摘 要： 在當(dāng)前技術(shù)中，車牌之間的匹配一般采用的是精確匹配，其不足以滿足旅行時(shí)間、OD調(diào)查等研究的需要。針對(duì)此問(wèn)題，設(shè)計(jì)了一種基于模糊匹配的多級(jí)車牌匹配技術(shù)。該方法通過(guò)限定車牌經(jīng)過(guò)上下游交叉路口的時(shí)間間隔、計(jì)算車牌之間的編輯距離進(jìn)行車牌的模糊匹配，將匹配成功的車牌的旅行時(shí)間用四分位數(shù)法進(jìn)行異常數(shù)據(jù)的剔除，并通過(guò)北京市某路段的實(shí)測(cè)數(shù)據(jù)進(jìn)行驗(yàn)證。實(shí)驗(yàn)發(fā)現(xiàn)多級(jí)車牌匹配技術(shù)可以很好地提高車牌的匹配率，從而為基于車牌的其他研究提供更有效、可靠的數(shù)據(jù)。

關(guān)鍵詞： 車牌匹配； 模糊匹配； 編輯距離； 閾值

中圖分類號(hào)： TN911.73?34； TP301.6 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2015）07?0135?04

0 引 言

隨著智能交通技術(shù)的發(fā)展，城市交通管理系統(tǒng)和公路交通管理系統(tǒng)的自動(dòng)化、智能化水平在不斷提高，視頻監(jiān)控設(shè)備、電子拍照設(shè)備、移動(dòng)監(jiān)測(cè)設(shè)備被廣泛地布設(shè)在路網(wǎng)中的觀測(cè)站、收費(fèi)站及重要路口，通過(guò)車牌自動(dòng)識(shí)別技術(shù)可以從這些設(shè)備獲取圖片、視頻中提取車牌信息。當(dāng)前，我國(guó)城市路網(wǎng)和國(guó)道、省道等公路網(wǎng)每天都在獲取超過(guò)百萬(wàn)計(jì)的車輛檢測(cè)信息，包括車牌號(hào)、車輛通過(guò)路口的時(shí)刻、路口ID等。然而這些信息卻沒(méi)有得到足夠的重視和高效的利用，當(dāng)前的車牌利用停留在車速測(cè)量、不停車收費(fèi)、交通違章的初級(jí)階段，未能從網(wǎng)絡(luò)化、全局化、軌跡化的角度來(lái)分析利用車牌數(shù)據(jù)，造成了車牌資源的很大浪費(fèi)。

近年來(lái)，ITS技術(shù)的發(fā)展使牌照自動(dòng)識(shí)別技術(shù)更加完善，車牌捕獲率和識(shí)別率有了顯著提高，車牌號(hào)作為全世界惟一對(duì)車輛身份進(jìn)行識(shí)別的標(biāo)識(shí)，它的特殊性和重要性決定了車牌識(shí)別系統(tǒng)成為城市智能交通管理系統(tǒng)中不可或缺的重要組成部分。通過(guò)對(duì)比同一輛車經(jīng)過(guò)上下游路口車牌被識(shí)別到的時(shí)刻，可以對(duì)一輛車連續(xù)通過(guò)兩個(gè)路口的旅行時(shí)間進(jìn)行計(jì)算[1]，可以分析該路段的交通狀態(tài)[2?3]、延誤、路段服務(wù)水平等交通分析評(píng)價(jià)指標(biāo)，還可以分析車輛的出行軌跡[4]等，而這些分析的前提是要對(duì)得到的車牌號(hào)進(jìn)行匹配、處理。

現(xiàn)在的車牌識(shí)別系統(tǒng)雖然有了很大的發(fā)展，但是由于車牌的污損、模糊、遮擋、天氣等原因，識(shí)別車牌的準(zhǔn)確率達(dá)到100%是不可能的。如果車牌沒(méi)有被正確讀取，精確的車牌匹配會(huì)損失掉這部分?jǐn)?shù)據(jù)，影響后續(xù)工作的完成，因此選用合適的方法對(duì)車牌進(jìn)行匹配顯得尤為重要。

