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(duì)，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(dòng)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(shí)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(jì)分析，車輛抓拍識別設(shè)備的總體識別率并不高，這是因?yàn)檐嚺谱R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(cuò)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(shí)空判別進(jìn)行車牌號碼檢錯(cuò)與糾錯(cuò)的方法。

1 車牌號碼檢錯(cuò)糾錯(cuò)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(jì)算方法

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

(3)

(4)

(5)

(6)

則路段kAkB在時(shí)段T內(nèi)車輛的平均行駛速度為：

(7)

1.2 車牌號碼檢錯(cuò)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(fèi)的行程時(shí)間。

(4)如果滿足時(shí)空判別條件：

(10)

圖1 車牌號碼檢錯(cuò)步驟流程圖

1.3 車牌號碼糾錯(cuò)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(shí)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(shí)間段[t0-tr，t0+tr]的過車記錄表示為:

(14)

(15)

圖2 車牌號碼糾錯(cuò)步驟流程圖

2 參數(shù)的確定

車牌號碼檢錯(cuò)糾錯(cuò)方法涉及到的參數(shù)有5個(gè)，分別是路段行駛速度區(qū)間參數(shù)v1、v2，時(shí)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(jì)算路段平均行駛速度時(shí)去除冗余數(shù)據(jù)。v1、v2需要符合不同等級路段的設(shè)計(jì)時(shí)速，同時(shí)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(jì)算；如果v1選取過小，則時(shí)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(jì)算得到的路段平均行程時(shí)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(shí)間的過車記錄數(shù)據(jù)為例，時(shí)間窗的大小為[34，670]，單位為s。篩選之前的路段行程時(shí)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(gè)路段的行程時(shí)間過大，這些顯然是冗余數(shù)據(jù)，在計(jì)算路段平均行程時(shí)間以及路段平均行駛速度時(shí)必須剔除。

圖3 篩選前路段行程時(shí)間分布圖

經(jīng)過時(shí)間窗篩選之后的路段行程時(shí)間分布如圖4所示，樣本量為120，剔除了59個(gè)樣本數(shù)據(jù)，并且這59個(gè)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(shí)間，計(jì)算得出的該路段在這一時(shí)段的平均行程時(shí)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(shí)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(shí)間分布圖

(2)參數(shù)tr可以減小車牌號碼檢錯(cuò)與糾錯(cuò)步驟計(jì)算的數(shù)據(jù)量，提高檢錯(cuò)和糾錯(cuò)方法的運(yùn)行效率。tr值的選擇要符合人們?nèi)粘ｉ_車出行的時(shí)間規(guī)律，同時(shí)要保證覆蓋車輛一次出行的時(shí)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(yàn)，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(gè)大于1的無量綱參數(shù)。路段平均行駛速度的計(jì)算與v1、v2參數(shù)的選擇有關(guān)，因此參數(shù)λ是對計(jì)算得出的路段平均行駛速度的修正，同時(shí)參數(shù)λ也限定了車牌檢錯(cuò)糾錯(cuò)方法中時(shí)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(cuò)誤的檢測出來，車牌號碼檢錯(cuò)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(cuò)。因此車牌號碼檢錯(cuò)與糾錯(cuò)步驟λ值分別取3和1.5。

3 實(shí) 驗(yàn)

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(shí)驗(yàn)，并以車牌識別設(shè)備采集的視頻圖像數(shù)據(jù)進(jìn)行驗(yàn)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(shí)驗(yàn)選取了杭州市紹興路與香積寺路交叉口南抓拍點(diǎn)位3個(gè)時(shí)段(每個(gè)時(shí)段15 min)共計(jì)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(shí)驗(yàn)。各時(shí)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(shí)驗(yàn)數(shù)據(jù)流量表

本研究通過檢錯(cuò)算法對3個(gè)時(shí)段共計(jì)390輛本地車車牌號碼進(jìn)行檢錯(cuò)實(shí)驗(yàn)，分別檢測出5、9、3個(gè)錯(cuò)誤識別車牌號碼。對比視頻圖像數(shù)據(jù)進(jìn)行驗(yàn)證，實(shí)際分別有7、10、6個(gè)車牌號碼識別錯(cuò)誤。平均檢錯(cuò)正確率(檢錯(cuò)出的車牌號碼中實(shí)際錯(cuò)誤車牌號碼個(gè)數(shù)與檢錯(cuò)出的車牌號碼總數(shù)的比值)為100%。平均檢錯(cuò)檢出率(檢錯(cuò)出的車牌號碼中實(shí)際錯(cuò)誤車牌號碼個(gè)數(shù)與實(shí)際錯(cuò)誤識別車牌號碼總數(shù)的比值)為74%。

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

表3 檢錯(cuò)糾錯(cuò)實(shí)驗(yàn)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(shí)空判別的車牌號碼檢錯(cuò)糾錯(cuò)方法，同時(shí)對該方法進(jìn)行了實(shí)際測試，驗(yàn)證了該方法對錯(cuò)誤識別車牌號碼具有較高的檢錯(cuò)成功率，并能夠糾正部分錯(cuò)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(diǎn)位密度以及實(shí)時(shí)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(shí)，由于抓拍點(diǎn)位密度不足，也在一定程度上對檢錯(cuò)糾錯(cuò)時(shí)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(jì)與實(shí)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(bào),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(jì)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(shí)性驗(yàn)證[J].光學(xué)精密工程,2009,17(4):886-894.

[7] 卜英家.基于計(jì)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(bào)：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(jì)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(dòng)識別中的字符特征提取[J].機(jī)電工程,2008,25(9):106-108.