刘派 廖寿敏 张丽 张兴 袁龙 杨世军

摘 要：为解决城市交通中存在的停车难问题，本研究提出基于计算机视觉和机器学习软件库（OpenCV）的地面停车诱导系统，以某露天停车场为例，开展实地测试，分析设备的拍摄角度、拍摄高度和级联分类器个数对设备识别效果的影响。试验结果表明，设备的拍摄角度为0°、拍摄高度为10 m、级联分类器个数为6个，设备的识别效果最为理想;设备对除黑色车型的识别率（0.77）较低外，对其他颜色车型的识别率均在0.85以上，其中对白色车辆的识别率最高（0.92），车辆颜色与停车场地面颜色色差越大时，设备识别率越高。

关键词：交通工程;停车诱导系统;计算机视觉;车辆检测;移动通信

中图分类号：U491    文献标识码：A   文章编号：1006-8023（2021）03-0119-07

Abstract：In order to solve the parking difficult problems of urban traffic， this study proposed a ground parking guidance system based on computer vision and machine learning library （OpenCV）. Taking an open parking lot as an example， field tests were carried out to analyze the effects of the shooting angle， shoot height and the number of cascade classifiers on the recognition effect of equipment. The test results showed that the best recognition effect was achieved when the shooting angle of the device was 0 degrees， the shooting height was 10m and the number of cascading classifiers was 6. Except for the low recognition rate （0.77） of black car， the recognition rate of other color cars was above 0.85， and the recognition rate for white car was the highest （0.92）. The greater the color difference between the vehicle color and the parking lot ground color， the higher the device recognition rate.

Keywords：Traffic engineering; parking guidance system; computer vision; vehicle detection; mobile communication

0 引言

國民经济水平提高使得汽车保有量随之提高，但停车场的建设速度与汽车保有量的增长速度无法匹配，由此导致“停车难”等问题[1]。“车多车位少”的现象愈演愈烈的同时，车位难寻的问题也不容忽视。驾驶人无法准确获知停车场内车位利用情况，难以快速地找到空闲车位，车辆在停车场内盲目行驶导致拥堵，以及排队缴费浪费时间等[2]。这造成了路外公共停车场利用率低下，驾驶人更倾向于将车辆停放于路内停车场。车辆停放过程中对动态交通产生干扰的同时，易出现车辆追尾、剐蹭等安全事故[3-4]。停车诱导目前存在诸如安装于路侧的LED停车诱导屏安装难度较大，建设成本偏高;同时驾驶员在注视诱导屏的过程中，视觉分心会产生安全隐患[5]。

国内外针对停车位检测技术有了相对丰富的研究。林渊博等[6]运用地磁传感器对停车位进行数据采集;陈锦生等[7]提出了基于导航平台的智能交通停车诱导系统设计。桑博[8]提出了将“互联网+”与传统停车场系统相结合的新型停车诱导系统，并通过实地实验对技术进行应用。上述技术的实施主要存在以下几点问题[9]。

（1）硬件成本高、维护成本大导致经济可行性低。

（2）泊位信息较粗略，实时性和精确度较低。

（3）用户信息获取困难，不支持线上服务。

为了解决现有常用停车诱导系统存在的主要问题，本研究提出基于计算机视觉和机器学习软件库[10-11]（OpenCV）的交通管理应用场景视频信息处理方法，并将其应用于地面停车诱导系统。利用OpenCV将“高位摄像头”与“手机APP”紧密结合，通过“实时监控—数据传输—后端处理—用户手机APP”的技术流程，形成了“高位摄像头—图像识别处理—手机APP”的一体化停车诱导系统。

1 系统设计思路

基于OpenCV的地面停车诱导系统技术能通过在地面停车场安装高位摄像头，对整个地面停车场进行实时监控，将采集的视频数据、车位情况通过系统后端进行处理、存储和实时传输到用户手机当中，为用户提供实时的车位信息。能够实现在较少的建设投入条件下，为驾驶人提供实时、准确的停车场泊位信息，方便驾驶人高效停车。系统研究与应用主要设计控制流程如下（图1）。

