基于圖像識(shí)別的渣土車(chē)監(jiān)管系統(tǒng)設(shè)計(jì)及實(shí)現(xiàn)

李宇宏，韓 豫，楊煜昕，芮 意，孫 蓉，孫 昊，尤少迪

(1.江蘇大學(xué) 土木工程與力學(xué)學(xué)院，江蘇 鎮(zhèn)江 212013；2.澳洲國(guó)立大學(xué) 國(guó)家信息通信技術(shù)中心，澳大利亞 堪培拉 2600)

目前，中國(guó)渣土車(chē)的數(shù)量隨著城市化建設(shè)的不斷推進(jìn)在大幅度增加，其在發(fā)揮作用的同時(shí)，車(chē)身污跡斑駁、裝載超限及遺撒泄漏等問(wèn)題也開(kāi)始頻發(fā)。這些問(wèn)題不僅破壞了市政道路，也污染了城市環(huán)境，甚至?xí){著交通安全以及影響人們的正常生活，是目前存在的城市頑疾。但是，現(xiàn)有的監(jiān)管手段主要利用導(dǎo)航、定位與通信等技術(shù)來(lái)實(shí)時(shí)監(jiān)控運(yùn)輸途中渣土車(chē)的行駛速度和軌跡等參數(shù)，如基于物聯(lián)網(wǎng)技術(shù)的渣土車(chē)環(huán)保運(yùn)輸智能監(jiān)控裝置[1]和基于北斗導(dǎo)航技術(shù)的城市渣土車(chē)智能管控系統(tǒng)[2]，對(duì)于上述的頻發(fā)問(wèn)題卻并沒(méi)有合適的監(jiān)管手段。在施工現(xiàn)場(chǎng)，也僅僅是依靠人工目測(cè)的方式來(lái)進(jìn)行監(jiān)管。監(jiān)管手段較為傳統(tǒng)單一，效率低下，亟待優(yōu)化升級(jí)。

與此同時(shí)，以圖像識(shí)別為代表的人工智能技術(shù)逐漸發(fā)展成熟，已被廣泛應(yīng)用于農(nóng)作物檢測(cè)[3]、人臉識(shí)別[4]、車(chē)輛識(shí)別[5]等領(lǐng)域。隨著我國(guó)建筑業(yè)管理效率低下、信息化程度落后等問(wèn)題的日益凸顯，人工智能技術(shù)與建筑業(yè)也開(kāi)始了加速融合，其信息化建設(shè)不斷深入并趨向具體工程項(xiàng)目的應(yīng)用，“智慧工地”應(yīng)運(yùn)而生。例如，在施工安全管理方面，已有研究利用方向梯度直方圖來(lái)監(jiān)測(cè)施工防護(hù)柵欄的異常[6]；或利用圖像識(shí)別技術(shù)來(lái)對(duì)建筑工人的不安全行為[7]及安全裝備[8]進(jìn)行實(shí)時(shí)監(jiān)測(cè)與檢查。在施工質(zhì)量管理方面，已有研究利用圖像識(shí)別技術(shù)來(lái)實(shí)時(shí)監(jiān)測(cè)施工質(zhì)量[9]以及識(shí)別建筑缺陷[10]。這些技術(shù)應(yīng)用都為解決渣土車(chē)監(jiān)管問(wèn)題帶來(lái)了一定的借鑒意義，但是考慮到施工現(xiàn)場(chǎng)的復(fù)雜環(huán)境，在技術(shù)的直接應(yīng)用及算法的優(yōu)化等方面仍需進(jìn)一步改進(jìn)。

綜上，本文針對(duì)渣土車(chē)一系列的頻發(fā)問(wèn)題以及現(xiàn)有監(jiān)管手段的局限性，提出了一種基于圖像識(shí)別的渣土車(chē)車(chē)容車(chē)貌智能監(jiān)管系統(tǒng)。該系統(tǒng)可以根據(jù)渣土車(chē)車(chē)身污跡的顏色特征和裝載情況的幾何特征，實(shí)現(xiàn)對(duì)車(chē)身污跡的快速化檢測(cè)及裝載情況的自動(dòng)化監(jiān)督，并通過(guò)車(chē)牌識(shí)別對(duì)渣土車(chē)的進(jìn)出場(chǎng)權(quán)限進(jìn)行智能化管理，具有傳統(tǒng)方式無(wú)法比擬的優(yōu)勢(shì)和重要的現(xiàn)實(shí)意義。

