基于车牌识别的隧道限速监测装置

侯俊涛，梁译丹，何源

（攀枝花学院智能制造学院，四川攀枝花，617000）

关键字：隧道限速；车牌识别；边缘检测；阈值分割

0 引言

隧道是当今公路交通线网的重要组成部分之一，由于其特殊的结构特点，导致隧道路段成为诸多路段中事故发生率最高的一个，而隧道安全问题也是一直以来的热点问题之一。

目前，国内外学者针对隧道安全展开了诸多讨论和研究。程新平[1]提出高速隧道容留监控及预警系统开发应用，通过对隧道限速变道抓拍系统现状的分析，进行隧道容留监控及预警系统设计，实现系统建设和应用，解决了发生交通事故后，隧道内因为车辆容留，而造成的二次事故的风险。彭成坝[2]提出的基于“暗适应”的隧道入口前可变限速值的确定，阐述了隧道明暗适应机理，黑洞白洞效应，视觉震荡现象，分析不同亮度折减系数K的情况下，隧道“暗适应”入口前的可变安全限速值，为不同环境条件下，不同隧道的可变限速提供依据，可对不同情况下的隧道，形成合适的方案，保障行车安全，减少了因视觉影响而造成的隧道入口交通事故，减少了隧道入口的交通事故发生率。孙继洋[3]提出的隧道照明对隧道限速设计影响研究，通过对典型案例的分析，进行限速评价和隧道照明设计的分析，为隧道限速提供充分的，合理的依据。董鲁祺[4]提出基于山区隧道的可变限速系统开发与仿真，根据不同的天气，不同的道路和交通流情况，建立安全速度模型，并进行仿真验证，基于车路协同，通过无线信号像驾驶员发送安全速度计算结果，从而提醒驾驶员，减少事故发生，提高了山区隧道行车安全。李浩[5]提出高速公路隧道安全限速设置方法及工程方案研究，通过分析高速公路隧道不同条件以及影响因素，结合层次分析法，建立高速公路隧道限速设置模型，提出限速方案，对限速的条件和约束进行合理建议。崔健[6]提出高速公路长隧道入口段可变限速研究，采用宏观交通流模型，对可变限速系统进行建模，并用遗传算法对其进行求解，实验可变速限速情况，进行车速和运行效率的分析，旨在让车辆以平稳状态运行，减少车辆运行速度的离散性，以此提高交通安全，提高交通的运行效率。

本文提出一种基于车牌识别的隧道限速监测装置，首先在隧道出入口各布置一台相机捕捉进出车辆的车牌图像，对采集得到的车牌图像进行车牌识别。并在车辆进出隧道时记录时间，利用速度平均值与限速值进行比对，最终判断汽车是否超速。

1 装置工程流程

限速装置工作流程如图1所示，包含车牌识别、记录进入隧道时间、第二次车牌识别和记录驶出隧道时间、平均速度计算和超速判定等部分，具体工作流程如下：

图1 装置工作流程图

(1)车牌识别：通过相机捕捉驶入隧道车辆的车牌图像，对采集得到的车牌图像进行改进的灰度变换预处理，再利用Prewitt算子对预处理后的图像进行边缘检测，采用otsu阈值分割算法将目标区域从图像中分割出来，最后进行特征提取和目标识别，从而识别车牌。