（1）车位使用情况采集：利用主动标定方法，尽量借助已有的建筑物或照明、交通标志等高杆架设高点摄像设备，对地面停车场进行监控，实时采集停车场视频图像。

（2）停车场视频图像的集成与处理：将视频图像导入OpenCV数据库并进行处理，并导出手机服务端可识别的类型数据。

（3）最优停车位推荐方案：采用位置分配与最短路径原理，向驾驶人推荐最佳停车位，以及最佳停车诱导路线。

（4）系统使用说明：通过手机APP开发，实现远程查询停车位信息（车位占用及空闲情况）并进行停车位预约。

2 停车诱导系统研究

2.1 停车场高点视频信息采集

基于OpenCV的车辆检测技术是指利用高点摄像头拍摄视频并对该视频信息做出相应处理从而进行车辆检测的技术。摄像头的安放高度决定了检测区域范围的大小。与近距摄像头相比，高点摄像头的检测区域范围更广，构成更复杂，内部空间尺度变化更大。高点视频能够从较为广阔的视角对停车场内停车位占用及空闲情况进行监测，最终获得较为宏观的停车位占用及空闲信息。

本研究中摄像装置采用的是焦距为16 mm，清晰度为720 p的高清摄像头，可观测30～50 m，安装高度到5 m时可监测中小型停车场（约20个车位），安装高度到10 m时可监测大型停车场（约50个车位），安装到30 m以上则可以实现高点视频监测。视频通过4G信号或者WIFI传输到服务器，视频格式为MP4、AVI等。采用的网路带宽需要保证可以进行实时的视频传输，采用的摄像头清晰度和安装高度需要和信息处理相适应，得到更有利于数据处理的视频数据。停车视频识别效果如图2所示。

2.2 停车场车位占用状态信息处理

视频处理使用Linux服务器实现，本研究采用的Linux版本为centOS6.9。在服务器内部，使用Tomcat进行视频信息的接收和处理后数据的发送，使用MySQL作为数据库，进行数据的存储，使用Python调用OpenCV库进行视频处理程序的实现[12]。具体信息处理流程步骤如下（图3）。

Step1 网络摄像头输入信号：摄像头实时拍摄传输720 p的视频数据，通过网络传输（HTTP/POST协议）到云服务器。

Step2 服务器接收数据：服务器中有Tomcat服务器，通过JavaWeb相关技术（Servlet等），实现视频信号的接收。

Step3 服务器处理：服务器接收到视频信号（字节流的形式），服务器内的图像识别程序（python+OpenCV）对视频信号进行处理，识别视频中每一帧图像中的车辆，实现车辆检测，得到的数据存到服务器的硬盘和数据库中，等待取用。

Step4 图像识别：将接收的视频拆分成为图片，根据已有的XML模板文件，采用级联分类器的方法，对每一张图片进行模式匹配，识别对应的车辆，输出图片中车辆的位置坐标、车辆数目、识别后进行标记的图片。然后处理下一张图片。

Step5 服务器发送数据：服务器中有Tomcat服务器，通过JavaWeb相关技术（Servlet等），处理来自手机APP发送的请求，实现图片和其他数据的发送。

Step6 手机APP显示：向服务器发送请求，服务器响应请求，每个用户获得实时的停车诱导信息。

本研究使用的是Tomcat8.5.31，使用Tomcat[13-14]的Servlet实现数据的接收和发送，视频片段存储在服务器的硬盘中，处理后的数据通过HTTP/GET的方式发送给前端手机APP。利用Cascade级联分类器[15-16]训练车辆检测，得到XML格式的模型，用此模型对视频信息进行模式匹配（Python+OpenCV实现的程序段），从而确定视频中停车位处是否停放車辆。在训练过程中，为了达到更高的识别率，需要做到以下几点。

（1）负样本集与正样本集完全无关。

（2）制作正样本集时，保留车辆的边缘轮廓。

（3）样本量尽可能大。

（4）视频清晰度[17]应当适宜（约720 p较为合适），清晰度过高会保留过多细节容易导致误识别，清晰度过低会导致无法识别。

（5）根据摄像头安装位置不同，应该使用对应高度的样本训练出的模型。

3 案例分析

选取东北林业大学成栋楼前露天停车场开展试验研究。该停车场为黑色沥青路面，现有停车泊位24个，车位使用率较高，进出停车场的车流量较大。

3.1 方案可行性分析

利用摄像头采集停车场车位信息，将OpenCV引入停车诱导系统中用以判别车位占用情况，实现停车诱导，需具备良好的试验条件。

（1）OpenCV用C++语言编写，具有C++、Python、Java和MATLAB接口，并支持Windows、Linux、Android和MacOS。Open CV主要倾向于实时视觉应用，并在可用时利用MMX和SSE指令，如今也提供对于C#、Ch、Ruby、GO的支持。可与本研究中开发出的手机APP配置使用。

（2）在识别算法授权方面，OpenCV是基于BSD许可发行的跨平台计算机视觉和机器学习软件库。没有授权费用，可在计算机系统上分发使用。

（3）在停车诱导系统中只需要判断停车场泊位情况，不需要了解车牌、车主身份等信息，对识别精度的要求相对较低。本研究所选取的试验停车场标线清晰、干扰物少，车位利用率较高，可借助路灯杆架设实验摄像头，采集实验所需信息方便，可很好地开展试验。

