Page 32 - 网络电信2021年4月刊下
P. 32
光 通 信
泊车自动导航。 车位。通过计算电梯口最近节点至出入口节点的最短距离，采
2.3.2 基于视觉分析的车辆位置定位 用权值计算方法选择最佳泊车位置 ［16－17］ 。
当摄像头有效获取LED灯的条纹图像后，会智能查找UID－ 详细步骤如下:
坐标映射表，搜寻该LED灯对应的坐标信息，进而实现泊车自动 （1）以车辆实际位置L为原点，以半径为45m展开闲置车
导航。当摄像头仅获取一个LED灯的条纹图像时，那么可通过简 位搜寻，无结果，则继续以45m为叠加半径继续搜寻，直至搜寻
单的查询UID对应坐标信息便可实现泊车定位导航，定位的精度 到闲置车位，将闲置车位集合记为A，各闲置车位记为Ai，其中
受LED灯具之间的距离影响。一般情况下，摄像头可获取2个及2 i∈［0，n－1］，n表示搜寻到的闲置车位节点数量。
个以上的LED灯具条纹图像，仅提取最先获取的2个LED灯具条纹 （2）对路径集合T 及其对应的最短路径权值D2(i)实施初
图像的UID对应坐标信息，并采用视觉分析算法获取精准定位。 始化处理。
基于视觉分析算法的定位原理如下: （3）选择从L 出发的最短路径终点Am，并将其加入集合T
设定车辆当前所处位置的物理坐标为（M，N），2个LED灯 中，其中Am={minD2(i)|Ai∈A－T} 。
具的物理坐标分别为（M1，N1）、（M2，N2），两个LED 灯具 （4）对L到Am之间最短路径权值进行更新，使D2(i)=min{
之间的距离大小为L1。摄像头获取到的2 个LED灯具的条纹图像 D2(i)，D(i，m)} 。
处于像素平面中，将图像的左下角视为像素的坐标原点，用表 （5）重复步骤（2）、（3）直至集合T包含全部闲置车位
示图像的中心像素坐标( Mmin，Nmin ) 表示。两个LED 灯具的 集合A。
条纹中心点的像素坐标分别用（M1f，N1f）、（M2f，N2f）表 （6）对最短路径集合M 及其对应的最短路径权值D3(i) 实
示，两个LED灯具的条纹中心点的像素距离用L2表示。不同的车 施初始化处理，其中D3(i)=D3(0，i) ，i∈［0，n－1］。
辆位置物理坐标（M，N）下，智能手机获取的LED条纹图像中心 （7）同步骤(5) ，直至结合T1涵盖集合M 中全部节点。
点像素坐标（M1f，N1f）、（M2f，N2f）不一致，因此可得出 （8）算出闲置车位集合A 中全部闲置车位节点的最终权
以下几何关系: 重，那么min{D1(i)+D2(i)+D3(i)，D1(i)=0}所对应的闲置车
位A(n)即为最佳泊车位置，D(n)对应路径便为车辆实际位置到
依据公式（1）计算获取车辆当前定位坐标（M，N）为: A(n) 最优路径。
3 实验结果与分析
为验证设计的停车场泊车自动导航系统性能，以某市商
业区附近的大型室内地下停车场为实验场地测试系统性能。
该大型地下停车场占地面积总计13.72万平方米，共计泊车位
2785个，实验场地的可见光定位LED灯具与地面间的竖向距离为
3.0m，LED灯具间的水平距离为2.2m。本系统的摄像头用于接收
可见光定位信号，通过本系统定位导航模块软件实现车辆定位
以及泊车自动导航。实验用LED灯具以及摄像头的硬件参数情况
2.3.3 基于Dijkstra算法的泊车导航 如表1所示。
3.1 定位性能验证
表 1 LED 灯具以及智能手机的硬件参数
经典Dijkstra算法是一种简单有效且应用范围较为广泛的
寻求最短路径的算法，采用该算法寻求最优路径时会将全部节
点分成两组，分别为已明确和未明确的最短路径节点。并将未
明确节点遵循路径长度由小到大的顺序添加至已明确的最短路
径节点中，直至全部节点都在一组中。由此可知当节点数量较
多时，经典Dijkstra 算法的弊端在于计算量较大，算法运行效 为验证本文设计系统的车辆位置定位的准确性，在实验
率较低。 场地选取15个检测点，采用本系统的定位算法对检测点实施定
综合考虑车主步行距离、步行时间以及车主驾驶时间等 位，统计各位检测点的定位误差，结果如表2所示。
心理因素的影响发现，车辆实际位置与车位之间的距离，即步 分析表2数据可知，经15次车辆定位实验，定位误差数值最
行距离和时间是影响泊车信息的最重要因素。为此针对经典 大仅为0.19m，最小定位误差为0.03m，实验结果表明，本文系
Dijkstra算法的效率低下的问题，对其实施简化改进。方法如 统可将车辆定位误差控制在0.20m范围内，可有效满足车辆定位
下: 将车辆实际位置视为中心，将搜索车位的半径控制在45m以 需求。
内，若未发现闲置车位，再将搜索半径扩大45m直至搜寻到闲置 3.2 频率检测精度测试
50 网络电信 二零二一年四月
