本發(fā)明涉及隧道入口預(yù)警技術(shù)領(lǐng)域，特別涉及一種基于圖像處理單元對隧道洞口、及洞口內(nèi)的行車進(jìn)行自動提示的裝置及方法

背景技術(shù)：

目前，在行車進(jìn)出隧道時，尤其是在高速行駛中的隧道，往往會因為行車司機(jī)無法獲知隧道內(nèi)的情況，不知道隧道內(nèi)行車行駛情況，導(dǎo)致行車進(jìn)入隧道后，不知道如何回避隧道內(nèi)的行車，以致發(fā)生交通事故。目前市場上有很多在隧道內(nèi)防止汽車碰撞的技術(shù)，比如專利號201310611578.6公開了一種預(yù)防隧道出入口附近追尾事故的可變限速控制方法，在隧道出入口下游位置設(shè)置交通流檢測器，實時、自動獲取實時交通流數(shù)據(jù)對交通流狀態(tài)進(jìn)行監(jiān)測，在隧道出入口上游設(shè)置可變信息提示板，克服了以往針對隧道出入口附近追尾事故無法進(jìn)行主動式預(yù)防的缺陷，但無法獲知隧道內(nèi)的行車情況，并且不能在隧道入口準(zhǔn)確地識、查詢過往行車；專利號201610184982.3公開了一種隧道交通監(jiān)控設(shè)備，包括處理器，所述處理器的輸入端連接有聲音傳感器、火焰?zhèn)鞲衅?、光電傳感器、煙霧傳感器，處理器的輸出端連接有無線傳輸模塊和若干聲光報警器，該發(fā)明主要為隧道內(nèi)防火的報警裝置，仍然不能準(zhǔn)確地識別隧道行車。目前市場上還沒有針對雨天、雪天、霧天、風(fēng)塵天氣、黑暗等惡劣天氣下對欲駛?cè)胨淼纼?nèi)行車以及在隧道內(nèi)行車進(jìn)行提醒，并能夠準(zhǔn)確地顯示出進(jìn)入對隧道內(nèi)的行車密度，提醒司機(jī)安全駕駛的裝置。

技術(shù)實現(xiàn)要素：

針對上述技術(shù)不足，本發(fā)明公開一種基于紅外發(fā)射的隧道入口行車提示裝置及方法，采用戶外發(fā)射技術(shù)對過往行車進(jìn)行信息采集，通過告警燈和LCD大屏幕顯示裝置告知后續(xù)來車，如果隧道入口內(nèi)有突發(fā)交通事故，或者有緊急停車的情況，提示駕駛員注意控制車速并避讓其他行車，防止二次交通事故或追尾的發(fā)生，有效提高了行車在隧道入口處的安全系數(shù)，同時，本發(fā)明能夠識別過往行車的車牌，車牌信息自動存儲到存儲單元中，便于查詢過往行車。

本發(fā)明采用以下技術(shù)方案：一種基于紅外發(fā)射的隧道入口行車提示裝置，所述提示裝置包括中央處理單元、紅外圖像采集單元、圖像處理單元、數(shù)據(jù)存儲單元、計算單元、語音模塊、告警燈、LCD大屏幕顯示裝置、監(jiān)控裝置、車牌識別系，其中所述中央處理單元分別與所述計算單元、數(shù)據(jù)存儲單元、LCD大屏幕顯示裝置、告警燈以及語音模塊連接，所述車牌識別系統(tǒng)的輸入端與所述數(shù)據(jù)存儲單元的輸出端連接，所述車牌識別系統(tǒng)的輸出端與所述計算單元的輸入端連接，所述紅外圖像采集單元分別通過紅外線和監(jiān)控裝置采集行車信息，并且所述紅外圖像采集單元的輸入端與所述監(jiān)控裝置的輸出端連接，所述紅外圖像采集單元的輸出端與所述圖像處理單元的輸入端連接，所述圖像處理單元的輸出端與所述中央處理單元連接。

優(yōu)選地，所述監(jiān)控裝置為間隔地設(shè)置于隧道內(nèi)的至少2個監(jiān)控裝置和設(shè)置在隧道入口上的至少1個監(jiān)控裝置，且所述監(jiān)控裝置包括總控中心、與所述總控中心連接且設(shè)置在隧道內(nèi)的傳輸裝置、與所述傳輸裝置連接的攝像頭，其中所述傳輸裝置為RS485通訊協(xié)議裝置，所述攝像頭為基于HD 1080P或HD 960P或HD 720P的攝像頭。

