摘要：隨著城市社會(huì)經(jīng)濟(jì)的迅猛發(fā)展，我國(guó)私人汽車(chē)保有量逐年提高，停車(chē)位的供給已無(wú)法滿足人們的需求。為解決當(dāng)前小城市及欠發(fā)達(dá)地區(qū)停車(chē)場(chǎng)空余車(chē)位信息無(wú)法獲取這一問(wèn)題，本系統(tǒng)采用無(wú)人機(jī)飛行器搭載傾斜攝影技術(shù)來(lái)捕獲停車(chē)相關(guān)信息，基于PaddleDetection的圖像目標(biāo)識(shí)別算法建立FairMOT模型，最后借助多終端服務(wù)系統(tǒng)發(fā)布實(shí)時(shí)數(shù)據(jù)，實(shí)現(xiàn)空余車(chē)位識(shí)別，提高車(chē)位識(shí)別精確率和出行效率。

關(guān)鍵詞：智能交通車(chē)位識(shí)別物聯(lián)網(wǎng)圖像目標(biāo)識(shí)別算法

中圖分類(lèi)號(hào)：TP391.41

ParkingSpaceRecognitionSystemBasedonImageObjectRecognitionAlgorithm

MAXiao1*CHENRui1MAYuchen1YANGJingzhe1

ZHAODonghui2

1.LiaoningTechnicalUniversity，F(xiàn)uxin，LiaoningProvince，123000China;2.ChengdeMedicalUniversity，Chengde，HebeiProvince，067000China

Abstract：Withtherapiddevelopmentofurbansocialeconomy，thenumberofprivatecarsinChinahasincreasedyearbyyear，andthesupplyofparkingspaceshasbeenunabletomeetpeople'sneeds.Inordertosolvetheproblemthatavailableparkingspaceinformationcannotbeobtainedinsmallcitiesandunderdevelopedareas，thissystemusestiltphotographytechnologycarriedbyunmannedaerialvehicle（UAV）tocaptureparkingrelatedinformation，andestablishesFairMOTmodelbasedonImageObjectRecognitionAlgorithmofPaddleDetection.Finally，itachivesavailableparkingspacerecognitionbyissuingreal-timedatawithmulti-terminalservicesystemtoimprovetheaccuracyofparkingspacerecognitionandtravelefficiency.

KeyWords：Intelligenttransportation;Parkingspacerecognition;InternetofThings;ImageObjectRecognitionAlgorithm

近年來(lái)我國(guó)私有汽車(chē)保有量迅速增長(zhǎng)，2022年全國(guó)機(jī)動(dòng)車(chē)保有量達(dá)到4.17億輛，其中汽車(chē)3.19億輛[1]。而停車(chē)設(shè)施建設(shè)遠(yuǎn)遠(yuǎn)趕不上汽車(chē)保有量的擴(kuò)大，停車(chē)位供給配比嚴(yán)重失衡。目前大中型城市或發(fā)達(dá)地區(qū)普遍通過(guò)路側(cè)可變信息板發(fā)布停車(chē)誘導(dǎo)信息或定制停車(chē)App來(lái)解決停車(chē)場(chǎng)空余車(chē)位的實(shí)時(shí)查詢(xún)和指引問(wèn)題。但小城市以及社區(qū)停車(chē)場(chǎng)空余車(chē)位信息無(wú)法獲取的問(wèn)題依然存在。

為解決由于信息捕獲不及時(shí)、不準(zhǔn)確造成的交通擁堵問(wèn)題，近年來(lái)出現(xiàn)了專(zhuān)家、學(xué)者進(jìn)行了許多研究。例如：以停車(chē)位標(biāo)志為研究對(duì)象，借助SIFT經(jīng)典算法應(yīng)用到道路環(huán)境路標(biāo)識(shí)別來(lái)緩解“停車(chē)難、停車(chē)亂”的問(wèn)題[2-3]；基于GeoHash和HDBSCAN的共享單車(chē)停車(chē)擁擠區(qū)域識(shí)別技術(shù)，通過(guò)對(duì)共享單車(chē)做出數(shù)據(jù)處理，采用聚類(lèi)算法以及“留存流量與留存密度的綜合指標(biāo)”規(guī)劃識(shí)別停車(chē)區(qū)域[4]；為解決高速公路服務(wù)區(qū)停車(chē)位問(wèn)題，建立AI視覺(jué)的車(chē)位識(shí)別技術(shù)路線緩解了交通高峰期停車(chē)壓力問(wèn)題[5]；針對(duì)路內(nèi)路外停車(chē)的多源數(shù)據(jù)融合的城市區(qū)域時(shí)變停車(chē)需求識(shí)別[6]等技術(shù)。

