辛淏炎

摘 ? 要：本文詳細(xì)介紹了基于人工智能的智能交通系統(tǒng)的系統(tǒng)設(shè)計(jì)，以及該系統(tǒng)所運(yùn)用的核心算法。該智能交通系統(tǒng)分為鳴笛聲檢測定位系統(tǒng)、車牌號識(shí)別系統(tǒng)、用戶系統(tǒng)三大模塊，可實(shí)現(xiàn)準(zhǔn)確定位鳴笛車輛，識(shí)別鳴笛車輛車牌信息，以及能夠及時(shí)將用戶違章信息上傳至數(shù)據(jù)庫，同時(shí)告知用戶違章信息。該系統(tǒng)可幫助交通部門提高執(zhí)法精確度，節(jié)省人力物力和財(cái)力，同時(shí)也使環(huán)境噪聲污染得到有效的控制。

關(guān)鍵詞：鳴笛聲識(shí)別 ?聲源定位 ?圖像識(shí)別 ?智能交通 ?人工智能

中圖分類號：TP18 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A ? ? ? ? ? ? ? ? ? ? ? ?文章編號：1674-098X（2019）09（a）-0099-04

1 ?引言

人們?nèi)粘３鲂惺走x的交通工具便是汽車了，在這個(gè)家家戶戶都有車的時(shí)代，汽車帶來的環(huán)境噪聲污染問題也不可忽視。環(huán)境噪聲對人類的危害不僅體現(xiàn)在對聽力系統(tǒng)的損害，還可能使人類煩惱、易怒、激動(dòng)，嚴(yán)重者則產(chǎn)生精神錯(cuò)亂。噪聲控制被我國列為環(huán)境保護(hù)的重點(diǎn)，國家方面也出臺(tái)了相關(guān)法律法規(guī)，禁止機(jī)動(dòng)車輛在禁止鳴笛的區(qū)域或者路段鳴笛。由于噪聲的特點(diǎn)，噪聲源一旦停止發(fā)聲，噪聲就會(huì)消失，這給工作人員監(jiān)測車輛鳴笛增加了很大的難度。因此，一系列先進(jìn)的科學(xué)技術(shù)研究被應(yīng)用于提高噪聲污染防治的工作中。本文基于人工智能設(shè)計(jì)出了一套功能完善的智能交通系統(tǒng)并應(yīng)用到鳴笛車輛治理的場景中，其功能表現(xiàn)為可以準(zhǔn)確定位鳴笛的車輛隨后識(shí)別出車牌號。該智能交通系統(tǒng)提高了執(zhí)法準(zhǔn)確度，使交通部門的管理得到加強(qiáng)，同時(shí)也減少了人力物力與財(cái)力。

