基于Mesh 网络和深度学习的城市智慧停车

刘文鹍，李迪，解晓凡

（南京智骋致想电子科技有限公司，江苏南京 210000）

这些年我国城市建设高速发展，在提高城市居民生活质量的同时，也带来了不少新问题。比如城市里的停车问题，以及随之而来的一系列停车管理问题。如何改进现有的技术与管理方式，提高管理效率并节约成本，一直是一大热点话题。文中系统通过引入物联网，并辅以人工智能等技术，使停车管理系统更加智能化，更加低成本。同时无人工干预、车辆进出时无需取卡和读卡的操作方式，缩短了车辆在停车场进出口及道路上的滞留时间。各停车场的数据信息对于城市管理部门而言，还可以进一步完善城市车辆综合管理大数据，提高城市公共资源运行效率[1-2]。

1 系统设计思路

1.1 系统组成

文中系统的核心是利用Mesh 网络来连接停车场内不同的终端监测设备，并通过设备内的摄像头模块抓拍现场照片，之后，照片用于识别车辆的停放。这样可以减少人工干预，提高工作效率。虽然高清图像在车位和车牌识别方面有着至关重要的作用，但是高成本的设备及有限的无线网络带宽，不适合在现场采集和传输高分辨率的照片。相比较而言，低分辨率照片的优势在于不过多的占用无线网络资源，且设备价格便宜适于大批量部署。初始照片可通过深度学习技术在后台将低分辨率的图片还原成超分辨率图片用于实际的检测。

1.2 组网原理

Mesh 网络又叫多跳（Multi-hop）网络，是无线网络的一种，由众多的节点组成，这些节点通过无线方式连接到彼此，在同一个网络内相邻近的节点可以相互转发数据。每个网络中有一个网关，用于与外部网络相连接[3]，如图1 所示。Mesh 网络无中心化的设计，使得网络中即使有部分节点发生故障，却不影响整个网络的运行，同时可以节约现场的布线成本。目前，市面上有Zigbee、Lora、蓝牙、Theard和Z-ware等多种基于不同频段的成熟解决方案。

图1 Mesh网络连接图

无线信号在传输的过程中都会产生衰落。停车场环境一般比较空旷，且属于地面视距传播，场内设备架设杆的高度又远高于所停车辆的高度，可以认为其传播环境类似于理想的自由空间传播。式（1）为自由空间传播模型。式（1）中，L是损耗因子，λ是无线信号波长，Gt和Gr分别是发射端天线增益和接收端天线增益。路径损耗PL为发射功率Pt与接收功率Pr之间的比值如式（2）所示，其中信号的频率fc=c/λ，c为光速，d和fc的单位分别为km 与MHz[4-5]。

除此之外，设备之间还存在信号的反射路径（通过车顶或是地面）和一些信号干扰。但是停车场内设备位置固定不会移动，传输路径相对稳定，影响信号强度的主要因素还是节点间的距离。

文中系统部署思路是在网络中优先选择可覆盖流量最大、实际覆盖半径最小的节点，作为网络中的关键节点。不断更新网络中所有节点的剩余带宽和已部署节点的最小跳数，再统计关键节点的最短路径与节点可覆盖需求，反复调整直至最佳[6]。

1.3 图像重建

在图片识别过程中引入深度学习算法来实现图像的超分辨率重建。深度学习是机器学习领域中的一个研究方向，它的出现进一步推动了人工智能（AI）的发展。

以往传统方法是从图像表层特征进行推测，通过插值算法扩大图片尺寸和分辨率，这种方法在提高PSNR值（Peak Singnal-to-Noise Ratil，峰值信噪比）上效果显著。但重建之后的图片与真正的高清图片相比，还是有些“失真”。

式（3）中，MSE（Mean Square Error）表示当前图像和参考图像的均方误差，n为每像素的比特数，一般的灰度图像取8，即像素灰阶数为256。PSNR的单位是db，数值越大越好。

文中采用基于GAN（Generative Adversarial Network 生成对抗网络）的超分辨率重建方法，通过大规模的GPU 训练，不仅可以得到一个更高的PSNR结果，同时重建之后的图像也与真实物体更接近。模型训练流程如下：先降低原始高清图片集合a 的分辨率，生成新图片集合b，构成训练集；然后，建立生成器与判别器组成的二级深度学习模型；通过生成器将图片b 超分辨率重建为图片c，同时结合a 和c 训练判别器进行重建损失判定；通过生成器与判别器的交替迭代训练，使网络模型逐步提升超分辨率重建性能；通过PSNR等方法比较图片a 与图片c，验证超分辨率重建的效果。反复执行直到得到满意结果[7]。

在图像重建过程中，加载训练好的模型权重，输入一个尺寸f×f大小的低质量图片，然后进行n层卷积运算生成超分辨率图像。在处理阶段，根据提取的图像特征通过特征信道之间的相互依赖性来自适应地调整信道特征，以达到恢复更多细节的目的[8]，再按照信道的前后顺序以及卷积核的大小，对每个特征值在输出图片上的位置进行重新排列，得到最终超分辨率图片，如图2 所示。

