李紅林

摘要： 分析了目前我國(guó)山區(qū)道路交通事故的路況影響因素及其與山區(qū)道路交通事故之間的關(guān)系。結(jié)合地區(qū)的交通發(fā)展?fàn)顩r利用全概率公式測(cè)算出各因素可能導(dǎo)致交通事故的概率及相應(yīng)的危險(xiǎn)系數(shù)；在實(shí)時(shí)勘測(cè)各因素的基礎(chǔ)上，結(jié)合樣本庫(kù)中的數(shù)據(jù)，判斷出車(chē)輛是否處于安全狀態(tài)，對(duì)于處于非安全狀態(tài)的車(chē)輛進(jìn)行車(chē)牌定位。

關(guān)鍵詞： 智能交通； 山區(qū)； 危險(xiǎn)系數(shù)； 安全狀態(tài)； 車(chē)牌定位

中圖分類(lèi)號(hào)：TP391文獻(xiàn)標(biāo)志碼:A文章編號(hào)：1006-8228（2012）03-22-03

License plate location on the mountain road based on the HSV color space

Li Honglin

（School of Compute Science and Engineering, Qujing Normal University， Qujing， Yunnan 655011, China）

Abstract： In this essay the author analyzes the relationship between the impact of China's current mountain road condition and the traffic accidents in mountain areas. Combining with the current state of development of the regions transportation, the author uses the complete probability formula to estimate the probability of all the factors that could cause traffic accidents and the corresponding danger index. Based on the real investigation of various factors of vehicles in the mountain road together with the sample library data, it can be determined timely whether a vehicle is in safe state or not. If not, its license plate may be located.

Key words： intelligent transportation； mountain road； danger index； safe state； license plate location

0 引言

智能交通系統(tǒng)（ITS，Intelligent Transportation System）是目前世界交通運(yùn)輸領(lǐng)域研究的前沿課題[1]。智能交通系統(tǒng)將先進(jìn)的信息技術(shù)、定位導(dǎo)航技術(shù)、數(shù)據(jù)通信技術(shù)、電子傳感器技術(shù)、自動(dòng)控制技術(shù)、圖像處理技術(shù)、計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)、人工智能技術(shù)、運(yùn)籌管理學(xué)等有效地綜合運(yùn)用于交通運(yùn)輸管理體系，加強(qiáng)了車(chē)輛、道路、使用者三者之間的聯(lián)系，從而可實(shí)現(xiàn)交通運(yùn)輸服務(wù)和管理的智能化。在綜合集成思想指導(dǎo)下，建立一種大范圍、全方位、實(shí)時(shí)、準(zhǔn)確、高效的綜合交通運(yùn)輸管理系統(tǒng)，是一個(gè)多學(xué)科和技術(shù)的大型綜合化系統(tǒng)工程[2-5]。隨著經(jīng)濟(jì)的發(fā)展，車(chē)輛數(shù)量急劇增大，產(chǎn)生了日益嚴(yán)重的交通問(wèn)題，如交通擁擠堵塞、交通環(huán)境惡化、交通事故頻繁等，這已成為世界各國(guó)所面臨的共同問(wèn)題[6]。

目前，研究智能交通系統(tǒng)的國(guó)家比較多，尤其是日本、美國(guó)、歐洲作為世界上經(jīng)濟(jì)發(fā)展水平較高的幾個(gè)國(guó)家，他們?cè)谥悄芙煌ǖ难芯窟\(yùn)用方面取得了巨大的成就。我國(guó)ITS的研究應(yīng)用起步較晚，但處于蓬勃上升發(fā)展的階段。像先進(jìn)的交通管理系統(tǒng)、電子收費(fèi)系統(tǒng)、車(chē)輛安全與輔助駕駛系統(tǒng)、公共交通系統(tǒng)、交通信息系統(tǒng)及緊急事件救援系統(tǒng)等都得到了不同程度的運(yùn)用。在我國(guó)，山區(qū)面積占全國(guó)總面積的2/3，山區(qū)的道路崎嶇、艱險(xiǎn)，無(wú)疑給山區(qū)乃至全國(guó)的經(jīng)濟(jì)發(fā)展帶來(lái)了阻礙。同時(shí)，面對(duì)著山區(qū)道路交通事故的多發(fā)，不僅讓人民有了心理上的恐懼，而且增加了人民的經(jīng)濟(jì)負(fù)擔(dān)。但在已有的交通管理系統(tǒng)中，大部分只適合城市道路交通，對(duì)于山區(qū)道路而言，大部分都不適合?；诖?，開(kāi)發(fā)一個(gè)適合于山區(qū)道路的智能交通系統(tǒng)勢(shì)在必行。

1 山區(qū)道路交通

道路交通事故是所有國(guó)家都面臨著的一個(gè)嚴(yán)重又難于解決的問(wèn)題，特別是在我國(guó)，山區(qū)占地較多，道路交通事故頻繁發(fā)生。

