鐵路車站專用車輛智能引導系統

樊夏敏

（中國鐵路上海局集團有限公司徐州樞紐指揮部，江蘇 徐州 221002）

0 引 言

隨著經濟的發展，中國高速鐵路（China Railway Highspeed），簡稱“中國高鐵”，是當代中國一類重要的交通基礎設施。經過近20年的發展，截至2021年底，全國高鐵鐵路營業里程達4萬多公里，穩居世界第一，高鐵站數量也達到五百多個。由于高鐵站內工作的需要，站內專用汽車的數量也在逐步增加，為高鐵站的各項業務提供了保障，成為高鐵站內重要的一部分[1-3]。但在這種情況下，車位利用率低導致車站內專用車輛的停車、快速行駛等問題愈發突出。

在停車位不足的情況下，提出車輛的精準行駛路線、停車快速引導方案等，可以一定程度上提高資源的利用率[4,5]。目前針對商場地下、地上等大型停車場的車位引導系統已經逐步出現，但針對火車站內專用車的引導系統還未見相關應用[6-8]。現有的針對商場等停車場的引導系統往往存在指引功能相對單一、停車場導引系統顯示不準確等問題，系統僅僅是告知在停車場某一區域車位數量的剩余情況，時常在此區域也同樣找不到剩余的空車位，導致經常有司機“知空不知位”的情況發生。考慮到高鐵車站內專用車輛的引導需求，而現有車輛引導系統的服務又無法滿足，因此需要一個高效的停車引導系統來輔助司機高效行駛、知位可停，極大地提高站內車位利用率，為車輛停車、行駛管理提供新思路。

1 項目總體設計架構

本系統圍繞高鐵站內智能車輛引導的實際需求，建立了一套快速配車、路線規劃的車位引導系統。該系統根據現有停車場空置車位的數量和位置，為司機選擇最佳行駛路線，提高停車效率，以實現站內停車資源的充分利用。另外，利用數據庫對多傳感器數據進行存儲和管理，為車主提供更加高效方便的停車方式，并為車站管理提供可視化的數據以幫助決策，降低管理成本。

本系統的總體設計方案如圖1所示，分為感知層、處理層、傳輸層和應用層，從終端傳感器到數據傳輸再到頂層的應用。通過攝像頭等車輛運動檢測模塊在道路干道上獲取的數據信息，計算出當前車輛附近距離最近的空余車位方向，發送至底層控制系統，實現空余車位道路路徑上的LED流水閃爍，提示司機空車位方向，為停車場導引系統提供了完整的技術方案。

圖1 系統框圖

本系統的三層框架中，首先從最底層的感知層獲取到停車場車輛的綜合基礎信息；然后將數據傳送至傳輸層，實現系統基本的組網通信，獲得整個停車場的車輛信息并進行綜合處理；最后各個車位監測節點將數據上傳至應用層，實現數據的可視化與系統管理等具體功能。

1.1 感知層

感知層各個節點布設在站內各個停車位上，實現車位相關狀態數據信息的采集。節點以STM32為核心處理器，通過激光紅外、攝像頭傳感器協同工作，收集車位的當前信息，并對上位機發送的數據報文進行處理，控制相應的元器件開關實現實時控制，為整個系統提供可靠的數據支持。

1.2 處理層

處理層主要對感知層各節點傳感器采集到的數據信息進行分析并處理，具體基于板載嵌入式系統利用圖像處理、計算機視覺、人工智能等技術對采集到的信息進行整理和分析，判斷車位當前狀態并給予反饋，同時發送給感知層的各個控制器進行相應的控制。

1.3 傳輸層

傳輸層分為接入層與匯聚交換層。接入層為2.4 GHz無線方案，本文采用無線通信的方式，與感知層節點構成了本項目網絡的基本單元。匯聚交換層負責將接入層獲得的各個終端節點的信息進行數據分組匯聚、轉發、暫時存儲與交換，并與云端進行數據傳輸，支撐數據匯集。本文設計的主要目的是實現各終端節點模塊之間的相互通信及后期數據上傳工作，即要保證各個節點數據能夠穩定上傳；同時就數據加密、節點休眠、數據本地存儲與索引問題進行進一步的優化。

