[发明专利]基于行程时间概率最大的车牌识别数据再匹配方法

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

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。

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，本发明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。

发明内容

本发明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，本发明提出的方法包括：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。

本发明的基本步骤如下：

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；

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；

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 cumulativedistribution function，ICDF)计算行程时间概率及行程时间置信区间；

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。

步骤S1的过程包括：

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。

步骤S2的过程包括：

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：

其中K(·)是核函数——非负函数，而且h0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。