本文設(shè)計(jì)的車牌匹配方法采用多級(jí)匹配策略：一級(jí)匹配，限定車牌經(jīng)過(guò)上下游交叉路口的時(shí)間間隔；二級(jí)匹配，車牌模糊匹配、設(shè)定閾值，增加匹配成功率；三級(jí)匹配，異常數(shù)據(jù)剔除。通過(guò)北京市某路段的實(shí)測(cè)數(shù)據(jù)進(jìn)行驗(yàn)證。圖1為車牌多級(jí)匹配流程框架圖。

圖1 多級(jí)匹配流程框架圖

1 限定時(shí)間間隔

車牌數(shù)據(jù)為車輛通過(guò)停車線后檢測(cè)區(qū)域時(shí)識(shí)別得到，車輛通過(guò)每個(gè)路口時(shí)，其車牌將被識(shí)別并存儲(chǔ)。車輛正常行駛，經(jīng)過(guò)上下游路口的間隔時(shí)間是在一定范圍內(nèi)的，如果間隔時(shí)間過(guò)大，則不能進(jìn)行有效地車牌匹配數(shù)據(jù)。原因在于：上下游交叉口獲取的相同車牌數(shù)據(jù)可能來(lái)源于車輛的二次出行，甚至是多次出行。在限定的時(shí)間間隔內(nèi)進(jìn)行車牌匹配，可以有效地減少這種情況的發(fā)生。對(duì)于交通量大的路口，每天都有海量的車牌數(shù)據(jù)，在匹配之前限定范圍，可以大大減少車牌匹配的工作量，加快匹配速度。車牌識(shí)別系統(tǒng)中可能出現(xiàn)如“京A12345”、“京A12845”，這種情況有可能源于車牌系統(tǒng)識(shí)別錯(cuò)誤，將3識(shí)別為8，也有可能本身就是兩個(gè)不同的車牌，限定時(shí)間間隔可以減少這種情況出現(xiàn)的匹配誤差。限定車牌經(jīng)過(guò)上下游交叉路口的時(shí)間間隔可以很好地提高基礎(chǔ)數(shù)據(jù)的質(zhì)量。

假定當(dāng)前路口有一要匹配的車牌[A，]在下游路口選取10 min（可以根據(jù)上下游路口的路段長(zhǎng)度及交通狀況等進(jìn)行調(diào)整）內(nèi)的車牌數(shù)據(jù)進(jìn)行匹配，這樣減少了匹配的工作量，同時(shí)提高了匹配的準(zhǔn)確率。

2 模糊匹配算法

現(xiàn)階段的車牌匹配大多采用精確匹配，車牌的精確匹配是指查找的車牌與搜索到的車牌完全相同，是最理想的匹配方式。但是，這種方法匹配要求嚴(yán)格，存在一些弊端，當(dāng)車牌識(shí)別錯(cuò)誤時(shí)，無(wú)法返回匹配結(jié)果，不能滿足研究的需要，故需要尋找一種匹配率較高的方法。

車牌其實(shí)就是一串字符串，可以通過(guò)研究各種字符串的匹配算法實(shí)現(xiàn)車牌的匹配。字符串匹配[5]可以分為精確匹配和模糊匹配。本文的車牌匹配采用后一種，即模糊匹配[6]。

2.1 編輯距離的定義

本文擬采用“編輯距離”[7?8]的概念實(shí)現(xiàn)模糊字符串的匹配。通俗地講，編輯距離算法是指兩個(gè)字符串之間，由一個(gè)字符串通過(guò)一些編輯操作可以變換成另外一個(gè)字符串所需要的最少編輯次數(shù)。這里的編輯操作包括從字符串中刪除、插入、更改一個(gè)字符，稱為一個(gè)編輯距離，它能夠體現(xiàn)兩個(gè)字符串的差異。

起始的編輯距離是0，然后操作一次編輯距離就加1，直到這個(gè)字符串已經(jīng)完全變成另外一個(gè)字符串。操作的次數(shù)越多，那么編輯距離就越大，最少操作次數(shù)代表了最精確的操作，也就是變換過(guò)程中的最優(yōu)解。

例如將kid變換成king，可以按照這樣的步驟轉(zhuǎn)變：

（1） 將kid中的第三個(gè)字符d變成n（kid→kin）；

（2） 在kin的后面添加g（kin→king）。

經(jīng)過(guò)了2次編輯操作，那么kid到king的編輯距離為2。

通過(guò)計(jì)算編輯距離，可以得出最佳匹配。

2.2 算法實(shí)現(xiàn)

