摘要：隨著科學技術(shù)不斷發(fā)展，智能技術(shù)在各個行業(yè)中均得到了廣泛應(yīng)用，為了規(guī)范交通運輸管理、降低交通安全事故風險，智能交通系統(tǒng)應(yīng)運而生，它可對車輛精準識別從而得到車輛各類信息，為交通管理提供信息支撐，提高道路交通的規(guī)范性?；诖耍撐年U述了車輛識別檢測的發(fā)展現(xiàn)狀，進而探究智能交通車輛識別檢測技術(shù)的應(yīng)用，以期助力相關(guān)工作。

關(guān)鍵詞：智能交通；車輛；識別檢測技術(shù)；傳感器

doi：10.3969/J.ISSN.1672-7274.2024.12.042

中圖分類號：TP 391.41" " " " " " 文獻標志碼：A" " " " " " 文章編碼：1672-7274（2024）12-0-03

Analysis of Intelligent Transportation Vehicle Recognition and Detection Technology

WANG Dubin

（Huashi Design Group Co.， Ltd.， Nanjing 210000， China）

Abstract： With the continuous development of science and technology， intelligent technology has been widely applied in various industries. In order to standardize transportation management and reduce the risk of traffic accidents， intelligent transportation systems have emerged. They can accurately identify vehicles and obtain various types of information， providing information support for traffic management and improving the standardization of road traffic. Based on this， this article elaborates on the current development status of vehicle recognition and detection， and further explores the application of intelligent transportation vehicle recognition and detection technology in order to assist related work.

Keywords： intelligent transportation; vehicle; identification and detection technology; sensor

隨著社會經(jīng)濟高速發(fā)展和人們的生活水平不斷提升，加大了交通需求，從而導致交通擁擠、交通資源不足等問題，提高了交通事故的發(fā)生概率，給城市運營發(fā)展帶來了極大困擾。在智能化技術(shù)支撐下，打造智能交通系統(tǒng)，能改善交通運營與管理現(xiàn)狀。特別是車輛識別檢測技術(shù)的應(yīng)用，可實時采集道路車輛數(shù)據(jù)信息，幫助城市交通管理部門科學決策，提高城市交通管理質(zhì)量。車輛識別檢測技術(shù)利用視頻、傳感器等設(shè)備實現(xiàn)交通監(jiān)管功能，快速精準捕捉車輛信息，為交通管理提供了充足的信息支撐。如今在智能交通領(lǐng)域車輛識別檢測技術(shù)的應(yīng)用愈加廣泛，包括車輛圖像采集、數(shù)字圖像處理、幀差法融合背景差分、車輛識別智能系統(tǒng)等，為發(fā)揮智能交通體系的效能奠定了堅實基礎(chǔ)。

1" "車輛識別檢測技術(shù)發(fā)展現(xiàn)狀

車輛識別檢測技術(shù)是指利用視頻圖像、物聯(lián)網(wǎng)等技術(shù)輔助開展交通監(jiān)管的綜合性技術(shù)。目前，車輛識別檢測正在朝自動化、智能化方向發(fā)展，但由于技術(shù)尚未達到成熟階段，因此在實際應(yīng)用中存在一些問題，如設(shè)備受自然環(huán)境影響、安裝程序相對復(fù)雜等。車輛檢測需要依靠人工輔助或決策，自動系統(tǒng)所采集的數(shù)據(jù)信息不完善、不清楚等，無法充分利用車輛視頻圖像中的龐大信息，且易會受到人為因素的影響?？梢?，目前車輛識別檢測技術(shù)的應(yīng)用還有待進一步深化。新型車輛識別檢測技術(shù)借助了數(shù)字傳感器、高清攝像頭、電子計算機系統(tǒng)，同時配合應(yīng)用人工智能、圖像處理等技術(shù)，實現(xiàn)車輛圖像信息采集、動態(tài)變化信息的智能化處理等功能[1]。

目前，智能交通體系中應(yīng)用車輛識別檢測技術(shù)主要集中在違章監(jiān)控、車輛檢測、停車收費、停車場監(jiān)控等方面，領(lǐng)域越來越廣泛。但整體上，車輛識別檢測精度有待進一步提升，這是因為車輛實際運行中具有隨機性特點，對相同車輛在不同角度、不同位置采集的圖像信息存在較大差異，這也給車輛識別檢測帶來了巨大挑戰(zhàn)。

