降低车位占用告警误报率的策略与方法研究

魏慧玲，相 伟

（青岛艾瑞信息科技有限公司，山东 青岛 266100）

0 引言

随着车辆保有量的增加，停车成为城市中的一大难题。当前，新型社区和工业园区在建设立项时，对车位配比也做了明确要求，但是仍然难以满足全部的停车要求，乱停车现象难以避免。一些高端社区为提升业务停车体验，针对乱停车现象进行针对性的治理，对于停放到他人专用车位的车辆进行声光电等提示，必要时人工干预，要求其驶离车位。

相比较于地磁传感器、超声波雷达等监测机制[1-3]，基于车位相机的车位占用告警系统，不但能监测车位是否有车，并且能根据图像信息，进一步识别是否是非法占用，获取车型、车色、乘车人员等信息，及时跟进处理。

基于车位相机的车位占用告警系统，可以及时发现并处理车位占用事件，并提供自动化的处理方式。车位占用告警系统通常需要在停车场加装车位相机，识别停放车辆车牌等信息，并根据车辆与车位的归属关系，判断该车辆是否停放到正确位置。如果发现车辆与车位不匹配，现场自动发出语音、灯光提示告警，并通过软件后台及时通知物业或者停车场管理人员，到现场进行干预，减少由于车位占用导致的纠纷，提升业主停车体验。

图1 车位占用告警系统Fig.1 Parking space occupation warning system

在实际运行过程中，由于车牌号码识别误差，会产生一定的误报几率，这不仅会导致工作人员的无效工作增加，还会影响业主的体验，导致业主投诉。为了减少误报，可以提高相机的硬件性能来提高识别率，但这会进一步导致硬件成本增加。基于此，本文提出了通过软件算法减小误报率的策略和方法，取得了较好的效果。

1 总体方案

车位占用告警系统通常由车位相机及管理后台构成，管理后台负责维护车位及车牌的绑定关系，接收车位相机上报的车辆驶入事件，根据绑定关系判断是否授权车辆，对于非授权车辆则需要提示告警，并控制现场车位相机设备通过语音及灯光，提醒驾驶人员正在占用他人车位。车位相机主要是用来检测停车位上有无泊车以及车辆的车牌信息，并能根据外部指令显示不同的灯光颜色，指示是否有车及车辆是否授权停放，部分车位相机也可以接收外部指令进行语音播报。

车位及车辆的绑定关系由工作人员录入，当业主购买、租借车位时，工作人员在管理后台录入车位使用人员信息，并登记业主车辆信息。业主所属的车辆与车位建立绑定关系，授权业主车辆在车位停放，此时业主任一车辆停放到任意业主车位均不需要提示告警。业主还可以预约访客，授权访客车辆在指定的时间段内停放到所属车位，则在预约时间段内访客车辆停放到业主车位也不会提示车位占用告警。其他车辆停放到业主车位，或者业主车辆停放到其他业主车位，则提示告警。

图2 车位占用告警过滤Fig.2 Parking space occupation alarm filtering

车辆驶入车位时，车位相机分析视频流并提取到车牌号码信息，上报车辆驶入事件到管理后台。管理后台判断车牌号码是否为授权停放车辆，如果是则忽略车辆驶入事件；否则生成车位占用告警记录提示工作人员，并下发指令控制现场灯光打开，或者语音提示驾驶员占用他人车位需要尽快离开。当车辆驶离时，车位相机上报车辆驶离事件到管理后台，管理后台关闭告警状态，并下发指令控制现场灯光关闭，告警事件结束。

由于车辆停放位置、光线强度、相机安装角度、车牌遮挡或者变形等问题，车牌号码的识别分析存在一定的误差，导致授权车辆被识别为其他号码从而产生错误告警提示。要消除这种误差，可以提高车位相机的分辨率并且提高硬件分析能力来提高车牌号码识别的准确率，以此降低识别误差导致的错误告警比率，但是跟随硬件能力的提高而来的是成本的增加。

在某些特定的情况下，由于车牌号码拍摄不完整，比如部分车牌号码被遮挡，或者由于角度问题车牌的上沿被遮挡导致车牌号码无法完整拍摄提取，此时无法通过提高识别率的方式来降低误报。本文针对提出基于软件算法的告警过滤方式，在不增加硬件成本的前提下通过软件算法过滤告警降低误报率的方案。

2 降低告警信息误报率的软件算法

降低错误告警比率可以有多种方式，一种是通过提高相机的分辨率及分析能力提高车牌号码识别的准确率。这能够有效降低误报率，但同时会提高系统的硬件成本。还有一种方式是修改告警算法对告警信息进行过滤，也就是当识别为未授权的车牌号码时，针对号码的特性判断是否为识别错误，如果认定为识别错误，则忽略告警事件。而由不同原因导致的不同识别错误类型可以采用不同的过滤方法，最终降低误报率。

2.1 基于莱文斯坦距离的不可预测过滤方法

导致车牌识别错误的原因有很多，常见的原因有：车位现场环境比如部分车位光线较暗，相机安装角度针对车位较大等情况，会导致车牌号码识别不准确；停放车辆前方的物体会遮挡车牌号码，导致车牌号码识别不完整；系统或者环境存在抖动时会导致一定几率的车牌识别错误，此类错误往往无法事先预测准确的识别号码，无法通过人工干预的方式避免。

实际识别的错误号码存在不确定性，但是均与正确号码相似，比如仅其中的一位存在错误。考虑到相似号码占用车位的情况在现实中较为少见，在判断车牌号码是否授权号码时并不需要车牌号码完全相同，可以计算识别出车牌号码与授权号码的相似度，如果相似度满足阈值条件，就认为两个车牌号码相同。计算车牌号码的相似度可以通过计算两个车牌号码编辑距离的方式实现，如果编辑距离小于阈值，就认为两个车牌号码相同，可以过滤掉大部分识别错误的车牌号码从而降低误报率。