本文所闡述的智能交通系統(tǒng)主要涉及基于麥克風(fēng)陣列的鳴笛聲源定位以及車牌號識(shí)別兩大主要技術(shù)。常用的基于麥克風(fēng)陣列的鳴笛聲源定位方法有以下四種[1-2]：基于最大輸出功率的可控波束形成法、高分辨率譜估計(jì)法、基于到達(dá)時(shí)間差（TDOA）的聲源定位法和基于卷積神經(jīng)網(wǎng)絡(luò)的聲源定位法?；谧畲筝敵龉β实目煽夭ㄊ纬煞ǖ幕舅枷胧牵O(shè)置一個(gè)麥克風(fēng)陣列，用來接收所有聲源假定位置處的聲源信號，將接收到的信號進(jìn)行加權(quán)求和，所得值最大的位置即為聲源的預(yù)測位置。高分辨率譜估計(jì)法利用麥克風(fēng)陣列接收信號之間的相關(guān)矩陣來確定方向角，從而達(dá)到定位目標(biāo)聲源的目的。但以上提到的兩個(gè)算法計(jì)算量均較大，較難滿足本文構(gòu)建的智能交通系統(tǒng)對于實(shí)時(shí)性的要求?；诘竭_(dá)時(shí)間差（TDOA）的聲源定位法主要思想是將同聲源信號到達(dá)不同麥克風(fēng)的時(shí)間差求出即時(shí)間延遲估計(jì)，已知聲音傳播的速度，可將時(shí)間差輕易轉(zhuǎn)化為聲程差，進(jìn)而結(jié)合麥克風(fēng)陣列中麥克風(fēng)的位置通過幾何法或者搜索法定位目標(biāo)聲源。基于深度神經(jīng)網(wǎng)絡(luò)的聲源定位法將聲源可能存在的空間按一定的角度平均分為若干個(gè)區(qū)域，輸入聲音的相位譜和幅度譜計(jì)算出每個(gè)區(qū)域內(nèi)聲源存在的概率，輸出概率最大的區(qū)域即可定位目標(biāo)聲源。車牌號識(shí)別則主要涉及對鳴笛車輛圖像進(jìn)行預(yù)處理、對車牌區(qū)域進(jìn)行定位與分割，最后對分割的字符進(jìn)行識(shí)別。傳統(tǒng)的車牌定位方法將數(shù)學(xué)形態(tài)學(xué)進(jìn)行的粗定位與投影法進(jìn)行的細(xì)定位結(jié)果相結(jié)合，并運(yùn)用Hough變換解決水平區(qū)域存在夾角的問題[10]，以便后續(xù)進(jìn)一步分割?；谀０宓能嚺品指罘ê突谕队暗能嚺品指罘ㄊ悄壳拜^為傳統(tǒng)的兩種車牌分割方法。但由于實(shí)際捕捉到的車牌圖像狀態(tài)十分復(fù)雜，極易存在車牌扭曲的情況，以上兩種方法在該情況下分割效果不是特別理想。由于在使用以上兩種方法進(jìn)行車牌分割之前首先要對車牌首字符進(jìn)行定位，若該定位存在偏差，將會(huì)對分割效果產(chǎn)生很大的影響[3]。分割效果相對較好的是基于投影和先驗(yàn)知識(shí)的車牌分割法，同時(shí)也解決了首字符的準(zhǔn)確定位問題[3]?；谏窠?jīng)網(wǎng)絡(luò)的字符識(shí)別算法依據(jù)我國車牌特點(diǎn)，分別建立漢字神經(jīng)網(wǎng)絡(luò)、字母神經(jīng)網(wǎng)絡(luò)和字母數(shù)字神經(jīng)網(wǎng)絡(luò)對系統(tǒng)進(jìn)行訓(xùn)練，通過增加動(dòng)量提高系統(tǒng)的學(xué)習(xí)速率，從而減少系統(tǒng)的學(xué)習(xí)時(shí)間，實(shí)現(xiàn)對分割后的車牌進(jìn)行精準(zhǔn)的字符識(shí)別[13]。

本文將主要闡述該智能交通系統(tǒng)的設(shè)計(jì)，系統(tǒng)各個(gè)模塊之間的聯(lián)系，以及系統(tǒng)功能實(shí)現(xiàn)的核心算法。

2 ?智能交通系統(tǒng)設(shè)計(jì)

該智能交通系統(tǒng)包括鳴笛聲監(jiān)測定位系統(tǒng)、車牌號識(shí)別系統(tǒng)和用戶系統(tǒng)三個(gè)子系統(tǒng)。其子系統(tǒng)之間的聯(lián)系示意圖如圖1所示。

2.1 鳴笛聲監(jiān)測定位系統(tǒng)

鳴笛聲監(jiān)測定位系統(tǒng)主要實(shí)現(xiàn)對道路上鳴笛聲音的監(jiān)測和定位，并截取鳴笛車輛的圖像上傳至服務(wù)器，以進(jìn)行后續(xù)的車牌號識(shí)別。該系統(tǒng)構(gòu)成如圖2所示。

（1）鳴笛聲監(jiān)測程序：該程序用于監(jiān)測麥克風(fēng)陣列所在道路上是否存在違法鳴笛的行為，該程序功耗較小，故放于本地一直循環(huán)運(yùn)行，若鳴笛聲存在則繼續(xù)執(zhí)行鳴笛聲定位程序。

（2）鳴笛聲定位程序：該程序用于確定鳴笛聲源的位置。在一定區(qū)域內(nèi)判斷麥克風(fēng)陣列的位置，將位置坐標(biāo)轉(zhuǎn)換成圖像坐標(biāo)輸入攝像裝置中，攝像裝置截取相應(yīng)區(qū)域內(nèi)的圖像信息，并將該圖像信息上傳至服務(wù)器。

2.2 車牌號識(shí)別系統(tǒng)

車牌號識(shí)別系統(tǒng)下載服務(wù)器上的車輛信息圖像，經(jīng)過一系列處理后輸出精準(zhǔn)識(shí)別后的車牌號[3]。該系統(tǒng)的構(gòu)成如圖3所示。