1.4 應用層

應用層分為管理服務層和用戶應用層。管理服務層依托大量數據存儲和云計算平臺的支持，通過軟件為感知硬件與應用軟件之間的無縫連接提供大量數據的高效匯聚、存儲，并通過數據挖掘、智能數據處理計算等，為用戶應用層提供安全的實時遠程管理和智能服務。用戶應用層是面向用戶的智能控制端，通過友好的人機交互界面為用戶提供簡單方便的遠程管理和智能服務。

2 系統架構設計

2.1 功能設計

當專用車輛在車站內作業時，通過攝像頭實時采集車輛的車牌信息，該信息作為認定當前引導車輛的唯一標識，當識別完成后司機可使用小程序或跟隨停車場內的引導系統前往指定的車位，小程序上可為用戶展示前往車位的路線信息，外部硬件設施上可借助多機位攝像頭捕捉車牌信息，實現一對一的導航定位與引導服務。

如圖2所示是本文設計系統的流程。首先進行系統初始化，如果成功，等待車輛信號輸入，識別到有車來到時，指引模塊啟動，將根據車輛的當前位置計算出距商場入口處的最近路線，并由底層LED模塊電路在車輛前方依次點亮，以此示意車主跟隨提示燈行進至附近最適合的車位。實現智能指引車輛至最優目的地的效果。

圖2 系統流程

2.2 各功能實現流程

2.2.1 車輛識別系統

本文通過架設在車站內的攝像頭，利用車牌識別技術，使用LPR算法將記錄到的車牌信息上傳至數據庫，為系統提供數據基礎的同時方便車輛管理，記錄停車時長、車輛當前位置等信息。圖3所示是某車牌識別結果。

圖3 車牌識別結果示意圖

2.2.2 用戶借助引導系統抵達停車位

車輛進入高鐵車站內后，系統自動判斷站內車位的使用情況，在站內空車位緊張時自動開啟車輛自助引導系統；根據攝像頭與車位檢測模塊兩點間對應的火車站內路線圖，結合當前車站各類車輛的行駛和停靠情況，匹配出距離當前車輛最近的空余車位，規劃出最優路線；并在APP上進行語音引導，提示“車輛XXX歡迎您，系統為您自動分配最佳車位，請您跟隨站內指引燈前往”，以便提示司機知曉本系統的運行狀況，為司機提供更好的停車體驗。

2.2.3 隨車指引模塊系統

指引系統通過將大量的LED電路部署在站內車輛行進路線上，根據站內攝像頭識別到車輛當前位置信息，并計算出車輛實時位置；然后控制接入層與匯聚交換層產生的數據，操作單片機點亮車輛行進前方的LED電路，以供司機判斷直行或路口處左右轉向，實現隨車指引效果。如圖4所示是以某停車場為例的車輛指引系統示意圖。

圖4 車輛引導系統示意圖

隨車指引系統在運行過程中，通過干路上的多機位攝像頭，實時判斷車輛運動軌跡并跟蹤，更準確地識別到車輛的運動，實時有效提醒車輛運動路線，并及時更新前方路線的LED燈狀態。同時，實時提取畫面中的車牌信息，對車輛行駛路線與規劃路線進行匹配，判斷車輛是否跟隨所展示路線，如有路線變化，更新接入層LED電路進行實時點亮提醒。

本系統依托微信小程序，可以為司機提供路線選擇和設定的操作。司機通過當前駕駛車輛的車牌號，可獲取當前車輛的位置，并可以自主設定前往的目的地，程序根據當前設定可以給出若干個路線規劃的方案，司機可以根據需要合理選擇路線，進而實現設定路線的車輛引導。