编辑距离是针对两个字符串（例如英文字母或数字）的差异程度的量化量测[4-6]，量测方式是看至少需要多少次的处理才能将一个字符串变成另一个字符串。编辑距离有几种不同的定义，差异在可以对字符串进行的处理，本文使用了莱文斯坦距离和最长公共子序列两种方式计算车牌号码的相似度。

莱文斯坦距离（Levenshtein Distance），由俄罗斯科学家弗拉基米尔·莱文斯坦提出[5,6]，指两个字串之间由一个转成另一个所需的最少编辑操作次数。允许的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。如果两个车牌号码的莱文斯坦距离较小，比如小于等于2，则可以认为两个车牌号码相似。莱文斯坦距离的计算方式参考下面说明：

如果分别用|a|和|b|表示a,b两个字符串的长度，那么他们的莱文斯坦距离为leva,b(|a|, |b|)，它符合：

1(ai≠bj)是一个指示函数（indicator function），当ai=bj时，其值为0，其他时候等于1。leva,b(i,j)表示a的前i个字符与b的前j个字符之间的莱文斯坦距离（i和j都是从1 开始的下标）。

匹配车牌号码时，计算上报车牌号码与每个授权车牌号码的莱文斯坦距离，如果字符编辑距离小于阈值，则认为两个号码匹配，否则需要进一步判断是否满足其他过滤条件。

2.2 基于最长公共子序列的不可预测过滤方法

最长公共子序列（LCS）是一个在一个序列集合中（通常为两个序列）用来查找所有序列中最长子序列的问题[7,8]。一个数列，如果分别是两个或多个已知数列的子序列，且是所有符合此条件序列中最长的，则称为已知序列的最长公共子序列。如果两个车牌号码的公共子序列足够长，比如在7 位车牌号码中公共子序列长度达到5 位，则两个车牌号码相似。其计算公式如下：

设Aa 和Bb 的最长公共子序列为Zz：

1）如果Aa=Bb 则Aa=Bb=Zz，Aa-1 和Bb-1 的最长公共子序列为Zz-1。

2）如果Aa ≠Bb 并且Aa ≠Zz，Aa-1 和Bb 的最长公共子序列为Zz。

3）如果Aa ≠Bb 并且Bb ≠Zz，Aa 和Bb-1 的最长公共子序列为Zz。

根据以上3 条可以使用动态规划方式解决这个问题，设数组T[a][b]用于存储最长公共子序列的情况，则T[a][b]的计算方式如下：

匹配车牌号码时计算两个车牌号码的最长公共子序列长度，如果长度大于阈值，则认为两个号码匹配。如果小于阈值，则认为两个车牌号码不匹配。上报车牌号码匹配任一授权车牌号码时忽略告警，否则需要进一步判断是否满足其他过滤条件。

2.3 可预测识别错误的过滤方法

除了上述不确定的识别错误，还有一类由于车牌外形或者外部环境导致的识别错误。这类错误与实际的车牌号码并不相似，无法通过号码的相似度进行过滤。但是错误号码相对稳定，是可以通过历史数据进行预测的，可以人工干预对这类错误进行针对性的过滤。

车牌由于弯折或者轻微污损，比如部分车牌在撞击过后产生变形，导致无法正确识别车牌号码。在识别车牌号码时可能与实际车牌号码完全没有相关性，这就导致业主车辆停放到车位上时，车辆被识别为非业主车辆，车位上方亮灯提示，并语音提示车主停放错误，影响业主体验。在实际识别时，由于车牌的外形是稳定的，虽然号码与实际号码并不相关，但是也会表现为一组稳定的互相关联的号码。针对此类错误，初次识别时无法确认是否需要过滤，但是工作人员确认号码是业主号码识别错误后，允许手动标记为业主车辆，并记录实际车牌号码。后续再次识别到该车牌号码时，管理后台查找标记记录确认为业主车辆及实际号码，忽略告警。

为了便于寻找及管理车位，通常会在车位前方或者车位中喷涂车位号码。在提取图片进行车牌号码识别时，由于空车位反光会存在一定的几率把车位号识别为车牌号码，此时识别出的车牌号码一般会包含车位号。针对这一特点，可以对全部或者部分车位设置是否过滤车位号码。如果选择是，则在识别到占用事件时上报车牌号码包含车位号码，忽略告警。

除了车位反光，现场摆放的其他物体也有可能导致识别错误，通常会被识别为特定的一个或者一组号码。这类错误需要人工确认后单独配置过滤号码，一旦配置后则在指定的车位对于指定的号码进行告警过滤。

2.4 试验结果

综合运用上述降低车位占用告警误报率的策略和方法，如表1 所示，在白天光线充足的情况下，车位占用告警正确率为98.7%；在白天阴雨天时，由于光线不足，车位占用告警正确率为97.6%；在夜间，由于光线不足，摄像头补光不充分，车位占用告警正确率可达96.2%。配合人工干预，基本可以满足智慧社区车位占用告警的实际需求。

表1 实际应用结果Table 1 Actual application results

3 结论

本文针对车位占用告警系统中的识别错误提出了告警过滤的方法，针对环境或者系统引起的不确定错误通过计算车牌号码相似度的方式进行过滤，并通过手动确认标记的方式过滤掉由于车牌号码变形及污损、空车位反光、现场固定环境导致的识别错误，进一步提高降低错误告警比率。综合车位占用告警的正确识别率达到98%，可以满足智慧社区车位占用告警的实际需求，在实际工程应用中取得较好的效果。