本發(fā)明涉及一種智能交通數(shù)據(jù)質(zhì)量控制方法，尤其涉及一種車牌識別智能差錯方法和系統(tǒng)。

背景技術(shù)：

隨著公路電子警察和卡口系統(tǒng)的普及，每個城市每天都產(chǎn)生數(shù)以億計的過車記錄。在智能交通領(lǐng)域，一條過車記錄指的是車輛在某個時間、經(jīng)過某個地點的數(shù)據(jù)記錄，基本數(shù)據(jù)包括車牌號碼、抓拍時間、抓拍地點、抓拍相機、行駛速度、車牌類型、行駛車道、行駛方向、抓拍圖像等。電子警察和卡口設(shè)備是在普通視頻相機的基礎(chǔ)上附加智能視頻分析程序而來，并具有更強的抓拍速度、計算能力和數(shù)據(jù)存儲能力。一般的電子警察和卡口對于車牌的識別正確率能達到白天85～90％，夜間75～80％。影響識別錯誤的因素主要有相機設(shè)備的安裝位置、拍攝角度、車牌區(qū)域大小、曝光、能見度、環(huán)境光、車牌污損、模糊、遮擋、反光、車牌字符相似等等，另外車身其他標志物的干擾也對車牌識別有較大的影響。

過車數(shù)據(jù)對于智能交通分析、車輛行為分析以及od分析都具有十分重要的價值，過車數(shù)據(jù)的質(zhì)量直接影響到這些分析的準確度。在目前的技術(shù)條件下，人們?yōu)榱颂岣哌^車數(shù)據(jù)質(zhì)量，找出識別錯誤的數(shù)據(jù)，必須瀏覽全部過車記錄，審核工作針對性不強，造成了大量的人力資源浪費。因此，快速找到可能的車牌識別錯誤的記錄，略過識別無誤的記錄，具有非常好的現(xiàn)實意義和技術(shù)價值。

技術(shù)實現(xiàn)要素：

基于目前技術(shù)條件所限，本發(fā)明要解決的技術(shù)問題是提供一種車牌識別智能查錯方法和系統(tǒng)，以解決目前車牌識別的審核校正工作針對性不強，為了找到識別錯誤的小部分記錄瀏覽全部過車記錄的技術(shù)問題，能夠快速定位可能的車牌識別錯誤的記錄。

本發(fā)明解決上述技術(shù)問題所采用的技術(shù)方案如下：

根據(jù)本發(fā)明的一個方面，提供的一種車牌識別智能查錯方法，該方法包括以下步驟：

對于接收到的過車記錄，提取車牌號字段信息，并將提取出的車牌號與全國車牌號規(guī)則庫中的所有規(guī)則進行依次匹配，若滿足任意一條規(guī)則，則說明匹配成功，若不滿足任何規(guī)則，則匹配失敗，說明該條過車記錄的車牌識別錯誤。

對于接收到的一批連續(xù)時間內(nèi)的過車數(shù)據(jù)，按照車牌號和抓拍時間信息，將同一個車牌號對應(yīng)的所有過車記錄按照抓拍時間先后順序排序，并提取抓拍地點、抓拍相機，構(gòu)成一個時空軌跡序列。將此時空軌跡序列與已有路網(wǎng)數(shù)據(jù)比對進行時空可達性分析，找出不合理的軌跡點，該軌跡點對應(yīng)的過車數(shù)據(jù)即為可能的車牌識別錯誤數(shù)據(jù)。

上述方法之前還包括：

1.在數(shù)據(jù)庫中預(yù)設(shè)全國車牌號規(guī)則表，該規(guī)則表保存了全國所有車牌號的字符串正則規(guī)則。

2.學(xué)習(xí)路網(wǎng)信息，并數(shù)據(jù)庫中預(yù)設(shè)路網(wǎng)數(shù)據(jù)，該路網(wǎng)數(shù)據(jù)通過相機序列表來表示，該相機序列表保存了長度為3的頻繁相機序列。其中，頻繁相機序列是通過以下方法得到的：

a)獲取一段時間的全量過車數(shù)據(jù)，對同一車牌號的所有過車數(shù)據(jù)按照相機抓拍時間先后順序排序，并提取抓拍時間、抓拍相機，得到所有車輛經(jīng)過各個相機的相機序列。

b)步驟a得到的所有相機序列構(gòu)成序列模式數(shù)據(jù)庫sdb。

c)對sdb應(yīng)用spade算法進行頻繁序列模式挖掘，找出長度為3的頻繁相機序列fsset。

上述將接收到的車牌與全國車牌號規(guī)則庫中的所有規(guī)則進行依次匹配，若滿足任意一條規(guī)則，則說明匹配成功，若不滿足任何規(guī)則，則匹配失敗，說明該條過車記錄的車牌識別錯誤，進一步包括：

為了縮短正則匹配時間，對于一條過車數(shù)據(jù)，與全國車牌號規(guī)則庫中規(guī)則進行匹配的過程包括以下步驟：

1.對于全國車牌號規(guī)則庫中所有規(guī)則，將其規(guī)則規(guī)定的字符串前兩位作為該條規(guī)則前綴，以此前綴對全國車牌號規(guī)則表建立索引；