2" "智能交通車輛識別檢測技術(shù)的應(yīng)用

2.1 車輛圖像采集

2.1.1 高清攝像頭采集系統(tǒng)

借助高清攝像頭打造視頻監(jiān)控系統(tǒng)，可實時捕捉車輛的高清圖像信息，據(jù)此精準分析、得出交通車輛核心信息。借助采集卡，對模擬圖像信息進行整合、分類，對道路運行中不同類別信息展開深度分析，借助計算機系統(tǒng)將采集的圖像信息進行數(shù)字化轉(zhuǎn)換，得出數(shù)字圖像信號。將所采集的各類信息傳輸給車輛識別檢測系統(tǒng)，借助無線通信網(wǎng)絡(luò)實現(xiàn)不同設(shè)備之間的信息交互。如圖1所示，整個車輛識別檢測系統(tǒng)包含視頻采集、車輛信息顯示、信息處理等多個模塊，各個模塊相互連接，其中車輛圖像采集模塊是整個智能交通系統(tǒng)的基礎(chǔ)。

2.1.2 地面感應(yīng)線圈車輛檢測系統(tǒng)

環(huán)形線圈檢測器是應(yīng)用十分廣泛的交通流檢測設(shè)備。預(yù)先在地下埋設(shè)環(huán)形線圈，車輛通過后會改變地下線圈磁場，根據(jù)磁場變化情況檢測器即可判斷車輛流量、速度、時間占用率、長度等各類信息參數(shù)。借助環(huán)形線圈檢測器的通信模塊，可將采集的信息數(shù)據(jù)實時上傳給控制中心系統(tǒng)，為智能交通管理提供信息支撐。從目前發(fā)展來看，感應(yīng)線圈檢測技術(shù)已經(jīng)較為成熟，在技術(shù)應(yīng)用和數(shù)據(jù)處理層面均可以保證質(zhì)量。再加上電子計算機、智能化技術(shù)的支持，進一步提升了環(huán)形線圈檢測器的信息采集精度，可提供可靠的檢測信息。

2.2 數(shù)字圖像處理

2.2.1 圖像去噪

在車輛識別檢測中，車輛信息采集直接受到外部環(huán)境的影響和干擾，所產(chǎn)生的噪聲會嚴重影響圖像生成質(zhì)量，導致車輛圖像過于模糊，影響圖像信息的后續(xù)處理工作，甚至無法用于輔助管理決策，這就需要采用圖像去噪的方法恢復(fù)圖像?？刹捎镁S納濾波去噪技術(shù)，借助濾波器對圖像信息反復(fù)還原降噪，讓所得到的圖像盡可能接近原圖質(zhì)量水平。

2.2.2 圖像增強

由于城市交通環(huán)境的差異，在采集車輛圖像信息時會因為不同區(qū)域明暗度不同，產(chǎn)生較大灰度差，也就是對比度。針對對比度較差的情況，需借助灰度直方圖均衡化方法讓圖片對比度得到進一步提升[2]。大體可分為兩種方式：一種是直接增強圖像對比度，另一種是間接增強圖像對比度。在間接增強圖像對比過程中，直方圖均衡化、直方圖拉伸等方法最為常見，直方圖均衡化方法以“中心調(diào)節(jié)”為理念，在某灰度區(qū)間中分布灰度直方圖，將其呈現(xiàn)出非線性拉伸狀態(tài)，集中處理、分析圖像的像元值，獲取某個灰度范圍內(nèi)的像元數(shù)量。直方圖拉伸方法主要是根據(jù)對比度差異對直方圖進行拉伸，調(diào)節(jié)圖像背景和前景間的灰度差，使得圖像對比度得到提升。

2.3 幀差法融合背景差分法

2.3.1 融合技術(shù)

幀差法與背景差分是兩種不同的圖像處理方法，而借助不同傳感器可實現(xiàn)兩種技術(shù)的融合，通過算法對多幅圖像進行處理，整合多個圖像中的互補信息、消除多圖像中的冗余信息，從而實現(xiàn)圖像信息的強化作用，讓圖像質(zhì)量進一步得到提升，融合之后的圖像具有較好的魯棒性，為后續(xù)圖像深度分析和檢測、識別奠定基礎(chǔ)。

