基于车牌识别的长大隧道交通事件估计方法.pdf

物联网技术 2023年/第10期 全面感知 Comprehensive Perception260 引 言20012017 年国内公路隧道共发生 121 起交通事故1，平均每年发生 7 起多事故，事故类型包含追尾、碰撞、撞壁、火灾和翻车等，给人民生命财产安全带来了严重损失。同时隧道内环境相对封闭，发生事故造成的危害较大，如何对突发事件进行检测成为不可忽视的问题2-3，对保障隧道交通安全意义重大4。在事件检测方面，可以通过采集视频图像，用图像处理技术直接对车辆事故、停车、拥堵、慢行、烟气和火灾进行检测5-9，但实时视频检测对计算机的性能有较高要求，在长大隧道中布设多个视频摄像头，设备运行成本较高。人工监控系统是传统的隧管站监控管理模式，具有准确性高的优点，但监控员受生理心理因素等影响易产生疲劳10。多普勒雷达和常规摄像机联动的方式在照度条件恶劣的情况下仍能识别交通事件11，但多个监测点之间检测信息的匹配难度大，对车辆难以进行跟踪检测。基于光纤振动技术的交通事件检测方式精度较低，且布设光纤需要开挖 路面12。本文利用智能卡口摄像机检测速度快、准确度较高的优势，提出一种综合微观单车事件和宏观交通事件的事件估计方法。通过对卡口检测数据进行实时处理，检测交通事件并进行提示，与常规摄像机联动，为隧道交通安全监控系统提供了智能化支持。1 项目背景本项目基于山西省某长大隧道，主要包含卡口数据采集和实时数据处理检测两个部分。与线圈检测器不同，系统采用智能卡口摄像机对经过的车辆信息进行捕获。除了获取基本的流量信息以外，智能卡口摄像机还能获取车型、颜色等信息，最重要的是能够获取车牌号信息，这为后续数据处理工作奠定了基础。系统卡口摄像机的布设示意如图 1 所示。图 1 长大隧道卡口摄像机布设位置示意图长大隧道一般可由接近段、入口段、过渡段、中间段和出口段构成，在这几个分段中，一般而言，接近段的光照条件最好，有利于智能卡口摄像机识别车牌等车辆信息，因而有必要在接近段布设一个卡口摄像机。为了获取车辆驶离隧道的信息，需要在隧道出口段布设一个卡口摄像机。最后在隧道中间段布设一个卡口摄像机，可以对隧道内部上下游交通流变化情况进行基本的分析。2 交通事件监测方案交通事件监测包含单车交通事件感知、整体交通拥堵判断和危险品车辆跟踪三个部分，通过设定定时任务，对卡口车辆信息表数据进行处理。卡口车辆信息表是由智能卡口摄像机采集的信息，主要包含车牌号、车型、抓拍时间和识别卡口号等字段。车辆行基于车牌识别的长大隧道交通事件估计方法王建瑞1，吴格馨2（1.长安大学 电子与控制工程学院，陕西 西安 710064；2.陕西交通职业技术学院 交通信息学院，陕西 西安 710018）摘 要：随着高速公路隧道运营里程逐年增多，对隧道监控的安全性提出了更高要求。为了实现跟踪隧道内单车行驶状态，监控隧道内交通流的动态变化，提出一种对隧道交通事件的估计方法。该方法采用智能卡口摄像机采集车辆信息，对采集数据进行过滤和插补等预处理步骤后，周期性地分路段分车型对采集数据进行计算。以车牌号作为匹配字段，由各个卡口摄像机的单点数据得到单车行驶状态数据，进一步由单车行驶状态数据得到路段交通流数据，最终对隧道交通事件进行估计，使得微观单车事件可感知，整体交通拥堵可监测。结合项目实践，最终实现安全高效的隧道交通事件监控。关键词：隧道监控；交通事件；车牌检测；高速公路；交通流；数据预处理中图分类号：TP393 文献标识码：A 文章编号：2095-1302（2023）10-0026-03DOI：10.16667/j.issn.2095-1302.2023.10.007收稿日期：2022-11-10 修回日期：2022-12-222023年/第10期 物联网技术全面感知 Comprehensive Perception27驶状态表是隧道中车辆经过各个卡口的时间，主要包含车牌号、车型、各个卡口的抓拍时间等字段信息。