基于HSV顏色空間的山區(qū)道路中的車牌定位

李紅林

摘要： 分析了目前我國山區(qū)道路交通事故的路況影響因素及其與山區(qū)道路交通事故之間的關(guān)系。結(jié)合地區(qū)的交通發(fā)展?fàn)顩r利用全概率公式測算出各因素可能導(dǎo)致交通事故的概率及相應(yīng)的危險系數(shù)；在實時勘測各因素的基礎(chǔ)上，結(jié)合樣本庫中的數(shù)據(jù)，判斷出車輛是否處于安全狀態(tài)，對于處于非安全狀態(tài)的車輛進(jìn)行車牌定位。

關(guān)鍵詞： 智能交通； 山區(qū)； 危險系數(shù)； 安全狀態(tài)； 車牌定位

中圖分類號：TP391文獻(xiàn)標(biāo)志碼:A文章編號：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

智能交通系統(tǒng)（ITS，Intelligent Transportation System）是目前世界交通運輸領(lǐng)域研究的前沿課題[1]。智能交通系統(tǒng)將先進(jìn)的信息技術(shù)、定位導(dǎo)航技術(shù)、數(shù)據(jù)通信技術(shù)、電子傳感器技術(shù)、自動控制技術(shù)、圖像處理技術(shù)、計算機(jī)網(wǎng)絡(luò)技術(shù)、人工智能技術(shù)、運籌管理學(xué)等有效地綜合運用于交通運輸管理體系，加強(qiáng)了車輛、道路、使用者三者之間的聯(lián)系，從而可實現(xiàn)交通運輸服務(wù)和管理的智能化。在綜合集成思想指導(dǎo)下，建立一種大范圍、全方位、實時、準(zhǔn)確、高效的綜合交通運輸管理系統(tǒng)，是一個多學(xué)科和技術(shù)的大型綜合化系統(tǒng)工程[2-5]。隨著經(jīng)濟(jì)的發(fā)展，車輛數(shù)量急劇增大，產(chǎn)生了日益嚴(yán)重的交通問題，如交通擁擠堵塞、交通環(huán)境惡化、交通事故頻繁等，這已成為世界各國所面臨的共同問題[6]。

目前，研究智能交通系統(tǒng)的國家比較多，尤其是日本、美國、歐洲作為世界上經(jīng)濟(jì)發(fā)展水平較高的幾個國家，他們在智能交通的研究運用方面取得了巨大的成就。我國ITS的研究應(yīng)用起步較晚，但處于蓬勃上升發(fā)展的階段。像先進(jìn)的交通管理系統(tǒng)、電子收費系統(tǒng)、車輛安全與輔助駕駛系統(tǒng)、公共交通系統(tǒng)、交通信息系統(tǒng)及緊急事件救援系統(tǒng)等都得到了不同程度的運用。在我國，山區(qū)面積占全國總面積的2/3，山區(qū)的道路崎嶇、艱險，無疑給山區(qū)乃至全國的經(jīng)濟(jì)發(fā)展帶來了阻礙。同時，面對著山區(qū)道路交通事故的多發(fā)，不僅讓人民有了心理上的恐懼，而且增加了人民的經(jīng)濟(jì)負(fù)擔(dān)。但在已有的交通管理系統(tǒng)中，大部分只適合城市道路交通，對于山區(qū)道路而言，大部分都不適合?；诖?，開發(fā)一個適合于山區(qū)道路的智能交通系統(tǒng)勢在必行。

1 山區(qū)道路交通

道路交通事故是所有國家都面臨著的一個嚴(yán)重又難于解決的問題，特別是在我國，山區(qū)占地較多，道路交通事故頻繁發(fā)生。

1.1 山區(qū)交通事故

在山區(qū)道路交通中常見道路交通事故的現(xiàn)象有碰撞、碾壓、刮擦、翻車、墜車、失火六種[7]。任何一起山區(qū)道路的交通事故，都是由多個因素共同組成的，但是，歸根結(jié)底都是由一個主要因素和其他相關(guān)因素導(dǎo)致的。事實上，大多數(shù)的時候道路交通事故的發(fā)生都是由人為的因素造成的。在眾多的交通事故中，低駕齡、無證駕駛?cè)苏厥孪鄬ν怀?，由駕駛?cè)吮旧淼脑蛞l(fā)的交通事故是導(dǎo)致交通事故的主要因素。車輛作為交通中的主要參與者，車輛的性能不良、帶病行駛和機(jī)件失靈則是導(dǎo)致交通事故的主要原因。汽車的行駛離不開道路，道路是交通安全系統(tǒng)中的重要因素，不同的路線、道路狀況對道路交通事故的影響比較大。在山區(qū)，基本都是混合交通，道路的等級很低，道路通常以四級以下的盤山公路為主，輔之以縣、鄉(xiāng)道和農(nóng)村機(jī)耕路。這些道路受地勢和當(dāng)?shù)亟?jīng)濟(jì)條件的影響路況普遍較差，路面基本以砂石、泥土為主道，路線大多是依山傍水，坡陡彎急，加之受地形、地貌的影響，有相當(dāng)數(shù)量的公路彎道半徑小，又受樹木及其它障礙物的遮擋，使得視線受限，而且路面窄、線形差，事故黑點多，安全隱患大。另外，道路建設(shè)與管理不到位交通標(biāo)志、標(biāo)線和安全設(shè)施不全或不規(guī)范也是山區(qū)道路存在的通病。當(dāng)然，天氣狀況也是影響山區(qū)道路行駛安全的因素之一。

