CN107305736B - 一种基于车牌规则和时空可达性的车牌识别智能查错方法和系统 - Google Patents

Abstract

本发明公开了一种基于车牌规则和时空可达性的车牌识别错误智能发现方法和系统，属于智能交通技术和数据质量控制技术领域。该方法包括：接收到过车记录后，获取识别到的车牌；将识别到的车牌与数据库中的车牌规则进行正则匹配，找出不符合任何车牌规则的车牌识别记录；将获取到的过车数据按照时间戳排序，形成车辆行驶轨迹，并对轨迹进行时空可达性分析，找出不合理的车牌识别记录。采用本发明的方法和系统，通过对过车记录中的车牌进行车牌字符串正则匹配判断以及对过车记录形成的车辆轨迹进行可达性分析，能快速定位到可能的识别错误的车牌，略过以别无误的车牌，进而有效缩短过车记录车牌审核校正所花费时间，大幅提高审核校正的工作效率。

Description

一种基于车牌规则和时空可达性的车牌识别智能查错方法和 系统

技术领域

本发明涉及一种智能交通数据质量控制方法，尤其涉及一种车牌识别智能差错方法和系统。

背景技术

随着公路电子警察和卡口系统的普及，每个城市每天都产生数以亿计的过车记录。在智能交通领域，一条过车记录指的是车辆在某个时间、经过某个地点的数据记录，基本数据包括车牌号码、抓拍时间、抓拍地点、抓拍相机、行驶速度、车牌类型、行驶车道、行驶方向、抓拍图像等。电子警察和卡口设备是在普通视频相机的基础上附加智能视频分析程序而来，并具有更强的抓拍速度、计算能力和数据存储能力。一般的电子警察和卡口对于车牌的识别正确率能达到白天85～90％，夜间75～80％。影响识别错误的因素主要有相机设备的安装位置、拍摄角度、车牌区域大小、曝光、能见度、环境光、车牌污损、模糊、遮挡、反光、车牌字符相似等等，另外车身其他标志物的干扰也对车牌识别有较大的影响。

过车数据对于智能交通分析、车辆行为分析以及OD分析都具有十分重要的价值，过车数据的质量直接影响到这些分析的准确度。在目前的技术条件下，人们为了提高过车数据质量，找出识别错误的数据，必须浏览全部过车记录，审核工作针对性不强，造成了大量的人力资源浪费。因此，快速找到可能的车牌识别错误的记录，略过识别无误的记录，具有非常好的现实意义和技术价值。

发明内容

基于目前技术条件所限，本发明要解决的技术问题是提供一种车牌识别智能查错方法和系统，以解决目前车牌识别的审核校正工作针对性不强，为了找到识别错误的小部分记录浏览全部过车记录的技术问题，能够快速定位可能的车牌识别错误的记录。

本发明解决上述技术问题所采用的技术方案如下：

根据本发明的一个方面，提供的一种车牌识别智能查错方法，该方法包括以下步骤：

对于接收到的过车记录，提取车牌号字段信息，并将提取出的车牌号与全国车牌号规则库中的所有规则进行依次匹配，若满足任意一条规则，则说明匹配成功，若不满足任何规则，则匹配失败，说明该条过车记录的车牌识别错误。

对于接收到的一批连续时间内的过车数据，按照车牌号和抓拍时间信息，将同一个车牌号对应的所有过车记录按照抓拍时间先后顺序排序，并提取抓拍地点、抓拍相机，构成一个时空轨迹序列。将此时空轨迹序列与已有路网数据比对进行时空可达性分析，找出不合理的轨迹点，该轨迹点对应的过车数据即为可能的车牌识别错误数据。

上述方法之前还包括：

1.在数据库中预设全国车牌号规则表，该规则表保存了全国所有车牌号的字符串正则规则。

2.学习路网信息，并数据库中预设路网数据，该路网数据通过相机序列表来表示，该相机序列表保存了长度为3的频繁相机序列。其中，频繁相机序列是通过以下方法得到的：

a)获取一段时间的全量过车数据，对同一车牌号的所有过车数据按照相机抓拍时间先后顺序排序，并提取抓拍时间、抓拍相机，得到所有车辆经过各个相机的相机序列。

b)步骤a得到的所有相机序列构成序列模式数据库SDB。

c)对SDB应用SPADE算法进行频繁序列模式挖掘，找出长度为3的频繁相机序列FSSet。

上述将接收到的车牌与全国车牌号规则库中的所有规则进行依次匹配，若满足任意一条规则，则说明匹配成功，若不满足任何规则，则匹配失败，说明该条过车记录的车牌识别错误，进一步包括：