车辆事件表为单车交通事件的记录表，有事件类型、车牌号、进入隧道时间等字段信息，其中事件类型有单车超速、单车速度过低和危险品车辆丢失等。交通流信息表包含各时间段内各卡口的累积流量、分路段平均行程时间、分路段密度、分路段分车型空间平均速度等交通流信息。交通事件表记录了交通流拥堵信息，主要包含时间段开始时刻、拥堵路段编号等字段信息。整体交通事件监测信息流如图 2 所示。图 2 数据库信息流示意图2.1 单车交通事件感知隧道属于封闭道路，正常情况下，经过一定时间，驶入隧道的车辆会从隧道出口段驶出。在隧道内部，车辆不可能凭空产生，也不可能凭空消失，累积输入流量应为累积输出流量和隧道内部交通量的求和。同时，智能卡口摄像机捕获的车辆信息是无方向的，而单洞隧道车辆行驶方向统一，车辆不允许掉头，这为利用智能卡口摄像机识别交通流量提供了可能。如此即可以默认假定，单车在隧道内行驶的过程中，经过下游卡口的时间始终大于经过上游卡口的时间。空间平均速度也应大于等于 0，可以根据计算所得单车车速判断车速是否过高或过低，若车速过高或过低则为单车交通异常 事件。利用卡口车辆信息表估计单车交通事件的具体流程如 图 3 所示。通过设定定时任务，读取最新时间段内的卡口车辆信息表，按照识别卡口号进行分组，若为入口卡口号，则向车辆行驶状态表中插入一条新的记录，否则应按照车牌匹配的原则，更新车辆行驶状态表中对应卡口的时间，再由已知的区间路段长度计算单车区间平均速度，判断车速是否过高或过低，并将异常事件写入车辆事件表。2.2 整体交通拥堵判断由于隧道内道路通行能力是有限的，当交通流量增加到一定程度时，容易发生交通拥堵现象。此时交通流状态直接表现为密度偏大，因而可以将检测密度与拥堵密度指数作比较的方式来判断是否发生交通拥堵。拥堵密度指数可以由最小车头间距推出，而最小车头间距可以由停车视距 得到。图 3 单车交通事件处理流程设隧道内车辆间的停车视距为 Lmin（单位为 m），计算公式 如下：Lvtvgxlsmin=+22 （1）式中：v 为行车速度（单位为 km/h，当车速 80 km/h 时，取车速值的 85%，否则取车速值的 90%）；ts为制动时间（单位为 s）；x 为最小安全间距（单位为 m）；l 为汽车长度；g为重力加速度（单位为 m/s2）；为轮胎与路面间的纵向附着系数。隧道内道路为沥青路面，值取 0.38。驾驶员注意力不集中情况下的制动时间取 2.5 s。隧道内拥堵状态下的最小安全距离取 0 m。行车速度取隧道内最小限速 50 km/h。车长按照标准小汽车长度取值 4 m。经过单位换算后，Lmin为 56.2 m。由式（2）进一步计算出隧道内拥堵密度指数为kmax=17.8 辆/km，当检测得到的计算密度大于此拥堵指数时，则判断有交通拥堵发生。kLmaxmin=1000 （2）整体交通拥堵判断的处理流程如图 4 所示。由于在隧道中，车辆行驶过程中会出现相互遮挡，或者由于光照不足等原因，卡口摄像机会出现漏检的情况，造成单车路径匹配过程中时间戳的缺失。因而首先从卡口车辆信息表中读取最新时间段内的数据并进行数据插补，提取各个卡口的车辆数据，利用车牌信息进行分区段匹配。进一步周期性地分路段分车型计算交通流流量、密度和空间平均速度。最后将分路段计算密度与拥堵密度指数作比较，若计算密度大于等于拥堵密度指数，则此区间路段为交通拥堵状态，否则交通通畅。2.3 危险品车辆跟踪在各种小类车辆类型中，高危车的危险系数最大，尤其在隧道封闭环境内，给事故救援和疏散带来的挑战更大，需要重点关注高危车在隧道内的行驶进程。