基于OpenCV的車位實時檢測系統分析

馬 寧

（蘇州大學，江蘇 蘇州 215100）

1 車位檢測簡介

自改革開放以來，我國國民經濟不斷提高，公民可支配收入也不斷提高，對普通家庭來說，汽車不再是遙不可及的奢侈品。越來越多的家庭購買了一輛汽車，條件好的家庭甚至更多。據調查，2003年，我國私家車擁有量不足600萬輛；2014年超過1億輛；2019年底，突破2億輛，達到2.07億輛。汽車的普及固然給民眾生活帶來了方便，也帶來了堵車、停車難、環境污染等問題。

當下許多小區、商場、景區都修建了停車場，大部分停車場都使用了自動化停車系統，但費用較高，受環境限制多，難以滿足露天停車場的需求，且仍需要人工輔助管理；而一些資金不充裕、車位不充裕或者因環境限制不能安裝自動化停車系統的停車場也需要及時統計車位信息，方便游客停車。

另一方面，過去十年，我國私家車數量翻了一倍，停車場建設節奏卻相對落后。據國家發改委估計：當前缺口已升至8000萬個左右。加強停車場建設迫在眉睫，而另一方面，停車場建設費用過高，導致很多中小企業無力承擔，其余社會資本也持觀望態度，不愿加強投資。“不算利息，靜態收回建設成本需30多年。”[1]其中自動化停車系統雖然不是最貴的部分，但若能減少開支，也將減少大量成本，加速停車場建設。

因此針對以上需求，開發一種價格低廉、智能、受環境限制小、方便管理的車位實時監測系統迫在眉睫。

2 開發環境簡介

2.1 Python3簡介

Python3是一種廣泛使用的解釋性語言，它提供了高效的高級函數功能以及簡單強大的面向對象功能。python語言邏輯清晰，代碼簡潔，對中文有較好的支持，且內置了多種常用數據類型，擁有大量功能強大的第三方庫，如Numpy、Pandas、OpenCV、Django等等。經過幾代的更新與迭代，Python功能越來越完善。在2021年10月，語言流行指數排行榜Tiobe將Python加冕為最受歡迎的編程語言，是20年來首次將其置于Java、C等老牌編程語言之上，可見其火熱程度。本文使用解釋器版本為Python3.7，IDE為Pycharm2021。

2.2 OpenCV簡介

OpenCV是一個基于Apache2.0發行的機器視覺和機器學習開源庫，它具有良好的兼容性，可以運行在Linux、Windows、Android和Mac OS等多個操作系統上。它整體由C語言和C++語言構成，同時提供了Python、Ruby、MATLAB等編程語言的拓展接口，能夠使用多種語言完成開發工作，其內置了大量圖像處理和計算機視覺領域的通用算法，可以實現物體識別、人臉識別、動作識別、運動跟蹤等多種功能，是圖像處理、機器視覺領域重要的軟件庫[2-3]。

本文使用OpenCV版本為4.5.3.56。

2.3 CNN簡介

人類的視覺系統在大腦可視皮層是分級處理的，大腦的處理視覺信息的工作過程是一個不斷迭代、不斷抽象的過程。首先從瞳孔攝入的原始圖像開始，再由大腦皮層某些細胞發現物體的邊緣和方向；然后由大腦判定眼前物體的大致形狀，進行抽象化；接著大腦進一步進行判定物體的屬類；最后通過分析出的信息，得出結論。

CNN網絡全稱卷積神經網絡，是受人類視覺神經系統啟發而開發出的深度學習模式。它可分為卷積層、池化層和全連接層，其中卷積層用來提取圖像中的局部特征；池化層用來大幅降低參數量級；全連接層用來輸出結果。卷積神經網絡能夠較好地處理像素和音視頻等有穩定的效果且對數據沒有額外的特征工程要求的數據信息，是深度學習的經典算法，被廣泛應用于計算機視覺、自然語言處理等領域。

3 車位檢測的設計與實現

3.1 流程

系統設計流程大致可分為預處理，車位劃分，CNN模型構建與訓練，車位識別等階段。預處理階段將對信息進行處理，只保留其中的有效信息；車位劃分階段將車位提取出來，分別保存作為樣本；模型訓練階段將訓練二分類模型識別停車位上是否有車；最后對視頻的實時監測，并標記空位、統計數量，實時顯示。

3.2 預處理

首先導入所需的停車場監控視頻，該視頻下載自網絡，采用該視頻的理由是光線充足，樣本量大，交通環境相對不復雜，利于設計和訓練。視頻的本質是一組連續的圖像，當圖像變化超過24幀/s以上時，根據人眼的視覺暫留原理，會在大腦中產生的連續的畫面。因此對于視頻的處理的本質就是對圖像的處理。又因為視頻拍攝機位固定不動，所以對整個視頻的車位劃分可以簡化到對單幀圖像的車位劃分，大大提升了效率[4-5]。

為了方便后期處理，首先要進行背景過濾，目的是過濾掉圖像中無關的背景信息，方便后續的識別，方法是定義掩模，設置最大閾值和最小閾值，將閾值區間外的信息轉化為零值信息。

第二步要進行二值化處理，將圖像轉化為灰度圖。這是因為灰度圖只保留了亮度信息，省略了大量無關信息，有效降低了后期運算量。

第三步進行Canny邊緣檢測，該方法分為四個步驟：高斯濾波、計算梯度值和梯度方向、過濾非最大值、雙閾值檢測法。它可以有效確定真實的和潛在的邊緣，能夠較好地檢測出大部分所需邊界[6]。

