基于车牌识别流数据的车辆伴随模式发现方法

基于深度学习的汽车车牌识别系统的设计与实现摘要：随着智能交通系统的快速发展，汽车车牌识别技术在交通管理、停车场管理等领域发挥着重要作用。

本文设计并实现了一种基于深度学习的汽车车牌识别系统，该系统能够准确、快速地识别汽车车牌号码，提高交通管理的效率和智能化水平。

本文详细介绍了系统的总体设计、关键技术、功能模块以及系统测试等方面的内容。

关键词：深度学习；汽车车牌识别；智能交通系统一、引言汽车车牌识别是智能交通系统中的一个重要组成部分，它可以实现对车辆的自动识别和管理，提高交通管理的效率和准确性。

传统的车牌识别方法主要基于图像处理和模式识别技术，存在识别准确率低、鲁棒性差等问题。

随着深度学习技术的发展，基于深度学习的车牌识别方法逐渐成为研究热点。

深度学习方法具有强大的特征提取能力和泛化能力，可以有效地提高车牌识别的准确率和鲁棒性。

二、系统总体设计（一）设计目标本系统的设计目标是实现一个高效、准确、稳定的汽车车牌识别系统，能够在不同的光照、角度和天气条件下准确识别汽车车牌号码。

具体目标包括：1.识别准确率高：系统的识别准确率应达到 95% 以上。

2.识别速度快：系统的识别速度应在 1 秒以内。

3.鲁棒性强：系统应能够在不同的光照、角度和天气条件下稳定工作。

4.易于部署和维护：系统应具有良好的可扩展性和可维护性，便于部署和维护。

（二）系统架构本系统采用客户端 / 服务器架构，主要由车牌图像采集模块、车牌识别模块和数据库管理模块组成。

车牌图像采集模块负责采集汽车车牌图像，并将图像传输到车牌识别模块进行识别。

车牌识别模块采用深度学习算法对车牌图像进行识别，识别结果存储到数据库管理模块中。

数据库管理模块负责管理车牌识别结果，并提供查询和统计功能。

（三）工作流程1.车牌图像采集：通过摄像头或其他图像采集设备采集汽车车牌图像。

2.图像预处理：对采集到的车牌图像进行预处理，包括图像增强、去噪、二值化等操作，以提高图像质量。

基于图像识别技术的智能小车跟随系统作者：王清嘉来源：《品牌与标准化》2022年第03期【摘要】本文将对智能小车跟随系统进行研究和说明，并对运用二值化方法作为智能图像识别技术进行智能跟随的图像处理模式进行解释，探讨人工智能图像识别技术及其具体应用，并分析了智能控制算法对图像色素识别的不同模式及其优缺点，此外还对智能小车跟随系统的应用场景进行了说明，最后对智能小车跟随系统的标准化发展进行了展望。

【关键词】图像识别;智能小车;跟随系统;二值化【DOI编码】10.3969/j.issn.1674-4977.2022.03.025Smart Car Following System Based on Image RecognitionWANG Qing-jia（Liaoning Rail Transit Vocational College，Shenyang 110023，China）Abstract：This paper will study and explain the intelligent car following system，explain an image processing mode that uses the binary method as the intelligent image recognition technology for intelligent following，discuss the artificial intelligence image recognition technology and its specific application，analyze the different modes of image pigment recognition by the intelligent control algorithm and their advantages and disadvantages，and explain the application scenario of the intelligent car following system. Finally，the standardization development of intelligent car following system was prospected.Key words：image recognition;smart car;follow system;binarization如今各领域对智能化运输工具或移动工具的需求越来越大，因此促进了智能小车的不断发展。

