劉晴輝，徐 巍，董紅召*

(1.浙江工業(yè)大學(xué) 智能交通聯(lián)合研究所，浙江 杭州 310014；2.杭州市交警支隊，浙江 杭州 310014)

0 引 言

車牌識別技術(shù)是指能夠檢測到受監(jiān)控路面的車輛并自動提取車輛牌照信息進(jìn)行處理的技術(shù)。在城市道路的交叉路口，安裝有車牌號碼抓拍識別設(shè)備，記錄車輛的經(jīng)過時間、位置、車牌號碼、車輛類型等信息(一條過車記錄)。車牌識別是智能交通的重要技術(shù)之一，在交通管理、治安防控和嫌疑車輛追蹤定位等領(lǐng)域發(fā)揮著重要的作用，具有廣泛的應(yīng)用前景[1-2]。通過對大量的過車記錄數(shù)據(jù)以及抓拍視頻圖像進(jìn)行統(tǒng)計分析，車輛抓拍識別設(shè)備的總體識別率并不高，這是因為車牌識別設(shè)備對光線比較敏感，某些車牌字符的相似性，車牌字符磨損、遮擋以及車輛行駛速度等都會影響車牌字符識別的準(zhǔn)確率，這些因素導(dǎo)致過車記錄數(shù)據(jù)中含有錯誤車牌號碼信息。

國內(nèi)外對車牌識別技術(shù)研究主要集中在車牌定位、字符分割及字符識別等方面。車牌定位算法方面，如基于灰度圖像的算法、基于彩色圖像的算法、融合定位算法等[3-6]；字符分割算法方面，如垂直投影與模板匹配結(jié)合法、區(qū)域標(biāo)記法、形態(tài)學(xué)法[7-10]等；字符識別算法方面主要有模板匹配法、特征分析匹配法、機(jī)器學(xué)習(xí)法[11-12]等；這些方法都依賴于抓拍獲取的較高質(zhì)量圖像，即抓拍識別設(shè)備的好壞、拍攝角度、外界環(huán)境、車輛等因素都會影響算法得到的結(jié)果。

本研究提出一種對過車記錄數(shù)據(jù)作時空判別進(jìn)行車牌號碼檢錯與糾錯的方法。

1 車牌號碼檢錯糾錯原理

首先對常用的符號進(jìn)行定義：

(1)

(2)

1.1 路段平均行駛速度計算方法

本研究基于過車記錄數(shù)據(jù)計算得到的路段平均行駛速度是檢錯糾錯方法中時空判別的依據(jù)。抓拍點位A與B之間的路段T時段的平均速度計算方法如下：

(3)

(4)

(5)

(6)

則路段kAkB在時段T內(nèi)車輛的平均行駛速度為：

(7)

1.2 車牌號碼檢錯原理步驟

(8)

(9)

式中：Δtj—抓拍路口kj到kj+1之間的路段kjkj+1車輛hi耗費的行程時間。

(4)如果滿足時空判別條件：

(10)

圖1 車牌號碼檢錯步驟流程圖

1.3 車牌號碼糾錯原理步驟

(11)

(2)集合R1中有很多車牌號碼不符合編排規(guī)則，而且很多符合編排規(guī)則但實際并未發(fā)放。將集合R1與B取交集，得到符合編排規(guī)則且已經(jīng)發(fā)放的替換車牌號碼集合，記為R2：

(12)

(13)

車輛hi在時間段[t0-tr，t0+tr]的過車記錄表示為:

(14)

(15)