2.2.4 車位檢測模塊

車位檢測由紅外線檢測模塊和路由器模塊兩部分組成，負責將檢測到的當前車位空余狀態信息上報系統。路由器模塊由CC3200核心電路、晶振電路、按鍵電路、串口電路組成，電源電路用作穩壓器，為CC3200提供所需要的電壓；按鍵電路用于測試系統組網和復位，通過CC3200實現WiFi連接和數據上傳的功能，以供系統判斷車位使用，從而實現系統閉環。核心原理如圖5所示。

圖5 CC3200原理

2.3 系統軟件結構設計

2.3.1 車輛運動檢測

視頻檢測是一種結合視頻圖像和模式識別的技術。利用視頻及現代通信等技術，通過安裝在停車場的攝像機采集停車位的視頻圖像，再運用數字圖像處理、模式識別等技術對視頻圖像進行處理，最后識別停車位的占用信息，從而為后續的信息加工、信息引導提供實時的停車信息。其缺點是投資高、模式識別技術要求高、實現復雜且識別率存在一定誤差。本文以樹莓派機器視覺為主，配合底層硬件電路，作為智能引導實時動態檢測解決方案。

在進行固定模式下的視頻檢測系統中，拍攝背景通常是變化較少的固定場景，因此從靜止的背景中提取移動的前景，通過多個高斯模型的加權和混合在一起來模擬新的背景特性。Back ground subtraction記錄此時背景特征后[9]，出現在畫面的車輛信息就能通過標出的具體場景圖像在不符合背景模型的部分中被檢測出來。具體提取算法原理如圖6所示。

圖6 動態視頻識別原理示意圖

2.3.2 背景分割

背景差分法是面對移動運動對象目標檢測的關鍵方法，將當前每一幀圖像與事先存儲運算獲取的背景圖像相減，計算出與背景偏離超過一定閾值的區域作為運動區域[10-12]。本項目使用該算法能夠優化移動物體的實時檢測和提取，采用背景差分法計算后的結果能夠直接包含目標的位置、大小、形狀等信息，具體流程如圖7所示。該方法能夠提供關于運動目標區域的完整描述[10-12]，背景差分法是實現運動目標實時檢測和提取的首選方法，特別是對于攝像機靜止的情況。

圖7 運用背景差分法提取目標框架

背景獲取算法通常要求在場景中存在運動目標的情況下獲取背景圖像，更新過程使背景能夠適應場景的各種變化和干擾，如外界光線的改變、背景中對象的擾動和固定對象的移動、陰影的影響等。

一種典型的背景建模方法是用混合高斯模型描述背景圖像像素值的分布，目標檢測過程中判斷圖像的當前像素值是否符合該分布，若符合，則被判為前景點，否則判定為背景點。同時根據新獲取的圖像，對背景圖像參數進行自適應更新。該方法能夠可靠處理光照變化、背景混亂運動的干擾以及長時間的場景變化等。在此基礎上，對背景、靜止目標和運動目標三者采取不同的更新策略，以減弱背景更新過程中運動目標對背景的影響。

本項目使用根據車輛特征更新的GMG算法，其中結合了靜態背景圖像估計和每個像素的貝葉斯分割，與該像素值歷史信息（包括前幾幀的像素值和像素點是前景還是背景）進行判斷比較，如果像素值之間的差別在指定閾值內，則認為新像素值與該歷史信息是匹配的，稱為潛在的背景點；所有歷史信息比較完畢后，如果與歷史信息匹配的次數超過了設定閾值，則新像素點被歸為潛在背景點；如果被匹配的歷史信息點中屬于背景的點個數超過設定閾值，那么新的像素點就被歸為背景點。這是一種自適應的估計，新觀察到的對象比舊的對象具有更高的權重，從而對光照變化產生適應。一些形態學操作如開運算、閉運算等被用來除去不需要的噪音。在前幾幀圖像中會得到一個黑色窗口。背景差分法實現的關鍵是背景模型的獲取和更新。

