基于NB-IOT的城市道路停车管理系统

叶竞成 钱其沛 李逸辰

摘要：我国的停车管理系统目前已初具规模，但在道路停车方面却缺乏一套系统化的管理方案，致使我国道路停车呈现停车难、停车乱、收费散漫的情况。针对当今城市道路停车强安全、易操作、高效率的要求，文中介绍了基于NB-IOT的城市道路停车管理系统。该系统结合NB-IOT低功耗通信、图像处理技术和云端数据平台，为有效管理城市道路停车提供了可能。

关键词：NB-IOT;道路停车;停车系统

中图分类号：TP227 文献标识码：A 文章编号：1007-9416（2019）10-0130-02

0 引言

目前，城市停车难已成为常态痛点。据国家统计局数据显示，2018年在全国范围内的民用汽车保有量达到23231.19万辆，比上年末增长11.12%，其中私人汽车保有量20574.93万辆，增长11.13%。[1]虽然国际通行的车与车位的比例为1：1.2，然而中国大多数城市的汽车保有率只有国外的三分之一[2]。

基于以上现状，我国开始大力发展智能停车管理系统。然而，近阶段不断投入使用的停车管理系统只适用于地下停车场、露天停车场等地，对于城市道路兩侧停车却没有一个切实可行、有效的方案。为解决上述问题，本文研发了一款城市道路停车管理系统。在此系统中，为降低成本，取代传统地磁系统，采用摄像头动态提取车牌信息;针对GPRS信号在停车场信号弱，车位获取存在盲点等问题，通过利用NB-IOT技术来获取实时车位信息;最后通过通信企业的物联网平台渠道将车位信息汇聚在云平台，形成各路边停车场的实时停车信息，使道理管理方可以在不进行停杆的情况下掌握车辆的停车情况。

1 系统总体框架

基于NB-IOT的城市道路停车管理系统可以分为三部分：第一部分为以STM32单片机为主的硬件模块。通过STM32单片机的BC28物联网集成模块的nb-iot模块及北斗GPS模块，通过电信云（华为云）进行了在线的profile开发，利用MQTT协议同阿里云搭建交互平台作为程序的云服务器;第二部分为智能摄像技术为核心的图像识别模块，采用python编译的图像识别技术，对图像进行采集、预处理之后，通过车牌定位、字符分割、字符识别等技术，最终输出车牌号[3];第三部分利用HTML5+CSS+Java等组合方式编写了微信小程序。系统框图如图1所示。

此系统主要采用在路口设置检测器对车牌进行识别，记录时间后通过对比来确定最终的停车时间，从而完成无需停车，智能的获取所有车辆的停车信息。

2 硬件模块

2.1 窄带物联网

NB-IoT是华为在2014年提出的窄带技术，又被称为窄带物联网（Narrow Band-Internet of Things）技术，也被称为低功耗广域网（LPWAN）。该技术被广泛运用于世界各地，具有覆盖广、连接多、速率快、成本低、功耗低、架构优等特点[4]。该技术可采取的带内、保护带及独立载波3种部署方式，与现有网络共存，推动全球移动通信网络或LTE网络的部署连接，促进平滑升级目标的顺利实现。由于车位在道路两旁部署，要求具有较大的并发量以及较低的功耗与成本，以适用于车位信息的实时获取，因此系统采用NB-IoT作为系统通信模块[5-6]。

2.2 GPS模块

GPS模块主要作用在于可以为车辆检测器提供远程的定位信息，从而确定每个车辆检测器获取到信息的地理位置，以此确定车辆在城市中的哪条道路上停车。

本系统采用的是SIRF三代芯片组的GPS模块，其主要特点在于总体灵敏度较高，缩短了定位时间，同时也帮助系统快速的进入了定位状态。

3 图像识别模块

3.1 车牌图像预处理

为了对车辆图像的预处理，必须将车辆图像提取出来，而后进行灰度化和去噪，这样可以提高图像质量。由于噪声是随机出现的，故而要保留车牌的纹理和颜色信息，并适当加强。最后再去除可能影响牌照区域纹理和颜色的噪点，加快图像的处理速度[7]。

在处理车牌图像平滑化的过程中，我们主要采用邻域平均法，利用图像点（x，y）及其若干像素的灰度平均值来代替点（x，y）的灰度值。微分法则是车牌图像锐化的主要处理方法。要用微分法处理图像锐化，就要使用梯度算子[8]。在这里我们使用计算量小、对细节反应敏感的Roberts边缘检测算子，这是一种利用局部差分提供边缘候选点的算子，可以给出较细边缘。用如下卷积模板表示：

3.2 车牌的矫正

由于车辆的动态行驶以及拍摄角度的不确定，截取的车牌图像常常出现倾斜。为解决这种情况，可以运用运用Radon积分变换计算车牌的倾斜角度，从断层扫描的剖面图重建出投影前的函数，以获得高质量的车牌图像，沿θ方向的Radon变换定义如下[9]：

3.3 车牌图像的识别

车牌图像的字符识别有很多方法，如模板匹配法、神经网络方法、模式识别等。对车牌图像上的字符识别，本文采用BP神经网络的方法。对于车牌字符，因为1和I、0和O是一样的，所以数字加字母一共34类，其中每类有200个样本图像，共34*200个训练样本。最终我们设计一个3层的神经网络，输入层有48个结点，隐藏层也为48个结点，输出层为34个结点。经过一定次数的迭代，可以获得较好结果。

4 结语

本文分三个部分对整个停车系统进行了全面的描述。第一部分对系统的整体框架进行了介绍，主要包括数据层，用户层，通信层和感知层，第二部分对车辆检测器中的主要硬件进行介绍，最后则是作中介绍了图像识别模块的主要技术及功能。

参考文献

[1] 国家统计局.中华人民共和国2017年国民经济和社会发展统计公报[R].2017.

[2] 徐敬海，杨燕，邓民宪，等.基于GIS的地震灾情速报与快速判定[J].自然灾害学报，2010，19（04）：141-146.

[3] 梁英波，张利红.基于多尺度数学形态学梯度的图像检测[J].周口师范学院学报，2012，29（5）：60-62.

[4] 戴博，袁弋，余媛芳.窄带物联网NB-IoT标准与关键技术[M].北京：人民邮电出版社，2016.

[5] 张建国.中国移动NB-IoT部署策略研究[J].移动通信，2017，41（1）：25-30.

[6] WANG Y P E，LIN X Q，ADHIKARY A，et al.A primer on 3GPP narrowband Internet of Things（NB-IoT）[J].IEEE Communications Magazine，2017，55（3）：117-123.

[7] 赵金帅，丁新慧，李雪霞.一种用于去除图像椒盐噪声的滤波算法[J].周口师范学院学报，2011，28（5）：85-87.

[8] 谢凤英.数字图像处理及应用[M].北京：电子工业出版社，2014.

[9] 黎洪龙.基于图像处理技术的车牌识别方法研究[J].科技与创新，2017（19）：65-66.