智能交通中的车牌识别技术的使用教程智能交通系统使用了许多先进的技术来提高交通管理的效率和安全性。

其中之一就是车牌识别技术。

车牌识别技术通过对车辆的车牌进行自动识别，能够在交通监控、停车场管理、智能收费等场景中发挥重要作用。

本文将提供一份详尽的车牌识别技术使用教程，帮助读者了解车牌识别技术的原理和使用方法。

一、车牌识别技术的原理车牌识别技术通过将车辆的车牌图像进行处理和分析，识别出车牌上的字符和数字，并将其转化为文字信息。

车牌识别技术的主要原理分为以下几个步骤：1. 车辆检测：通过图像处理技术，对一幅图像中的车辆进行检测和定位。

这一步骤可以使用传统的图像处理算法，如边缘检测和颜色过滤等方法。

2. 车牌定位：在检测到的车辆区域中，继续对车辆进行车牌定位，即找到车牌在图像中的位置。

这一步骤可以使用模式识别技术，如基于颜色、纹理和形状等特征的分类算法。

3. 字符分割：在获取到车牌图像后，将车牌上的字符进行分割，以便进一步识别每个字符。

字符分割可以利用垂直投影法、基于灰度差值的法、模板匹配法等多种方法。

4. 字符识别：将字符分割后的图像，通过字符识别算法进行识别，将字符转化为对应的文字信息。

字符识别算法可以采用传统的机器学习方法，如支持向量机（SVM）和人工神经网络（ANN），或者使用深度学习技术，如卷积神经网络（CNN）等。

二、车牌识别技术的使用方法现在我们将介绍一种基于开源软件OpenALPR的车牌识别技术的使用方法。

1. 安装和配置OpenALPR：首先，从OpenALPR的官方网站上下载并安装OpenALPR软件。

安装完成后，需要进行配置，包括设置车牌识别的默认参数、选择车牌识别引擎和训练数据的位置等。

2. 输入图像：以图像文件或实时视频流的形式输入车牌识别系统。

对于图像文件，可以直接使用OpenALPR提供的命令行工具进行处理。

对于实时视频流，需要使用相应的软件库进行图像获取和处理。

3. 车牌识别：通过调用OpenALPR提供的API或命令行工具，对输入的图像进行车牌识别。

智能交通系统中的车牌识别与实时监控随着城市化进程的不断加速，交通拥堵成为了社会发展中的一个严重问题。

为了解决人们在日常出行中所面临的交通问题，并提高城市交通的管理和运营效率，智能交通系统应运而生。

而智能交通系统中的车牌识别与实时监控技术则成为了系统中不可或缺的一部分。

智能交通系统中的车牌识别技术，是利用计算机视觉和模式识别等相关技术，对车辆的车牌信息进行提取和识别的过程。

通过识别车辆的车牌号码，智能交通系统可以实现多种功能，如交通违法行为的自动监控、车辆流量统计、停车场管理等。

首先，车牌识别技术在交通违法监控中发挥着重要作用。

通过在交通路口或关键区域安装摄像头并配置车牌识别系统，能够实现对违法行为的实时监控和拍摄证据。

例如，当车辆闯红灯或违反交通规定时，车牌识别系统可以自动识别车辆的车牌号码，并记录下相关信息，用于交通管理部门对违规行为的处理。

这样可以提高交通规则的遵守程度，并有效减少交通事故的发生。

其次，车牌识别技术还可以用于车辆流量统计。

通过在道路上设置车牌识别系统，系统可以实时记录车辆的进出信息，并自动进行车辆数目的统计。

这种车辆流量统计的数据，可以帮助相关部门进行交通规划和调度，合理分配道路资源，提高道路通行效率。

同时，也能提供有关交通流量的数据支持，用于交通事故分析和预测，以提升交通管理的精准度和科学性。

另外，车牌识别技术在停车场管理中也发挥着重要作用。

通过在停车场入口和出口设置车牌识别系统，可以实现车辆的自动识别和收费管理。

当车辆进入停车场时，车牌识别系统会自动识别车辆的车牌号码，并生成一条进场记录。

当车辆离开停车场时，系统会再次识别车辆的车牌号码，并计算出相应的停车费用。

这样可以提高停车场管理的效率，减少人为操作的错误和漏洞，方便车主的停车体验。

除了车牌识别技术，实时监控系统也是智能交通系统中的重要组成部分。

实时监控系统通过视频监控设备对交通场景进行实时拍摄，并将图像或视频传输到中心服务器进行处理和存储。

车牌识别实验报告1. 引言车牌识别是计算机视觉领域中一项重要的任务，它可以应用于交通管理、车辆追踪、智能停车等多个领域。

本实验旨在使用计算机视觉技术实现车牌识别，并评估不同方法在车牌识别任务上的性能。

2. 方法与实验设置2.1 数据集本实验使用了包含X张车辆图片的数据集，其中每张图片都带有车牌。

数据集中的车牌来自不同地区，包括不同字母和数字的组合。

2.2 数据预处理在进行车牌识别之前，需要对数据进行一定的预处理。

我们采取了以下步骤来准备数据：2.2.1 图像裁剪首先，我们利用图像处理技术对每张图片进行裁剪，截取出车牌区域。

由于车牌的位置和大小可能会有所不同，因此需要使用特定的算法来进行车牌区域的定位和提取。

2.2.2 图像增强为了提高图像中车牌的可分辨性，我们对裁剪后的车牌图像进行了增强处理。

常见的增强方法包括对比度增强、直方图均衡化和图像清晰化等。

通过这些增强技术，我们可以增强车牌图像的边缘和文字信息，从而更好地进行后续的识别。

2.3 特征提取与分类在车牌识别中，我们需要提取图像中的特征，并将其输入到分类器中进行识别。

常用的特征提取方法包括颜色直方图、梯度方向直方图和局部二值模式等。

在本实验中，我们选择了梯度方向直方图作为特征，并使用支持向量机（SVM）作为分类器进行车牌识别。

3. 实验结果与分析3.1 评估指标在对车牌进行识别后，我们需要评估识别的准确率和性能。

常用的评估指标包括精确度（Precision）、召回率（Recall）和F1值等。

3.2 实验结果根据实验设置，我们对数据集进行了训练和测试，并使用评估指标来评估车牌识别模型的性能。

经过多次实验和交叉验证，我们得到了如下结果：方法精确度召回率F1值方法A 0.85 0.82 0.83方法B 0.92 0.88 0.90方法C 0.95 0.93 0.943.3 分析与讨论根据实验结果，我们可以发现方法C在车牌识别任务中的性能最好，具有最高的精确度、召回率和F1值。

如何利用AI技术进行智能车牌识别智能车牌识别技术是一种基于人工智能的先进技术，通过使用计算机视觉和深度学习算法，实现对车辆上的车牌进行快速、准确地识别。

这项技术在交通管理、安防监控以及智慧城市建设等领域具有广泛应用价值。

本文将介绍如何利用AI技术进行智能车牌识别，并讨论相关应用和未来发展趋势。

一、智能车牌识别的原理和流程智能车牌识别系统主要由图像采集模块、预处理模块、特征提取模块、字符分割模块和字符识别模块等组成。

其工作流程如下：1. 图像采集：通过摄像头或者监控设备获取车辆图像。

2. 预处理：对采集到的图像进行去噪、灰度化、二值化等处理，以便更好地提取出车牌区域。

3. 特征提取：利用特定算法从处理后的图像中提取出车牌区域，并对该区域进行形状分析以确定是否为有效车牌。

4. 字符分割：将车牌区域中的字符进行分割，以便后续的字符识别。

5. 字符识别：利用深度学习算法对分割得到的字符进行识别，将其转化为文字信息。

以上流程说明了智能车牌识别系统的运行原理，下面将聚焦介绍其中几个关键环节。

二、图像预处理在车牌识别中的重要性图像预处理是智能车牌识别系统中不可或缺的环节。

车辆图像获取过程中常常伴随着光照变化、车辆姿态多样性和干扰噪声等问题，这些因素会对车牌图像的质量产生负面影响。

因此，在进行特征提取和字符分割之前，需要对采集到的图像进行一系列预处理操作。

首先，去噪处理是为了降低干扰噪声对后续处理步骤的影响。

高斯滤波、中值滤波和邻域平均法等方法可以有效地去除椒盐噪声、高斯噪声等。

其次，灰度化操作可以将彩色图片转换成灰度图像，简化操作，并且减少计算量。

通常使用以下公式进行颜色通道间的加权平均：gray = 0.299 * R + 0.587 * G + 0.114 * B最后，二值化操作将灰度图像转换为二值图像，以突出车牌区域的特征。