為提高路側(cè)停車(chē)設(shè)施的利用效率、使信息透明化，本停車(chē)管理系統(tǒng)通過(guò)建立數(shù)據(jù)采集層、分析層以及發(fā)布層，采用無(wú)人機(jī)攝影等信息識(shí)別檢測(cè)機(jī)動(dòng)車(chē)是否停放，運(yùn)用數(shù)據(jù)挖掘技術(shù)分類(lèi)和預(yù)測(cè)、聚類(lèi)分析、時(shí)間序列分析等將數(shù)據(jù)整合利用，最后發(fā)布到終端供駕駛?cè)藛T使用。借此達(dá)到解決小型城市或欠發(fā)達(dá)地區(qū)停車(chē)場(chǎng)空余車(chē)位信息無(wú)法獲取的問(wèn)題的目的。

1技術(shù)實(shí)現(xiàn)

1.1數(shù)據(jù)采集層技術(shù)實(shí)現(xiàn)

本系統(tǒng)采用無(wú)人機(jī)的傾斜攝影技術(shù)自動(dòng)化、高效率、高精度地構(gòu)建地表要素三維模型。搭建無(wú)人機(jī)和傾斜相機(jī)的組合裝置，通過(guò)無(wú)人機(jī)航飛采集數(shù)據(jù)，實(shí)現(xiàn)建模及應(yīng)用。

1.2數(shù)據(jù)分析層技術(shù)實(shí)現(xiàn)

1.2.1算法模型選擇

本系統(tǒng)根據(jù)目標(biāo)識(shí)別算法功能性要求——檢測(cè)器性能（Detectorperformance）和跟蹤策略（Trackingstrategy）了解到，F(xiàn)airMOT基本采用的是檢測(cè)+跟蹤的思路，通過(guò)centernet進(jìn)行目標(biāo)檢測(cè)，deepsort進(jìn)行目標(biāo)跟蹤；避免了anchor-based類(lèi)的檢測(cè)算法會(huì)導(dǎo)致anchor和Re-ID特征對(duì)不齊的問(wèn)題；并且融合深層和淺層的特征，使得目標(biāo)檢測(cè)和Re-ID任務(wù)都能獲取到需要的特征。由此，本系統(tǒng)中使用了FairMOT模型進(jìn)行車(chē)輛跟蹤。

1.2.2算法模型訓(xùn)練

訓(xùn)練過(guò)程采用centernet和deepsort端到端的訓(xùn)練方式，降低了訓(xùn)練難度，提高了模型的綜合性、高效性。從原始數(shù)據(jù)到最終輸出結(jié)果過(guò)程中，避免了中間步驟或手動(dòng)特征工程。centernet部分采用高斯圖來(lái)表示目標(biāo)，速度較快。通過(guò)高斯分布覆蓋，目標(biāo)中心點(diǎn)的值得到增大。

1.2.3算法模型測(cè)試

檢測(cè)每一幀輸入圖像，初始化跟蹤器，根據(jù)特征距離和馬氏距離計(jì)算矩陣，匈牙利匹配，處理匹配和未匹配的檢測(cè)器和跟蹤器等。測(cè)試部分代碼如下：

iflen（dets）>0：

'''Detections'''

detections=[STrack（STrack.tlbr_to_tlwh（tlbrs[：4]），tlbrs[4]，f，30）for

（tlbrs，f）inzip（dets[：，：5]，id_feature）]#將特征保存在每一個(gè)跟蹤目標(biāo)中

dists=matching.embedding_distance（strack_pool，detections）#計(jì)算跟蹤框和檢測(cè)框的特征余弦距離矩陣

#dists=matching.gate_cost_matrix（self.kalman_filter，dists，strack_pool，detections）

dists=matching.fuse_motion（self.kalman_filter，dists，strack_pool，detections）#計(jì)算馬氏距離矩陣

1.3終端發(fā)布層技術(shù)實(shí)現(xiàn)

采用云計(jì)算服務(wù)將停車(chē)場(chǎng)位置、價(jià)格等情況進(jìn)行多終端、多類(lèi)型的發(fā)布。支持PC/IOS/Andorid等各類(lèi)終端。信息受眾包括行業(yè)管理人員和車(chē)輛駕駛員等，起到行業(yè)管理人員能夠快速評(píng)估停車(chē)服務(wù)水平，駕駛?cè)藛T能夠?qū)崟r(shí)感知停車(chē)狀況，從而提升交通管理水平和服務(wù)滿意度，進(jìn)而減輕道路交通阻塞的作用。

2系統(tǒng)驗(yàn)證與應(yīng)用

2.1系統(tǒng)功能特點(diǎn)分析

對(duì)車(chē)輛進(jìn)行實(shí)時(shí)跟蹤是智能停車(chē)系統(tǒng)的基本思想。本系統(tǒng)具有跟蹤目標(biāo)小、低難度訓(xùn)練、較高的模型泛化能力這三大特點(diǎn)。

