基于HSV颜色空间的山区道路中的车牌定位

李红林

摘要： 分析了目前我国山区道路交通事故的路况影响因素及其与山区道路交通事故之间的关系。结合地区的交通发展状况利用全概率公式测算出各因素可能导致交通事故的概率及相应的危险系数；在实时勘测各因素的基础上，结合样本库中的数据，判断出车辆是否处于安全状态，对于处于非安全状态的车辆进行车牌定位。

关键词： 智能交通； 山区； 危险系数； 安全状态； 车牌定位

中图分类号：TP391文献标志码:A文章编号：1006-8228（2012）03-22-03

License plate location on the mountain road based on the HSV color space

Li Honglin

（School of Compute Science and Engineering, Qujing Normal University， Qujing， Yunnan 655011, China）

Abstract： In this essay the author analyzes the relationship between the impact of China's current mountain road condition and the traffic accidents in mountain areas. Combining with the current state of development of the regions transportation, the author uses the complete probability formula to estimate the probability of all the factors that could cause traffic accidents and the corresponding danger index. Based on the real investigation of various factors of vehicles in the mountain road together with the sample library data, it can be determined timely whether a vehicle is in safe state or not. If not, its license plate may be located.

Key words： intelligent transportation； mountain road； danger index； safe state； license plate location

0 引言

智能交通系统（ITS，Intelligent Transportation System）是目前世界交通运输领域研究的前沿课题[1]。智能交通系统将先进的信息技术、定位导航技术、数据通信技术、电子传感器技术、自动控制技术、图像处理技术、计算机网络技术、人工智能技术、运筹管理学等有效地综合运用于交通运输管理体系，加强了车辆、道路、使用者三者之间的联系，从而可实现交通运输服务和管理的智能化。在综合集成思想指导下，建立一种大范围、全方位、实时、准确、高效的综合交通运输管理系统，是一个多学科和技术的大型综合化系统工程[2-5]。随着经济的发展，车辆数量急剧增大，产生了日益严重的交通问题，如交通拥挤堵塞、交通环境恶化、交通事故频繁等，这已成为世界各国所面临的共同问题[6]。

目前，研究智能交通系统的国家比较多，尤其是日本、美国、欧洲作为世界上经济发展水平较高的几个国家，他们在智能交通的研究运用方面取得了巨大的成就。我国ITS的研究应用起步较晚，但处于蓬勃上升发展的阶段。像先进的交通管理系统、电子收费系统、车辆安全与辅助驾驶系统、公共交通系统、交通信息系统及紧急事件救援系统等都得到了不同程度的运用。在我国，山区面积占全国总面积的2/3，山区的道路崎岖、艰险，无疑给山区乃至全国的经济发展带来了阻碍。同时，面对着山区道路交通事故的多发，不仅让人民有了心理上的恐惧，而且增加了人民的经济负担。但在已有的交通管理系统中，大部分只适合城市道路交通，对于山区道路而言，大部分都不适合。基于此，开发一个适合于山区道路的智能交通系统势在必行。

1 山区道路交通

道路交通事故是所有国家都面临着的一个严重又难于解决的问题，特别是在我国，山区占地较多，道路交通事故频繁发生。

1.1 山区交通事故

在山区道路交通中常见道路交通事故的现象有碰撞、碾压、刮擦、翻车、坠车、失火六种[7]。任何一起山区道路的交通事故，都是由多个因素共同组成的，但是，归根结底都是由一个主要因素和其他相关因素导致的。事实上，大多数的时候道路交通事故的发生都是由人为的因素造成的。在众多的交通事故中，低驾龄、无证驾驶人肇事相对突出，由驾驶人本身的原因引发的交通事故是导致交通事故的主要因素。车辆作为交通中的主要参与者，车辆的性能不良、带病行驶和机件失灵则是导致交通事故的主要原因。汽车的行驶离不开道路，道路是交通安全系统中的重要因素，不同的路线、道路状况对道路交通事故的影响比较大。在山区，基本都是混合交通，道路的等级很低，道路通常以四级以下的盘山公路为主，辅之以县、乡道和农村机耕路。这些道路受地势和当地经济条件的影响路况普遍较差，路面基本以砂石、泥土为主道，路线大多是依山傍水，坡陡弯急，加之受地形、地貌的影响，有相当数量的公路弯道半径小，又受树木及其它障碍物的遮挡，使得视线受限，而且路面窄、线形差，事故黑点多，安全隐患大。另外，道路建设与管理不到位交通标志、标线和安全设施不全或不规范也是山区道路存在的通病。当然，天气状况也是影响山区道路行驶安全的因素之一。