1 渣土車(chē)智能監(jiān)管系統(tǒng)需求分析

現(xiàn)有手段已經(jīng)在監(jiān)管渣土車(chē)行駛速度、行駛軌跡等方面取得了比較好的效果，但是由于大部分渣土車(chē)司機(jī)“多裝多賺”的僥幸心理并沒(méi)有改變，仍然存在著以下不足之處：

(1)車(chē)身污跡超標(biāo)。很多渣土車(chē)在施工現(xiàn)場(chǎng)的清洗不到位，出場(chǎng)上路后車(chē)身污跡斑駁，嚴(yán)重影響了市容市貌。

(2)超載情況嚴(yán)重。由于渣土車(chē)載重量大，在運(yùn)輸途中，不僅會(huì)將路面碾壓得坑洼不平，甚至?xí)鹇愤叿课莸恼饎?dòng)，嚴(yán)重影響了城市的交通運(yùn)行和居民的正常生活。

(3)泄漏遺撒嚴(yán)重。渣土車(chē)裝運(yùn)的物品主要以沙石、渣土為主，行駛過(guò)程中易散落在路面上，成為揚(yáng)塵的主要來(lái)源，既破壞了城市環(huán)境又妨礙了人們的正常出行。為改善相關(guān)問(wèn)題，本文在結(jié)合施工現(xiàn)場(chǎng)的實(shí)際情況及現(xiàn)有手段不足的基礎(chǔ)上，進(jìn)行需求分析，如表1所示。

表1 系統(tǒng)需求分析

2 渣土車(chē)智能監(jiān)管系統(tǒng)架構(gòu)設(shè)計(jì)

2.1 系統(tǒng)硬件構(gòu)成與功能

該系統(tǒng)主要由圖像采集裝置、圖像處理及分析裝置、聲光報(bào)警器及進(jìn)出放行設(shè)備構(gòu)成。其中，圖像采集裝置由架設(shè)在洗車(chē)槽區(qū)域上方的高清攝像頭組成，進(jìn)出放行設(shè)備由放行桿和道閘機(jī)組成。系統(tǒng)具體組成如圖1所示，各功能說(shuō)明如表2所示。

圖1 系統(tǒng)組成

表2 系統(tǒng)功能說(shuō)明

2.2 系統(tǒng)運(yùn)行流程

結(jié)合施工現(xiàn)場(chǎng)渣土車(chē)的工作流程，系統(tǒng)運(yùn)行流程包括渣土車(chē)進(jìn)出場(chǎng)時(shí)的管理、車(chē)身污跡的檢測(cè)及裝載情況的監(jiān)督，如圖2所示。

圖2 系統(tǒng)運(yùn)行流程

(1)渣土車(chē)進(jìn)場(chǎng)時(shí)的管理

1)圖像采集：當(dāng)渣土車(chē)進(jìn)場(chǎng)時(shí)，通過(guò)架設(shè)在放行桿上方的高清攝像頭進(jìn)行圖像采集。

2)圖像預(yù)處理：由于拍攝角度的不確定，因此利用Radon變換來(lái)對(duì)可能出現(xiàn)的傾斜情況進(jìn)行校正；再利用灰度變換法和Gabor濾波法對(duì)圖像進(jìn)行增強(qiáng)和平滑，以獲得高質(zhì)量的車(chē)牌圖像。

3)車(chē)牌識(shí)別：首先，通過(guò)邊緣檢測(cè)、腐蝕和閉運(yùn)算處理，去除圖像中的雜亂且無(wú)作用的部分；其次，對(duì)車(chē)牌圖像中像素點(diǎn)的數(shù)量進(jìn)行計(jì)算，并與車(chē)牌的長(zhǎng)寬比特征參數(shù)進(jìn)行對(duì)照；然后，從水平和垂直方向?qū)?chē)牌圖像進(jìn)行投影，實(shí)現(xiàn)車(chē)牌定位；然后，通過(guò)基于提取連通域的分割算法，對(duì)字符進(jìn)行分割，同時(shí)進(jìn)行歸一化處理；最后，通過(guò)模板匹配算法，對(duì)車(chē)牌信息進(jìn)行識(shí)別。