2.1.1跟蹤目標(biāo)小

高空俯拍場(chǎng)景中，對(duì)小目標(biāo)大尺幅場(chǎng)景準(zhǔn)確性要求較高。本系統(tǒng)借助無(wú)人機(jī)飛行器搭載傾斜相機(jī)、FairMOT和Deep-sort組合使用解決了跟蹤小目標(biāo)物體、跟蹤目標(biāo)不夠準(zhǔn)確的難點(diǎn)。

2.1.2低難度訓(xùn)練

對(duì)目標(biāo)進(jìn)行大量具體的數(shù)據(jù)采集工作，通過(guò)在檢測(cè)部分采用端與端的訓(xùn)練方式，降低了訓(xùn)練難度，使系統(tǒng)能夠得到較好的落實(shí)。

2.1.3較高的模型泛化能力

能更好地適應(yīng)不同數(shù)據(jù)集，避免過(guò)擬合和欠擬合現(xiàn)象。

2.2系統(tǒng)功能實(shí)現(xiàn)

分為兩方進(jìn)入該系統(tǒng)，一方是駕駛車(chē)輛的車(chē)主，另一方是停車(chē)場(chǎng)車(chē)輛管理人員?？赏ㄟ^(guò)在遼寧省阜新市遼寧工程技術(shù)大學(xué)文軒樓登錄該系統(tǒng)后，搜索目的地，自動(dòng)顯示出目的地周?chē)耐＼?chē)實(shí)況，藍(lán)色車(chē)場(chǎng)標(biāo)志代表有空余車(chē)位，紅色車(chē)場(chǎng)標(biāo)志代表無(wú)空余車(chē)位。另外，停車(chē)場(chǎng)管理人員登錄該系統(tǒng)后，可進(jìn)行認(rèn)證，填寫(xiě)個(gè)人基本信息；上傳停車(chē)場(chǎng)的照片、營(yíng)業(yè)執(zhí)照；點(diǎn)擊提交進(jìn)行人臉識(shí)別比對(duì)，經(jīng)平臺(tái)審核后確認(rèn)上傳該停車(chē)場(chǎng)信息。

3結(jié)語(yǔ)

為解決小城市及欠發(fā)達(dá)地區(qū)解決了停車(chē)場(chǎng)空余車(chē)位信息無(wú)法獲取的問(wèn)題，本智能停車(chē)管理系統(tǒng)基于圖像目標(biāo)識(shí)別算法建立FairMOT的模型，借助無(wú)人機(jī)搭載傾斜攝影技術(shù)將采集的數(shù)據(jù)進(jìn)行端與端的訓(xùn)練；大大降低了訓(xùn)練難度，有助于提高模型檢測(cè)和跟蹤部分的一體化性能；最后進(jìn)行終端發(fā)布實(shí)現(xiàn)了系統(tǒng)的整體化。綜上所述，本系統(tǒng)在一定意義上解決了“停車(chē)難、停車(chē)亂”的問(wèn)題。通過(guò)把停車(chē)場(chǎng)的使用情況信息用簡(jiǎn)單明了的方式向駕駛員傳遞，減少停車(chē)等待和迂回行駛，避免時(shí)間浪費(fèi)，提高停車(chē)場(chǎng)的高效性與智能性。

參考文獻(xiàn)

[1]張楚，鄭逸飛，陳峻.基于人車(chē)協(xié)同識(shí)別的智慧停車(chē)監(jiān)管服務(wù)應(yīng)用[J].現(xiàn)代交通技術(shù)，2023，20（6）：51-55.

[2]蔡俊，趙超，沈曉波，等.基于SIFT算法和PyQt的停車(chē)位標(biāo)志識(shí)別系統(tǒng)[J].湖北大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，44（1）：1-7.

[3]王啟露.城市中心區(qū)公共停車(chē)問(wèn)題的系統(tǒng)化解決方案[J].智能城市，2023，9（10）：27-29.

[4]基于GeoHash和HDBSCAN的共享單車(chē)停車(chē)擁擠區(qū)域識(shí)別[J].廈門(mén)大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，61（6）：1030-1037.

[5]顧思思，王淼，于加晴.基于MobileNet的車(chē)位占用識(shí)別及智能停車(chē)引導(dǎo)策略研究[J].公路交通科技，2022，39（9）：149-154.

[6]昝雨堯，王翔，俄文娟，等.多源數(shù)據(jù)融合的城市區(qū)域時(shí)變停車(chē)需求識(shí)別方法[J].交通運(yùn)輸工程與信息學(xué)報(bào)，2022，20（2）：82-94.