1.2 山区道路预警系统

为了尽可能地减少山区道路交通事故，我们对山区道路交通安全预警系统进行了研究。

构建山区道路预警系统需要确定汽车当前的运行环境与道路交通事故类型之间的对应关系，从而确定出当前车辆行驶是否处于安全状态。前者依赖与同类型的道路交通事故具有相似的运行环境，后者依赖于准确的分析道路交通事故产生的原因，根据不同类型的道路交通事故寻求相应的预防措施。

本文利用全概率公式测算影响道路交通事故的各因素的分布及各因素可能导致交通事故的概率。其一般步骤为：

⑴ 根据历史资料，总结出引发交通事故的因素的有哪些。

⑵ 分析发生过的交通事故各有哪些因素导致，并统计各因素的所占比例。

⑶ 测算出各因素可能导致道路交通事故的概率。

⑷ 检测当前车辆运行时的各种相关因素并和交通事故样本空间的数据对比，综合测算出当前车辆行驶是否在安全的范围内，若不是，则给出提示信息，并对收到提示依然照旧行驶的车辆进行车牌识别。

表1交通事故主要因素信息表

[[主要因素&事故总数Ni&该因素导致的事故数Mi&所占比例Q&车&N1&M1&QC=M1/N1&路面类型&N2&M2&QR=M2/N2&道路线性&N3&M3&QL=M3/N3&驾驶员&N4&M4&QD=M4/N4&环境&N5&M5&QE=M5/N5&]

]

要使预警有较高的准确性，不仅要对近年来山区道路的发展状况及在山区道路上发生的交通事故有详细的统计，如对各种车辆的类型、各种道路的类型、各种环境等因素所占的比例的记录，以及车辆、道路、驾驶员、环境所导致的交通事故的比例，还要对各种各个小的因素进行统计测定。表1示出了引发交通事故的一些主要因素。

假设到目前为止，某地区大型客车、大型货车、中型客车、中型货车、小型客车、小型货车、轿车所占比例为Ai；在某种道路上，在时间t1-t2时间间隔内，各类车的总通行量为Ni；在这段时间里，各类车发生的交通事故的次数为Mi。可以得到，在这类道路上各类车可能发生交通事故的概率Pci，这类车在这种道路上的危险系数为SCi，其中(i=1,2,3,……,n)。概率。

根据概率的大小，可得到危险系数。同时，通过对路面类型Ri（沥青R1、沙石R2、水泥R3、土路R4等）,车辆总通行量Ni、发生事故总量Mi进行测定，其中(i=1,2,3,……,n)，可得路面类型所对应发生事故的概率。

相对应的危险系数为SRi。通过对道路线性Li (即道路平直L1，坡L2，弯L3，坡加弯L4，交叉路L5等)，发生事故总数Ni,这类道路发生事故数Mi，得道路线性概率为,相对应危险系数为SLi；同理,对驾驶状况(酒后驾驶、无证驾驶、超速行驶、超载行驶、措施不当等)及环境情况(晴、阴、雾、雨、雪等)也可根据全概率公式进行测量。

利用上面分析方法，根据目前获取车辆行驶的相关数据与上述样本库中测量得到的各因素导致的车辆的安全系数，可测算出各因素综合后的车辆行驶的总的安全系数S，即。由此，可对车辆的运行状态进行诊断，如果小于某个测算出的危险系数S，则认为系统是安全的，车辆可以这样行驶。否则，系统是不安全的。