具体将各个智能卡口摄像机识别到高危车的信息列为单车交通事件，在隧道入物联网技术 2023年/第10期 全面感知 Comprehensive Perception28口卡口识别到高危车就添加一条危险品车辆进入事件，其后经过的卡口每识别出就更新交通事件表中高危车的途经时间，若一定时间后，末号智能卡口摄像机仍未识别到高危车，则添加一条危险品车辆丢失事件，为隧管站监控人员提供提示信息。整体数据处理流程与单车交通感知相类似，如图 5所示，不同之处重点在于需要及时回查车辆行驶状态表，判断末号卡口是否识别到高危车经过。图 4 整体交通拥堵判断流程图 5 危险品车辆跟踪数据处理流程3 应用实践3.1 交通事件监测展示交通事件监测界面如图 6 所示。依托于卡口车辆信息表，界面上方为各个卡口监测到的车辆信息，并进行滚动更新。左下部分为交通流状态表的可视化滚动展示，包含交通流量、分路段空间平均速度等信息。界面右下部分为车辆事件表和交通事件表的滚动展示，可弹窗提示，由隧道监控管理人员进行人工确认异常事件信息。图 6 交通事件监控展示3.2 危险品车辆跟踪通过筛选车辆事件表中的危险品车辆丢失事件，图 7 对末号卡口没有识别到的高危车进行了展示。每一行为一条高危车记录，按照进入隧道的时间进行倒序排列，可由人工逐条进行处理。对于 1 h 以前的漏检信息，可以点击“批量忽略”按钮进行批量忽略操作。除了车牌号，经过各个卡口的时间信息外，还保留了车辆颜色和智能卡口摄像机抓拍的照片，方便工作人员更快捷地查看闭路电视系统，查找对应高危 车辆。图 7 危险品车辆跟踪展示4 结 语本文设计的隧道交通事件估计方法能够通过宏观交通流参数和微观车辆行驶状态分别对整体交通拥堵事件和单车车辆事件进行实时检测，通过各个单点卡口智能卡口摄像机的识别信息，计算汇总成隧道区段线路的交通流信息，兼顾了单点和整体交通事件监控的需求。与传统线圈检测和闭路电视监控相比有如下优势：（1）数据采集设备布设方便，安装时对路面没有侵入，后期维护方便；（2）可以实时获得隧道内部交通流宏观数据和微观单车数据，并对历史数据进行查询。因此，本文提出的隧道交通事件估计方法是对隧管站交通监控系统的补充，具有较高的实用价值。参考文献1 申艳军，杨阳，邹晓龙，等.国内公路隧道运营期交通事故统计及伤亡状况评价 J.隧道建设（中英文），2018，38（4）：564-574.2 田龙，朱朋朋.高速公路隧道突发事件应急管理与应急预案 J.黑龙江交通科技，2022，45（4）：145-148.3 赖丹娜，吴胜.高速公路隧道灾害事件的检测 J.黑龙江交通科技，2017，40（11）：139.（下转第32页）物联网技术 2023年/第10期 全面感知 Comprehensive Perception32符合预期结果。实验效果图如图 5 所示。图 5 车牌腐蚀效果图3.3 车牌膨胀结果测试膨胀的目的是使车牌区域更加明显。车牌区域明显，则可以观察到字符的边粘连在一起，形成连通区域。但车牌图像背景中存在杂物，对于车牌区域的确定会产生很大的影响。膨胀效果图如图 6 所示。3.4 车牌定位总体结果测试算法程序通过仿真编译后，通过 USB 串口直接下载到主控芯片中，之后进行 FPGA 开发板的整体测试。为了测试本系统的可靠性，采用光照度因素模拟复杂的天气条件，随机选取了 50 多张车辆图像，对车牌定位检测效果进行分析。光照度较强的情况下，定位率达到 90.5%；光照度中等的情况下，定位率达到 91.5%；光照度较弱的情况下，定位率达到 85.0%。图 7 为车牌定位的总体效果图。从图中可以看出，车牌的上下边界被准确地定位出来，由此可见在相对复杂的环境下，车牌定位效果基本上符合预想结果。图 6 车牌图像膨胀效果图 图 7 车牌定位效果图4 结 语本文设计一种基于 FPGA 的智能车牌检测系统。该系统采用灰度化、边缘检测、腐蚀、膨胀、投影定位等模块进行图像处理，采用搭载 FPGA 的 Verilog 语言进行整体设计。