通过设置适当的阈值，可以实现背景与前景的分离。

三、基于深度学习的字符识别方法在智能车牌识别系统中，字符识别是一个关键步骤。

小区车牌识别系统解决方案范例摘要：本文为____年小区车牌识别系统解决方案提供了一个模板，包括了系统的基本原理、具体功能和操作流程、技术要求以及预计的实施效果。

这个解决方案将有助于小区管理方提高车辆出入管理的效率和安全性，并提供更好的居民服务。

1. 引言1.1 背景和目标随着城市化的加速推进，小区的车辆管理问题变得日益突出。

传统的人工巡逻和登记方式，效率低下且易受操作误差影响。

因此，引入车牌识别系统可以提高车辆出入管理的效率和准确性，进一步增强小区的安全性。

1.2 解决方案目标本解决方案旨在通过引入车牌识别系统来解决小区车辆管理问题，提高管理效率、减少人为错误，并为居民提供更好的服务。

2. 系统总体设计2.1 系统原理车牌识别系统基于计算机视觉和人工智能技术，通过图像采集、车牌分割、字符识别等步骤完成对车辆的识别。

系统由图像采集设备（如摄像头）、计算机处理单元和数据库组成。

2.2 系统功能（1）车辆入场管理：车牌识别系统可以自动识别车辆牌照，与数据库进行匹配并记录入场时间。

（2）车辆出场管理：车牌识别系统可以自动识别车辆牌照，与数据库进行匹配并记录出场时间。

（3）安全警报：系统可以设置异常警报功能，例如黑名单车辆或无牌车辆进入时发出警报。

（4）数据统计和查询：系统可以将车辆数据进行统计和查询，方便管理人员进行报表分析和决策制定。

（5）居民服务：系统可以与物业管理系统对接，方便居民进行车辆访客预约和通行证管理。

2.3 操作流程（1）车辆入场操作流程：① 车辆进入小区门口。

② 系统采集车辆图像。

③ 系统进行车牌分割和字符识别。

④ 与数据库进行匹配，记录入场时间和车辆信息。

⑤ 开闸放行。

（2）车辆出场流程：① 车辆接近小区出口。

② 系统采集车辆图像。

③ 系统进行车牌分割和字符识别。

④ 与数据库进行匹配，记录出场时间。

⑤ 开闸放行。

3. 技术要求（1）车牌识别准确率要求达到90%以上，确保系统的可靠性和稳定性。

随着我国机动车增长速度的加快，停车场管理系统已经被广泛的应用起来,使车辆管理更加科学化,正规化.经过几年的推广应用，在广泛使用的同时，也发现了一些弊端和漏洞现有系统，当月租用户刷卡出入车场时,无法自动判定该卡是否对应该车，这样就造成为了，用户卡片随意互借，丢失计时卡，车辆数目不许确，用不法手段获取他人月租卡进行高档车辆盗窃的严重安全隐患。

现有系统，当暂时卡用户进入车场时，无法自动在数据库中存储牌照号,这样在查询停车场中某辆暂时停放车辆的进出情况时,会变得非常麻烦，无法快速查找。

需要挨次调取所有进入车辆图片进行人工辨别。

同时也无法对离场临停车辆进行车牌和卡片的双重验证，同样也存在安全隐患。

现在小区规模越来越大,业主车辆越来越多,在经过停车场管理系统刷卡验证时，时常会出现业主找卡，忘记带卡,刷卡时无法靠边的情况，这样就严重影响了通行速度，造成车辆拥堵。

在上下班高峰期的时候这种情况特别严重。

针对以上的系统弊端和漏洞,我公司通过多年的技术研发和验证测试，推出了目前最先进通过计算机的图象处理自动识别记录车牌，辨别同一车牌的车辆出入场时是否一致，是目前识别速度最快的车牌识别系统.其软件模块可以嵌入到停车场系统软件中，配合硬件共同实现车牌自动识别功能，使停车场系统更加完善精确。

在智能交通系统中，车牌自动识别系统是一个非常重要的发展方向，车牌自动识别系统正是在这种应用背景下研制出来的能够自动实时地检测车辆经过和识别汽车牌照的智能交通管理系统.车牌识别技术(License Plate Recognition，LPR)以计算机技术、图象处理技术、含糊识别为基础,建立车辆的特征模型，识别车辆特征，如车牌、车型、颜色等。

它是一个以特定目标为对象的专用计算机视觉系统，能从一幅图象中自动提取车牌图象, 自动分割字符，进而对字符进行识别，它运用先进的图象处理、模式识别和人工智能技术，对采集到的图象信息进行处理,能够实时准确地自动识别出车牌的数字、字母及汉字字符，并直接给出识别结果，使得车辆的电脑化监控和管理成为现实.我公司识别核心吸收了国内外及目前车牌识别算法的菁华，并在此在基础上作了优化和改进,使得定位及识别的速度及准确性得到了很大的提升，特殊是对光照的要求，因为过多地依赖环境无疑对安装及推广应用形成为了障碍。

基于车牌识别系统车辆轨迹的行为异常检测孙玉砚;孙利民;朱红松;周新运【摘要】目前已有很多面向智能交通管理的车辆异常行为检测方法，但是在公共安全领域的异常行为检测研究不足。