因為停車場的邊界不規則，外部的樓頂、道路信息不屬于停車場范圍，需要過濾掉，所以第四步需要沿停車場路徑設置8個節點，用來框選停車場的圖像，使用零點信息圖像覆蓋掉不需要的部分，僅保留停車場區域。至此預處理階段的工作就完成了。見圖1、圖2。

圖1 原始圖像

圖2 預處理結果

3.3 車位劃分

通過觀察可以發現，停車場車位由橫豎不同的直線構成，可以通過檢測這些直線，進一步劃分區域。方法是使用霍夫變換，霍夫變換是一種廣泛應用在計算機視覺的一種特征檢測算法，用來找出圖形中的某些特征，霍夫變換通過給定的要辨別的形狀的種類，接著在參數空間中通過投票機制來決定物體的形狀，并過濾掉間隔過大或過小的物體，來獲取到較為準確的結果。圖像中某些裂痕或其他線段可能會被誤認為車位線，而車位線基本呈豎直或水平方向，可以通過計算線段斜率來進一步剔除不合規的線段，提高準確率。

接著對停車位進行區域劃分，通過觀察可以發現，停車場的車位可分為17列，可以將相近橫坐標的車位線分類到同一集合，再按縱坐標將各個集合中的車位線從下到上進行排序，并通過哈希算法判斷是否出現重復的線段，若出現則將其剔除。這樣做的目的是后續處理時，對整個停車場的處理可以看做對17個區域的單獨處理，更方便模型訓練和數量統計。

但是此時算法獲得的車位線集合仍然不夠理想，這是因為部分車輛遮擋線段，造成霍夫變換識別不準確。為了解決這一問題，需要將各個車位線集合的橫線長度統一取其眾數，并將所有線段的起始橫坐標點設為各個車位線集合的最左值，接著將單個車位線集合中所有的豎線合并成同一條豎線。這樣劃分的車位就更加準確和統一。

可以看到劃分的結果基本符合預期，接著將獲得的車位坐標信息寫入pickle文件，用以保存。最后按劃分好的車位線集合裁切車位，由于圖像像素值過小，所以在保存前需要將其進行放大操作，最后保存到測試集文件夾中，用作下一步的模型訓練與測試中。見下頁圖3。

圖3 車位劃分結果

3.4 CNN網絡訓練

獲得車位圖像后將其按照70%、30%的比例劃分為訓練集、測試集，再將其按照有無車輛占據車位分別劃分為占據集和非占據集，用于后續模型訓練。

本次模型訓練使用VGG16網絡，VGGNet是牛津大學和谷歌DeepMind于2014年合作研發的神經網絡，由13層卷積層+3層全連接層而組成。卷積層是卷積神經網絡的核心，卷積過程本質是基于一個小矩陣，也就是卷積核，在圖像的每層像素矩陣上不斷按步長掃描過去，掃到的數值與卷積核對應位置的數相乘，然后相加求和，全部掃完就會生成一個新的矩陣。卷積核相當于一個過濾器，用于提取圖像特征，卷積核一般有3*3和5*5大小，通常使用是3*3大小的，訓練效果更好。全連接層指的是第n-1層和第n層的各個節點之間都有連接，即第n層的節點的激活函數輸入是第n-1層所有節點的加權，用來把前邊提取到的特征綜合起來。在整個卷積神經網絡中起到“分類器”的作用。

由于數據集規模較小，為了得到較好的模型，第三步進行數據增強操作。數據增強按照使用方法可分為線上增強和線下增強，其中線下增強適用于規模較小的數據集，能夠有效增加其的大小。增強的倍數取決于轉換圖片的個數，比如對所有圖片進行旋轉操作，將使數據集增加一倍。常用的數據增強有兩種，有監督和無監督，常用的是有監督數據增強型，它是基于現有的數據集，通過分析數據的完備性，采用一定的規則對現有數據進行擴充。有監督數據增強又可以細分為單樣本數據增強和多樣本數據增強，在實際應用中，單樣本數據增強使用更多。

最后將訓練集的數據導入模型，進行訓練。所有程序運行完成后得到的測試集的準確率達91.4%，準確率基本符合預期。后續可以將VCC16改為ResNet50，以進一步提高準確率，但ResNet50的訓練速度相較VCC16較慢，從效率角度考慮，最終選擇了VCC16。最后將訓練好的模型保存，用于下一步操作。

3.5 基于視頻的車位檢測

首先導入視頻，將視頻逐幀提取，并對逐幀畫面用已經訓練好的模型進行測試。并對每幀的車輛數據進行統計，在視頻左上角顯示車位總數和剩余空位。此時視頻較為卡頓，可以在后續優化中使用多線程或多GPU進行處理，提高速度。見圖4。

圖4 車位檢測結果

4 結果

程序會對視頻進行實時處理和檢測，視頻中未被占據的車位都被標記為綠色，被占據的車位沒有任何標記，通過對綠色矩形的計數，在左上角實時顯示車位總數和剩余車位。此時視頻某些時段對某些區域出現了誤標記，比如將停車場的引導線區域被標記為空停車位，或者將帳篷標記為占用車位。可以通過修改CNN模型進一步改善。其余區域的檢測和統計基本符合預期，當車輛離開車位，視頻中便以綠色進行標記，同時空位加一；當車輛進入車位，視頻的綠色標記便消失，同時空位減一。實現了對停車位信息的處理和檢測。

5 結語

通過對OpenCV和卷積神經網絡實現了對停車場車位的占用情況進行了實時監測和統計，可以部署到較為開闊的停車場，方便管理。此外，該系統還可以進一步優化，以提高速度，適應更復雜的場景，從而為停車場管理提供更加有效、及時的數據。