为了缩短正则匹配时间，对于一条过车数据，与全国车牌号规则库中规则进行匹配的过程包括以下步骤：

1.对于全国车牌号规则库中所有规则，将其规则规定的字符串前两位作为该条规则前缀，以此前缀对全国车牌号规则表建立索引；

2.提取该条过车数据中车牌号，并取车牌号字符串前2位作为前缀prefix；

3.按照prefix查询全国车牌号规则库，找出与prefix相同的所有规则regexlist；

4.将该条过车数据中车牌号与regexlist中正则规则依次匹配，若与任意一条都未能匹配成功，则说明该条过车数据中车牌号识别错误；否则认为该条过车数据中车牌号通过规则匹配。

上述将同一个车牌号对应的所有过车记录按照抓拍时间先后顺序排序，并提取抓拍地点、抓拍相机，构成一个时空轨迹序列；将此时空轨迹序列与已有路网数据比对进行时空可达性分析，找出不合理的轨迹点，该轨迹点对应的过车数据即为可能的车牌识别错误数据，进一步包括：

对于一段时间内(要求至少12小时)构成的一个车辆时空轨迹序列，执行以下步骤：

1.若该序列长度小于最小阈值min_seqlen，则认为该序列对应的所有过车数据车牌识别错误；

2.设置一个长度为3，步长为2的滑动窗口win，对落在窗口内的长度为3的时空轨迹{tr₁，tr₂，tr₃}，提取其相机序列e_devicelist＝{de₁，de₂，de₃}，并查找预设的相机序列表：

情况1：若相机序列表中存在e_devicelist，则说明该窗口内时空轨迹对应的过车数据车牌识别正确；

情况2：若相机序列表中不存在e_devicelist，则在相机序列表中分别查找包含{de₁，de₂}，{de₂，de₃}，{de₁，de₃}的相机序列，若存在{de₁，de₂}，则认为tr₃对应的过车数据车牌识别错误；若存在{de₂，de₃}，则认为tr₁对应的过车数据车牌识别错误；；若存在{de₁，de₃}，则认为tr₂对应的过车数据车牌识别错误：若认为tr₃对应的过车数据车牌识别错误，则滑动窗口win下一步步长调整为2。

情况3：若上述两种情况都不满足，则认为tr₁，tr₂，tr₃对应的过车数据中车牌识别错误。

根据本发明的另一个方面，提供的一种基于车牌规则和时空可达性的车牌识别智能查错系统包括以下模块：

数据导入模块，用于将车牌识别数据从交通数据中心数据库导入到本系统；

规则预置模块，用于对全国车牌规则库进行维护，包括数据导入、读取、编辑和更新；

时空轨迹提取模块，用于将连续时间范围内的全量车牌识别数据根据车牌号和相机抓拍时间，计算提取所有车辆的行车轨迹。

路网信息学习模块，用于从大量车辆行车轨迹中，通过序列模式挖掘，学习出路网信息，本发明中路网信息用相机序列模式来形式化表示。

规则分析模块，用于对车牌识别数据应用全国车牌规则库规则进行车牌字符串正则规则正确性分析。

时空可达性分析模块，用于对车牌识别数据进行时空可达性分析，对于违背时空可达性的数据，认为其有可能是车牌识别错误数据。

本发明提供的基于车牌规则和时空可达性的车牌识别智能差错方法和系统，通过预置全国车牌规则数据库；以及从大量数据中学习路网信息，从而对车辆识别数据应用时空可达性分析，从而智能地发现疑似识别错误的车牌，略过识别无误的车牌，解决了目前车牌识别审核校正工作针对性不强，人力耗费大，效率低下的问题。

附图说明

附图1是本发明的一种实施方案的网络拓扑图。

附图2是本发明的数据流程图。

附图3是车牌规则匹配流程图。

附图4是路网信息学习即相机序列数据库预置流程图。

附图5是车牌识别数据时空可达性分析流程图。

Claims (2)