为此提出了一种基于车牌识别系统车辆轨迹的行为异常检测机制，通过车牌识别系统获取抓拍记录，分析各个车辆在系统卡口的历史通行记录，提取车辆轨迹的时间空间特征，通过空间特征发现异常路线并计算路线的围绕质心累积转动角度值检测徘徊行为，用聚类算法获得时间特征的聚类中心并计算离群点检测特殊时间活跃行为。

利用实际部署的车牌识别系统收集的数据测试了所提出的异常检测方法，实验结果表明该检测方法能够很好地检测面向公共安全领域的车辆异常行为，在卡口设备识别率不理想的情况下有效地提高了异常检测率。

%Anomaly detection acts as the major direction of intelligent traffic management ,but current studies may not yield the best results in the field of public safety .This paper proposes a machine‐learning based technique to detect vehicle anomalies from vehicle trajectory data captured by automatic number plate recognition (ANPR) system .Our scheme is capable of detecting vehicles with the behavior of wandering round and unusual activity at specific time .Firstly the spatial and temporal quantitative indicators of vehicle activity features are extracted from historical vehicle trajectory data . The vehicles with unusual spatial feature are found and their cumulative rotation angles around the centroid of the route are calculated to detect spatial wandering round behavior .The distance from the center of clusters created by K‐means classification algorithm based on the temporal features vectors are computed to findoutliers .We collecte the records from ANPR system with 315 cameras deployed in real‐world for more than two months ,and over 5 .4 million vehicles are captured .The evaluation results based on the data set show the efficiency of the anomaly detection .More importantly ,our scheme can significantly improve the detection robustness especially w hen the data collected by the ANRP system are noisy due to poor weather condition .【期刊名称】《计算机研究与发展》【年(卷),期】2015(000)008【总页数】9页(P1921-1929)【关键词】异常检测;数据挖掘;特征向量;聚类算法;轨迹分析【作者】孙玉砚;孙利民;朱红松;周新运【作者单位】物联网信息安全技术北京市重点实验室中国科学院信息工程研究所北京 100093; 中国科学院大学北京 100049;物联网信息安全技术北京市重点实验室中国科学院信息工程研究所北京 100093;物联网信息安全技术北京市重点实验室中国科学院信息工程研究所北京 100093;物联网信息安全技术北京市重点实验室中国科学院信息工程研究所北京 100093【正文语种】中文【中图分类】TP391.4近年来中国道路上车辆数量增加异常迅猛，近10年年均增加1 100多万辆，截至2013年底总量突破2．5亿辆，共有31个城市的保有量超过100万辆．交通管理压力和安全风险不断加大，监控以及处置突发危机的难度也随之加大，因此交通监控保障安全变得异常紧迫和重要．异常车辆行为检测是交通监控管理不可或缺的任务，及时发现行为异常的车辆并采取相应措施有效的处理不仅会使道路行驶更加安全，还可以中止犯罪行为或恐怖袭击活动．1 相关工作随着信息化进程的加快和设备成本的降低，海量监控摄像头被部署在公路、桥梁、路口和重点区域，各种定位装置如全球定位系统（global positioning system，GPS）和智能手机被部署在车内，车辆的行为轨迹越来越多地被记录下来．通过这些智能交通数据，人们可以对车辆轨迹的时空信息进行研究，对车辆的行为规律进行分析，监控整个交通的运行状态，一旦检测到有车辆行为异常时，就可以提前为之准备，采取相应的处置措施．异常检测一直是智能交通领域的一个研究热点，根据检测技术不同可以分为2类：基于视频的图像处理技术和基于定位的轨迹数据挖掘技术．目前大部分车辆行为异常检测研究都是利用视频图像处理技术直接识别车辆的异常驾驶行为，例如检测监控区域发生的交通事故造成拥堵［1］，以及车辆违章逆行、变道、转向、蜿蜒、超速行驶、闯红灯等危险行为［2－6］或者检测高速道路上的行人［7］、自行车［8］等潜在的事故目标．只有少量研究针对公共安全领域，例如针对车辆在检查站或重要机构附近突然加速或者骤停等行为的检测［9］．基于视频图像处理技术的异常检测是分布式的，只能针对重点关注的几路视频独立的分析，目前还无法做到海量视频协同检测；另外只能监控视频可见区域内的异常行为，很难实现道路全程监控．基于定位的轨迹数据挖掘是新兴的研究热点，车辆轨迹的定位信息获取来源包括车载GPS设备、基站定位等定位技术．基于定位装置的轨迹分析技术大部分都是将海量车辆的轨迹作时间序列切片，研究各个时间点的交通运行快照，检测其中的异常交通状况，例如文献［10］利用出租车GPS轨迹提取出租车的移动速度，最终获得城市异常拥挤区域的分布信息；文献［11］利用车辆密度检测拥塞等异常情况；文献［12］利用GPS定位数据检测车辆的超速异常行为．基于GPS定位轨迹的异常检测虽然精度很高但成本更高，如果要面向公共安全领域监控所有车辆，目前很难给每辆车都额外安装定位装置，同时还要考虑轨迹数据的定期传输收集成本．车牌识别技术（automatic number plate recognition，ANPR）是计算机视频图像识别技术在车辆牌照识别中的一种成熟应用，已经开始在各个城市推广部署，目前的检测率和识别率在理想情况下可达到90%以上．目前对于车牌识别系统记录的数据挖掘处理还处于起步阶段，文献［13］利用ANPR数据检测车辆尾随（也称车辆伴随）异常行为，文献［14］利用ANPR数据预测车辆行驶轨迹．使用车牌识别系统记录的车辆轨迹分析检测异常行为的车辆具有以下优点：1）监测记录道路上行驶的所有车辆，不需要在每个车辆上安装任何额外的专业设备或硬件；2）在不同的条件下保持较高的检测率，包括恶劣天气、光线和交通拥塞状况；3）较低的系统安装和维护成本，数据收集和处理相对比较容易．