2.3.3 閾值化

為了得到更好的圖像，在前景分割后需要進行圖像閾值化，按照灰度級對像素集合進行劃分。背景和前景之間的類間方差越大，說明構成圖像的兩部分的差別越大，將部分前景錯分為背景或部分背景錯分為前景都會導致兩部分差別變小。因此，使類間方差最大的分割意味著錯分概率最小。噪聲會在一定程度上影響閾值T的選擇，當原始圖像含有噪聲時，可以在閾值處理前將圖像進行平滑處理，消除噪聲的影響。處理那些位于或接近物體和背景間邊緣的像素時，可以通過邊緣改進的閾值處理方法來分離灰度級，使得前景和后景灰度差更大。背景照明高度不均勻時，需要進行閾值處理的難度就會增大。為了解決這個問題，運用局部統計的可變閾值處理算法進行解決。

Otsu’s方法的最佳方案是選擇閾值k和最大類間方差σ2(k)進行定義。由公式（1）可知，設置的方差越大，則完全分割一幅圖像的閾值就會越接近。公式中的k就是所要尋找的最佳閾值，當k不唯一時，則將所有的最佳閾值取平均值即可[13]。

當加入高斯噪聲圖像時，所顯示的直方圖并不能使用閾值處理進行分割，所以經過Otsu’s全局閾值處理操作后發現，原始圖像和噪聲并不能分離開。當使用平滑濾波器進行圖像改善之后，最后的效果圖顯示圖像與噪聲被分割開來，因此可以使用Otsu’s全局閾值處理對圖像進行操作。

2.3.4 小程序功能設計

用戶端能夠通過小程序查看停車場內當前停車狀況、現余車位統計和指引系統提示次數信息，也可對停車場指引系統進行控制。在界面最頂端，通過選擇手動、自動和關閉選項，能夠對指引系統進行控制和切換。本文所設計的小程序界面如圖8所示。

圖8 管理端停車場系統

通過點擊上方的按鈕，控制停車場內指引系統進行工作，當停車狀況良好時，系統可手動開啟指引。當剩余空位較少且復雜時，為避免系統過飽和出現異常可根據情況關閉指引系統。當處于自動狀態時，可根據當前車場整體停車情況和當前時間，自動識別指引系統。

3 實驗結果及分析

本文的實驗數據來源于攝像頭拍攝到的停車場固定場景視頻序列圖像，其中所用的背景差分法是將當前每一幀圖像與事先存儲或實時獲取的背景圖像相減，將計算出的與背景偏離超過一定閾值的區域作為運動區域。此處為了分析車輛檢測效果，對比了基本全局算法和Otsu’s方法。由圖9可發現，在混合高斯模型中不同噪聲會影響閾值的選擇，當噪聲不能夠在源頭減少時，在閾值處理之前可以對圖像進行平滑處理，這樣可以更好地進行閾值處理，最后從實驗結果中判斷檢測的穩定性、收斂性和精準性。

圖9 MATLAB算法測試

通過圖10的實驗結果不難看出，在實地的車輛運動檢測測試中，采用背景差分法的提取效果表現為在目標區域連通性較好，但由于算法的速度和識別效果對于運動物體速度有一定的要求和限定，并且提純背景圖像和計算前景圖像需要花費一定的時間，因此本文在檢測速度和識別效果方面進行了優化，可用于動態背景下運動目標的檢測。運動速度快或體積較大情況下得到的目標輪廓可能會存在噪點較大或沿著目標運動方向延伸的問題。

圖10 實地測試效果

當然，由于攝像頭的固定場景取景有限，面對不同體積大小的車輛特征，對于前景提取的運動檢測，在效果上有一定的差異，例如過大的體積變化會使計算圖像效果比實際車輛識別值偏小。目前的研究方向是針對此現象提出基于神經網絡模型的前景優化，以面對不同車輛特征實現進一步識別。

4 結 語

本項目針對火車站內專用車輛停車及引導困難等問題，提出一種基于機器視覺的指引系統的設計解決方案。通過前景提取到運動狀態，反饋至硬件電路，以便LED模塊提醒客戶車輛行駛路線；最后對于整體系統進行調試和試用，經過實地測試和驗證，系統在穩定性和實時性方面能夠滿足需求。