優(yōu)選地，所述圖像處理單元包括動態(tài)地跟蹤行車信息的跟蹤單元、與所述跟蹤單元連接且對動態(tài)的行車信息進(jìn)行提取的圖像提取單元、與所述圖像提取單元連接且采用Retinex圖像增強算法和Gamma校正法對提取的圖像進(jìn)行清晰化處理的圖像增強計算單元、與所述圖像增強計算單元連接且對處理后的圖像進(jìn)行輸出的圖像輸出單元，其中所述跟蹤單元包括采用Kalman濾波算法對目標(biāo)搜索區(qū)域范圍內(nèi)進(jìn)行目標(biāo)搜索的視頻運動目標(biāo)跟蹤器和目標(biāo)跟蹤行車進(jìn)行計算的Kalman濾波器。

優(yōu)選地，所述計算單元包括檢測行車信息的行車檢測單元、與所述行車檢測單元連接且對行車密度進(jìn)行計算的密度計算單元和模糊度計算單元，所述密度計算單元集成有對行車信息進(jìn)行計算的算術(shù)邏輯單元和累加器，其中所述密度計算公式為:K＝N/L，式中，K為車流密度,單位為輛/km，N為隧道內(nèi)統(tǒng)計的行車數(shù),單位為輛，L為隧道的長度，單位為為km。

優(yōu)選地，所述車牌識別系統(tǒng)為基于車牌定位算法、車牌字符分割算法和光學(xué)字符識別算法的車牌自動識別系統(tǒng)。

優(yōu)選地，所述LCD大屏幕顯示裝置為1026mm×580mm×117mm的LCD液晶LCD大屏幕顯示裝置。

一種基于紅外發(fā)射的隧道入口行車提示方法，包括以下步驟：

(S1)行車駛?cè)胨淼蓝纯冢?/p>

(S2)視頻運動目標(biāo)跟蹤器對駛?cè)胨淼蓝纯诘男熊囘M(jìn)行目標(biāo)跟蹤，Kalman濾波器對行車目標(biāo)跟蹤進(jìn)行計算和修正，采用Kalman濾波器中的Kalman濾波算法預(yù)測運動目標(biāo)下一時刻行車可能處于的區(qū)域，縮小目標(biāo)的搜索范圍，當(dāng)紅外圖像采集單元采集行駛到隧道前的行車信息時，隧道外的監(jiān)控裝置通過總控中心接收隧道內(nèi)監(jiān)控裝置所采集的行車信息，車牌識別系統(tǒng)對過往行車進(jìn)行車牌識別從而獲取隧道內(nèi)外的車牌信息；其中視頻運動目標(biāo)跟蹤器的工作方法為：

(S21)基于高斯統(tǒng)計模型的背景圖像估計算法對當(dāng)前的行車進(jìn)行估計，得出當(dāng)前行車區(qū)域的大致位置；

(S22)采用Kalman濾波器中的Kalman濾波算法檢測當(dāng)前幀行車圖像的目標(biāo)，確定行車圖像的目標(biāo)范圍；

(S23)Kalman濾波器對行車目標(biāo)信息進(jìn)行精確提取，實現(xiàn)了行車的精確跟蹤；

(S3)在步驟(S2)中獲取的行車信息、車牌信息以及隧道內(nèi)監(jiān)控裝置采集的監(jiān)控信息被存儲到存儲單元；

(S4)所述圖像處理單元對所述存儲單元存儲的行車信息進(jìn)行處理，其處理方法為：

(S41)對紅外圖像采集單元采集的圖像以及監(jiān)控裝置通過攝像頭拍攝的圖像進(jìn)行預(yù)處理；

(S42)采用Retinex圖像增強算法對預(yù)處理后的圖像進(jìn)行增強，獲取更清晰的行車行駛圖像；

(S43)將經(jīng)過增強后的行車行駛圖像以及隧道內(nèi)監(jiān)控裝置拍攝的行車圖像輸出至LCD大屏幕顯示裝置，圖像LCD大屏幕顯示裝置顯示出隧道內(nèi)外的行車圖像，根據(jù)輸入的隧道內(nèi)外的行車信息，所述計算單元對獲取的隧道內(nèi)外的行車信息進(jìn)行密度計算，當(dāng)密度值K大于閾值Y時，則隧道內(nèi)的行車為擁堵，當(dāng)密度值K小于閾值Y時，則隧道內(nèi)的行車為暢通，其中Y≥20；