本文提出了一种基于车牌识别系统车辆轨迹的行为异常检测机制，检测面向公共安全领域的特殊时间活跃及徘徊异常行为．主要贡献包括：提出了一种车辆轨迹时空特征提取方法；提出了一种基于围绕质心累计转动角度（cumulative rotation angles around the centroid，CRAC）的异常徘徊行为检测方法，以及基于K－means聚类中心点距离（distances from centroids of K－means clustering，DCKC）的离群点检测，在卡口设备识别率不理想的情况下有效地提高了异常检测率．2 轨迹特征值提取通过处理车牌识别系统的ANPR记录数据，我们可以得到每辆车在所有系统卡口通行的历史记录，每一条记录包含抓拍的照、抓拍的时间、网关的编号、抓拍照片中车辆的车牌号码等信息．我们分析的主要对象是普通车辆，因此需要根据国内车辆的车牌号码编排规则［15］过滤特定的车辆．特殊车牌包括警车、军车、外籍车牌等，车牌号码中有特定的标示字符如“WJ”等．特定车辆还包括政府公车、出租车、公交车等，其车牌号码都有预留号段．出于隐私保护的考虑，我们对过滤后的普通车辆车牌号码使用单向Hash函数进行变换加密．接下来我们讨论如何从普通车辆的ANPR记录中提取车辆轨迹的空间时间特性，如图1所示：Fig．1 Trajectory feature extraction example．图1 轨迹特征提取流程示例2．1 行程切分车辆轨迹用一个多维点序列表示为Strajectory＝｛p1，…，pi，…，pn｝，其中pi 代表第i 条 ANPR 记录，n是该车辆ANPR记录的总数，按照时间先后顺序排列．第i条ANPR记录表示为pi＝（ti，gi，li），其中ti是抓拍时间，gi是抓拍卡口编号，li是抓拍后识别出的车牌号码．将轨迹作为一个整体很难提取车辆的行为特征，我们将整个轨迹trajectory分割成多个子轨迹｛S1，…，Si，…，Sm｝，每个子轨迹代表一个独立的短期行程trip，切分完之后总共m个行程．轨迹划分独立行程的标准是时间间隔，如果2个连续的ANPR记录的时间间隔超过一个阈值Tt，则将这2个记录划分到2个子轨迹中．第i个行程用一个多维点序列表示为Si＝｛pa，…，pa＋i，…，pa＋k｝，其中pa 是行程的起点记录，pa＋k是行程的终点记录，数量k就是行程中记录的数量．如图1所示，该车辆的轨迹被划分为6个行程．卡口的车牌识别相机在检测到车辆的运动后会抓拍大量的图片．而根据实际经验，在交通拥挤条件下一个车辆有可能被抓拍2次或更多次，因此需要将行程Si中的相同卡口的连续记录丢弃掉．例如图1中，第6个行程S6序列内有2个卡口B的连续记录，只有第1个记录被保留，其他记录被丢弃．需要注意的是相同的卡口可以不连续地出现多次，例如公交车之类的车辆行驶在往返线路中，行程中会多次出现相同的卡口．2．2 空间特征提取车辆轨迹划分为多个行程后，我们可以从行程的路线中提取空间特征．第i个行程Si的路径用一个元组表示为Pi＝（g1，…，gj，…，gk），其中gj 是行程第j个记录的卡口编号．元组中卡口的数量k就是路径Pi的长度．所有行程路径的并集就是该车辆的路线集合SR，表示如下：定义2．路线稀有系数（route rarity factor，RRF）．对于出现的每种路径P，将数据集中行驶过该路径的所有车辆的集合称为VP，路径P的稀有度RP就是集合VP中元素的数量，表示为RP＝｜Vp｜．路径的稀有度代表曾经有多少辆车行驶过该路径．计算车辆路线集合SR中所有路径的稀有度后，我们可以获得其中的最小值Rmin，表示为Rmin＝min（｜RP｜），P∈SR．每个路径的路线稀有因素RRF 计算方法如式（3）所示．其中TRarity是稀有度上限阈值，凡是超过该阈值的路线稀有度，归一化之后取值为0．行驶过该线路的车辆越少，RRF值越接近1．路线集合SR中每一个元素都是该车辆曾经行驶过的一条路径，可能只行驶过一次，也可能行驶过多次．一些有固定行驶线路的车辆，例如城市公共汽车和班车，可能会有很多个行程，但是路线集合SR中只有少量的路径．定义1．路线长度系数（route length factor，RLF）．路线集合Sp中最大路径长度值表示为Lmax＝max（｜Pi｜），Pi∈SR．最大路径长度的归一化值称为路线长度系数（RLF），定义如式（2）所示，其中TLenth是阈值．车辆行驶线路越长，RLF值越接近1．2．3 时间特征提取车辆轨迹划分为多个行程后，我们根据每个行程的时间提取时间特征．车辆轨迹的时间序列是一个有序的元组，表示为T＝（t1，…，ti，…，tm），其中ti是第i个行程第1条ANPR记录的时间．从长期来看，车辆常常在某些日期出现或者在某些时刻活动．定义3．日常活跃度（activity of daily period，ADP）．假定收集的ANPR数据集有N天，在N天的时间里车辆活跃度列表表示为f＝［d1，…，di，…，dN］，di∈｛0，1｝．其中di 是车辆在第i天的活跃情况，如果车辆轨迹的时间序列中有第i天的行程记录，即车辆在第i个日期出现过，则di取值为1；否则di取值为0．在此我们使用快速傅里叶变换处理车辆活跃度列表f，计算公式如式（4）所示．傅里叶系数F（0）的乘方定义为每个车辆的日常活跃度ADP，表示为ADP＝｜F（0）｜2．定义4．特殊时间活跃度（activity of specific hours，ASH）．异常行为通常发生在特殊的时间段，例如夜间活跃度异常的车辆很可能是潜在的安全威胁．统计某车辆在特殊时间出现的行程次数shCount，归一化为特殊时间活跃度之后表示为ASH＝shCount/m，其中m是该车辆行程的总数．车辆在特殊时期越活跃，ASH 越接近1．3 异常检测本文提出的车辆异常行为检测主要针对的是特殊时间异常活跃和区域徘徊2种异常行为．由第2节的定义我们可以根据轨迹信息得到车辆的一组特征值，包括路线长度系数RLF、路线稀有系数RRF、日常活跃度ADP、特殊时间活跃度ASH．在此基础上我们提出了2个异常检测方法：基于围绕质心累计转动角度的空间异常检测算法、基于K－means聚类的时间离群点检测算法．3．1 空间特征异常检测基于围绕质心累计转动角度CRAC的空间特征异常检测算法，首先根据车辆轨迹的空间特征值路线长度系数RLF和路线稀有系数RRF挑选候选的异常车辆；然后计算这些车辆路线的围绕质心累计转动角度，判断是否有徘徊行为．当车辆轨迹的路线稀有系数RRF超过阈值RRF且路线长度系数RLF超过阈值TRLF时，该车辆将成为候选异常车辆．意味着该车辆行驶的路线很少有其他车辆行驶过，并且该车辆行驶的路线路径比较长，有可能检测出徘徊行为．候选车辆的第i个路径Pi＝（g1，…，gj，…，gk），其中k是路径长度，路径中第j个卡口gj的地理坐标为（xj，yj），则路径Pi质心O 的地理坐标为（xo，yo），表示为k，路径Pi围绕质心累计转动角度φ计算方法如式（5）所示：在图2中，车辆行驶路线为A⇒B⇒C⇒D⇒E⇒F，路线的质心为O，则围绕质心O的累计转动角度φ＝φ1＋φ2＋φ3＋φ4＋φ5＋φ6．如果计算结果φ超过一定阈值Tφ，则可以判定该车辆在该区域内徘徊行为异常．Fig．2 CRAC for the trip with A⇒B⇒C⇒D⇒E⇒F route．图2 CRAC计算示例（行程路线为A⇒B⇒C⇒D⇒E⇒F）基于围绕质心累计转动角度的空间异常检测算法CRAC过程描述如下：算法1．CRAC．输入：普通车辆号码列表V、车辆轨迹特征向量映射表F、车辆路线集合映射表R、路线长度系数阈值TRLF、路线稀有系数阈值TRRF、累计转动角度阈值Tφ；输出：LV是具有徘徊行为的车辆列表．