4)進(jìn)場(chǎng)權(quán)限判定：將識(shí)別結(jié)果與數(shù)據(jù)庫(kù)中的車(chē)輛信息進(jìn)行比對(duì)，通過(guò)信息輸出模塊將結(jié)果輸出，對(duì)符合要求的渣土車(chē)進(jìn)行放行；反之，不予放行并人工校核。

(2)車(chē)身污跡的檢測(cè)及裝載情況的監(jiān)督

1)圖像采集：渣土車(chē)裝載完渣土后，經(jīng)過(guò)洗車(chē)槽行駛到預(yù)先規(guī)劃好的停車(chē)區(qū)域，通過(guò)架設(shè)在停車(chē)區(qū)域上方的攝像頭對(duì)渣土車(chē)圖像進(jìn)行采集。

2)圖像預(yù)處理、車(chē)牌識(shí)別判定：經(jīng)過(guò)預(yù)處理后對(duì)車(chē)牌進(jìn)行識(shí)別，如果可以識(shí)別，則開(kāi)始進(jìn)行車(chē)身污跡檢測(cè)及裝載情況監(jiān)督；如果識(shí)別結(jié)果不滿(mǎn)足要求，則對(duì)渣土車(chē)重新進(jìn)行清洗。

3)車(chē)身污跡檢測(cè)及裝載情況監(jiān)督：車(chē)身污跡檢測(cè)主要是將采集的渣土車(chē)圖像與模板圖像進(jìn)行匹配，計(jì)算相關(guān)系數(shù)，將系數(shù)與預(yù)定閾值進(jìn)行比對(duì)來(lái)判定污跡是否超標(biāo)；裝載情況監(jiān)督主要是對(duì)擋土板及車(chē)身側(cè)面進(jìn)行直線檢測(cè)，并計(jì)算擋土板與車(chē)身側(cè)面的高度之比，將比值與預(yù)定閾值進(jìn)行比對(duì)來(lái)判定裝載高度是否合格。對(duì)于任何一項(xiàng)不滿(mǎn)足要求的渣土車(chē)都需要進(jìn)行重新清洗。

(3)渣土車(chē)出場(chǎng)時(shí)的權(quán)限管理

渣土車(chē)出場(chǎng)時(shí)，依據(jù)(2)中的監(jiān)督結(jié)果對(duì)渣土車(chē)能否放行進(jìn)行整體判定，對(duì)符合要求的進(jìn)行放行，對(duì)不符合要求的進(jìn)行人工校核，依據(jù)人工校核結(jié)果再次對(duì)渣土車(chē)能否放行進(jìn)行判定。

3 核心方法

3.1 基于車(chē)牌特征的進(jìn)出場(chǎng)權(quán)限管理方法

不同于人工目測(cè)、記錄的方式，本方法以渣土車(chē)車(chē)牌檢測(cè)及識(shí)別為核心，實(shí)現(xiàn)渣土車(chē)進(jìn)出場(chǎng)權(quán)限的智能化、信息化管理。具體識(shí)別步驟和處理過(guò)程如下：

(1)傾斜校正

由于采集的車(chē)牌圖像可能存在傾斜，容易降低權(quán)限判定的準(zhǔn)確性?？紤]到Radon變換法依賴(lài)性較小，本系統(tǒng)采用Radon變換法來(lái)實(shí)現(xiàn)傾斜校正處理。該算法是將數(shù)字圖像矩陣在某一指定角度射線方向上做投影變換，它可以在任意維空間定義[11]。定義沿θ方向的Radon變換為：

(1)

式中：fl(x,y)為圖像上l平面內(nèi)某一點(diǎn)(x,y)的像素點(diǎn)灰度值；特征函數(shù)δ為狄拉克函數(shù)；P為l平面內(nèi)直線到原點(diǎn)的距離；θ為原點(diǎn)到直線的垂線與x軸的夾角。

(2)車(chē)牌識(shí)別

1)邊緣檢測(cè)：利用檢測(cè)垂直邊緣效果較好、計(jì)算量較小的Roberts算子來(lái)對(duì)圖像進(jìn)行邊緣檢測(cè)，得到車(chē)牌字符的輪廓特征。