幀差法作為圖像捕捉的重要技術(shù)之一，具有運算速度快、計算過程簡單、光線明暗度低、魯棒性好等特點，并且由于動態(tài)圖像中的相鄰兩幀圖像間隔時間很短，因此背景變更不會對算法造成影響。但幀差法也存在一定的劣勢，即無法精準檢測靜態(tài)車輛。背景差分法則可以實現(xiàn)靜態(tài)車輛信息檢測（也可以檢測動態(tài)車輛信息），彌補了幀差法的劣勢，同時背景差分算法計算過程簡單，不涉及求解均值環(huán)節(jié)。當然，背景差分算法也存在一定劣勢，如車輛環(huán)境具有多變性，需重復(fù)更新背景環(huán)境變化才能避免檢測誤差，因此計算量非常大[3]。

2.3.2 去除圖像陰影

智能攝像頭采集車輛信息需要全天候運行，再加上攝像頭設(shè)置在室外，受到日光影響會降低圖像采集質(zhì)量。路面照度也會影響最終成像質(zhì)量，而背景環(huán)境散射照度是影響路面照度的重要因素。當光線直射時，會因物體遮擋形成陰影，而產(chǎn)生的散射光線則不會生成陰影，因此圖像形成可能會產(chǎn)生陰影情況，對數(shù)據(jù)分析造成影響，難以獲得精準的分析結(jié)果。由于物體都會有背景，再加上移動物體的遮擋，所以陰影灰度客觀存在，這就需要在圖像分析中將陰影區(qū)域剔除，對此可采用邊緣檢測法加以處理[4]。

3" "智能交通車輛識別系統(tǒng)搭建

3.1 識別流程

車輛識別采用基于數(shù)字形態(tài)學的處理方法，該方法可全面收集車輛信息，同時保證所采集車輛信息的精準度。車輛識別系統(tǒng)運行流程：采集車輛圖像信息→圖像預(yù)處理→車輛目標檢測→數(shù)學形態(tài)學→提取輪廓→計算特征參數(shù)→分類識別。在去除圖像干擾因素后（如降噪、畫面增強等方法），使用邊緣檢測法獲取到車輛輪廓信息，在車輛特征提取后完成識別流程。成功獲得車輛圖像信息后，為了避免車輛輪廓信息存在缺陷，必須要采用新的方法。傳統(tǒng)的邊緣檢測方法不僅無法保證圖像輪廓的連續(xù)性，還會出現(xiàn)內(nèi)部邊緣、外部輪廓重疊問題，針對此類問題必須要先識別車輛的外部輪廓信息，根據(jù)輪廓邊緣信息進一步得出車輛的特征信息，如車輛長、寬、面積等。具體方法如下。

采集車輛數(shù)據(jù)、評估圖像質(zhì)量。根據(jù)圖像質(zhì)量評定標準建立質(zhì)量評定程序，可自動對所采集的圖像進行質(zhì)量評價，也可人工定義質(zhì)量評定標準，從而保證圖像質(zhì)量評價的針對性。為了減少人為因素的干擾，除了要設(shè)置智能攝像頭和標準測試法，還需要采用機器視覺技術(shù)對返回識別信號進行深度分析，完成對圖像的質(zhì)量評估，判斷圖像清晰度是否滿足標準[5]。

對車輛圖像進行預(yù)處理之后，保證圖像信息的魯棒性，快速對車輛車牌照進行定位，獲取車牌信息，包括車牌圖像的紋理、顏色、形狀、灰度跳變等，根據(jù)不同的圖像性質(zhì)，設(shè)定不同的灰度圖像定位算法（也可以采用彩色圖像定位算法），將整個圖像區(qū)域進行分割定位，劃分成基礎(chǔ)區(qū)域、彩色空間、圖像邊界等。

建立圖像質(zhì)量可追溯系統(tǒng)，充分利用大數(shù)據(jù)技術(shù)實現(xiàn)原始數(shù)據(jù)追溯和查詢，可第一時間檢索到歷史圖像數(shù)據(jù)。依托于spark大數(shù)據(jù)平臺，對車輛圖像數(shù)據(jù)進行存儲、查詢、質(zhì)量評估，對所存儲的數(shù)據(jù)信息分類管理，包括機器人相對位置、攝像頭類型、光照強度、相對高度、現(xiàn)場檢測數(shù)據(jù)、測試卡圖像等。以Hadoop分布式文件系統(tǒng)為基礎(chǔ)搭建spark系統(tǒng)，借助SQL接口實現(xiàn)功能拓展和信息共享，為后期進行數(shù)據(jù)分析、深度挖掘、二次利用提供支持。