①for each i in V② 从F获取RLFi、路线稀有系数RRFi；③ if RRFi≥TRRF且RLF≥TRLF④ 从R获取当前车牌号码i的路线集合SR；⑤ for each Pin SR⑥ 按式（5）计算角度φp；⑦ ifφp≥Tφ⑧ 将车牌号i加入到列表LV中；⑨ endif○10 endfor○11 endif○12endfor⑬返回列表LV．3．2 时间特征异常检测基于K－means聚类中心点距离DCKC的时间特征异常检测算法分为2个阶段．1）选择一部分典型车辆及其轨迹时间特征值作为训练集，车辆轨迹的时间特征向量表示为v＝（ADP，ASH）；然后使用 K－means［16］聚类算法方法计算训练集特征空间各个聚类的质心，表示为Sc＝［c1，c2，…，ck］，其中k是聚类的个数．2）计算数据库中每个车辆的特征值向量v与特征空间质心集合Sc中各个聚类质心c的距离，距离计算采用欧氏距离公式如式（6）所示：我们挑选那些与各个质心的距离都超过一定阈值Td的离群点，这些离群点就是异常检测结果．基于K－means聚类中心点距离的时间离群点检测算法DCKC描述如下：算法2．DCKC．输入：全部车辆号码列表V、训练集车辆号码列表S、车辆轨迹特征向量映射表F、离群点距离阈值Td、聚类数目k、K－means算法迭代次数r；输出：检测的离群点列表Loutlier．①根据S构造训练集的特征空间数组A；② 使用K－means算法对A进行聚类，聚类数目为k，迭代次数为r；③ 获取聚类中心点列表Sc；④for each i in V⑤ 从F获取当前车牌号码i的特征向量vi；⑥ 将车牌号码i加入离群点列表Loutlier；⑦ for eac h cin Sc⑧ 按式（6）计算vi与c的距离dis；⑨ if dis≤Td⑩ 将i从离群点列表Loutlier中删除；⑪ endif⑫ endfor○13endfor⑭返回离群点列表Loutlier．4 实验结果及分析4．1 数据集经过某市相关部门许可，我们从该市已经实际运行的 ANPR系统收集了从2013－08－17—2013－10－24的ANPR系统后台数据．该ANPR系统包括了314个前端抓拍摄像头，这些摄像头部署在112个卡口，具体卡口位置如图3中地理信息系统（geographic information system，GIS）地图圆点所示．实验使用的数据集包括了ANPR文本记录和相应的车辆正面抓拍照片文件．由于车牌识别系统的识别率达不到100%，原始数据还需要通过数据清洗．在这69d内ANPR记录的总数超过1．14亿，大约有540万个车牌号码被抓拍并成功识别．在原始数据中未识别记录的占比为15．1%，重复记录的占比为5．79%．此外，根据车牌号码规则过滤了超过49万个特定车牌号码，保留了将近490万辆车的ANPR轨迹数据．Fig．3 ANPR system deployment．图3 车牌识别系统实际部署为了评估CRAC空间异常检测算法的性能，我们使用模拟仿真数据集测试．在该市GIS地图数据的基础上生成5个环形的路径，其中一条路径如图3中环形路径所表示，其测试路径中途经过6个卡口．模拟测试车辆在每个环形路径上行驶3圈．为了评估DCKC空间异常检测算法的性能，我们使用真实数据测试，选择Td ＝0．5时检测出的离群点的轨迹数据．时间特征异常检测DCKC算法训练数据的具体选择过程直接影响其聚类中心，进而影响异常检测结果．道路上出现的出租车、公交车及公务车已经被过滤，本文使用人工手动标注图像中车辆的车型，筛选出了比较常见的5类车辆类型，包括本市上下班通勤家用的小客车、外地出差旅游的小客车、本市货运的卡车、外地长途货运的卡车、载客的大中型客车．通过查看车辆的证明抓拍图片及历史轨迹，最终挑选1万辆正常车辆，包括0．3万辆市内小型客车、0．2万辆外地小型客车、0．2万辆本市卡车、0．2万辆外地卡车、0．1万辆大中型客车．4．2 参数确定在该区域内的实际驾驶测试中，在高峰时刻最远的2个卡口之间的行驶时间约30min，这意味着在一个短途行程的车牌识别记录间隔不超过30min．此外我们计算并统计了所有车辆ANPR轨迹的连续记录的时间间隔，其分布情况如图4所示，约67．9%的时间间隔值小于30min．因此，分割行程的时间间隔阈值Tt＝30min．Fig．4 Numbers of intervals between records when step is 1min．图4 步长为1min时轨迹记录的时间间隔数值分布情况不同时段的交通流量统计如图5所示，90%的车辆如家用轿车等在日间行驶，而夜间行驶的车辆较少，特殊时间活跃度的特殊时间定义为夜间0～6点．Fig．5 Percentage of ANPR records numbers during different time．图5 不同时段的ANPR记录所占百分比根据所有180多万种行程路径长度数值的统计结果，90%以上的路径长度为1，不足1%的路径长度超过20，因此式（2）中计算路线长度系数的阈值TLenth＝20．式（3）中计算路程稀有度的阈值TRarity＝100，即如果一个路线曾经有超过100辆车行驶过，则该路线的稀有度为0．空间特征异常检测算法中，挑选候选异常车辆的路线稀有系数阈值TRRF＝0．99，路线长度系数阈值TRLF＝0．2，累计转动角度阈值Tφ＝4π，即车辆围绕质心行驶超过2圈，则判定该路线是异常的徘徊路线．时间特征异常检测算法中阈值Td＝0．5，即如果车辆的特征向量距离其他分簇中心的最小距离超过0．5，则判定该车辆在特定时刻活动异常．4．3 异常检测性能分析车辆ANPR轨迹提取特征值的分布情况如图6所示，70%左右的车辆其ADP数值接近于0，意味着只出现过1d；90%的车辆ASH数值为0，也就是从未在特定时刻行驶过；98%的车辆RLF数值小于0．1，意味着这些车辆的行驶路线长度基本不超过4个卡口；88%的车辆RRF数值接近于0，意味着这些车辆的行驶路线都是常见路线．Fig．6 Distribution of normalized trajectory features values when value step is 0．02．图6 车辆ANPR轨迹提取的特征值分布情况（步长为0．02）DCKC时间离群点检测算法结果的示意图如图7所示，图7中使用K－means算法对训练集内1万辆车的时间特征向量v＝（ADP，ASH）进行分类，分类数k＝5，迭代次数r＝10．Fig．7 DCKC temporal anomaly detection results．图7 DCKC时间离群点检测结果示例图7 中ASH数值最大的一个分簇基本是外地长途卡车，通常在夜间行驶；ASH数值接近0．5的分簇基本是本市卡车；左下角ADP和ASH 数值都较低的分簇基本是外地小客车，出现频率较低且通常在日间行驶；左上角的分簇基本是本市小客车，ADP数值较高而ASH 数值较低；左侧中间的分簇基本是本市大中型客车．图7中白色空心圆点是各个分类的中心点；黑色正六边形点是检测出的离群点，其与各个中心点的距离超过0．5．使用该算法对其余490万辆车的轨迹数据进行检测，共检测出340个离群点．CRAC空间异常检测算法结果的示意图如图8所示．图8中黑色的正六边形就是线路稀有系数与路线长度系数满足阈值同时围绕质心累计转动角度大于Tφ的异常车辆．使用该算法共检测出异常车辆12万个，异常的路径150万多条．由于在实验中检测到的区域徘徊车辆数量较多，因此我们选择了其中一部分活跃度比较高的车辆，分析这些车辆的抓拍图片后发现其中比较活跃的异常徘徊行为是无营业执照的黑出租车载客造成的．