2)形態(tài)學(xué)處理：由于邊緣檢測(cè)后的圖像中還會(huì)得到背景部分的邊緣。因此，需要進(jìn)行形態(tài)學(xué)處理，將這些部分進(jìn)行剔除，主要工作包含腐蝕和閉運(yùn)算兩部分。

3)車(chē)牌定位：本方法利用 Regionprop 函數(shù)對(duì)車(chē)牌區(qū)域進(jìn)行提取。考慮到車(chē)牌是黃底黑字，首先由像素坐標(biāo)來(lái)計(jì)算每個(gè)區(qū)域的中心位置、內(nèi)切矩形的面積以及邊緣像素點(diǎn)的位置。其次，求出各標(biāo)記區(qū)域能夠包含的最大矩形縱橫向的像素點(diǎn)數(shù)量以及長(zhǎng)寬比[12]。然后，將計(jì)算出的結(jié)果和車(chē)牌的長(zhǎng)寬比進(jìn)行對(duì)比，完成初步定位。最后，通過(guò)投影法分別從水平和垂直方向?qū)D像投影，將牌照部分與背景進(jìn)行切除，從而找出車(chē)牌的有效區(qū)域。

4)字符分割：對(duì)字符間的各連通域進(jìn)行水平和垂直掃描，確定每個(gè)連通域的起始位置和終止位置，構(gòu)成包含連通域的最小矩形區(qū)。分別剪切每個(gè)矩形，分割出字符，并進(jìn)行歸一化處理。

5)字符識(shí)別：利用模板匹配算法，對(duì)分割出的字符圖像進(jìn)行特征匹配，僅對(duì)字符的某些特征進(jìn)行匹配[13]，減少了運(yùn)算量，識(shí)別速度大幅度提升。

(3)權(quán)限判定

車(chē)牌識(shí)別完成后，利用包含車(chē)輛信息的數(shù)據(jù)庫(kù)對(duì)結(jié)果進(jìn)行篩選及比對(duì)，對(duì)于符合條件的渣土車(chē)判定為允許進(jìn)場(chǎng)，不合格的判定為拒絕進(jìn)場(chǎng)。

圖3顯示了黃色車(chē)牌的識(shí)別流程。

圖3 黃色車(chē)牌識(shí)別流程

3.2 基于顏色特征的車(chē)身污跡檢測(cè)方法

考慮到渣土車(chē)車(chē)身四周可能會(huì)存在大小不均的土壤塊，本系統(tǒng)利用土壤的顏色特征，通過(guò)一種基于顏色相似度的模板匹配方法來(lái)對(duì)車(chē)身污跡進(jìn)行檢測(cè)及判定。相對(duì)于其他的特征，顏色特征對(duì)于平移和尺度變化的影響不敏感。此方法的核心是計(jì)算采集的圖像與預(yù)先設(shè)定的模板圖像上R，G，B三個(gè)顏色分量上的直方圖距離或交集來(lái)判斷它們之間的相似度，得到相關(guān)系數(shù)，根據(jù)系數(shù)與閾值的比對(duì)來(lái)判斷渣土車(chē)車(chē)身污跡是否超標(biāo)。實(shí)驗(yàn)室環(huán)境下的匹配結(jié)果如圖4所示。

圖4 實(shí)驗(yàn)室環(huán)境下車(chē)身污跡檢測(cè)

3.3 基于幾何特征的裝載情況監(jiān)督方法

目前渣土車(chē)主要有篷布遮蓋、擋土板遮蓋兩種類(lèi)型，如圖5所示。相較于篷布遮蓋類(lèi)型，擋土板遮蓋類(lèi)型的渣土車(chē)是目前裝載超限、遺撒揚(yáng)塵等頻發(fā)問(wèn)題的主要來(lái)源。針對(duì)這種類(lèi)型的渣土車(chē)，本系統(tǒng)采用了一種改進(jìn)后的直線檢測(cè)算法的渣土裝載情況監(jiān)督方法。該方法的核心是檢測(cè)并計(jì)算擋土板與車(chē)身側(cè)面的高度之比，并依據(jù)計(jì)算結(jié)果判定渣土裝載是否超標(biāo)，最終實(shí)現(xiàn)渣土裝載情況的自動(dòng)化監(jiān)督。具體步驟如下：

