基于深度学习的智能停车场车位查询系统

苏立敏 陈吉东 莫月柳

（1.广东石油化工学院 广东省茂名市 525000 2.广州工商学院 广东省广州市 510850）

1 关于智能停车场的概述

本文中研究的智能停车场车位查询系统实际上是一套通过借助停车场监控画面获取车位详细信息的智能系统[1]。一般情况下，系统由以下两个部分共同组成。

一部分是对停车位监控视频进行处理，在视频画面URL地址的帮助下，利用RTSP协议对视频数据实现有效传送，借助YOLO目标检测算法以及与停车信息相关的算法，对停车进行计算，比如空余车位情况、已用车位停车时间以及车牌信息等。

而另外一部分是将停车场内与车位有关的信息资料有效上传至终端设备，把本地计算机当做服务器使用，依据传输过来的车辆信息，将车辆信息保存到计算机的指定路径处，借助Web开发平台让Flask发挥功能对保存路径进行设置同时在终端生成URL地址，最后利用微信公众平台实现对小程度的开发利用，在根据URL地址，实现对停车场车辆信息的实时查看。

2 深度学习YOLO目标检测算法

车位查询系统中对模型进行检测的主干网络为残差网络(Res Net)[2]。图1中左侧方框内容为主干网络模型，不难发现它是由53层卷积层和21层残差层构成的，即Darknet-53，将其与YOLOv2算法中19层卷积层的主干网络作比较，该模型所具备的层次更先进，并且还运用了残差结构，很大程度上加强了模型提取对图像特征的水平，在一定程度上避免了梯度极易消失的状况。通过多尺度预测法的应用，具体内容见图1中右侧方框中的内容，分别对选定的尺度各异的特征图上进行特征提取工作，达到YOLO检测算法输入的要求。对Anchor Box展开设计工作时，为了能够获取到最后的长宽比同样也采用了聚类得方法。通过聚类以后，获得9个聚类中心，把所有的聚类中心均匀的划分到三种不同的尺度上，每中尺度都预测出3个检测框。除此之外，还应对不同尺度积极引入一些卷积层从而达到特征提取的目的，随后再输出关于检测框的数据信息。尺度1在经过卷积相应作用后，直接得到与检测框相关的后期信息。在尺度2方面，当该检测框接收到输出信号后，它便会针对尺度1中输出的卷积执行上采样操作，随后再跟卷积2的特征图进行叠加，叠加后再借助卷积层的作用把检测框信息输送出去。尺度2中检测框的整体尺寸要比尺度1放大两倍。并且尺度3也随之变化而变化，同样比尺度2扩大了两倍，但是其输入大小还是跟尺度2上采样获取到的特征图规格大小一样，再加上原有特征图的大小重新让卷积层对其进行作用，输送出最后检测框的信息。本结构与FPN结构相类似。

图1：改进之后的网络结构

在分类器上，在多标签分类方面不使用YOLOv2中的的Soft max，其主要是因为Soft max对所有检测框进行分类划分的时候，它只分配分数最大那个类别，它最后会传输出来一个概率分布，其中在概率分布值中最高值便会被当做该检测框的类别。如果当前目标有重复的类别标签，在对多标签分类问题进行解决时不适合应用Soft max。实际上，一个Soft max能够使用几个Logistic分类器进行替换，并且准确度不会被因此而降低。原有的Soft max分类器运用binary cross-entropy loss（二次交叉熵）分类器进行替换[3]。

正如图1展示的那样，YOLO目标检测算法通过优化与完善后，较之Faster R-CNN检测算法，改进升级之后的目标算法在检测效果方面表现出更佳，而且小尺度检测水平也得到了进一步的提升。