1.2 山區(qū)道路預(yù)警系統(tǒng)

為了盡可能地減少山區(qū)道路交通事故，我們對山區(qū)道路交通安全預(yù)警系統(tǒng)進(jìn)行了研究。

構(gòu)建山區(qū)道路預(yù)警系統(tǒng)需要確定汽車當(dāng)前的運行環(huán)境與道路交通事故類型之間的對應(yīng)關(guān)系，從而確定出當(dāng)前車輛行駛是否處于安全狀態(tài)。前者依賴與同類型的道路交通事故具有相似的運行環(huán)境，后者依賴于準(zhǔn)確的分析道路交通事故產(chǎn)生的原因，根據(jù)不同類型的道路交通事故尋求相應(yīng)的預(yù)防措施。

本文利用全概率公式測算影響道路交通事故的各因素的分布及各因素可能導(dǎo)致交通事故的概率。其一般步驟為：

⑴ 根據(jù)歷史資料，總結(jié)出引發(fā)交通事故的因素的有哪些。

⑵ 分析發(fā)生過的交通事故各有哪些因素導(dǎo)致，并統(tǒng)計各因素的所占比例。

⑶ 測算出各因素可能導(dǎo)致道路交通事故的概率。

⑷ 檢測當(dāng)前車輛運行時的各種相關(guān)因素并和交通事故樣本空間的數(shù)據(jù)對比，綜合測算出當(dāng)前車輛行駛是否在安全的范圍內(nèi)，若不是，則給出提示信息，并對收到提示依然照舊行駛的車輛進(jìn)行車牌識別。

表1交通事故主要因素信息表

[[主要因素&事故總數(shù)Ni&該因素導(dǎo)致的事故數(shù)Mi&所占比例Q&車&N1&M1&QC=M1/N1&路面類型&N2&M2&QR=M2/N2&道路線性&N3&M3&QL=M3/N3&駕駛員&N4&M4&QD=M4/N4&環(huán)境&N5&M5&QE=M5/N5&]

]

要使預(yù)警有較高的準(zhǔn)確性，不僅要對近年來山區(qū)道路的發(fā)展?fàn)顩r及在山區(qū)道路上發(fā)生的交通事故有詳細(xì)的統(tǒng)計，如對各種車輛的類型、各種道路的類型、各種環(huán)境等因素所占的比例的記錄，以及車輛、道路、駕駛員、環(huán)境所導(dǎo)致的交通事故的比例，還要對各種各個小的因素進(jìn)行統(tǒng)計測定。表1示出了引發(fā)交通事故的一些主要因素。

假設(shè)到目前為止，某地區(qū)大型客車、大型貨車、中型客車、中型貨車、小型客車、小型貨車、轎車所占比例為Ai；在某種道路上，在時間t1-t2時間間隔內(nèi)，各類車的總通行量為Ni；在這段時間里，各類車發(fā)生的交通事故的次數(shù)為Mi?？梢缘玫?，在這類道路上各類車可能發(fā)生交通事故的概率Pci，這類車在這種道路上的危險系數(shù)為SCi，其中(i=1,2,3,……,n)。概率。

根據(jù)概率的大小，可得到危險系數(shù)。同時，通過對路面類型Ri（瀝青R1、沙石R2、水泥R3、土路R4等）,車輛總通行量Ni、發(fā)生事故總量Mi進(jìn)行測定，其中(i=1,2,3,……,n)，可得路面類型所對應(yīng)發(fā)生事故的概率。

相對應(yīng)的危險系數(shù)為SRi。通過對道路線性Li (即道路平直L1，坡L2，彎L3，坡加彎L4，交叉路L5等)，發(fā)生事故總數(shù)Ni,這類道路發(fā)生事故數(shù)Mi，得道路線性概率為,相對應(yīng)危險系數(shù)為SLi；同理,對駕駛狀況(酒后駕駛、無證駕駛、超速行駛、超載行駛、措施不當(dāng)?shù)?及環(huán)境情況(晴、陰、霧、雨、雪等)也可根據(jù)全概率公式進(jìn)行測量。