(1)邊緣檢測(cè)

在經(jīng)典的邊緣檢測(cè)方法中，常用的一階微分算子有Prewwits算子、Log算子、Roberts算子、Sobel算子等。由于Log算子易產(chǎn)生雙邊界，Sobel算子易形成不閉合區(qū)域[14]。因此，本方法采用Canny 算子來(lái)進(jìn)行邊緣檢測(cè)，得到渣土車(chē)車(chē)身側(cè)面圖像的輪廓特征。

(2)形態(tài)學(xué)處理

為了濾除較多的干擾邊緣，還需對(duì)邊緣檢測(cè)后的圖像進(jìn)行形態(tài)學(xué)處理。在閉運(yùn)算處理后，通過(guò)面積濾波，根據(jù)二值圖中連通域的面積濾除選定閾值范圍之外的連通區(qū)域，將非邊緣部分盡可能過(guò)濾掉。

(3)基于霍夫變換和最小二乘法的直線檢測(cè)

霍夫變換算法具有較強(qiáng)的抗干擾能力，對(duì)于噪聲也有較好的抑制效果。但由于擋土板四周可能存在分布不均的渣土，使得檢測(cè)到的直線在像面上發(fā)生不同程度的彎曲，僅使用霍夫變換算法來(lái)檢測(cè)直線并不能得到準(zhǔn)確的結(jié)果?？紤]到最小二乘法可以在一定程度上消除隨機(jī)誤差對(duì)線性檢測(cè)的影響[15]，本方法使用了霍夫變換和最小二乘法結(jié)合的直線檢測(cè)算法。

霍夫變換的原理是對(duì)圖像進(jìn)行某種形式的坐標(biāo)變換，將原圖像變換到參數(shù)空間。其主要方法是將平面中任一條直線y=kx+b表示成極坐標(biāo)方程：ρ=xcosθ+ysinθ，其中，ρ表示直角坐標(biāo)系中原點(diǎn)到直線的距離，θ表示x軸與ρ的夾角。對(duì)于經(jīng)過(guò)形態(tài)學(xué)處理的圖像，通過(guò)改進(jìn)后的直線檢測(cè)算法檢測(cè)到的直線圖像如圖6所示。根據(jù)θ和Δρ可以找到對(duì)應(yīng)的直線邊緣所對(duì)應(yīng)的點(diǎn)(ρm,θm)。

(4)裝載情況判定

鑒于擋土板四周可能存在渣土，本系統(tǒng)選取直線的末端點(diǎn)來(lái)計(jì)算擋土板與車(chē)身側(cè)面的高度比S=d12/d23，同時(shí)也減少了運(yùn)算量，檢測(cè)速度更快。通過(guò)現(xiàn)場(chǎng)調(diào)研，結(jié)合建設(shè)部的《城市建筑垃圾和工程渣土管理規(guī)定》，取T(擋土板閉合角度為45°時(shí))為S的閾值。當(dāng)S>T，即擋土板閉合角度大于45°時(shí)，渣土裝載情況檢測(cè)為不合格，當(dāng)S≤T，即擋土板閉合角度小于等于45°時(shí)，渣土裝載情況檢測(cè)為合格。表3所示為實(shí)驗(yàn)室環(huán)境下的監(jiān)督結(jié)果。

圖5 渣土車(chē)類(lèi)型

圖6 裝載情況監(jiān)督圖像處理過(guò)程

表3 實(shí)驗(yàn)室環(huán)境下監(jiān)督結(jié)果

4 系統(tǒng)實(shí)現(xiàn)與測(cè)試

4.1 系統(tǒng)實(shí)現(xiàn)

(1)軟件開(kāi)發(fā)平臺(tái)

本系統(tǒng)基于配備有圖像處理工具箱的MATLAB R2017b平臺(tái)來(lái)進(jìn)行系統(tǒng)測(cè)試。工具箱內(nèi)置了大量數(shù)字圖像處理的基本函數(shù)和通用算法，并提供了可用于二次開(kāi)發(fā)的程序編譯平臺(tái)。

(2)測(cè)試環(huán)境

測(cè)試所使用的計(jì)算機(jī)環(huán)境為：Intel core i7-8600k 4.5 GHz處理器，32 GB RAM，Windows 7 64 bit，NVIDIA Quadro K1200圖形顯示卡，安裝MATLAB 2017b軟件。