（1）圖像預(yù)處理：車牌號識(shí)別系統(tǒng)從服務(wù)器上獲取車輛圖像信息作為輸入。將服務(wù)器中存儲(chǔ)的截獲的鳴笛車輛圖像信息作為系統(tǒng)的圖像輸入到車牌號識(shí)別系統(tǒng)中。截取的圖像質(zhì)量受光照條件、車牌與攝像頭角度、車牌與攝像頭距離等不可控因素的影響，通常含有很多噪點(diǎn)，在該處主要對圖像有效信息進(jìn)行增強(qiáng)和保留處理，對不必要的圖片信息進(jìn)行刪減，為后續(xù)流程提供便利，同時(shí)也節(jié)約了存儲(chǔ)空間。主要處理方法為灰度化，灰度拉伸，邊緣檢測，二值化等。

（2）車牌定位：該模塊的目的是將車牌區(qū)域準(zhǔn)確地從經(jīng)過預(yù)處理后的汽車圖像中分離出來，同時(shí)解決車牌區(qū)域與水平方向存在夾角的問題，便于后續(xù)進(jìn)行分割以及字符識(shí)別。

（3）車牌分割：定位后的車牌圖像被分割，組成車牌號的一系列單個(gè)字符被分割出來用于后續(xù)識(shí)別。

（4）字符識(shí)別：將上一步驟中分離出的單個(gè)車牌字符導(dǎo)入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型中，識(shí)別出相應(yīng)的漢字字母數(shù)字，最后將識(shí)別結(jié)果即車牌號發(fā)送至用戶系統(tǒng)頁面[6]。

2.3 用戶系統(tǒng)

用戶系統(tǒng)作為智能交通子系統(tǒng)，其主要功能為實(shí)現(xiàn)智能交通系統(tǒng)與用戶的交互。該系統(tǒng)可將違章時(shí)間，地點(diǎn)等信息通過短信方式發(fā)送至識(shí)別后的車牌號對應(yīng)車主的手機(jī)，同時(shí)將違章信息記錄進(jìn)車主信息數(shù)據(jù)庫，更加便于管理。用戶系統(tǒng)的構(gòu)成如圖4所示。

（1）車主提醒：從數(shù)據(jù)庫中獲取車主信息，將違章信息通過短信或其他方式發(fā)送給車主。可以讓車主及時(shí)了解自己車輛的違章信息，同時(shí)防止此類違法行為再次發(fā)生。

（2）數(shù)據(jù)庫：用于實(shí)時(shí)記錄并存儲(chǔ)車主的違章信息，包括時(shí)間、地點(diǎn)、圖像、違章次數(shù)等。實(shí)現(xiàn)對車主違章數(shù)據(jù)的管理，并作為后續(xù)對車主違法行為進(jìn)行處罰的主要證據(jù)。

3 ?系統(tǒng)關(guān)鍵技術(shù)

3.1 鳴笛聲識(shí)別

本系統(tǒng)通過深度神經(jīng)網(wǎng)絡(luò)模型來實(shí)現(xiàn)鳴笛聲識(shí)別的核心算法[1]。不同于傳統(tǒng)的算法的是，本系統(tǒng)采用的算法沒有明確的對聲源信息特征進(jìn)行提取的步驟，而是直接將傅里葉變換系數(shù)中的相位譜和幅度譜輸入到訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型中，在卷積運(yùn)算層中，通過若干個(gè)不同的卷積核得到對應(yīng)的特征圖，在全連接層中融合特征圖，實(shí)現(xiàn)維度的轉(zhuǎn)換，最后輸出聲源發(fā)生在每個(gè)區(qū)域的概率，概率最大的區(qū)域即為目標(biāo)聲源的定位區(qū)域。使用過濾器保證了在麥克風(fēng)陣列的位置有微小變動(dòng)時(shí)，仍然可以計(jì)算出較準(zhǔn)確的概率。在訓(xùn)練過程中，加入了存在與麥克風(fēng)陣列不同方向和距離的噪聲的干擾，保證了該系統(tǒng)在有噪聲干擾的情況下仍有較好的定位效果。

3.2 車牌號識(shí)別核心算法

車牌號識(shí)別算法主要包括圖像預(yù)處理算法、車牌定位算法、車牌分割算法和字符識(shí)別算法。

3.2.1 預(yù)處理算法

車牌號識(shí)別系統(tǒng)從服務(wù)器下載圖像信息，然后對圖像信息進(jìn)行灰度化、二值化等一系列預(yù)處理[3]?；叶然幚淼闹饕枷霝閷D像的RGB值設(shè)為相同的三個(gè)數(shù)值。該具體數(shù)值可以通過最大值法，平均值法，加權(quán)平均值法三種方法中任意一種來確定。圖片灰度處理后，由于車牌區(qū)域與非車牌背景區(qū)域?qū)Ρ榷炔桓撸y以準(zhǔn)確地從邊緣提取車牌界限，因此需要將車牌區(qū)間進(jìn)行灰度拉伸，將原圖像的點(diǎn)（x ， y）的灰度f（x ， y） 通過特定映射關(guān)系轉(zhuǎn)化為灰度g（x ， y）， 以增強(qiáng)車牌區(qū)域與背景區(qū)域的對比度。進(jìn)而將所得圖像進(jìn)行二值化，呈現(xiàn)出明顯的黑白效果[7]。