圖2 車牌號碼糾錯步驟流程圖

2 參數(shù)的確定

車牌號碼檢錯糾錯方法涉及到的參數(shù)有5個，分別是路段行駛速度區(qū)間參數(shù)v1、v2，時間半徑tr，路段平均行駛速度修正系數(shù)λ。

(1)路段行駛速度區(qū)間參數(shù)v1、v2的確定是為了利用過車記錄數(shù)據(jù)計算路段平均行駛速度時去除冗余數(shù)據(jù)。v1、v2需要符合不同等級路段的設(shè)計時速，同時考慮交叉路口信號周期、駕駛行為、車輛類型、交通擁堵等因素對平均行駛速度的影響。如果速度區(qū)間[v1,v2]區(qū)間長度過小，則篩選后的樣本數(shù)據(jù)量小，不利于平均速度的計算；如果v1選取過小，則時間窗上限值L(kAkB)/v1過大，不能很好地剔除冗余數(shù)據(jù)，從而導(dǎo)致計算得到的路段平均行程時間值偏大，路段平均行駛速度值偏小。通過大量的數(shù)據(jù)分析，選取v1=5 km/h，v2=100 km/h。

以杭州市紹興路(香積寺路與大關(guān)路之間路段，路段長度為0.93 km)一段時間的過車記錄數(shù)據(jù)為例，時間窗的大小為[34，670]，單位為s。篩選之前的路段行程時間分布圖如圖3所示，樣本量為179。由圖3可以看出，有多輛車經(jīng)過這個路段的行程時間過大，這些顯然是冗余數(shù)據(jù)，在計算路段平均行程時間以及路段平均行駛速度時必須剔除。

圖3 篩選前路段行程時間分布圖

經(jīng)過時間窗篩選之后的路段行程時間分布如圖4所示，樣本量為120，剔除了59個樣本數(shù)據(jù)，并且這59個數(shù)據(jù)中大部分?jǐn)?shù)值較大，為冗余數(shù)據(jù)，利用篩選后的行程時間，計算得出的該路段在這一時段的平均行程時間為134.16 s，平均行駛速度為24.99 km/h。因此參數(shù)v1、v2的值選取合理，設(shè)置的時間窗能夠較好地剔除冗余數(shù)據(jù)。

圖4 篩選后路段行程時間分布圖

(2)參數(shù)tr可以減小車牌號碼檢錯與糾錯步驟計算的數(shù)據(jù)量，提高檢錯和糾錯方法的運行效率。tr值的選擇要符合人們?nèi)粘ｉ_車出行的時間規(guī)律，同時要保證覆蓋車輛一次出行的時間范圍。通過對大量的過車記錄數(shù)據(jù)分析以及日常經(jīng)驗，tr參數(shù)的值選擇12 h比較合適。

(3)路段平均行駛速度修正系數(shù)λ是一個大于1的無量綱參數(shù)。路段平均行駛速度的計算與v1、v2參數(shù)的選擇有關(guān)，因此參數(shù)λ是對計算得出的路段平均行駛速度的修正，同時參數(shù)λ也限定了車牌檢錯糾錯方法中時空判定條件的寬松程度。為了避免將正確采集的車牌號碼錯誤的檢測出來，車牌號碼檢錯步驟中選擇較大的λ值，而較小的λ值更有利于車牌號碼的糾錯。因此車牌號碼檢錯與糾錯步驟λ值分別取3和1.5。

3 實 驗

本研究選取了杭州市主城區(qū)車輛抓拍識別設(shè)備采集的過車記錄數(shù)據(jù)以及杭州市車輛登記信息數(shù)據(jù)進(jìn)行實驗，并以車牌識別設(shè)備采集的視頻圖像數(shù)據(jù)進(jìn)行驗證。過車記錄數(shù)據(jù)結(jié)構(gòu)如表1所示。

表1 過車記錄數(shù)據(jù)結(jié)構(gòu)表

實驗選取了杭州市紹興路與香積寺路交叉口南抓拍點位3個時段(每個時段15 min)共計511張車輛抓拍識別設(shè)備采集的圖像數(shù)據(jù)進(jìn)行對比實驗。各時段本地車、外地車、未識別車流量數(shù)據(jù)如表2所示。