4.2 系統(tǒng)測(cè)試

為驗(yàn)證系統(tǒng)的可操作性，并進(jìn)一步提升其準(zhǔn)確性，對(duì)系統(tǒng)進(jìn)行了測(cè)試，測(cè)試的重點(diǎn)在于提升進(jìn)出場(chǎng)權(quán)限判定及裝載情況監(jiān)督的準(zhǔn)確性。共采集渣土車(chē)圖像800余張，并對(duì)篩選出的300余張圖像進(jìn)行了測(cè)試。

(1)進(jìn)出場(chǎng)權(quán)限管理

按照上述進(jìn)出場(chǎng)權(quán)限判定的核心算法，對(duì)2000 ppi×1000 ppi的渣土車(chē)圖像進(jìn)行了測(cè)試及人工復(fù)核，部分判定結(jié)果如圖7所示。

圖7 進(jìn)出場(chǎng)權(quán)限判定結(jié)果

經(jīng)測(cè)試和分析發(fā)現(xiàn)，進(jìn)出場(chǎng)權(quán)限判定方法效果較好，不存在漏檢的情況，可基本滿(mǎn)足施工現(xiàn)場(chǎng)的需要。判定效率統(tǒng)計(jì)見(jiàn)表4。

表4 進(jìn)出場(chǎng)權(quán)限判定效率統(tǒng)計(jì)

(2)車(chē)身污跡檢測(cè)

通過(guò)上述車(chē)身污跡檢測(cè)方法，對(duì)3000 ppi×2000 ppi的渣土車(chē)圖像進(jìn)行了測(cè)試和人工復(fù)核。部分測(cè)試結(jié)果如圖8和表5所示。

圖8 車(chē)身污跡匹配系數(shù)

表5 車(chē)身污跡檢測(cè)效率統(tǒng)計(jì)

續(xù)表

經(jīng)本次測(cè)試和分析發(fā)現(xiàn)，基于顏色特征的車(chē)身污跡檢測(cè)方法效果較好，匹配系數(shù)能真實(shí)反映渣土車(chē)車(chē)身污跡狀況。

(3)裝載情況監(jiān)督

通過(guò)上述裝載情況監(jiān)督方法，筆者對(duì)不同擋土板閉合角度情況下的渣土車(chē)進(jìn)行了測(cè)試及人工復(fù)核。當(dāng)擋土板與車(chē)身側(cè)面的高度比S大于閾值T時(shí)，渣土裝載情況判定為不合格，部分監(jiān)督結(jié)果如表6所示。

經(jīng)測(cè)試和分析發(fā)現(xiàn)，裝載情況監(jiān)督方法可基本實(shí)現(xiàn)擋土板閉合狀態(tài)的檢測(cè)及監(jiān)督，相較于人工目測(cè)方法，減少了主觀性的影響。

表6 裝載情況監(jiān)督結(jié)果

5 討 論

根據(jù)系統(tǒng)在施工現(xiàn)場(chǎng)的測(cè)試結(jié)果，分析系統(tǒng)運(yùn)行過(guò)程中的主要影響因素，進(jìn)一步完善本系統(tǒng)。

(1)識(shí)別準(zhǔn)確度影響因素及對(duì)策分析

測(cè)試中，如進(jìn)出場(chǎng)權(quán)限判定結(jié)果中的10所示，可以發(fā)現(xiàn)渣土車(chē)分布不均的污跡是影響識(shí)別準(zhǔn)確度的關(guān)鍵因素。污跡不僅會(huì)對(duì)進(jìn)出場(chǎng)權(quán)限判定中的車(chē)牌識(shí)別帶來(lái)影響，也會(huì)對(duì)裝載情況的監(jiān)督帶來(lái)很大的干擾。對(duì)此，在系統(tǒng)后續(xù)的完善過(guò)程中，可以考慮通過(guò)RGB顏色空間，設(shè)定閾值，把與裸土顏色相同的像素點(diǎn)過(guò)濾掉后再進(jìn)行識(shí)別，如果仍然無(wú)法識(shí)別則進(jìn)行人工復(fù)核，并重新清洗。

