基于OpenCV 和物聯網的輔助停車預警系統設計

喻博威，先俊澤，趙 洋，周 波

（四川輕化工大學物理與電子工程學院，四川宜賓 644000）

目前，我國的違章停車問題越來越普遍，據調查，我國的交通違規中有32.5%屬于違規停車，其中90%以上的違規停車屬于“無意”的，僅僅是車主的粗心大意。因此，為了在硬件層面更為便捷地解決這個問題，該設計用樹莓派作前推，采用OpenCV 進行圖像處理，并結合時下熱門的物聯網技術，在OneNET 云端對處理后的信息進行存儲和調配，進行大數據分析；并開發出配套的微信小程序，使車主可以查看自己的記錄，以此減少違章停車次數，從而達到改善城市公共交通秩序的目的[1-3]。

1 系統框架設計

在系統總體框架的搭建中，運用模塊化的思維，將系統分為圖像處理模塊、北斗模塊、物聯網平臺、微信小程序終端。在圖像處理模塊中，為實現禁停標識的實時采集與識別，選取了處理器主頻達1.5 GHz 的raspberry pi 4B，并通過OpenCV 實現對圖像的精準識別；在北斗模塊中，利用北斗導航系統獲取設備的實時經緯度以及速度信息，并上傳至物聯網平臺，進行數據的存儲和后臺可視化窗口的搭建；選取了中國移動的OneNET 物聯網平臺來接收數據，并為后續的大數據處理提供接口；為方便用戶的使用，在終端使用微信小程序作為接收端口，實現精準的定位和及時的提醒。其系統框圖如圖1所示。

圖1 系統總體框圖

2 圖像處理模塊

2.1 禁停標識模型的搭建

關于標志物的識別和分類，文中先利用卷積神經網絡提取不同禁停標識的相關特征，再通過Cascade（級聯）分類器得到最后的分類結果[4]。

文中采用Haar 特征提取算法來實現矩陣特征的提取。Haar-like 特征最早由Papageorigiou 提出，并用于人臉的描述，對其他目標檢測技術，也可以使用Haar 特征對目標圖像進行特征提取。目標物的訓練使用了Cascade（級聯）分類器的Haar 特征，作為訓練樣本數據的特征描述因子，然后將特征描述因子作為樣本數據送入Cascade 分類器中，通過Adaboost（adapt boost）自適應推進算法來訓練用于圖像識別和目標檢測的分類器[5-8]。然后通過級聯和積分圖進行快速運算，從而達到檢測目標物體的目的。

該文在特征提取方面受到Viola 提出的原始矩陣特征的啟發，建立了3×3×3 的卷積核結構。該方法在保證了精度和深度的同時，提高了運算速度[9]。

對交通標識矩陣特征的提取如圖2 所示。

圖2 禁停標識特征圖

對于圖2 的兩個矩形特征，在一定程度上可以表現出禁止停車交通標示的某些特征。在中間的一幅圖中，Ⅰ區域的顏色比Ⅱ區域的顏色深，右邊的圖中Ⅳ、Ⅴ區域的顏色比Ⅲ區域的顏色要深。運用Haar 的特征計算公式v=Sum(白)-Sum(黑)對其進行Haar 特征計算。

該算法基于特征對禁停目標進行計算，使其能夠在有限數據的情況下編碼特定區域的狀態；并可將每一個特征在訓練圖像子窗口中進行滑動計算，從而獲取各個位置的各類矩陣特征；當找出子窗口的所有特征后，便可進行分類訓練。

2.2 特征總數量的計算

特征總數量的大小直接關乎到分類訓練的快慢以及運算速度的大小。文中通過多次計算取平均值得出不同窗口大小下的特征總數量。理論計算過程如下：

在m×m的子窗中，滿足(s,t)條件（x方向邊長必須能被自然數s整除，y方向邊長必須能被自然數t整除）的所有矩形數量可以由以下公式計算得出：

由式（1）計算可得出在不同子窗口大小內特征的總數量，如表1 所示。

表1 不同窗口的特征總數量

根據計算的特征總數量分析得出，特征總數量隨窗口大小呈幾何倍數增長，相應地，檢測精度會增加，計算機的運算量也會呈幾何增加，通過多次實驗測試和分析可知，在正樣本數量為600 張、負樣本數量為800 張、窗口大小為50×50 時，計算機訓練時間為5 小時28 分，但精度較差，匹配率為70%左右；當窗口大小為80×80 時，計算機訓練時間為9 小時46分，檢測精度較高，匹配率在80%以上。為了保證運算速度和檢測精度，文中選取了窗口大小為50×50的正樣本數量600 個、窗口大小為80×80 的正樣本數量400 個，對不同的禁停標識進行訓練，在保證訓練速度的同時保證了匹配精度。

2.3 訓練結果

基于深度學習的算法需要大量的樣本進行訓練，文中以python 爬蟲為工具，爬取不同場景、不同外觀的圖片作為訓練集和測試集，并分為交通禁停標識和交通提醒標識兩大類。訓練集共有2 618 張正樣本圖片、4 631張負樣本圖片，測試集有1 624張圖片；在訓練之前需要進行圖像的預處理，得到50×50和80×80 的交通標識集。最終訓練生成的cascade.xml即為提取目標的特征文件。