(2)记录驶入隧道时间：将后台记录的相机捕捉驶入隧道时车辆车牌图像的时间记为该车驶入隧道时间。

(3)再次车辆识别：再次利用相机捕捉该车驶出隧道时的车牌图像，并对车牌通过相同的算法处理。

(4)记录驶出隧道时间：将后台记录的该车驶出隧道时相机捕捉车牌图像的时间记为驶出隧道时间。

(5)平均速度计算：通过将记录的车辆驶入、驶出隧道的时间计算出车辆在隧道内部的时间，在用该隧道长度除以车辆在隧道内部的时间求出平均速度。

(6)超速判定：将车辆速度计算结果与国家法案规定的其隧道路段上限值做比较，判定该车在隧道内部是否超速。

2 车牌识别算法

2.1 图像预处理

通过摄像机捕捉拍照得到的照片通常为RGB图像，计算机识别有一定困难，因此需要对图像进行灰度变换。普通的灰度变换中灰度值与个颜色分量权重关系为：

然而普通的灰度变换易受到环境和背景的影响，因此本文提出一种新的灰度变换算法，极大程度上抑制了外界因素对于车牌号码的识别影响，改进后的灰度变换如式(2)所示。

由于受外界环境的影响，采集的图像中存在一定的噪声干扰，因此需要进行去噪处理，以避免检测出伪边缘。中值滤波的去噪效果比均值滤波好，因为既有好的去噪效果，又能较好地保护边缘，不会带来模糊。中值滤波运算式为：

图2给出原图与预处理以后的车牌号码图像。

图2 预处理结果

2.2 Prewitt算子边缘检测

Prewitt算子模板具有水平方向和垂直方向，如图3所示。

图3 Prewitt 算子模板

水平模板计算梯度公式为：

由垂直模板计算梯度公式为：

各像素的梯度计算公式为：

采用式(4)、(5)和(6)逐一计算图像中模板中心位置像素的梯度，计算完除边界处的像素外的所有像素的梯度，寻找梯度值大的区域，梯度值大的区域即为边缘的位置，表示图像中该区域灰度变化大，图像边界处的像素梯度因不具有实际研究价值因此可以用前一行或前一列的梯度值代替。

2.3 otsu阈值分割

考虑图像中目标区域与非目标区域的灰度对比差异明显，因此采用常用的Otsu阈值分割算法对图像进行分割。Otsu阈值分割算法[7～8]又称最大类间方差分割算法，算法步骤如下：

(1)统计灰度级中每个像素在整幅图像中的个数。

(2)计算每个像素在整幅图像的概率分布。

(3)对灰度级进行遍历搜索，计算当前灰度值下前景背景类间概率。

(4)通过目标函数计算出类内与类间方差下对应的阈值。

Otsu算法基本原理是利用阈值将图像分为目标和背景两个区域，设两个区域的像素个数比例分别为W0和W1，平均灰度值分别为Q0和Q1，类间方差数值为G，表达式为：

采用遍历的方法使类间方差数值取得最大，将此时与其相对应的阈值T作为图像分割的最佳阈值，再对图像进行二值化处理，其像素值与阈值的函数关系如式(8)所示。

图像分割结果如图4所示，可以清晰看见车牌部分的重要信息已经被分割出来，最后对图像进行特征提取即可识别车牌号码，达到车牌识别的目的。

图4 Otsu 阈值分割结果

3 超速判定算法

通过平均速度算法，得到车辆在隧道内部通行的速度，算法如下：

设后台记录的第一次车牌识别时间为t1，第二次为t2,隧道长度为L，隧道限速为V0，则车辆在隧道内部通行的速度计算公式为：

受国家法案有关规定，允许电子设备有5%的误差，以限速60km/h为例，当某车辆车速处于57～63km/h的速度区间时，由于电子设备存在误差，因此不能直接判定该车辆是否真正超速。在大数据样本中，通过隧道的车辆数与车辆平均速度的函数关系遵循高斯分布函数，其中心轴所对应的速度值小于限定数值，根据图5所示高斯分布函数概率密度分布可以得出结论：电子设备限速上限阈值调整为1.05V0时，与实际情况误差，最小能够较为准确的对超速期刊进行判定和监测，因此将车辆速度计算结果与1.05V0进行对比判断即可判定车辆在隧道内是否超速行驶。

图5 高斯分布密度函数

4 结论

本文通过使用车辆识别算法和平均值算法提出了一种隧道限速监测装置，对隧道内通行的车辆进行了粗略的速度计算和超速判断，为隧道限速监测提供了新的解决思路和途径。另外在车牌识别部分提出了新的图像灰度变换算法，能够有效的减少甚至去除背景对于图像中关键信息的干扰，在对于复杂情况下的多背景图像的重要信息提取具有一定的实用价值。