【技术实现步骤摘要】
基于行程时间概率最大的车牌识别数据再匹配方法
[0001]本专利技术涉及一种基于行程时间概率最大的车牌识别数据再匹配方法,用于城市路段上下游车牌数据错误识别和未识别的再匹配,属于智能交通领域。
技术介绍
[0002]随着各大城市在智慧交通和智慧城市方面持续投入,以云计算、摄像头传感器为代表的基础设施得到广泛建设和应用,例如电子警察和卡口系统在城市道路上广泛安装使用,基于这些视频检测器获得的车牌识别数据(License Plate Recognition,LPR)在城市交通需求(Origin Destination,OD)估计、交叉口排队长度估计、道路行程时间估计等方面都有很好的应用,有效提升了交通信息采集的广覆盖和高精度,在城市智能交通治理方面取得了良好的经济效益。
[0003]车牌识别数据,本质由是光学符号识别(Optical Character Recognition,OCR)视频图像信息获得的,由于光照条件、角度、遮挡等因素,普遍存在识别错误、未识别等系统性错误。这些系统性错误对交通信息精确采集带来挑战。
[0004]虽然出现如车牌识别错误问题,电子警察系统依然可以准确捕捉车辆通过停止线的时间戳、位置等信息。根据车牌识别数据的特点,本专利技术设计了基于行程时间概率最大的车牌识别数据再匹配方法,为城市交通精细化管理提供科学依据。
技术实现思路
[0005]本专利技术的目的在于提供一种基于行程时间概率最大的车牌识别数据再匹配方法。该方法针对车牌识别错误或未识别问题,能够自动计算不同匹 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.基于行程时间概率最大的车牌识别数据再匹配方法,其特征在于该方法包括以下步骤:S1:提取路段行程时间及预处理,包括目标路段的上下游车牌匹配,行程时间提取及行程时间离群值处理;S11:将上下游车牌匹配数据以识别的车牌为信息执行匹配;S12:提取目标路段的行程时间数据,并滚动处理行程时间离群值;S2:构造行程时间分布,由获取的路段行程时间数据,采用非参数估计方法估计路段行程时间的分布,具体是:设n个行程时间样本点数据{tt1,tt2,...,tt
n
}服从独立同分布F,其概率密度函数为f;f的概率密度函数估计如下:其中K(
·
)是核函数,h>0是称为带宽的平滑参数;tt是路段行程时间变量;核函数K
h
为缩放内核,并定义为K
h
(tt)=1/h
·
K(tt/h);选用高斯内核作为核函数,即其中是标准正态密度函数;核密度估计的带宽选择如下:其中,为行程时间标准偏差,n为行程时间采样数量;则行程时间累积分布函数F(tt)为计算如下:S3:计算行程时间概率及行程时间置信区间,由估计的行程时间累积分布及逆累积分布计算行程时间概率及行程时间置信区间,具体是:S31:计算行程时间概率;行程时间tt
ij
对应的概率p
ij
(tt
ij
)计算如下所示:p
ij
(tt
ij
)=F(tt
ij
)
‑
F(tt
ij
‑
1)
ꢀꢀꢀꢀꢀꢀ
(5)F(
·
)为对应行程时间的累积分布函数;S32:计算行程时间置信区间;对于行程时间累计分布函数F,设有一概率p(0≤p≤1),逆累积分布函数F
‑1返回行程时间阈值tt使得:F
‑1(p)=inf{tt∈R:F(tt)≥p}
ꢀꢀꢀꢀꢀꢀ
(6)在置信水平CL:β=1
‑
α下,行程时间的置信区间为CI=[tt1,tt2],则行程时间的置信区间计算如下:
p(tt1≤tt≤tt2)=β
ꢀꢀꢀꢀꢀꢀ
技术研发人员:何春光,王殿海,蔡正义,曾佳棋,俞怡,金盛,
申请(专利权)人:浙江大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。