車牌字符串具有如下的特點(diǎn)：

（1） 汽車牌照的位數(shù)固定，一般為7位，最多的如武警車牌（WJ01?12345）等極少數(shù)為9位。

（2） 對(duì)汽車牌照進(jìn)行模糊匹配時(shí)與字符串有所不同，字符的匹配順序不能顛倒。

基于車牌的特性，車牌匹配的編輯操作不能有刪除、插入，只考慮從字符串中將一個(gè)字符改為另一個(gè)字符的操作。

假設(shè)現(xiàn)在已求得A的前[i-1]個(gè)字符編輯成B的前[i-1]個(gè)字符的最短編輯距離，此時(shí)如果A、B的第i個(gè)字符相同，顯然無(wú)需任何字符操作就可以在原來(lái)的基礎(chǔ)上得到A、B的前i個(gè)字符相同，此時(shí)的編輯距離就是[Di=Di-1]；如果A、B的第i個(gè)字符不相同，則可以通過(guò)更改A的第i個(gè)字符為B的第i個(gè)字符，此時(shí)也可以在原來(lái)的基礎(chǔ)上使得A、B的第i個(gè)字符相同，由于只做了一個(gè)修改操作，因此[Di=Di-1+1。]

綜上所述[D（i）]的遞推公式如下：

[D（i）=0，i=0MIND（i-1），D（i-1）+1，A（i）=B（i）A（i）≠B（i）] （1）

假定待匹配的車牌號(hào)是[A，]它是一串字符串設(shè)為[A{a1，a2，…，ai，…，am}]（[7≤m≤9]），在數(shù)據(jù)庫(kù)中等待要匹配的車牌號(hào)有n個(gè)，放在集合[S{B1，B2，…，Bj，…，Bn}][（0

算法的思想是將待匹配的車牌號(hào)[A]的第一個(gè)字符與數(shù)據(jù)庫(kù)中的[Bj]的第一個(gè)字符進(jìn)行匹配，若相等，則[D（1）=0；]若不相等，則[D（1）=1。]繼續(xù)比較A的第二個(gè)字符和[Bj]的第二個(gè)字符；依次比較下去，直到字符串匹配完成，得到A和[Bj]的編輯距離[D（j）。]車牌數(shù)據(jù)庫(kù)中有n個(gè)待匹配的車牌，需要依次求出A與這n個(gè)車牌的編輯距離，編輯距離越小，其匹配度越高，要想得到一個(gè)與A匹配度最高的車牌，需要取A和[Bj]的編輯距離的最小值，即[D（A，Bj）=min{D（j）}。]

用C#代碼來(lái)實(shí)現(xiàn)A和某一[Bj]的編輯距離，如下：

private int Levenshtein_Distance（string A， string Bj）

{

int n；

int j = 1；

int[] D；

for （j = 1； j <= n； j++）

{

int m；

int temp = 0；

char ch1；

char ch2；

int i = 1；

D = new int[m + 1]；

D[i] = 0；

for （i = 1； i <= m； i++）

{

ch1 = A[i - 1]；

ch2 = Bj [i - 1]；

if （ch1.Equals（ch2））

{

temp = 0； //字符相同

}

else

{

temp = 1； //字符不同

}

D[i] = D[i - 1] + temp；

}

D[j]=D[i]；

return D[j]；

}

}

2.3 匹配方案

如何從海量的數(shù)據(jù)庫(kù)中搜索出需要匹配的車牌。解決這個(gè)問(wèn)題之前，必須首先解決串的相似性如何定義。俄國(guó)的Vladimir Levenshtein在1965年就提出了用編輯距離[5]的概念來(lái)描述兩個(gè)字符串的相似程度，因此編輯距離又稱Levenshtein距離。編輯距離越小，其相似程度越高。編輯距離越大，其相似程度就越低。假設(shè)字符串的最大長(zhǎng)度為L(zhǎng)，編輯距離為[D（A，Bj），]相似度為S，那么：

[S=1-[D（A，Bj）]L] （2）

在當(dāng)前技術(shù)下，車牌識(shí)別系統(tǒng)的識(shí)別率達(dá)不到100%，在車牌識(shí)別中可能將車牌“京CE0192”識(shí)別為 “京CEQ792”，這實(shí)際為同一車牌，為了提高匹配的效率，設(shè)定其相似度在一定的范圍。將閾值設(shè)為0.6，即[S>0.6]時(shí)，兩個(gè)車牌之間是匹配的。其中[S=1]時(shí)，[A]到[Bj]的操作次數(shù)是0，也就是完全匹配。