3 停车场车位查询算法

3.1 车位检测

检测模型系统对停车场监控视频画面执行检测后，再对检测取得的数据进行分析判断在指定类别物体坐标位置上是否处于提前设定好的阈值范围内，进而分析出车位处于何种状态[4]。为了确保超出该摄像头监控范围的其它车位上停放的车辆不会遭到错误判定，应该参照多个监控设备摄录下的视频资料，对其它监控设备下的停车位执行检测过程中的阈值进行相应设置。

3.2 车牌识别算法设计

车牌是车位查询系统在检测中筛选出来的属于licence plate一类的物体。基于摄像头只对前排停车位进行检测的限制，倘若前排的车位处于闲置状态，这是该摄像头就会对其后排超出它拍摄界限的车位上的车辆车牌执行检测操作。因此，在此过程中应该除过前排那些不在停车位界限内的车牌号码，参照图2中所设置的阈值，将图中左侧车辆定为1号车，中间位置的车辆定位2号车，则右侧停放的车就为3号车，并且将中心点坐标y<387的车牌进行去除。行成列表licence plate=[]用来对筛选出来的车辆停放具体位置的相应数据信息进行储存。

图2：阈值设定

用for循环遍历列表licence plate，依据车牌中心坐标的x值来确定出此车牌的车辆具体停在停车场的哪个具体位置：

如果中心坐标x值介于800与990之间，那么可判定该车辆停在图2中1号车的位置上；如果中心坐标x值处于520与740之间，那么可以推断出该车辆停放在图2中2号车位的位置；如果中心坐标x值是230与270之间的任何一个值，那么可以确定该车辆是停在3号车位上的。

随后将筛选出来的所有车牌一一进行识别，这里涉及到的环节有3个：矫正倾斜车牌，分割车牌字符以及识别。其中矫正车牌为确保后续环节的准确度奠定基础。矫正存在倾斜现象的车牌具体操作是：先将已经检测出来的车牌进行灰度化处理，利用Ran don变换计算方法，对车牌展开各个方位的投影，借助投影操作取得的倾斜度实行正确校对。除此之外，还能够借助垂直投影法以及常用的聚类连通域法对选取出来的车牌边框与车牌上的字符实行准确分割。一般来说，经过矫正处理完成的车牌边框，在它的上边框以及下边框上还会剩下部分边框，这时我们可以使用黑白跳变统计法及行像素值距离不变法对此车牌边框残留部分进行清理。而针对边框左右多出的部分，可以在保证分割精准度的前提下同样进行分割。首先，可以利用计算水平已结合差对其进行分图操作，计算公式可用：

再对一阶差分图中数列进行平均值计算：

通过对列的差分值、平均值进行比较，得到与要求相符的列，之后再借助符合要求的列查询到与最大差分相一致的左右列。倘若得到的左右列结果显示是和，就需要利用缩小误差的公式：

最后可以对左右边界进行最后的计算：

以图2中2号停车位为例，将待检测的车牌进行上述操作处理后，最后看到的结果与如图3所示一样。

图3：经过处理后的车牌

首先对车牌的边框整体执行精准分割操作，之后再对车牌上的阻隔字符进行准确无误的分割，利用二值化方法对其处理得出最后结果，白色部分为车牌上的字符，黑色部分则为字符的背景，此过程中所运用的分割方法为垂直投影法。

3.3 车位查询系统的准确性

从停车场的所有监控视频中随机选取100张时间随机的监控画面截图，同时人为对监控下的车位状态进行手动标记。把这些截图全部录入车位查询系统，然后将得出的结果与之前人工标记的信息进行比较，进而取得车位状态判定的准确率。在设备终端输出检验结果，发现准确率为100%。

4 结语

总而言之，在国内停车场管理混乱以及私家车数目不断增加的背景下，本文对智能停车场车位查询系统进行分析是很有必要的。该系统能够有效地增强停车场的利用效率，解决城市交通运输压力，对于停车场实行更加精确的停车计时计费方式，降低因为收费误差给车主带去不好的停车体验有重要意义，很值得将该系统大力推广出去。