3.2 识别效果影响因素分析

摄像头的拍摄角度、拍摄高度、程序中级联分类器个数以及地面与车辆颜色差别程度均会影响识别率。本研究采用清晰度为720 p的高清摄像头进行试验。

ω=nN。 （1）

式中：ω为车辆识别率;n为视频中被识别车辆总数;N为视频中车辆总数。

3.2.1 拍摄角度对识别率的影响

摄像头拍摄安放位置如图4所示。其中1为用于安装摄像头的高杆，2为摄像头，3为停车位中的汽车，4为停车位，H为摄像头安装高度，θ为高杆和地面的交点与停车位前方中点连线与停车位中轴线之前的夹角，并以右为正，以左为负。分类器数量取6，安装高度为10 m，分析拍摄角度为-70°～70°，拍摄角度间隔取为10°时，各间隔实验5次，每次实验时长为30 min。拍摄角度对识别率实验影响如图5所示。

3.2.2 调试级联分类器数量对识别率的影响

取安装角度为0°，设备安装高度为10  m，各分类器数量实验5次，每次试验时长为30 min。结合图6（a）与表2可以得出：分类器数量取5或6时，设备具有较高的识别率，识别率均值分别为0.96与0.95，但分类器数量取6时，设备识别的稳定率更高，识别率方差为0.02，略低于分类器为5的情况（0.08）。

3.2.3 设备高度对识别率的影响

分类器数量取6，安装角度为0°，各安装高度实验5次，每次实验时长为30 min。结合图6（b）与表3可以得出：安装高度取10 m时，设备具有较高的识别率，识别率均值为0.96，且设备识别的稳定率较高，识别率标准差为0.08。

3.2.4 识别效果分析

选取安装角度为0°，分类器数量为6个，设备高度为10 m，对不同颜色车辆的识别率情况进行统计，得到结果见表4。对白色车辆的识别率最高，为0.92，对黑色车辆的识别率最低，仅为0.77;对其他色系的车辆具有较高的识别率，均在0.85以上。黑色车与停车场地面的色差最小，识别效果较差，白色车与地面色差最大，识别效果最好，设备的总体识别效果良好。

3.3 停车诱导的实现

驾驶人打开手机中的“停车诱导系统”APP即可查看停车场的泊位情况，APP界面如图7所示。其中，停车位显示红色表示已被占用，白色表示未被占用。

驾驶人通过APP“搜索”窗口，输入目的地，点击搜索，下端即可呈现目的地附近的停车场。再选择目标停车场即可查看停车场内泊位使用情况，输入停车场名称即可导航前去该停车场，从而实现停车诱导功能。

4 结论

本研究提出基于计算机视觉和机器学习软件库（OpenCV）的交通管理应用场景视频信息处理方法，并将其应用于地面停车诱导系统。所构建的地面停车诱导系统是利用高点摄像头将采集的视频信息通过网络传输数据到服务器，服务器使用基于OpenCV的图像处理系统，利用Cascade级联分类器训练车辆检测，得到XML格式的模型，使用OpenCV的模式匹配进行图像的识别，从而实现实时准确的识别图片中的汽车，处理实时传输过来的视频信息，处理后的信息通过手机APP反馈给用户，使用户能够实时了解车位占用情况，并为其提供最快的停车解决方案。

通过试验分析不同的拍摄角度、级联分类器个数、拍摄高度对识别率的影响，发现设备安装角度为0°、分类器数量为6个、拍摄高度为10 m时，设备的识别率和稳定性最优。在该条件下，设备对除黑色车型的识别率为（0.77）较低外，对其他颜色车型的识别率均在0.85以上，其中白色车辆的识别率最高（0.92）。车辆与停车场地面的颜色色差越大，设备识别效果越好。

本研究提出的“基于OpenCV车辆检测的地面停车诱导系统”具有覆盖范围广、成本低、安装简便和便捷高效等优点，有较好的市场推广应用价值。

【参 考 文 献】

[1]张文会，孙舒蕊，于秋影，等.考虑供需平衡的路内停车布局研究[J].森林工程，2020，36（2）：91-96.

ZHANG W H， SUN S R， YU Q Y， et al. Study on the layout of in-road parking considering the balance between supply and demand[J]. Forest Engineering， 2020， 36（2）： 91-96.

[2]罗梓铭，马飞虎.基于手机应用的智能停车诱导和缴费系统设计[J].计算机时代，2017，35（7）：17-20.