3.2.2 定位算法

本系統(tǒng)采用傳統(tǒng)車牌定位算法，將數(shù)學(xué)形態(tài)學(xué)與投影法相結(jié)合，并通過Hough變換消除車牌與水平方向存在夾角的影響，為后續(xù)分割做準(zhǔn)備[3]。利用膨脹，腐蝕，開啟和閉合四個(gè)結(jié)構(gòu)元素，度量形態(tài)特征，提取蘊(yùn)含在圖像里的信息，分析其拓?fù)浜徒Y(jié)構(gòu)特點(diǎn)，從而對車牌進(jìn)行數(shù)學(xué)形態(tài)法的粗定位。進(jìn)行投影法的細(xì)定位之前首先要判斷車牌是否傾斜，若車牌傾斜，則采用Hough變換將其進(jìn)行矯正處理，若車牌沒有傾斜，則可省去Hough變換這一步驟。利用Hough變換將傾斜車牌矯正的基本思想是統(tǒng)計(jì)出車牌圖像在參數(shù)空間中與對應(yīng)曲線的交點(diǎn)數(shù)最多的點(diǎn)[11-12]，該點(diǎn)映射到原圖像中最長的直線與X軸的夾角即為車牌的傾斜角度。通過極坐標(biāo)運(yùn)算得到新的矯正過后的像素點(diǎn)。同時(shí)由于二值化的車牌圖像在垂直方向的投影呈現(xiàn)出顯著的波峰-波谷特性，因此可利用改波峰-波谷特性特點(diǎn)對于車牌進(jìn)行左右邊界的精確的定位[8-9]。

3.2.3 分割算法

對汽車車牌進(jìn)行掃描，將汽車車牌的左右邊框基于字符處黑白跳變次數(shù)多于邊框上黑白跳變次數(shù)這一特性進(jìn)行去除，然后對車牌進(jìn)行分割[4]。采用從中間字符右邊界向左向右進(jìn)行掃描的方法實(shí)現(xiàn)對字符的分割，可以降低邊框去除不準(zhǔn)確對字符分割產(chǎn)生的影響。對放入矩陣m[i] （1*n）（其中n為車牌區(qū)域的整體寬度）中的像素點(diǎn)進(jìn)行掃描，當(dāng)連續(xù)發(fā)現(xiàn)三個(gè)像素點(diǎn)均小于垂直投影灰度閾值Q1后，即可判斷該處達(dá)到了字符邊界位置。由于首字符為車牌所屬地區(qū)，存在左右結(jié)構(gòu)，易產(chǎn)生漢字分割不連續(xù)問題，故對漢字采用起始終點(diǎn)做差法比較與閾值Q2的差，若差值大于Q2，則為完整字符，若差值小于Q2，則繼續(xù)掃描尋找首字符邊界。

3.2.4 識(shí)別算法

將分割后的字符通過網(wǎng)格特征提取法（即建立網(wǎng)格系統(tǒng)，選擇網(wǎng)格中白色像素的點(diǎn)作為特征值）與筆劃密度特征提取法（即從水平方向和垂直方向掃描字符，統(tǒng)計(jì)掃描線與筆劃線的相交情況）提取的特征相結(jié)合，根據(jù)字符位置輸入到訓(xùn)練好的三層神經(jīng)網(wǎng)絡(luò)中（向漢字網(wǎng)絡(luò)輸入分割產(chǎn)生的第一位字符，字母網(wǎng)絡(luò)輸入分割產(chǎn)生的第二位字符，字母數(shù)字網(wǎng)絡(luò)輸入第三到七位字符），經(jīng)一系列運(yùn)算后得到車牌號識(shí)別的結(jié)果[5]。網(wǎng)格特征提取法減小了車牌上污點(diǎn)造成的干擾，筆劃密度特征提取法則解決了字符微微變形的問題，二者互補(bǔ)，以實(shí)現(xiàn)對車牌字符的精確識(shí)別。