Fig．8 CRAC spatial anomaly detection results．图8 CRAC空间异常检测结果示例基于车牌识别系统的异常检测的检测率与系统的识别率密切相关．如图9所示，我们测试了不同识别概率下，CRAC空间异常检测算法以及DCKC时间离群点检测算法的检测率．为了对比我们还实现了基于最长重复子串（longest repeated subsequence）的徘徊异常检测算法，如果车辆的线路中最长重复子序列的长度大于等于3则判定车辆行为异常．Fig．9 Performance of proposed anomaly detection algorithm．图9 异常检测算法的检测率性能测试中假设车牌识别系统的准确率为p，也就是每次车辆行驶经过卡口时被抓拍和识别的概率为p，因此以概率p保留每一条ANPR记录，最终生成一个新的轨迹序列作异常检测．图9中系统识别概率p从0．75到1．0，步长等于0．01，在每个识别概率p下生成10万个新测试集，计算其中依然被检测出异常的轨迹数量就是相应的检测率．由图9可以看出，CRAC空间异常检测算法受车牌识别系统识别率的影响较小，因此在恶劣天气或者夜间等对车牌识别系统不利的条件下也有较高的检测率，能够检测出徘徊异常行为．DCKC时间离群点检测算法与识别率基本成线性关系，较低的识别率会导致离群点检测结果发生较大差异．而作为对比的基于最长重复子串LRS的徘徊异常检测算法受车牌识别系统识别率的影响很大，在车牌识别率为75%的情况下检测率只有54．02%5 结束语本文提出了一种基于车牌识别系统车辆轨迹的行为异常检测机制，检测面向公共安全领域的特殊时间活跃及徘徊异常行为．主要贡献包括：提出了一种车辆轨迹时空特征提取方法，提出了一种基于围绕质心累计转动角度CRAC的异常徘徊行为检测方法以及基于K－means聚类中心点距离DCKC的离群点检测，在卡口设备识别率不理想的情况下有效地提高了异常检测率．虽然本文提出异常行为检测取得了比较精确的检测结果，但仍然存在一些问题和改进之处．车牌识别系统的检测率和识别率高低会影响异常行为检测的准确性．因此未来的工作将集中于处理分析大量未识别的ANPR记录，保证车辆轨迹的完整性和正确性．参考文献［1］ Barria J A，Thajchayapong S．Detection and classification of traffic anomalies using microscopic traffic variables ［J］．IEEE Trans on Intelligent Transportation Systems，2011，12（3）：695－704［2］ Saruwatari K，Sakaue F，Sato J．Detection of abnormal driving using multiple view geometry in space－time［C］//Proc of the 4th IEEE Intelligent Vehicles Symp．Piscataway，NJ：IEEE，2012：1102－1107 ［3］ Sang Haifeng，Wang Hui，Wu Danyang．Vehicle abnormal behavior detection system based on video［C］//Proc of the 5th IEEE Int Symp on Computational Intelligence and Design．Piscataway，NJ：IEEE，2012：132－135［4］ Srivastava S，Ka K N，Delp E J．Co－ordinate mapping and analysis of vehicle trajectory for anomaly detection［C］//Proc of the 12th IEEE Int Conf on Multimedia and Expo．Piscataway，NJ：IEEE，2011：1－6［5］ Hao Jiuyue，Hao Sheng，Li Chao，et al．Vehicle behavior understanding based on movement string［C］//Proc of the 12th IEEE Int Conf on Intelligent Transportation Systems．Piscataway，NJ：IEEE，2009：1－6［6］ Qiu Lingyun，Han Jun，Gu Ming．Abnormal behavior detection for highway vehicle based on lane model ［J］．Journal of Computer Applications，2014，34（5）：1378－1382（in Chinese）（邱凌赟，韩军，顾明．车道模型的高速公路车辆异常行为检测方法［J］．计算机应用，2014，34（5）：1378－1382）［7］ Bouttefroy P，Beghdadi A，Bouzerdoum A，et al．Markov random fields for abnormal behavior detection on highways［C］//Proc of the 2nd European Workshop on Visual Information Processing．Piscataway，NJ：IEEE，2010：149－154［8］ Ryan D，Denman S，Fookes C，et al．Textures of optical flow for real－time anomaly detection in crowds［C］//Proc of the 8th IEEE IntConf on Advanced Video and Signal－Based Surveillance．Piscataway，NJ：IEEE，2011：230－235［9］ Srivastava S，Delp E．Standoff video analysis for the detection of security anomalies in vehicles［C］//Proc of the 39th IEEE Applied Imagery Pattern Recognition Workshop．Piscataway，NJ：IEEE，2010：1－8 ［10］ Siyuan L，Yunhuai L，Ni L，et al．Detecting crowdedness spot in city transportation ［J］．IEEE Trans on Vehicular Technology，2013，62（4）：1527－1539［11］ Bacon J，Bejan A，Beresford A，et al．Using real－time road traffic data to evaluate congestion［G］//LNCS 6875：Proc of Dependable and Historic Computing．Berlin：Springer，2011：93－117［12］ Mohamad I，Ali M，Ismail M．Abnormal driving detection using real time global positioning system data［C］//Proc of 2011IEEE Int Conf。