LUO Z M， MA F H. Design of intelligent parking guidance and payment system based on mobile phone application[J]. Computer Era， 2017， 35（7）： 17-20.

[3]NISSAN A， NTRIANKOS I， ELIASSON J， et al. Impacts of on-street parking fees in suburbs[J]. International Journal of Transportation Engineering and Technology， 2020， 6（3）： 75.

[4]陈大地，覃薇，莫新强.高速公路服务区智能停车诱导系统建设方案[J].西部交通科技，2020，15（6）：141-142+153.

CHEN D D， QIN W， MO X Q. Highway service area intelligent parking induction system construction program[J]. Western Transportation Technology， 2020， 15（6）： 141-142+153.

[5]TIVESTEN E， DOZZA M. Driving context and visual-manual phone tasks influence glance behavior in naturalistic driving[J]. Transportation Research Part F： Traffic Psychology and Behaviour， 2014， 26： 258-272.

[6]林淵博，姚剑敏，林伟.基于地磁传感器的停车位检测算法研究[J].电气开关，2019，57（4）：42-44.

LIN Y B， YAO J M， LIN W. Study on parking space detection algorithms based on geomagnetic sensors[J]. Electrical Switches， 2019， 57 （4）： 42-44.

[7]陳锦生，靳丽丽，应夏晖，等.基于导航平台的智能交通停车诱导系统设计——以衡阳为例[J].科技视界，2019，9（32）：127-129.

CHEN J S H， JIN L L， YING X H， et al. Intelligent traffic parking induction system design based on navigation platform - take Hengyang as an example[J]. Technology Vision， 2019， 9（32）： 127-129.

[8]桑博.“互联网+”模式下城市智慧停车诱导系统设计研究[J].山西电子技术，2020，48（4）：85-87.

SANG B. “Research on the design of urban intelligent parking induction system in the mode of Internet plus”[J]. Shanxi Electronics Technology， 2020， 48（4）： 85-87.

[9]李博，何鹏举，颜靖艺，等.基于物联网的停车场内停车诱导系统[J].电子设计工程，2019，27（9）：26-30.

LI B， HE P J， YAN J Y， et al. Internet of things-based parking induction system in parking[J]. Electronic Design Engineering， 2019， 27（9）： 26-30.

[10]崔亚平，沙丽荣.基于OpenCV的建筑设备巡检机器人定位精度检测算法[J].自动化与仪器仪表，2020，40（12）：10-13.

CUI Y P， SHA L R. Detection algorithm of positioning accuracy of inspection robot for building equipment based on OpenCV[J]. Automation & Instrumentation， 2020， 40（12）： 10-13.

[11]李士尧，鲁元博，裴玉龙.道路交通流参数无人机调查与识别方法研究[J].森林工程，2018，34（5）：72-77.

LI S Y， LU Y B， PEI Y L. Research on investigation and recognition method of road traffic flow parameters based on UAV full text replacement[J]. Forest Engineering， 2018， 34（5）： 72-77.

[12]周倩，王军，王亮亮.基于OpenCV轮廓逼近的Android简单图形识别[J].福建电脑，2016，32（2）：122-123.

ZHOU Q， WANG J， WANG L L. Android simple graphics recognition based on OpenCV contour approaching[J]. Fu Jian Computer， 2016， 32 （2）： 122-123.

[13]SHAW T B， YORK A， BARTH M， et al. Towards optimising MRI characterisation of tissue （TOMCAT） dataset including all longitudinal automatic segmentation of hippocampal subfields （LASHiS） data[J]. Data in Brief， 2020， 32：106043.

[14]CUNNINGHAM G， WRIGHT D， NNADI C. Smartphone application technique for localising magnetically controlled growth rod actuators： the Oxford Magnetic Counter App Technique （TOMCAT）[J]. European Spine Journal， 2020， 29（8）： 2025-2028.

[15]周宏宇，宋旭，刘国英.Haar特征耦合级联分类器的车道线检测算法[J].计算机工程与设计，2020，41（6）：1719-1724.

ZHOU H Y， SONG X， LIU G Y. Lane detection algorithm based on Haar feature based coupled cascade classifer[J]. Computer Engineering and Design， 2020， 41（6）： 1719-1724.

[16]TANG G L， LIU Z J， XIONG J. Distinctive image features from illumination and scale invariant keypoints[J]. Multimedia Tools and Applications， 2019， 78（16）： 23415-23442.

[17]NIE L Q， LIU M， SONG X M. Multimodal Learning toward Micro-Video Understanding[M]. San Rafael： Morgan & Claypool Publishers， 2019.