車輛自動化識別系統(tǒng)可實現(xiàn)遠程操控功能，通過搭載移動通信模塊以及遙控技術(shù)，管理人員在室內(nèi)即可完成設(shè)備操控，整個操控響應(yīng)時間不超過2 s，效率非常高。檢測人員選定車輛圖像后，自動評估系統(tǒng)即可開展評估工作，且在1 s內(nèi)完成，判斷誤差率控制在2%以內(nèi)。隨著車輛信息持續(xù)采集，數(shù)據(jù)規(guī)模也不斷擴大，因此應(yīng)建立存儲規(guī)模適配的大數(shù)據(jù)庫，保證數(shù)據(jù)信息妥善存儲，同時借助大數(shù)據(jù)處理技術(shù)提高信息服務(wù)響應(yīng)速度，要求信息請求的響應(yīng)流程時間不超過2 s[6]。

3.2 特征識別

車輛輪廓提取。常規(guī)方法是采用canny邊緣檢測技術(shù)提取車輛邊緣輪廓，實際提取的車輛輪廓雖然較為平滑，但往往存在不連續(xù)情況，車輛輪廓描繪精度不足。這就需要對所提取的車輛輪廓信息進行數(shù)學形態(tài)處理，如膨脹、修復(fù)等，最終獲取連續(xù)、完整的車輛輪廓圖。

車輛分類。由于從車輛不同角度、不同方向獲取的圖像信息存在差異，為了保證識別精度，前端攝像頭應(yīng)從多個角度拍攝車輛信息，獲取車輛的長度、寬度等基本信息，判斷車輛類型并將其劃分等級，如一類小車、二類大車、三類超長車，保證車輛分類的統(tǒng)一性和科學性。

計算車輛特征參數(shù)。采用像素法計算車輛特征參數(shù)，車輛輪廓內(nèi)所有的像素數(shù)均為計算范圍，根據(jù)像素法應(yīng)用理論和要求完成計算，其中主要組成為0和1，其中，0表示背景，1表示車輛，根據(jù)0和1的組合形式即可計算車輛長、寬、周長、面積等幾何參數(shù)信息[7]。

4" "結(jié)束語

綜上所述，為了充分發(fā)揮智能交通系統(tǒng)的作用，必須要充分利用車輛識別檢測技術(shù)，實現(xiàn)車輛信息采集、分析、處理、應(yīng)用等多項功能。采用模塊化設(shè)計方案，通過搭建車輛信息采集系統(tǒng)、車輛識別系統(tǒng)，加強數(shù)字圖像處理，采用幀差法與背景差分法融合等方法，最大程度保障車輛信息識別檢測精度，減少車輛信息識別檢測誤差，為交通管理決策提供堅實的數(shù)據(jù)基礎(chǔ)。

參考文獻

[1] 羅輝．智能交通車輛識別檢測技術(shù)研究[J]．智能建筑與工程機械，2023，5（7）：93-95．

[2] 王承梅，杜豫川．基于YOLO算法的復(fù)雜交通環(huán)境中車輛目標檢測方法[J]．交通與運輸，2023，39（2）：20-24．

[3] 崔兆文，劉肖飛，夏詩楠，等．基于YOLOv5的車牌識別系統(tǒng)[J]．傳感器技術(shù)與應(yīng)用，2023，11（4）：368-374．

[4] 金盛，蘇弘揚，張靜．融合出行拓撲與序列分析的車輛時空出行模式挖掘[J]．交通運輸系統(tǒng)工程與信息，2023，23（2）：40-53．

[5] 鄭琳，王福龍．車牌檢測與識別算法研究[J]．智能計算機與應(yīng)用，2021（10）：24-25．

[6] 趙奇慧，劉艷洋，項炎平．基于深度學習的單階段車輛檢測算法綜述[J]．計算機應(yīng)用，2020，40（2）：763-765．

[7] 張奇文、趙洹琪、胡偉、超文．淺談基于視頻識別的交通事件檢測算法性能評估[J]．道路交通管理，2023（8）：36-39．