在交通流量比較大的路口，車牌數(shù)據(jù)比較多，每一次匹配都是海量數(shù)據(jù)，車牌匹配速度的快慢影響其設(shè)計(jì)系統(tǒng)的效率。車牌具有一些其他字符串沒(méi)有的特性，“京B12345”和“京C83345”在第4個(gè)字符時(shí)編輯距離為3，相似度已經(jīng)超過(guò)了設(shè)定的閾值0.6，為了提高速度，這兩個(gè)車牌沒(méi)有必要匹配下去，可以大大的提高其效率。

3 異常數(shù)據(jù)剔除

經(jīng)過(guò)上述方法匹配之后的車牌，依然會(huì)出現(xiàn)異常數(shù)據(jù)，這些異常數(shù)據(jù)可以用行程時(shí)間來(lái)進(jìn)行剔除。出現(xiàn)異常行程時(shí)間數(shù)據(jù)主要有以下因素：系統(tǒng)誤差，由于采集車牌裝置出現(xiàn)誤差；異常交通行為，車輛在道路上偶然停車、車輛從道路上離開(kāi)正常行駛軌跡等。一些異常的交通行為對(duì)交通流量產(chǎn)生震蕩，從而導(dǎo)致行程時(shí)間突變。這些數(shù)據(jù)都會(huì)顯著影響對(duì)路段旅行時(shí)間的估計(jì)，需要應(yīng)用一定的篩選算法將其從數(shù)據(jù)中剔除，以便提高輸出數(shù)據(jù)的質(zhì)量。

四分位數(shù)法[9]（Quartile）是統(tǒng)計(jì)學(xué)的一種分析方法，用于描述任何類型的數(shù)據(jù)，尤其是偏態(tài)數(shù)據(jù)的離散程度。簡(jiǎn)單地說(shuō)，就是將全部數(shù)據(jù)從小到大排列并分成4等分，處于三個(gè)分割點(diǎn)位置的數(shù)值就是四分位數(shù)，使用四分位數(shù)間距來(lái)反映變異程度的大小。其中，四分位數(shù)間距指的是：上四分位數(shù)與下四分位數(shù)之差。相關(guān)文獻(xiàn)給出了一種基于四分位數(shù)法的異常數(shù)據(jù)的處理方法：凡是超出此區(qū)間范圍之外的數(shù)據(jù)，都被認(rèn)為是異常數(shù)據(jù)需要剔除：

[Z=[Q0.25-1.5R，Q0.75+1.5R]] （3）

[R=Q0.75-Q0.25] （4）

式中：[Z]表示有效數(shù)據(jù)區(qū)間；[Q0.25]表示位于[14]位置的數(shù)值，叫做下四分位值；[Q0.75]表示位于[34]位置的數(shù)值，稱為上四分位值；[R]表示四分位極差。

四分位數(shù)法的計(jì)算比較簡(jiǎn)便，計(jì)算速度較快，圖2為四分位數(shù)法處理前后的效果。由圖2可以看出，通過(guò)四分位數(shù)法可以較好地處理掉旅行時(shí)間過(guò)大或過(guò)小的異常數(shù)據(jù)，為后續(xù)的統(tǒng)計(jì)分析等提供高質(zhì)量的基礎(chǔ)數(shù)據(jù)。

4 實(shí)例分析

利用北京市利澤東二路口北向南和利澤東街口北向南的實(shí)測(cè)車牌識(shí)別數(shù)據(jù)進(jìn)行三級(jí)匹配策略的實(shí)例分析，路口情況如圖3所示。

圖2 四分位數(shù)法處理前后的效果對(duì)比

圖3 測(cè)試路口圖

利用文中設(shè)計(jì)的匹配算法，對(duì)2014年2月6日24小時(shí)內(nèi)經(jīng)過(guò)兩個(gè)路口的車牌進(jìn)行匹配。經(jīng)人工匹配成功的有110對(duì)，經(jīng)多級(jí)匹配之后成功的有106對(duì)，精確匹配的只有88對(duì)。