利用上面分析方法，根據(jù)目前獲取車輛行駛的相關(guān)數(shù)據(jù)與上述樣本庫中測量得到的各因素導(dǎo)致的車輛的安全系數(shù)，可測算出各因素綜合后的車輛行駛的總的安全系數(shù)S，即。由此，可對車輛的運行狀態(tài)進(jìn)行診斷，如果小于某個測算出的危險系數(shù)S，則認(rèn)為系統(tǒng)是安全的，車輛可以這樣行駛。否則，系統(tǒng)是不安全的。

2 車牌定位

利用上述預(yù)警結(jié)果，針對處于不安全狀態(tài)（即處于危險狀態(tài)）的車輛，即收到預(yù)警信息號還依然繼續(xù)前進(jìn)，可通過車輛識別系統(tǒng)對其車牌進(jìn)行識別。

2.1 RGB到HSV顏色空間轉(zhuǎn)換

不同的應(yīng)用場合，圖像顏色的表示方法各不相同。一般情況下，從數(shù)碼像機(jī)拍攝的圖片是處于RGB顏色空間的（由紅（Red）、綠(Green)、藍(lán)(Blue)三分量組成），R、G、B三個分量隨著光照變化將改變，兩個相近的顏色其R、G、B值可能相差很大。通常我們拍到的汽車圖片光照條件各異，同時RGB空間是顏色顯示空間，并不適合人的視覺（人的視覺特性無法獲得物體的RGB分量值），對目標(biāo)物體的顏色描述相對復(fù)雜，各個分量之間冗余信息多。所以RGB空間不適合作顏色分割，也就不適合用于車牌識別。而HSV顏色模型(H，S,V分別代表色調(diào)Hue、飽和度Saturation和亮度Value)能獨立感知各顏色分量的變化，能較好地反映人對色彩的感知和鑒別能力，非常適合于基于色彩的圖像相似比較[8]。利用H和S分量可以排除光照條件影響，對于光照條件不確定的彩色汽車圖片分割具有十分重要的意義，在車牌提取中顏色分割更容易通過調(diào)節(jié)H、S、V這三個參數(shù)而實現(xiàn)?；诖?，本文提出了基于HSV顏色模型的車牌定位方法。由RGB顏色空間轉(zhuǎn)換到HSV顏色空間的轉(zhuǎn)換如下：

上式中，。

2.2 邊緣顏色均值對車牌定位

在HSV顏色空間中利用邊緣顏色均值對的方法對車牌區(qū)域進(jìn)行初定位。原理如下：目前中國的車牌大概分為四種類型：藍(lán)底白字（藍(lán)牌）、白底黑字或紅字（白牌）、黃底黑字（黃牌）和黑底白字（黑牌）。針對中國車牌的底色與車牌字符顏色的固定搭配，對四種色彩限定的區(qū)域范圍值，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（*表示不予考慮）

圖1(a) 原圖 圖1(b)車牌粗分割圖1(c)車牌精定位

考慮到兩種顏色的邊界附近存在過渡顏色，取模板最下邊一行的5個像素,計算這5個像素的RGB各分量的平均值，對模板的最上邊一行的5個像素,也計算其RGB的各分量的平均值，將它們都轉(zhuǎn)化到HSV空間中。在轉(zhuǎn)換過程中，采用本文提出的改進(jìn)的HSV模型。在轉(zhuǎn)換后的HSV顏色空間中，檢測兩個顏色均值的HSV是否出現(xiàn)車牌底色與車牌字符的顏色搭配。如果是，則認(rèn)為是車牌區(qū)域，保留下來，否則去除，實現(xiàn)車牌的粗分割。如圖1(a)原圖，經(jīng)粗分割后如圖1(b)所示。最后基于數(shù)學(xué)形態(tài)學(xué)與幾何特征進(jìn)行車牌精定位，如圖1(c)所示。

3 結(jié)束語

本文采用全概率公式分析了山區(qū)道路各因素的特點及重要性，結(jié)合車輛行駛過程中實時的因素變化，討論了山區(qū)道路車輛安全行駛問題，并給出了相應(yīng)的預(yù)警，以及對處于危險狀態(tài)的車輛進(jìn)行車牌定位的方法，以降低山區(qū)道路交通中事故的發(fā)生率。實踐表明本文方法的預(yù)警結(jié)果受測量的歷史數(shù)據(jù)影響較大。

參考文獻(xiàn)：

[1] 王夏黎.智能交通視頻監(jiān)視技術(shù)的研究與應(yīng)用[D].西北大學(xué)計算機(jī)科

學(xué)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] 李文舉.智能交通中圖像處理技術(shù)應(yīng)用的研究[D].大連海事大學(xué)信息科學(xué)與技術(shù)學(xué)院,2004.

[7] 楊希銳,吳禮林.交通事故處理與索賠案例分析[M].人民交通出版社,2004.

[8] 袁庭啟,徐濤.一種基于HSV空間和紋理特征的快速車牌定位方法[J].重慶工學(xué)院學(xué)報(自然科學(xué)),2008.10(22):179~182