基于行程时间概率最大的车牌识别数据再匹配方法组成比例

本发明专利技术公开了一种基于行程时间概率最大的车牌识别数据再匹配方法。本发明专利技术提出的方法包括：提取路段行程时间及预处理，构造行程时间分布，计算行程时间概率及行程时间置信区间，滚动执行再匹配算法。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配情况下行程时间的概率，并以行程时间发生概率最大化执行匹配。化执行匹配。化执行匹配。

【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配情况下行程时间的概率，并以行程时间发生概率最大化执行匹配。为实现上述目标，本专利技术提出的方法包括：提取路段行程时间及预处理，构造行程时间分布，计算行程时间概率及行程时间置信区间，滚动执行再匹配算法。
[0006]本专利技术的基本步骤如下：
[0007]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；
[0008]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；
[0009]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(Cumulative distribution function，CDF)及逆累积分布(Inverse cumulative distribution function，ICDF)计算行程时间概率及行程时间置信区间；
[0010]S4：滚动执行再匹配算法，以行程时间发生概率最大为目标，执行再匹配算法。
[0011]步骤S1的过程包括：
[0012]S11：将上下游车牌匹配数据以识别的车牌为信息执行匹配。
[0013]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。
[0014]步骤S2的过程包括：
[0015]使用核密度估计构造行程时间的分布。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：
[0016][0017]其中K(
·
)是核函数——非负函数，而且h>0是称为带宽的平滑参数；tt为路段行程时间变量；带下标的核函数K
h
称为缩放内核，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。
[0018][0019]核密度估计的带宽选择的方法如下：
[0020][0021]其中，为行程时间标准偏差，n为行程时间采样数量。
[0022]则行程时间累积分布函数F(tt)为计算如下：
[0023][0024]步骤S3的过程包括：
[0025]S31：计算行程时间概率；
[0026]行程时间tt
ij
对应的概率p
ij
(tt
ij
)计算如下所示：
[0027]p
ij
(tt
ij
)＝F(tt
ij
)
‑
F(tt
ij
‑
1)
ꢀꢀꢀ
(5)
[0028]F(
·
)为对应行程时间的累积分布函数。
[0029]S32：计算行程时间置信区间；
[0030]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(ICDF)F
‑1返回行程时间阈值tt使得：
[0031]F
‑1(p)＝inf{tt∈R:F(tt)≥p}
ꢀꢀꢀ
(6)
[0032]在置信水平CL:β＝1
‑
α下，行程时间的置信区间(Confidence interval,CI)为CI＝[tt1,tt2]，则行程时间的置信区间计算方法如下：
[0033]p(tt1≤tt≤tt2)＝β
ꢀꢀꢀ
(7)
[0034][0035][0036]其中，tt1为行程时间置信区间的下限，tt2为行程时间置信区间的上限。F
‑1为逆累积分布，α为行程时间置信区间的显著性水平。
[0037]S33：滚动查找上下游未匹配车牌数据；
[0038]滚动时间窗法找出下游的未匹配车辆集合，这里选择时间窗h
w
，则第q个时间窗内，在下游找到n辆未匹配车辆集合其对应时间戳向量为其中，表示为下游第q组中第n辆车辆，表示为下游第q组中第n辆车辆通过停车线的时间戳，d
L(k)
表示该车处于下游第k车道。
[0039]在上游一个合理的时间范围内找到第q组共m辆未匹配车辆集合其对应时间戳向量为其中，表示为上游第q组中第m辆车辆，表示为上游第q组中第m辆车辆通过停车线的时间戳。
[0040]由于，在β置信水平下，行程时间置信区间为：
[0041][0042]故上游最早及最迟的时间点如下：
[0043][0044][0045]其中，为上游第j辆车被采集到的时间戳，为下游第i辆车被采集到的时间戳，该车处于第k车道。
[0046]则上游在置信水平β对应的时间范围如下：
[0047][0048]步骤S4的过程包括：
[0049]S41：以行程时间发生概率最大执行匹配；
[0050]为使得匹配的行程时间概率之积最大，目标函数如下：
[0051][0052]对目标函数取对数，则令logp
ij
＝a
ij
，logz＝z'，目标函数转换为如下：
[0053][0054]匹配矩阵为X如下所示，如果x
ij
＝1，则表示下游第i个车牌号与上游第j个车牌号匹配。
[0055][0056]当m>n>0时，即下游车牌数多于上游本文档来自技高网...

【技术保护点】

【技术特征摘要】
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
ꢀꢀꢀꢀꢀꢀ

【专利技术属性】
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：