2 節組網原理中的內容以及一些現場經驗，測試時網絡中的關鍵節點鋪設間距在50 m 以內，除此之外，還部署了一定數量的備用節點來增加網絡冗余，提高網絡的魯棒性。模塊背部自帶電池盒，可以使用7 號電池供電，方便現場部署。后續產品可以考慮使用太陽能來為網絡節點供電，這樣既方便又環保。

攝像頭模塊采用RS232 接口與單片機開發板相連接。考慮到照片過大會導致數據分包過多，影響傳輸效率甚至造成網絡阻塞。所以，攝像頭模塊抓拍的照片是規格在640×480 像素（30 萬像素）的低分辨率照片，大約30～40 K。現在一般停車再加上下車時間大約需要3～8 分鐘，且很多停車場采用每15 分鐘做一次計費統計，再綜合考慮無線網絡的傳輸帶寬，上傳照片的時間間隔定為每5 分鐘一次。

測試中控制部分采用單片機的開發板基于STM32F103VET6 芯片，該芯片內核采用ARM Cortex-M3 架構，性能較強。由于圖片處理部分都放在了后臺，下位機只負責控制節點和攝像頭模塊。在后續實際的產品中，下位機設備可采用性能較低、價格更便宜的芯片。

后臺部分由PC端和NVIDIA的Jetson TX2嵌入式平臺組成，用以實現圖片的超分辨重建和車輛的識別。PC 端基于Caffe 框架進行模型訓練與性能測試，再通過訓練好的模型進行圖片的還原。將之前經過一系列處理得到的圖片發送給TX2 嵌入式平臺，再使用Yolo V2 檢測算法對圖片進行檢測，得到車輛的輪廓信息[11]。通過實驗，現場檢測效果如圖5 所示。

3 未來展望

文中系統今后還需進一步完善，增加車牌識別和手機APP 等功能。

車牌識別功能會在后臺判斷有車輛停放后，進一步識別所停位置車輛的車牌號碼并開始收費計時[12-13]，在車輛離開時統計停車時間，作為停車的收費依據。

圖5 車輛識別效果圖

系統配合相應的手機APP 和客戶端軟件后，可以做到停車場無人值守、手機端車輛圖片實時查看、手機端自動扣費、輔助找車等功能。在提高效率的同時也大大地降低了停車場的運營成本。只需少量的工作人員，就可以同時覆蓋多個不相連接的停車區域，屏幕前的觀測人員加上在外巡視人員作為輔助并處理突發事件。同時對于區域內垃圾亂放和違法占用消防應急車道，也可以通過后臺系統對現場照片的識別發出預警，再通過巡視人員做出及時處理[14-15]。

除此之外，還可以通過ETC 與停車業務的深度融合，實現智慧停車+ETC 支付的業務整合。目前，隨著全國范圍內各大銀行大力推廣車載ETC 設備，ETC 系統已成為車輛獨一無二的電子標簽。現場設備通過增加相應的ETC 識別模塊，可以準確識別區域范圍內的車輛，并現場完成扣費工作。同時，停車場的數據信息可與其他平臺相對接，完善城市車輛大數據的綜合管理[16]。

4 結束語

文中系統的智慧停車應用基于Mesh 網絡，通過融合物聯網、人工智能和大數據等當下熱點技術，集高效監控、低成本運營和精細化管理于一體。今后終端設備配合太陽能供電以及微環境監測傳感器，可以廣泛地應用于智慧城市等新興項目中，與未來智慧城市的發展方向一致。