設(shè)定該路段的時(shí)間間隔為10 min，車輛京K06276在09：22：55經(jīng)過(guò)利澤東二路口，在18：49：55經(jīng)過(guò)利澤東街口，間隔時(shí)間大于設(shè)定的路段時(shí)間間隔，該算法可以很好地避免這種情況下的錯(cuò)誤匹配。

按照設(shè)定的相似度閾值，匹配結(jié)果（去除精確匹配部分）如表1所示，為了對(duì)比實(shí)驗(yàn)結(jié)果，人工做了車牌的匹配，匹配結(jié)果（去除精確匹配部分）如表2所示。

實(shí)驗(yàn)結(jié)果表明，精確匹配的匹配率為80%，如果只通過(guò)精確匹配，則會(huì)遺漏掉表2中的數(shù)據(jù)。多級(jí)匹配的匹配率為96.36%，比人工實(shí)際的匹配結(jié)果少了4對(duì)，這4對(duì)車牌的相似度依次為0.43，0.43，0.29，0.57，超過(guò)設(shè)定的閾值，僅占整個(gè)匹配車牌的3.64%，說(shuō)明設(shè)定的相似度閾值0.6是合理的。相似度閾值設(shè)置過(guò)小，會(huì)導(dǎo)致一些車牌不能匹配，達(dá)不到理想的匹配率。閾值設(shè)置過(guò)大，會(huì)導(dǎo)致匹配的錯(cuò)誤率提高，速度降低。

表1 車牌模糊匹配結(jié)果

[利澤東二路口＼車輛經(jīng)過(guò)時(shí)刻＼利澤東街口＼車輛經(jīng)過(guò)時(shí)刻＼京ET8140＼2/6/2014 08：37：28＼京E1H140＼2/6/2014 08：37：47＼遼H2117F＼2/6/2014 08：39：50＼京H2117F＼2/6/2014 08：40：12＼津MZH569＼2/6/2014 09：01：28＼京MZH569＼2/6/2014 09：01：54＼京N9MC11＼2/6/2014 09：10：27＼京A9MC11＼2/6/2014 09：11：17＼京BN1113＼2/6/2014 09：16：59＼京HN1113＼2/6/2014 09：17：18＼遼LX9762＼2/6/2014 09：49：44＼京LX9762＼2/6/2014 09：50：59＼京BM4656＼2/6/2014 10：33：07＼京HM4656＼2/6/2014 10：34：07＼津GWM500＼2/6/2014 11：07：29＼京GWM500＼2/6/2014 11：07：51＼京BR9045＼2/6/2014 11：27：57＼京HR9045＼2/6/2014 11：28：14＼京Q9T097＼2/6/2014 13：04：25＼京Q91U97＼2/6/2014 13：05：20＼京QJ7686＼2/6/2014 14：43：25＼京QJ16H6＼2/6/2014 14：43：49＼京BQ2297＼2/6/2014 15：35：02＼京HQ2297＼2/6/2014 15：35：22＼京L81235＼2/6/2014 16：41：24＼京LH1235＼2/6/2014 16：42：28＼津QU2856＼2/6/2014 17：37：11＼京QU2856＼2/6/2014 17：37：46＼京KD6276＼2/6/2014 18：49：32＼京K06276＼2/6/2014 18：49：55＼京BN0848＼2/6/2014 22：16：51＼京HN084H＼2/6/2014 22：17：17＼]