此外，測(cè)試還發(fā)現(xiàn)光線的強(qiáng)弱不一致會(huì)導(dǎo)致圖像明暗問(wèn)題，繼而對(duì)圖像采集的準(zhǔn)確性帶來(lái)一定的影響，最終影響系統(tǒng)的識(shí)別準(zhǔn)確度，如車(chē)身污跡匹配系數(shù)中的9所示。對(duì)此，在采集圖像時(shí)，需考慮天氣的影響，避免因光線強(qiáng)弱導(dǎo)致的圖像明暗不一致。在圖像處理完成后，應(yīng)加強(qiáng)人工復(fù)核，減少錯(cuò)誤。

(2)運(yùn)行效率影響因素及對(duì)策分析

通過(guò)現(xiàn)場(chǎng)測(cè)試可以發(fā)現(xiàn)，平均進(jìn)出場(chǎng)權(quán)限判定處理時(shí)間為4.69 s，平均車(chē)身污跡檢測(cè)結(jié)果處理時(shí)間為4.32 s，平均裝載情況監(jiān)督處理時(shí)間為4.35 s，詳見(jiàn)表4～6。通過(guò)對(duì)圖像質(zhì)量進(jìn)行分析，發(fā)現(xiàn)采集的圖像過(guò)大是影響圖像處理時(shí)間的最主要因素。此外，施工現(xiàn)場(chǎng)的復(fù)雜環(huán)境，如噪聲大、揚(yáng)塵多等問(wèn)題，也會(huì)對(duì)系統(tǒng)的運(yùn)行效率帶來(lái)一定的影響。目前，系統(tǒng)的運(yùn)行效率可以滿(mǎn)足施工現(xiàn)場(chǎng)的基本需求，在后續(xù)的優(yōu)化完善過(guò)程中，可以考慮通過(guò)調(diào)整施工現(xiàn)場(chǎng)攝像頭的架設(shè)位置以及利用圖像分割算法來(lái)對(duì)采集的圖像進(jìn)行進(jìn)一步的處理，從而提高系統(tǒng)運(yùn)行的整體效率。

6 結(jié) 論

本研究以圖像識(shí)別技術(shù)為核心，設(shè)計(jì)并測(cè)試了一種渣土車(chē)智能監(jiān)管系統(tǒng)。該系統(tǒng)主要采用了3種方法：(1)基于車(chē)牌特征的進(jìn)出場(chǎng)權(quán)限管理方法；(2)基于顏色特征的車(chē)身污跡檢測(cè)方法；(3)基于幾何特征的裝載情況監(jiān)督方法。經(jīng)測(cè)試，系統(tǒng)進(jìn)出場(chǎng)權(quán)限判定平均正確率達(dá)83.33%，車(chē)身污跡檢測(cè)結(jié)果平均正確率達(dá)91.67%，裝載情況監(jiān)督平均正確率達(dá)86.67%，監(jiān)管效率和準(zhǔn)確度較高，可基本滿(mǎn)足實(shí)際需求。

通過(guò)這3種方法，該系統(tǒng)不僅可以實(shí)現(xiàn)施工現(xiàn)場(chǎng)渣土車(chē)車(chē)身污跡的快速化檢測(cè)以及渣土裝載情況的自動(dòng)化監(jiān)督，還可以對(duì)渣土車(chē)的進(jìn)出場(chǎng)權(quán)限做到智能化管理。相較于傳統(tǒng)的人工目視監(jiān)督方法，該系統(tǒng)減少了人工量和主觀性的影響，具有操作便捷、實(shí)用性強(qiáng)、標(biāo)準(zhǔn)化、效率高等優(yōu)勢(shì)。同時(shí)，該系統(tǒng)對(duì)于城市管理中的車(chē)輛監(jiān)管也有一定的借鑒意義。未來(lái)，將通過(guò)優(yōu)化車(chē)身污跡檢測(cè)和裝載情況監(jiān)督算法、進(jìn)行有效的人工復(fù)核和輔助測(cè)量來(lái)提高渣土車(chē)監(jiān)管的準(zhǔn)確性。考慮到施工現(xiàn)場(chǎng)的復(fù)雜環(huán)境，在后續(xù)的研究中，需對(duì)渣土車(chē)進(jìn)行多角度分析，完善本系統(tǒng)。