表2 實驗數(shù)據(jù)流量表

本研究通過檢錯算法對3個時段共計390輛本地車車牌號碼進(jìn)行檢錯實驗，分別檢測出5、9、3個錯誤識別車牌號碼。對比視頻圖像數(shù)據(jù)進(jìn)行驗證，實際分別有7、10、6個車牌號碼識別錯誤。平均檢錯正確率(檢錯出的車牌號碼中實際錯誤車牌號碼個數(shù)與檢錯出的車牌號碼總數(shù)的比值)為100%。平均檢錯檢出率(檢錯出的車牌號碼中實際錯誤車牌號碼個數(shù)與實際錯誤識別車牌號碼總數(shù)的比值)為74%。

本研究對檢錯步驟檢測出的17個車牌號碼進(jìn)行糾錯，并與視頻圖像數(shù)據(jù)進(jìn)行比對，共有5個錯誤識別的車牌號碼糾錯后給出了唯一并與實際相符的正確車牌號碼，糾錯成功率(糾錯后給出唯一正確車牌號碼數(shù)與糾錯車牌號碼總數(shù)的比值)為29.4%。其他12個錯誤車牌號碼糾錯后得到的正確車牌號碼大于一個或者未能得到正確的車牌號碼。3個時段實際錯誤識別車牌號碼量、檢錯成功量與糾錯成功量如表3所示。

表3 檢錯糾錯實驗結(jié)果表

4 結(jié)束語

本研究提出了基于過車記錄數(shù)據(jù)時空判別的車牌號碼檢錯糾錯方法，同時對該方法進(jìn)行了實際測試，驗證了該方法對錯誤識別車牌號碼具有較高的檢錯成功率，并能夠糾正部分錯誤識別的車牌號碼，進(jìn)一步提高車牌號碼識別數(shù)據(jù)的準(zhǔn)確率。

該方法依賴于較高的車輛抓拍點位密度以及實時更新的已發(fā)放車牌數(shù)據(jù)。目前城市抓拍識別設(shè)備主要分布在主城區(qū)的交叉路口，限制了該方法的應(yīng)用范圍；同時，由于抓拍點位密度不足，也在一定程度上對檢錯糾錯時空判別的有效性產(chǎn)生影響。

[1] 文潔玲,上官明燦,孫文俠,等.淺談車牌識別技術(shù)應(yīng)用現(xiàn)狀[J].公路交通科技:應(yīng)用技術(shù)版,2006(7):160-161.

[2] 徐海銘.一種車牌識別系統(tǒng)的設(shè)計與實現(xiàn)[J].機(jī)電工程技術(shù)，2015，44(1)：66-68.

[3] 張浩鵬,王宗義.基于灰度方差和邊緣密度的車牌定位算法[J].儀器儀表學(xué)報,2011,32(5):1095-1102.

[4] 吳惟希,趙 剛.一種基于色彩的車牌圖像定位算法[J].信息安全研究,2016,2(1):58-65.

[5] 楊 碩,張 波,張志杰.多特征融合的車牌定位算法[J].計算機(jī)應(yīng)用,2016,36(6):1730-1734.

[6] 王 枚,蘇光大,王國宏.復(fù)雜環(huán)境下的車牌定位及目標(biāo)真實性驗證[J].光學(xué)精密工程,2009,17(4):886-894.

[7] 卜英家.基于計算機(jī)視覺的車牌識別系統(tǒng)的算法研究[D].成都：電子科技大學(xué)電子工程學(xué)院,2015.

[8] SHAN B. License plate character segmentation and recognition based on RBF neural network[C]. Second International Workshop on Education Technology and Computer Science, Wuhan: IEEE,2010.

[9] 崔文學(xué),崔義川,王朝暉,等.基于模板匹配和垂直投影的車牌字符分割算法[J].齊齊哈爾大學(xué)學(xué)報：自然科學(xué)版,2015,31(6):12-16.

[10] 甘 玲,林小晶.基于連通域提取的車牌字符分割算法[J].計算機(jī)仿真,2011,28(4):336-339.

[11] 陳學(xué)保.車牌字符識別算法的研究[D].重慶：重慶大學(xué)光電工程學(xué)院,2013.

[12] 董玲嬌.車牌自動識別中的字符特征提取[J].機(jī)電工程,2008,25(9):106-108.