1.1 山區(qū)交通事故

在山區(qū)道路交通中常見(jiàn)道路交通事故的現(xiàn)象有碰撞、碾壓、刮擦、翻車(chē)、墜車(chē)、失火六種[7]。任何一起山區(qū)道路的交通事故，都是由多個(gè)因素共同組成的，但是，歸根結(jié)底都是由一個(gè)主要因素和其他相關(guān)因素導(dǎo)致的。事實(shí)上，大多數(shù)的時(shí)候道路交通事故的發(fā)生都是由人為的因素造成的。在眾多的交通事故中，低駕齡、無(wú)證駕駛?cè)苏厥孪鄬?duì)突出，由駕駛?cè)吮旧淼脑蛞l(fā)的交通事故是導(dǎo)致交通事故的主要因素。車(chē)輛作為交通中的主要參與者，車(chē)輛的性能不良、帶病行駛和機(jī)件失靈則是導(dǎo)致交通事故的主要原因。汽車(chē)的行駛離不開(kāi)道路，道路是交通安全系統(tǒng)中的重要因素，不同的路線、道路狀況對(duì)道路交通事故的影響比較大。在山區(qū)，基本都是混合交通，道路的等級(jí)很低，道路通常以四級(jí)以下的盤(pán)山公路為主，輔之以縣、鄉(xiāng)道和農(nóng)村機(jī)耕路。這些道路受地勢(shì)和當(dāng)?shù)亟?jīng)濟(jì)條件的影響路況普遍較差，路面基本以砂石、泥土為主道，路線大多是依山傍水，坡陡彎急，加之受地形、地貌的影響，有相當(dāng)數(shù)量的公路彎道半徑小，又受樹(shù)木及其它障礙物的遮擋，使得視線受限，而且路面窄、線形差，事故黑點(diǎn)多，安全隱患大。另外，道路建設(shè)與管理不到位交通標(biāo)志、標(biāo)線和安全設(shè)施不全或不規(guī)范也是山區(qū)道路存在的通病。當(dāng)然，天氣狀況也是影響山區(qū)道路行駛安全的因素之一。

1.2 山區(qū)道路預(yù)警系統(tǒng)

為了盡可能地減少山區(qū)道路交通事故，我們對(duì)山區(qū)道路交通安全預(yù)警系統(tǒng)進(jìn)行了研究。

構(gòu)建山區(qū)道路預(yù)警系統(tǒng)需要確定汽車(chē)當(dāng)前的運(yùn)行環(huán)境與道路交通事故類(lèi)型之間的對(duì)應(yīng)關(guān)系，從而確定出當(dāng)前車(chē)輛行駛是否處于安全狀態(tài)。前者依賴(lài)與同類(lèi)型的道路交通事故具有相似的運(yùn)行環(huán)境，后者依賴(lài)于準(zhǔn)確的分析道路交通事故產(chǎn)生的原因，根據(jù)不同類(lèi)型的道路交通事故尋求相應(yīng)的預(yù)防措施。

本文利用全概率公式測(cè)算影響道路交通事故的各因素的分布及各因素可能導(dǎo)致交通事故的概率。其一般步驟為：

⑴ 根據(jù)歷史資料，總結(jié)出引發(fā)交通事故的因素的有哪些。

⑵ 分析發(fā)生過(guò)的交通事故各有哪些因素導(dǎo)致，并統(tǒng)計(jì)各因素的所占比例。

⑶ 測(cè)算出各因素可能導(dǎo)致道路交通事故的概率。

⑷ 檢測(cè)當(dāng)前車(chē)輛運(yùn)行時(shí)的各種相關(guān)因素并和交通事故樣本空間的數(shù)據(jù)對(duì)比，綜合測(cè)算出當(dāng)前車(chē)輛行駛是否在安全的范圍內(nèi)，若不是，則給出提示信息，并對(duì)收到提示依然照舊行駛的車(chē)輛進(jìn)行車(chē)牌識(shí)別。

表1交通事故主要因素信息表

[[主要因素&事故總數(shù)Ni&該因素導(dǎo)致的事故數(shù)Mi&所占比例Q&車(chē)&N1&M1&QC=M1/N1&路面類(lèi)型&N2&M2&QR=M2/N2&道路線性&N3&M3&QL=M3/N3&駕駛員&N4&M4&QD=M4/N4&環(huán)境&N5&M5&QE=M5/N5&]

]