基于SVM的车辆牌照的自动识别第一章：引言车辆牌照自动识别技术在智能交通系统中具有广泛的应用价值，如交通违法监控、智能停车、物流物资跟踪等。

随着计算机技术、图像处理技术和模式识别技术的发展，车辆牌照自动识别技术得到了快速发展。

本文将介绍最常用的基于支持向量机（SVM）的车辆牌照自动识别技术。

第二章：车辆牌照识别的过程车辆牌照的自动识别过程主要包括图像获取、图像预处理、特征提取和分类识别四个主要步骤。

2.1 图像获取图像获取是车辆牌照自动识别的第一步，必须要保证摄像头位置合理、清晰度高且不要出现光线、噪声等影响识别的因素。

2.2 图像预处理图像预处理是车辆牌照自动识别的关键步骤，也是提高识别率的重要技术手段。

主要包括二值化、字符定位、字符分割、字符尺寸归一化等。

2.3 特征提取车辆牌照的特征提取主要是通过对牌照中的字符、背景进行特殊处理，提取出鲁棒性强、具有区分度的特征，如垂直和水平的边缘检测、垂直和水平投影、灰度共生矩阵等。

2.4 分类识别分类识别是车辆牌照自动识别的核心技术，主要是建立分类器模型，并对提取的特征进行分类识别。

常用的分类算法包括KNN、BP神经网络、支持向量机（SVM）等。

其中，SVM是一种非常常用的分类算法。

第三章：基于SVM的车辆牌照自动识别技术支持向量机（SVM）是目前模式识别领域中使用较多的一种分类算法。

SVM是一种二分类模型，本质是在高维特征空间中寻找一个最优分类超平面，使得不同类别的样本点尽可能地分布开来，并且最大化分类器对新样本的泛化能力。

SVM算法对于小样本集、非线性及高维度数据分类具有较好的性能。

3.1 SVM的基本原理SVM通过将样本点映射到高维空间中使得样本点线性可分，然后找到一个最优的超平面，使得正负样本点离超平面最近的距离最大，这个距离就叫做间隔。

最优超平面就是使得间隔最大的超平面，SVM最终转化为一个求解线性最优化问题。

3.2 SVM分类器的构建过程1. 根据图像预处理得到的图像特征，对每个特征数据点分类，并作为训练数据点的特征；2. 构建SVM分类模型；3. 利用得到的模型对测试集进行分类。