本设计的性能主要取决于车牌的边缘检测和投影的相对位置关系。未来将改进算法以提高车牌的检测速率。参考文献1 ALAM Nura，AHSAN Mominul，BASED Md Abdul，et al.Intelligent system for vehicles number plate detection and recognition using convolutional neural networks J.Technologies，2021，9（1）：1-18.2 BUDDA N，MEENAKSHI K，KORA P，et al.Automatic number plate recognition system using Raspberry Pi J.International journal of innovative technology and exploring engineering，2019，9（2）：1863-1865.3 IZIDIO D M F，FERREIRA A P A，BARROS E N S.An embedded automatic license plate recognition system using deep learning C/2018 VIII Brazilian Symposium on Computing Systems Engineering（SBESC）.Salvador，Brazil：IEEE，2018：38-45.4 赵雪春，戚飞虎.基于彩色分割的车牌自动识别技术 J.上海交通大学学报，1998，32（10）：6-11.5 顾秀秀，朱明亮，吴琼，等.基于 BP 神经网络的智能车牌识别系统 J.电脑知识与技术，2021，17（3）：19-22.6 张帆，王晓东，郝贤鹏.基于边缘特征的智能车辆字符识别 J.自动化与仪器仪表，2020，40（6）：11-14.7 贾婧蕊，秦婵婵，胡圣波，等.基于树莓派的车牌识别系统的设计与实现 J.信息通信，2019，33（12）：24-27.8 李战明，徐锦钢.车牌号识别系统中的车牌图像预处理研究 J.科学技术与工程，2008，8（8）：2081-2084.9 杨新年，苏畅，高冠福，等.一种车牌检测与识别系统的设计与实现 J.物联网技术，2021，11（4）：15-16.10 王殿海，郭佳林，蔡正义.基于自动车牌识别数据的混合交通流饱和流率实时估计 J.交通运输系统工程与信息，2021，21（2）：37-43.4 陈贤杰.基于事件检测的隧道安全预警系统的设计和应用 J.广东公路交通，2017，43（4）：110-112.5 张海涛.高速公路隧道视频事件检测分析系统应用设计研究 J.军民两用技术与产品，2018，31（4）：81.6 姚良金.基于深度学习的事件检测系统在隧道中应用 J.低碳世界，2021，11（7）：192-193.7 张力.基于图像识别的高速公路隧道停车事件智能监测系统研究D.重庆：重庆交通大学，2019.8 陈均栋.事件检测器在高速公路隧道监控中的应用 D.西安：长安大学，2017.9 杨名有.视频交通事件检测系统在高速公路隧道中的应用 J.中国交通信息化，2020，22（7）：126-128.10 朱彤，胡月琦，吴玲，等.高速公路隧道异常事件人工监控系统模拟 J.公路交通科技，2018，35（5）：91-98.11 杨松.基于多普勒的公路隧道交通事件与二次事故预警系统研究J.中国交通信息化，2016，18（9）：131-134.12 杨羚，谢斌，党倩.隧道内车辆交通事件智能检测技术综合应用 J.时代汽车，2022，19（14）：194-195.作者简介：王建瑞（1998），男，硕士研究生，研究方向为交通运输工程。吴格馨（1995），女，硕士，助教，研究方向为交通信息工程及控制。（上接第28页）