2.4 OpenCV算法實現

實驗采用PyCharm 作為開發平臺，通過python語言進行程序的編寫，導入OpenCV 的CV2 官方庫，利用OpenCV 的HaarCascade 分類器，對實時獲取的圖像進行一幀一幀的處理，來進行算法實現。該算法主要解決了以下幾方面的問題：

首先，為實現圖像的識別與匹配，該系統使用CV2.CascadeClassifier(“casca.xml”)來讀取訓練后的特征文件，隨后利用OpenCV 的classifier.detectMultiScale()將訓練的特征與攝像頭實時數據進行對比，從而得出該圖像是否為正確的交通標識。

其次，圖像匹配成功后，需通過樹莓派的串口將數據發送至OneNET 云端，因python 具備豐富的API接口，所以只需在算法中導入封裝了對串口進行訪問的模塊pyserial，并通過serial.Serial(‘/dev/ttyS0’,9 600)對其進行串口與波特率的設置，并在需輸出數據時進行調用，即可成功完成數據的傳輸。

最后，在實際的算法實現中，因光照、煙霧以及行車過程中抖動等因素的影響，會極大地影響圖像的穩定性以及識別的精準度。為此，該系統在進行圖像處理前先進行了預處理，通過CV2.cvtColor()函數將BGR 三通道的彩色圖轉換為GRAY 的三通道灰度圖；同時，為避免系統因劇烈抖動造成的系統整體不穩定，利用了cap.set(CV2.CAP_PROP_FPS,30)將系統的幀率穩定在30 幀，實測顯示，系統的幀率能夠較好地穩定在26 幀左右，能夠較好地實現數據的高速處理。

同時，為在車載硬件上提醒車主，該系統采用封裝的RPI.GPIO 模塊，對樹莓派的16 號端口進行控制，通過對該端口的電位置高與置低，來實現硬件上蜂鳴器的發聲，以此達到對車主提醒的作用。

2.5 識別效果

該系統在樹莓派4B 上的Linux系統中運行，通過Camera Module v2 攝像頭采集圖像，經過算法處理進行識別。圖3 為系統運行整體界面。

圖3 系統運行整體界面

圖3 左側為程序編寫端，可根據實際情況對程序進行修改與參數的查看，右側為實時畫面。

圖4、圖5 為識別畫面。通過對測試集的多次測試，在理想情況下，夜晚的平均識別率為66%，白天的平均識別率為80%，能夠較好地完成對目標物的識別。

圖4 識別畫面1

圖5 識別畫面2

3 北斗模塊

為達到更高的定位精度，該系統采用了ATK1218-BD 雙模定位模塊，可實現北斗和GPS雙重定位，其定位精度為2.5 mCEP，捕獲追蹤靈敏度為-165 dBm，并且該模塊體積小巧，滿足系統輕便化的要求。

圖6 北斗模塊實物圖

該模塊在完成首次定位后，可實現快速連接與定位，該系統將采集到的經緯度信息通過串口發送至WiFi模塊上，并及時上傳至物聯網平臺。

4 OneNET物聯網平臺

該系統采用中國移動的OneNET 物聯網開發平臺，進行云端的開發和后天數據的可視化，通過ESP8266 WiFi 模塊將識別的數據傳送至云端，在云端對數據進行存儲和后臺的數據監測[10-13]。同時為微信小程序接收數據提供一個中繼服務站，也為后續更多行車數據的上傳提供數據接口[14]。

圖7 為系統后臺管理界面。圖7 中的定位采用雙重定位，左側地圖通過LBS 基站定位保存了汽車即將違停時的地點，右側地圖通過北斗系統進行定位，雙重定位交叉擬合，獲取相對精準的位置信息；WARN 為從樹莓派接收到的識別信息；HEIGHT 為當前海拔高度；SPEED 是當前車速，北斗導航模塊獲取汽車當前的車速，來預測擬合車主是否有臨時?？康内厔?，從而對車主進行及時提醒[15-17]。

圖7 系統后臺管理界面

5 微信小程序平臺

該系統以微信小程序為終端，通過API 接口與OneNET 云端相連接，實時接收云端信息，在預測到車主將有違章停車的趨向時，通過調用手機端的語言進行播報，提醒司機，避免司機因粗心和路況不熟悉而造成的違章停車。

如圖8 所示，當檢測到司機有違章停車趨向后，在語言提醒的同時，對該點進行標注，以便后續司機進行查看[18-20]。

圖8 微信小程序界面

6 結論

該文采用卷積神經網絡進行訓練，通過OpenCV的HaarCascade 分類器進行圖像的快速處理，并將樹莓派與物聯網平臺有機結合，通過微信小程序進行事后數據的讀取，可以實現對禁停標識的快速識別及判斷，并且具有識別精度高、實時性強、可移植性好的特點，對于“無意”交通違規現象可以起到較好的預警作用。當然，該系統整體上還有提升、優化的空間，識別算法也有繼續研討和改進的意義。