1.一种基于车牌规则和时空可达性的车牌识别智能查错方法，其特征在于，该方法包括以下步骤：

在数据库中预设全国车牌号规则表，该规则表保存了全国所有车牌号的字符串正则规则；

在数据库中预设路网数据，该路网数据通过相机序列表来表示，该相机序列表保存了长度为3的频繁相机序列；

获取一段时间的全量过车数据，对同一车牌号的所有过车数据按照相机抓拍时间先后顺序排序，并提取抓拍时间、抓拍相机，得到所有车辆经过各个相机的相机序列；根据得到的所有相机序列构成序列模式数据库SDB；

对SDB应用SPADE算法进行频繁序列模式挖掘，找出长度为3的频繁相机序列FSSet；

规则匹配：对于全国车牌号规则库中所有规则，将其规则规定的字符串前两位作为规则前缀，以此前缀对全国车牌号规则表建立索引；提取过车数据中车牌号，并取车牌号字符串前2位作为前缀prefix；

按照prefix查询全国车牌号规则库，找出与prefix相同的所有规则regexlist；

将过车数据中车牌号与regexlist中正则规则依次匹配，若与任意一条都未能匹配成功，则说明过车数据中车牌号识别错误；否则认为过车数据中车牌号通过规则匹配；

时空可达性分析：对于接收到的一批连续时间内的过车数据，按照车牌号和抓拍时间信息，将同一个车牌号对应的所有过车记录按照抓拍时间先后顺序排序，并提取抓拍地点、抓拍相机，构成一个时空轨迹序列；将此时空轨迹序列与已有路网数据比对进行时空可达性分析，找出不合理的轨迹点，该轨迹点对应的过车数据即为可能的车牌识别错误数据；

对于一段时间内构成的一个车辆时空轨迹序列，执行以下步骤：

若该序列长度小于最小阈值min_seqlen，则认为该序列对应的所有过车数据车牌识别错误；

设置一个长度为3，步长为2的滑动窗口win，对落在窗口内的长度为3的时空轨迹{tr1，tr2，tr3}，提取其相机序列e_devicelist＝{de1，de2，de3}，并查找预设的相机序列表：

情况1：若相机序列表中存在e_devicelist，则说明该窗口内时空轨迹对应的过车数据车牌识别正确；

情况2：若相机序列表中不存在e_devicelist，则在相机序列表中分别查找包含{de1，de2}，{de2，de3}，{de1，de3}的相机序列，若存在{de1，de2}，则认为tr3对应的过车数据车牌识别错误；若存在{de2，de3}，则认为tr1对应的过车数据车牌识别错误；若存在{de1，de3}，则认为tr2对应的过车数据车牌识别错误：若认为tr3对应的过车数据车牌识别错误，则滑动窗口 win下一步步长调整为2；

情况3：若上述两种情况都不满足，则认为tr1，tr2，tr3对应的过车数据中车牌识别错误。

2.一种实现如权利要求1所述的基于车牌规则和时空可达性的车牌识别智能查错方法的系统，其特征在于，该系统包括以下模块：数据导入模块，用于将车牌识别数据从交通数据中心数据库导入到本系统；

规则预置模块，用于对全国车牌规则库进行维护，包括数据导入、读取、编辑和更新；时空轨迹提取模块，用于将连续时间范围内的全量车牌识别数据根据车牌号和相机抓拍时间，计算提取所有车辆的行车轨迹；还用于在数据库中预设全国车牌号规则表，该规则表保存了全国所有车牌号的字符串正则规则；

在数据库中预设路网数据，该路网数据通过相机序列表来表示，该相机序列表保存了长度为3的频繁相机序列；

路网信息学习模块，用于从大量车辆行车轨迹中，通过序列模式挖掘，学习出路网信息，路网信息用相机序列模式来表示；还用于获取一段时间的全量过车数据，对同一车牌号的所有过车数据按照相机抓拍时间先后顺序排序，并提取抓拍时间、抓拍相机，得到所有车辆经过各个相机的相机序列；

根据得到的所有相机序列构成序列模式数据库SDB；

对SDB应用SPADE算法进行频繁序列模式挖掘，找出长度为3的频繁相机序列FSSet；

规则分析模块，用于对车牌识别数据应用全国车牌规则库规则进行车牌字符串正则规则正确性分析；

时空可达性分析模块，用于对车牌识别数据进行时空可达性分析，对于违背时空可达性的数据，认为其有可能是车牌识别错误数据。