2 车牌定位

利用上述预警结果，针对处于不安全状态（即处于危险状态）的车辆，即收到预警信息号还依然继续前进，可通过车辆识别系统对其车牌进行识别。

2.1 RGB到HSV颜色空间转换

不同的应用场合，图像颜色的表示方法各不相同。一般情况下，从数码像机拍摄的图片是处于RGB颜色空间的（由红（Red）、绿(Green)、蓝(Blue)三分量组成），R、G、B三个分量随着光照变化将改变，两个相近的颜色其R、G、B值可能相差很大。通常我们拍到的汽车图片光照条件各异，同时RGB空间是颜色显示空间，并不适合人的视觉（人的视觉特性无法获得物体的RGB分量值），对目标物体的颜色描述相对复杂，各个分量之间冗余信息多。所以RGB空间不适合作颜色分割，也就不适合用于车牌识别。而HSV颜色模型(H，S,V分别代表色调Hue、饱和度Saturation和亮度Value)能独立感知各颜色分量的变化，能较好地反映人对色彩的感知和鉴别能力，非常适合于基于色彩的图像相似比较[8]。利用H和S分量可以排除光照条件影响，对于光照条件不确定的彩色汽车图片分割具有十分重要的意义，在车牌提取中颜色分割更容易通过调节H、S、V这三个参数而实现。基于此，本文提出了基于HSV颜色模型的车牌定位方法。由RGB颜色空间转换到HSV颜色空间的转换如下：

上式中，。

2.2 边缘颜色均值对车牌定位

在HSV颜色空间中利用边缘颜色均值对的方法对车牌区域进行初定位。原理如下：目前中国的车牌大概分为四种类型：蓝底白字（蓝牌）、白底黑字或红字（白牌）、黄底黑字（黄牌）和黑底白字（黑牌）。针对中国车牌的底色与车牌字符颜色的固定搭配，对四种色彩限定的区域范围值，并采用5×5的模板。

[[(i+2,j-2)&(i+2,j-1)&(i+2,j)&(i+2,j+1)&(i+2,j+2)&*&*&*&*&*&*&*&(i,j)&*&*&*&*&*&*&*&(i-2,j-2)&(i-2,j-1)&(i-2,j)&(i-2,j+1)&(i-2,j+2)&]]

5×5模板（*表示不予考虑）

图1(a) 原图 图1(b)车牌粗分割图1(c)车牌精定位

考虑到两种颜色的边界附近存在过渡颜色，取模板最下边一行的5个像素,计算这5个像素的RGB各分量的平均值，对模板的最上边一行的5个像素,也计算其RGB的各分量的平均值，将它们都转化到HSV空间中。在转换过程中，采用本文提出的改进的HSV模型。在转换后的HSV颜色空间中，检测两个颜色均值的HSV是否出现车牌底色与车牌字符的颜色搭配。如果是，则认为是车牌区域，保留下来，否则去除，实现车牌的粗分割。如图1(a)原图，经粗分割后如图1(b)所示。最后基于数学形态学与几何特征进行车牌精定位，如图1(c)所示。

3 结束语

本文采用全概率公式分析了山区道路各因素的特点及重要性，结合车辆行驶过程中实时的因素变化，讨论了山区道路车辆安全行驶问题，并给出了相应的预警，以及对处于危险状态的车辆进行车牌定位的方法，以降低山区道路交通中事故的发生率。实践表明本文方法的预警结果受测量的历史数据影响较大。

参考文献：

[1] 王夏黎.智能交通视频监视技术的研究与应用[D].西北大学计算机科

学系,2004.

[2] Horst E.Gerland. ITS Intelligent Transportation System: FleetManagement with GPS Dead Reckoning, Advanced Displays, Smartcards,etc. IEEE-IEE Vehicle Navigation & information Systems Conference, Ottawa, Canada,1993:606~611.

[3] Chelsea C.White.Intelligent Transportation Systems: Integrating Information Technology and the Surface Transportation System:1995 IEEE International Conference on Systems, Man and Cybernetics(SMC95),Vancouver, British Columbia,Canada,1995.4000~4003

[4] Braun, Alexander E. Intelligent transportation systems: mirage or reality. Microwave Journal,1997.40(8):22~38

[5] MARK W.MAIER.On Architecting and Intelligent transport systems.IEEE Transaction on Aerospace and Electronic Systems,1997.33(2):610~625

[6] 李文举.智能交通中图像处理技术应用的研究[D].大连海事大学信息科学与技术学院,2004.

[7] 杨希锐,吴礼林.交通事故处理与索赔案例分析[M].人民交通出版社,2004.

[8] 袁庭启,徐涛.一种基于HSV空间和纹理特征的快速车牌定位方法[J].重庆工学院学报(自然科学),2008.10(22):179~182