要使預(yù)警有較高的準(zhǔn)確性，不僅要對(duì)近年來(lái)山區(qū)道路的發(fā)展?fàn)顩r及在山區(qū)道路上發(fā)生的交通事故有詳細(xì)的統(tǒng)計(jì)，如對(duì)各種車(chē)輛的類(lèi)型、各種道路的類(lèi)型、各種環(huán)境等因素所占的比例的記錄，以及車(chē)輛、道路、駕駛員、環(huán)境所導(dǎo)致的交通事故的比例，還要對(duì)各種各個(gè)小的因素進(jìn)行統(tǒng)計(jì)測(cè)定。表1示出了引發(fā)交通事故的一些主要因素。

假設(shè)到目前為止，某地區(qū)大型客車(chē)、大型貨車(chē)、中型客車(chē)、中型貨車(chē)、小型客車(chē)、小型貨車(chē)、轎車(chē)所占比例為Ai；在某種道路上，在時(shí)間t1-t2時(shí)間間隔內(nèi)，各類(lèi)車(chē)的總通行量為Ni；在這段時(shí)間里，各類(lèi)車(chē)發(fā)生的交通事故的次數(shù)為Mi?？梢缘玫剑谶@類(lèi)道路上各類(lèi)車(chē)可能發(fā)生交通事故的概率Pci，這類(lèi)車(chē)在這種道路上的危險(xiǎn)系數(shù)為SCi，其中(i=1,2,3,……,n)。概率。

根據(jù)概率的大小，可得到危險(xiǎn)系數(shù)。同時(shí)，通過(guò)對(duì)路面類(lèi)型Ri（瀝青R1、沙石R2、水泥R3、土路R4等）,車(chē)輛總通行量Ni、發(fā)生事故總量Mi進(jìn)行測(cè)定，其中(i=1,2,3,……,n)，可得路面類(lèi)型所對(duì)應(yīng)發(fā)生事故的概率。

相對(duì)應(yīng)的危險(xiǎn)系數(shù)為SRi。通過(guò)對(duì)道路線性Li (即道路平直L1，坡L2，彎L3，坡加彎L4，交叉路L5等)，發(fā)生事故總數(shù)Ni,這類(lèi)道路發(fā)生事故數(shù)Mi，得道路線性概率為,相對(duì)應(yīng)危險(xiǎn)系數(shù)為SLi；同理,對(duì)駕駛狀況(酒后駕駛、無(wú)證駕駛、超速行駛、超載行駛、措施不當(dāng)?shù)?及環(huán)境情況(晴、陰、霧、雨、雪等)也可根據(jù)全概率公式進(jìn)行測(cè)量。

利用上面分析方法，根據(jù)目前獲取車(chē)輛行駛的相關(guān)數(shù)據(jù)與上述樣本庫(kù)中測(cè)量得到的各因素導(dǎo)致的車(chē)輛的安全系數(shù)，可測(cè)算出各因素綜合后的車(chē)輛行駛的總的安全系數(shù)S，即。由此，可對(duì)車(chē)輛的運(yùn)行狀態(tài)進(jìn)行診斷，如果小于某個(gè)測(cè)算出的危險(xiǎn)系數(shù)S，則認(rèn)為系統(tǒng)是安全的，車(chē)輛可以這樣行駛。否則，系統(tǒng)是不安全的。

2 車(chē)牌定位

利用上述預(yù)警結(jié)果，針對(duì)處于不安全狀態(tài)（即處于危險(xiǎn)狀態(tài)）的車(chē)輛，即收到預(yù)警信息號(hào)還依然繼續(xù)前進(jìn)，可通過(guò)車(chē)輛識(shí)別系統(tǒng)對(duì)其車(chē)牌進(jìn)行識(shí)別。

2.1 RGB到HSV顏色空間轉(zhuǎn)換

不同的應(yīng)用場(chǎng)合，圖像顏色的表示方法各不相同。一般情況下，從數(shù)碼像機(jī)拍攝的圖片是處于RGB顏色空間的（由紅（Red）、綠(Green)、藍(lán)(Blue)三分量組成），R、G、B三個(gè)分量隨著光照變化將改變，兩個(gè)相近的顏色其R、G、B值可能相差很大。通常我們拍到的汽車(chē)圖片光照條件各異，同時(shí)RGB空間是顏色顯示空間，并不適合人的視覺(jué)（人的視覺(jué)特性無(wú)法獲得物體的RGB分量值），對(duì)目標(biāo)物體的顏色描述相對(duì)復(fù)雜，各個(gè)分量之間冗余信息多。所以RGB空間不適合作顏色分割，也就不適合用于車(chē)牌識(shí)別。而HSV顏色模型(H，S,V分別代表色調(diào)Hue、飽和度Saturation和亮度Value)能獨(dú)立感知各顏色分量的變化，能較好地反映人對(duì)色彩的感知和鑒別能力，非常適合于基于色彩的圖像相似比較[8]。利用H和S分量可以排除光照條件影響，對(duì)于光照條件不確定的彩色汽車(chē)圖片分割具有十分重要的意義，在車(chē)牌提取中顏色分割更容易通過(guò)調(diào)節(jié)H、S、V這三個(gè)參數(shù)而實(shí)現(xiàn)?；诖耍疚奶岢隽嘶贖SV顏色模型的車(chē)牌定位方法。由RGB顏色空間轉(zhuǎn)換到HSV顏色空間的轉(zhuǎn)換如下：