2.提取該條過車數(shù)據(jù)中車牌號，并取車牌號字符串前2位作為前綴prefix；

3.按照prefix查詢?nèi)珖嚺铺栆?guī)則庫，找出與prefix相同的所有規(guī)則regexlist；

4.將該條過車數(shù)據(jù)中車牌號與regexlist中正則規(guī)則依次匹配，若與任意一條都未能匹配成功，則說明該條過車數(shù)據(jù)中車牌號識別錯誤；否則認為該條過車數(shù)據(jù)中車牌號通過規(guī)則匹配。

上述將同一個車牌號對應(yīng)的所有過車記錄按照抓拍時間先后順序排序，并提取抓拍地點、抓拍相機，構(gòu)成一個時空軌跡序列；將此時空軌跡序列與已有路網(wǎng)數(shù)據(jù)比對進行時空可達性分析，找出不合理的軌跡點，該軌跡點對應(yīng)的過車數(shù)據(jù)即為可能的車牌識別錯誤數(shù)據(jù)，進一步包括：

對于一段時間內(nèi)(要求至少12小時)構(gòu)成的一個車輛時空軌跡序列，執(zhí)行以下步驟：

1.若該序列長度小于最小閾值min_seqlen，則認為該序列對應(yīng)的所有過車數(shù)據(jù)車牌識別錯誤；

2.設(shè)置一個長度為3，步長為2的滑動窗口win，對落在窗口內(nèi)的長度為3的時空軌跡{tr1，tr2，tr3}，提取其相機序列e_devicelist＝{de1，de2，de3}，并查找預(yù)設(shè)的相機序列表：

情況1：若相機序列表中存在e_devicelist，則說明該窗口內(nèi)時空軌跡對應(yīng)的過車數(shù)據(jù)車牌識別正確；

情況2：若相機序列表中不存在e_devicelist，則在相機序列表中分別查找包含{de1，de2}，{de2，de3}，{de1，de3}的相機序列，若存在{de1，de2}，則認為tr3對應(yīng)的過車數(shù)據(jù)車牌識別錯誤；若存在{de2，de3}，則認為tr1對應(yīng)的過車數(shù)據(jù)車牌識別錯誤；；若存在{de1，de3}，則認為tr2對應(yīng)的過車數(shù)據(jù)車牌識別錯誤：若認為tr3對應(yīng)的過車數(shù)據(jù)車牌識別錯誤，則滑動窗口win下一步步長調(diào)整為2。

情況3：若上述兩種情況都不滿足，則認為tr1，tr2，tr3對應(yīng)的過車數(shù)據(jù)中車牌識別錯誤。

根據(jù)本發(fā)明的另一個方面，提供的一種基于車牌規(guī)則和時空可達性的車牌識別智能查錯系統(tǒng)包括以下模塊：

數(shù)據(jù)導(dǎo)入模塊，用于將車牌識別數(shù)據(jù)從交通數(shù)據(jù)中心數(shù)據(jù)庫導(dǎo)入到本系統(tǒng)；

規(guī)則預(yù)置模塊，用于對全國車牌規(guī)則庫進行維護，包括數(shù)據(jù)導(dǎo)入、讀取、編輯和更新；

時空軌跡提取模塊，用于將連續(xù)時間范圍內(nèi)的全量車牌識別數(shù)據(jù)根據(jù)車牌號和相機抓拍 時間，計算提取所有車輛的行車軌跡。

路網(wǎng)信息學(xué)習(xí)模塊，用于從大量車輛行車軌跡中，通過序列模式挖掘，學(xué)習(xí)出路網(wǎng)信息，本發(fā)明中路網(wǎng)信息用相機序列模式來形式化表示。

規(guī)則分析模塊，用于對車牌識別數(shù)據(jù)應(yīng)用全國車牌規(guī)則庫規(guī)則進行車牌字符串正則規(guī)則正確性分析。

時空可達性分析模塊，用于對車牌識別數(shù)據(jù)進行時空可達性分析，對于違背時空可達性的數(shù)據(jù)，認為其有可能是車牌識別錯誤數(shù)據(jù)。

本發(fā)明提供的基于車牌規(guī)則和時空可達性的車牌識別智能差錯方法和系統(tǒng)，通過預(yù)置全國車牌規(guī)則數(shù)據(jù)庫；以及從大量數(shù)據(jù)中學(xué)習(xí)路網(wǎng)信息，從而對車輛識別數(shù)據(jù)應(yīng)用時空可達性分析，從而智能地發(fā)現(xiàn)疑似識別錯誤的車牌，略過識別無誤的車牌，解決了目前車牌識別審核校正工作針對性不強，人力耗費大，效率低下的問題。

附圖說明

附圖1是本發(fā)明的一種實施方案的網(wǎng)絡(luò)拓撲圖。

附圖2是本發(fā)明的數(shù)據(jù)流程圖。

附圖3是車牌規(guī)則匹配流程圖。

附圖4是路網(wǎng)信息學(xué)習(xí)即相機序列數(shù)據(jù)庫預(yù)置流程圖。

附圖5是車牌識別數(shù)據(jù)時空可達性分析流程圖。