4 ?結(jié)語

本文設(shè)計(jì)了一個(gè)基于人工智能的智能交通系統(tǒng)，該系統(tǒng)分為鳴笛聲檢測定位系統(tǒng)，車牌號識(shí)別系統(tǒng)以及用戶系統(tǒng)三個(gè)子系統(tǒng)，分別實(shí)現(xiàn)對鳴笛聲音的識(shí)別與定位，對車牌號的識(shí)別，以及與用戶的交互三大功能。描述了系統(tǒng)中各模塊的具體作用以及模塊之間的聯(lián)系，鳴笛聲檢測定位系統(tǒng)識(shí)別出鳴笛車輛并且將聲源位置坐標(biāo)以及車輛對應(yīng)圖像信息上傳至服務(wù)器。服務(wù)器內(nèi)的車輛圖像信息被車牌識(shí)別系統(tǒng)獲取，在識(shí)別系統(tǒng)內(nèi)完成識(shí)別工作后，將識(shí)別結(jié)果上傳至用戶系統(tǒng)。同時(shí)用戶系統(tǒng)從服務(wù)器上下載鳴笛位置坐標(biāo)以及截取的汽車圖像，將違章信息發(fā)送給對應(yīng)的車主，并且將違章信息上傳至數(shù)據(jù)庫。簡要闡述了該系統(tǒng)主要模塊采用的核心算法。鳴笛聲檢測系統(tǒng)通過構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型并加入噪聲訓(xùn)練來實(shí)現(xiàn)鳴笛聲的準(zhǔn)確識(shí)別與定位，車牌識(shí)別系統(tǒng)灰度處理和二值化處理得到的圖像信息，數(shù)學(xué)形態(tài)學(xué)、投影法以及Hough變換相結(jié)合對車牌進(jìn)行定位，繼而通過掃描和與垂直投影灰度閾值進(jìn)行比較實(shí)現(xiàn)對車牌的分割，提取分割后的車牌特征，輸入漢字神經(jīng)網(wǎng)絡(luò)、字母神經(jīng)網(wǎng)絡(luò)以及字母數(shù)字神經(jīng)網(wǎng)絡(luò)進(jìn)行字符的識(shí)別。由于鳴笛聲噪聲環(huán)境復(fù)雜和車輛圖像信息較復(fù)雜，未來仍需要對該算法繼續(xù)進(jìn)行優(yōu)化，同時(shí)根據(jù)需求進(jìn)一步對系統(tǒng)進(jìn)行設(shè)計(jì)。

參考文獻(xiàn)

[1] Brandstein M S， Sliverman H F. A practical methodology for speech source localization with microphone arrays[J]. Computer， Speech and language， 1997， 11（2）： 91-126.

[2] Chakrabarty S ， Habets， Emanu?l. A. P. Broadband DOA estimation using Convolutional neural networks trained with noise signals[J]. 2017.

[3] 白明雷. 基于神經(jīng)網(wǎng)絡(luò)的車牌號識(shí)別方法研究[D].

[4] 遲曉君， 孟慶春. 基于投影特征值的車牌字符分割算法[J]. 計(jì)算機(jī)應(yīng)用研究， 2006（7）：256-257.

[5] 韓力群. 人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用（第二版）[M].化學(xué)工業(yè)出版社，2007.

[6] 肖坤平. 車牌字符自動(dòng)識(shí)別方法的研究[D]. 重慶大學(xué)， 2011.

[7] 潘梅森， 張奮， 雷超陽. 一種車牌號碼圖像二值化的新方法[J]. 計(jì)算機(jī)工程， 2008， 34（4）：209-211.

[8] 吳煒， 楊曉敏， 何小海，等. 一種邊緣檢測與掃描線相結(jié)合的車牌定位算法[J]. 電子技術(shù)應(yīng)用， 2005， 31（2）：43-46.

[9] 劉麗新， 劉京剛， LiuLixin，等. 行掃描進(jìn)行車牌上下邊界定位的研究[J]. 儀器儀表學(xué)報(bào)， 2005， 26（z2）：177-179.

[10]包明， 路小波. 基于Hough變換的車牌傾斜檢測算法[J]. 交通信息與安全， 2004， 22（2）：57-60.

[11]王良紅， 王錦玲， 梁延華. 改進(jìn)的Hough變換在校正汽車牌照傾斜中的應(yīng)用[J]. 太赫茲科學(xué)與電子信息學(xué)報(bào)， 2004， 2（1）：45-48.

[12]Kesidis A L ， Papamarkos N . On the inverse Hough transform[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1999， 21（12）：0-1343.

[13]陸鋒. 基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行車牌定位的研究[J]. 蘇州大學(xué)學(xué)報(bào)（工科版）， 2004， 24（6）：5-8.