表2 人工匹配結(jié)果

[利澤東二路口＼車輛經(jīng)過(guò)時(shí)刻＼利澤東街口＼車輛經(jīng)過(guò)時(shí)刻＼京ET8140＼2/6/2014 08：37：28＼京E1H140＼2/6/2014 08：37：47＼＼遼H2117F＼2/6/2014 08：39：50＼京H2117F＼2/6/2014 08：40：12＼＼津MZH569＼2/6/2014 09：01：28＼京MZH569＼2/6/2014 09：01：54＼＼京N9MC11＼2/6/2014 09：10：27＼京A9MC11＼2/6/2014 09：11：17＼＼京BN1113＼2/6/2014 09：16：59＼京HN1113＼2/6/2014 09：17：18＼＼遼LX9762＼2/6/2014 09：49：44＼京LX9762＼2/6/2014 09：50：59＼＼京BM4656＼2/6/2014 10：33：07＼京HM4656＼2/6/2014 10：34：07＼＼津GWM500＼2/6/2014 11：07：29＼京GWM500＼2/6/2014 11：07：51＼＼京BR9045＼2/6/2014 11：27：57＼京HR9045＼2/6/2014 11：28：14＼＼京Q9T097＼2/6/2014 13：04：25＼京Q91U97＼2/6/2014 13：05：20＼＼京L33798＼2/6/2014 14：42：07＼京K66708＼2/6/2014 14：42：25＼＼京QJ7686＼2/6/2014 14：43：25＼京QJ16H6＼2/6/2014 14：43：49＼＼京BQ2297＼2/6/2014 15：35：02＼京HQ2297＼2/6/2014 15：35：22＼＼京GLF198＼2/6/2014 15：55：19＼京F19898＼2/6/2014 15：56：22＼＼京L81235＼2/6/2014 16：41：24＼京LH1235＼2/6/2014 16：42：28＼＼京KL1110＼2/6/2014 17：29：18＼京1TT1T1＼2/6/2014 17：29：38＼＼津QU2856＼2/6/2014 17：37：11＼京QU2856＼2/6/2014 17：37：46＼＼京KD6276＼2/6/2014 18：49：32＼京K06276＼2/6/2014 18：49：55＼＼京BN0848＼2/6/2014 22：16：51＼京HN084H＼2/6/2014 22：17：17＼＼京1QAP18＼2/6/2014 22：19：39＼京NQC518＼2/6/2014 22：20：03＼＼＼＼＼＼＼]

圖4 各種匹配的匹配率對(duì)比圖

5 結(jié) 語(yǔ)

與其他交通信息采集技術(shù)相比較，基于車牌識(shí)別數(shù)據(jù)的交通信息采集技術(shù)具有工作連續(xù)性強(qiáng)、數(shù)據(jù)精確度高、檢測(cè)樣本量大等優(yōu)點(diǎn)。車牌模糊匹配在運(yùn)用車牌預(yù)測(cè)行程時(shí)間、判別交通狀態(tài)等方面有著至關(guān)重要的作用，是交通信息采集技術(shù)相關(guān)研究的基礎(chǔ)，本文通過(guò)多級(jí)匹配策略，給出了一種比較簡(jiǎn)單快速的車牌模糊匹配算法，并進(jìn)行了驗(yàn)證。車牌多級(jí)匹配技術(shù)，可以提高車牌的利用率，實(shí)現(xiàn)車牌的自動(dòng)化校核。

參考文獻(xiàn)

[1] DION Francois， RAKHA Hesham. Estimating dynamic roadway travel times using automatic vehicle identification data for low sampling rates [J]. Transportation Research Part B， 2006（40）： 745?746.

[2] 姜桂艷，常安德，牛世峰.基于車牌識(shí)別數(shù)據(jù)的交通擁堵識(shí)別方法[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2011，43（4）：131?135.

[3] 高林，劉新，尹紀(jì)軍，等.基于車牌識(shí)別數(shù)據(jù)的交通狀態(tài)判別方法研究[C]//第八屆中國(guó)智能交通年會(huì)優(yōu)秀論文集.北京：中國(guó)智能交通協(xié)會(huì)，2013：270?279.

[4] 林瑜，陳紅潔，肖永來(lái).基于車牌識(shí)別的交通分析應(yīng)用研究[J].中國(guó)交通信息產(chǎn)業(yè)，2009（5）：101?104.

[5] 何畏.快速精確字符串匹配算法研究[D].合肥：合肥工業(yè)大學(xué)，2010.

[6] 姚心宇.中文地址識(shí)別系統(tǒng)中的地址表達(dá)與匹配[D].上海：華東師范大學(xué)，2012.

[7] LEVENSHTEIN V I. Binary codes capable of correcting deletions， insertions and reversals [J]. Soviet Physics?Doklady， 1966， 10（8）： 707?710.

[8] 趙作鵬，尹志民，王潛平，等.一種改進(jìn)的編輯距離算法及其在數(shù)據(jù)處理中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2009，29（2）：424?426.

[9] 柴華駿，李瑞敏，郭敏.基于車牌識(shí)別數(shù)據(jù)的城市道路旅行時(shí)間分布規(guī)律及估計(jì)方法研究[J].交通運(yùn)輸系統(tǒng)工程與信息，2012，12（6）：41?47.

[10] NAVARRO G. A guided tour to approximate string matching [J]. ACM Computing Surveys ?CSUR， 2001， 33（1）： 31?88.