上式中，。

2.2 邊緣顏色均值對(duì)車(chē)牌定位

在HSV顏色空間中利用邊緣顏色均值對(duì)的方法對(duì)車(chē)牌區(qū)域進(jìn)行初定位。原理如下：目前中國(guó)的車(chē)牌大概分為四種類(lèi)型：藍(lán)底白字（藍(lán)牌）、白底黑字或紅字（白牌）、黃底黑字（黃牌）和黑底白字（黑牌）。針對(duì)中國(guó)車(chē)牌的底色與車(chē)牌字符顏色的固定搭配，對(duì)四種色彩限定的區(qū)域范圍值，并采用5×5的模板。

[[(i+2,j-2)&(i+2,j-1)&(i+2,j)&(i+2,j+1)&(i+2,j+2)&*&*&*&*&*&*&*&(i,j)&*&*&*&*&*&*&*&(i-2,j-2)&(i-2,j-1)&(i-2,j)&(i-2,j+1)&(i-2,j+2)&]]

5×5模板（*表示不予考慮）

圖1(a) 原圖 圖1(b)車(chē)牌粗分割圖1(c)車(chē)牌精定位

考慮到兩種顏色的邊界附近存在過(guò)渡顏色，取模板最下邊一行的5個(gè)像素,計(jì)算這5個(gè)像素的RGB各分量的平均值，對(duì)模板的最上邊一行的5個(gè)像素,也計(jì)算其RGB的各分量的平均值，將它們都轉(zhuǎn)化到HSV空間中。在轉(zhuǎn)換過(guò)程中，采用本文提出的改進(jìn)的HSV模型。在轉(zhuǎn)換后的HSV顏色空間中，檢測(cè)兩個(gè)顏色均值的HSV是否出現(xiàn)車(chē)牌底色與車(chē)牌字符的顏色搭配。如果是，則認(rèn)為是車(chē)牌區(qū)域，保留下來(lái)，否則去除，實(shí)現(xiàn)車(chē)牌的粗分割。如圖1(a)原圖，經(jīng)粗分割后如圖1(b)所示。最后基于數(shù)學(xué)形態(tài)學(xué)與幾何特征進(jìn)行車(chē)牌精定位，如圖1(c)所示。

3 結(jié)束語(yǔ)

本文采用全概率公式分析了山區(qū)道路各因素的特點(diǎn)及重要性，結(jié)合車(chē)輛行駛過(guò)程中實(shí)時(shí)的因素變化，討論了山區(qū)道路車(chē)輛安全行駛問(wèn)題，并給出了相應(yīng)的預(yù)警，以及對(duì)處于危險(xiǎn)狀態(tài)的車(chē)輛進(jìn)行車(chē)牌定位的方法，以降低山區(qū)道路交通中事故的發(fā)生率。實(shí)踐表明本文方法的預(yù)警結(jié)果受測(cè)量的歷史數(shù)據(jù)影響較大。

參考文獻(xiàn)：

[1] 王夏黎.智能交通視頻監(jiān)視技術(shù)的研究與應(yīng)用[D].西北大學(xué)計(jì)算機(jī)科

學(xué)系,2004.

[2] Horst E.Gerland. ITS Intelligent Transportation System: FleetManagement with GPS Dead Reckoning, Advanced Displays, Smartcards,etc. IEEE-IEE Vehicle Navigation & information Systems Conference, Ottawa, Canada,1993:606~611.

[3] Chelsea C.White.Intelligent Transportation Systems: Integrating Information Technology and the Surface Transportation System:1995 IEEE International Conference on Systems, Man and Cybernetics(SMC95),Vancouver, British Columbia,Canada,1995.4000~4003

[4] Braun, Alexander E. Intelligent transportation systems: mirage or reality. Microwave Journal,1997.40(8):22~38

[5] MARK W.MAIER.On Architecting and Intelligent transport systems.IEEE Transaction on Aerospace and Electronic Systems,1997.33(2):610~625

[6] 李文舉.智能交通中圖像處理技術(shù)應(yīng)用的研究[D].大連海事大學(xué)信息科學(xué)與技術(shù)學(xué)院,2004.

[7] 楊希銳,吳禮林.交通事故處理與索賠案例分析[M].人民交通出版社,2004.

[8] 袁庭啟,徐濤.一種基于HSV空間和紋理特征的快速車(chē)牌定位方法[J].重慶工學(xué)院學(xué)報(bào)(自然科學(xué)),2008.10(22):179~182