基于HSV顏色空間的山區道路中的車牌定位

李紅林

摘要： 分析了目前我國山區道路交通事故的路況影響因素及其與山區道路交通事故之間的關系。結合地區的交通發展狀況利用全概率公式測算出各因素可能導致交通事故的概率及相應的危險系數；在實時勘測各因素的基礎上，結合樣本庫中的數據，判斷出車輛是否處于安全狀態，對于處于非安全狀態的車輛進行車牌定位。

關鍵詞： 智能交通； 山區； 危險系數； 安全狀態； 車牌定位

中圖分類號：TP391文獻標志碼: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（ITS，Intelligent Transportation System）是目前世界交通運輸領域研究的前沿課題[1]。智能交通系統將先進的信息技術、定位導航技術、數據通信技術、電子傳感器技術、自動控制技術、圖像處理技術、計算機網絡技術、人工智能技術、運籌管理學等有效地綜合運用于交通運輸管理體系，加強了車輛、道路、使用者三者之間的聯系，從而可實現交通運輸服務和管理的智能化。在綜合集成思想指導下，建立一種大范圍、全方位、實時、準確、高效的綜合交通運輸管理系統，是一個多學科和技術的大型綜合化系統工程[2-5]。隨著經濟的發展，車輛數量急劇增大，產生了日益嚴重的交通問題，如交通擁擠堵塞、交通環境惡化、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，研究智能交通系統的國家比較多，尤其是日本、美國、歐洲作為世界上經濟發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的研究應用起步較晚，但處于蓬勃上升發展的階段。像先進的交通管理系統、電子收費系統、車輛安全與輔助駕駛系統、公共交通系統、交通信息系統及緊急事件救援系統等都得到了不同程度的運用。在我國，山區面積占全國總面積的2/3，山區的道路崎嶇、艱險，無疑給山區乃至全國的經濟發展帶來了阻礙。同時，面對著山區道路交通事故的多發，不僅讓人民有了心理上的恐懼，而且增加了人民的經濟負擔。但在已有的交通管理系統中，大部分只適合城市道路交通，對于山區道路而言，大部分都不適合。基于此，開發一個適合于山區道路的智能交通系統勢在必行。

1 山區道路交通

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

1.1 山區交通事故

在山區道路交通中常見道路交通事故的現象有碰撞、碾壓、刮擦、翻車、墜車、失火六種[7]。任何一起山區道路的交通事故，都是由多個因素共同組成的，但是，歸根結底都是由一個主要因素和其他相關因素導致的。事實上，大多數的時候道路交通事故的發生都是由人為的因素造成的。在眾多的交通事故中，低駕齡、無證駕駛人肇事相對突出，由駕駛人本身的原因引發的交通事故是導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、帶病行駛和機件失靈則是導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，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、鄉道和農村機耕路。這些道路受地勢和當地經濟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，有相當數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，道路建設與管理不到位交通標志、標線和安全設施不全或不規范也是山區道路存在的通病。當然，天氣狀況也是影響山區道路行駛安全的因素之一。

1.2 山區道路預警系統

為了盡可能地減少山區道路交通事故，我們對山區道路交通安全預警系統進行了研究。

構建山區道路預警系統需要確定汽車當前的運行環境與道路交通事故類型之間的對應關系，從而確定出當前車輛行駛是否處于安全狀態。前者依賴與同類型的道路交通事故具有相似的運行環境，后者依賴于準確的分析道路交通事故產生的原因，根據不同類型的道路交通事故尋求相應的預防措施。

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致交通事故的概率。其一般步驟為：

⑴ 根據歷史資料，總結出引發交通事故的因素的有哪些。

⑵ 分析發生過的交通事故各有哪些因素導致，并統計各因素的所占比例。

⑶ 測算出各因素可能導致道路交通事故的概率。

⑷ 檢測當前車輛運行時的各種相關因素并和交通事故樣本空間的數據對比，綜合測算出當前車輛行駛是否在安全的范圍內，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Ni&該因素導致的事故數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&環境&N5&M5&QE=M5/N5&]

]

要使預警有較高的準確性，不僅要對近年來山區道路的發展狀況及在山區道路上發生的交通事故有詳細的統計，如對各種車輛的類型、各種道路的類型、各種環境等因素所占的比例的記錄，以及車輛、道路、駕駛員、環境所導致的交通事故的比例，還要對各種各個小的因素進行統計測定。表1示出了引發交通事故的一些主要因素。

假設到目前為止，某地區大型客車、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，各類車的總通行量為Ni；在這段時間里，各類車發生的交通事故的次數為Mi。可以得到，在這類道路上各類車可能發生交通事故的概率Pci，這類車在這種道路上的危險系數為SCi，其中(i=1,2,3,……,n)。概率。

根據概率的大小，可得到危險系數。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、發生事故總量Mi進行測定，其中(i=1,2,3,……,n)，可得路面類型所對應發生事故的概率。

相對應的危險系數為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)，發生事故總數Ni,這類道路發生事故數Mi，得道路線性概率為,相對應危險系數為SLi；同理,對駕駛狀況(酒后駕駛、無證駕駛、超速行駛、超載行駛、措施不當等)及環境情況(晴、陰、霧、雨、雪等)也可根據全概率公式進行測量。

利用上面分析方法，根據目前獲取車輛行駛的相關數據與上述樣本庫中測量得到的各因素導致的車輛的安全系數，可測算出各因素綜合后的車輛行駛的總的安全系數S，即。由此，可對車輛的運行狀態進行診斷，如果小于某個測算出的危險系數S，則認為系統是安全的，車輛可以這樣行駛。否則，系統是不安全的。

2 車牌定位

利用上述預警結果，針對處于不安全狀態（即處于危險狀態）的車輛，即收到預警信息號還依然繼續前進，可通過車輛識別系統對其車牌進行識別。

2.1 RGB到HSV顏色空間轉換

不同的應用場合，圖像顏色的表示方法各不相同。一般情況下，從數碼像機拍攝的圖片是處于RGB顏色空間的（由紅（Red）、綠(Green)、藍(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），對目標物體的顏色描述相對復雜，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節H、S、V這三個參數而實現。基于此，本文提出了基于HSV顏色模型的車牌定位方法。由RGB顏色空間轉換到HSV顏色空間的轉換如下：

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域進行初定位。原理如下：目前中國的車牌大概分為四種類型：藍底白字（藍牌）、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，將它們都轉化到HSV空間中。在轉換過程中，采用本文提出的改進的HSV模型。在轉換后的HSV顏色空間中，檢測兩個顏色均值的HSV是否出現車牌底色與車牌字符的顏色搭配。如果是，則認為是車牌區域，保留下來，否則去除，實現車牌的粗分割。如圖1(a)原圖，經粗分割后如圖1(b)所示。最后基于數學形態學與幾何特征進行車牌精定位，如圖1(c)所示。

3 結束語

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

參考文獻：

[1] 王夏黎.智能交通視頻監視技術的研究與應用[D].西北大學計算機科

學系,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應用的研究[D].大連海事大學信息科學與技術學院,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].重慶工學院學報(自然科學),2008.10(22):179~182