图2 超分辨率图像重建

在实际应用中，将现场上传的图片进行超分辨率图片重建后，再进行下一步的车辆和车牌识别工作，具体流程如图3 所示。

图3 超分辨率图片处理流程

1.4 系统工作流程

现场终端设备按时抓拍照片并上传后台。图片分包后的数据通过Mesh 网络依次发送到网关，再通过网关连接到外网（主要为光纤网络、4/5G 网络）向下一层传输。当原始的低分辨率照片上传至后台以后，进行图像超分辨率重建，处理后的图片用于车辆和车牌的识别。后台通过这些照片判断停车位上是否有车，针对车辆的识别采用边缘检测算法及Hough 直线检测算法，依据分割好的车位，通过检测来确定车辆的停放[9]。

2 系统测试

测试设备主要由网络节点、摄像头模块、单片机开发板和后台图片处理部分组成，其中摄像头模块和单片机开发板构成下位机部分，上位机为后台图片处理部分。为了便于完成测试，多采用已有的硬件设备来完成测试平台的搭建。结构连接如图4所示。

图4 硬件结构连接

目前市面上广泛使用的组网方案有Zigbee 和Lora。测试中选作网络节点的是基于TI CC2530芯片的Zigbee 模块，工作频段2.4 GHz，该频段免费且模块自带相应的组网协议，较容易实现组网功能[10]。综合文中1.2 节组网原理中的内容以及一些现场经验，测试时网络中的关键节点铺设间距在50 m 以内，除此之外，还部署了一定数量的备用节点来增加网络冗余，提高网络的鲁棒性。模块背部自带电池盒，可以使用7 号电池供电，方便现场部署。后续产品可以考虑使用太阳能来为网络节点供电，这样既方便又环保。

摄像头模块采用RS232 接口与单片机开发板相连接。考虑到照片过大会导致数据分包过多，影响传输效率甚至造成网络阻塞。所以，摄像头模块抓拍的照片是规格在640×480 像素（30 万像素）的低分辨率照片，大约30～40 K。现在一般停车再加上下车时间大约需要3～8 分钟，且很多停车场采用每15 分钟做一次计费统计，再综合考虑无线网络的传输带宽，上传照片的时间间隔定为每5 分钟一次。

测试中控制部分采用单片机的开发板基于STM32F103VET6 芯片，该芯片内核采用ARM Cortex-M3 架构，性能较强。由于图片处理部分都放在了后台，下位机只负责控制节点和摄像头模块。在后续实际的产品中，下位机设备可采用性能较低、价格更便宜的芯片。

后台部分由PC端和NVIDIA的Jetson TX2嵌入式平台组成，用以实现图片的超分辨重建和车辆的识别。PC 端基于Caffe 框架进行模型训练与性能测试，再通过训练好的模型进行图片的还原。将之前经过一系列处理得到的图片发送给TX2 嵌入式平台，再使用Yolo V2 检测算法对图片进行检测，得到车辆的轮廓信息[11]。通过实验，现场检测效果如图5 所示。

3 未来展望

文中系统今后还需进一步完善，增加车牌识别和手机APP 等功能。

车牌识别功能会在后台判断有车辆停放后，进一步识别所停位置车辆的车牌号码并开始收费计时[12-13]，在车辆离开时统计停车时间，作为停车的收费依据。

图5 车辆识别效果图

系统配合相应的手机APP 和客户端软件后，可以做到停车场无人值守、手机端车辆图片实时查看、手机端自动扣费、辅助找车等功能。在提高效率的同时也大大地降低了停车场的运营成本。只需少量的工作人员，就可以同时覆盖多个不相连接的停车区域，屏幕前的观测人员加上在外巡视人员作为辅助并处理突发事件。同时对于区域内垃圾乱放和违法占用消防应急车道，也可以通过后台系统对现场照片的识别发出预警，再通过巡视人员做出及时处理[14-15]。

除此之外，还可以通过ETC 与停车业务的深度融合，实现智慧停车+ETC 支付的业务整合。目前，随着全国范围内各大银行大力推广车载ETC 设备，ETC 系统已成为车辆独一无二的电子标签。现场设备通过增加相应的ETC 识别模块，可以准确识别区域范围内的车辆，并现场完成扣费工作。同时，停车场的数据信息可与其他平台相对接，完善城市车辆大数据的综合管理[16]。

4 结束语

文中系统的智慧停车应用基于Mesh 网络，通过融合物联网、人工智能和大数据等当下热点技术，集高效监控、低成本运营和精细化管理于一体。今后终端设备配合太阳能供电以及微环境监测传感器，可以广泛地应用于智慧城市等新兴项目中，与未来智慧城市的发展方向一致。