(S5)中央處理單元判斷待行駛隧道內(nèi)的行車是否可以通行，如果隧道能夠順利通行，可通過語音模塊進(jìn)行語音提示“暢通”，如果隧道不能夠順利通行，則提示“擁堵”或“前方故障，慎行”，同時告警燈閃爍。

進(jìn)一步地，所述步驟(S2)中車牌識別采用以下步驟：

(S21)通過圖片切割的方法從所述數(shù)據(jù)存儲單元中獲取牌照圖像；

(S22)基于牌照字符分割，把牌照中的字符分割出來；

(S23)基于牌照字符識別算法，把分割好的字符進(jìn)行識別，最終組成牌照號碼，得出車牌號。

進(jìn)一步地，所述步驟(S42)圖像圖像計算單元采用Retinex圖像增強算法對采集的圖形進(jìn)行處理、計算包括以下步驟：

(S421)對紅外圖像采集單元采集行駛到隧道中的行車數(shù)據(jù)進(jìn)行轉(zhuǎn)換,即將紅外圖像采集單元采集到的行車原始圖像轉(zhuǎn)換成double型變量，以方便以后的計算或運算；

(S422)轉(zhuǎn)換成double型變量的圖像具有高、中、低三個不同的尺度的數(shù)據(jù)，根據(jù)不同尺度的數(shù)據(jù)確定環(huán)繞函數(shù)F(x,y)并提取待檢測圖像的特征，從而來確定參數(shù)λ的值；

(S423)將原始圖像Ii(x,y)、環(huán)繞函數(shù)F(x,y)代入公式來求得Retinex的在各通道上輸出，其中ri(x,y)即為第i個通道上的Retinex輸出，k取3并且W1＝W2＝W3＝1/3；

(S424)將ri(x,y)從對數(shù)域轉(zhuǎn)換到實數(shù)域得到反函數(shù)Ri(x,y)；

(S425)對Ri(x,y)線性拉伸并顯示Ri(x,y)線性拉伸后的圖像。

進(jìn)一步地，所述步驟(S42)中提取待檢測圖像的特征包括以下步驟：

(1)由于紅外圖像采集單元和隧道內(nèi)的監(jiān)控裝置獲取的圖像為立體圖像，因此可以將獲取的圖像看做在一個平面坐標(biāo)為x,y,z中的三維圖像，將圖像灰度化；

(2)采用Gamma校正法對步驟(1)中獲取的圖像進(jìn)行顏色空間的標(biāo)準(zhǔn)化、歸一化，調(diào)節(jié)圖像的對比度，降低圖像局部的陰影和光照變化所造成的影響，抑制噪音的干擾；

(3)計算對步驟(2)中處理的圖像每個像素的梯度，梯度方向包括大小和方向，捕獲輪廓信息，進(jìn)一步弱化光照的干擾；

(4)將對步驟(3)中計算像素的梯度的圖像劃分成每個單元為6*6像素的小單元；

(5)統(tǒng)計每個單元的梯度直方圖，即可形成每個單元的描述符號；

(6)將每4個單元組成1個每個區(qū)間為3*3個單元的描述符號，一個框內(nèi)所有單元的特征描述符號串聯(lián)起來便得到該框的HOG特征描述符號；

(7)將圖像內(nèi)的所有框的HOG特征描述符號串聯(lián)起來，得出該圖像的HOG特征描述符號，即對圖形進(jìn)行了特征提取。

本發(fā)明有益的效果是：

本發(fā)明具有以下功能:

1、采用密度計算公式能夠提示隧道長度、安全行駛速度、隧道內(nèi)的行車擁堵情況：

2、計算單元能夠統(tǒng)計隧道內(nèi)的行車信息，LCD大屏幕顯示裝置能夠顯示隧道內(nèi)的行車。

3、通過紅外圖像采集單元采集行駛到隧道內(nèi)的行車信息，并且紅外圖像采集單元還可以與車內(nèi)司機(jī)以行車記錄測試儀、導(dǎo)航儀、手機(jī)、PDA、手持式接到單元等方式進(jìn)行通訊，更好地使司機(jī)獲知隧道內(nèi)行車信息。

4、能夠?qū)τ側(cè)胨淼纼?nèi)的行車車牌進(jìn)行車牌識別，獲取進(jìn)入隧道內(nèi)的行車信息，有助于查詢過往行車。

5、本發(fā)明采用紅外技術(shù)進(jìn)行行車的識別，滿足四大優(yōu)點：①環(huán)境適應(yīng)性優(yōu)于可見光，尤其是在夜間和惡劣氣候下的工作能力；②隱蔽性好，很多情況下都是被動接收目標(biāo)的信號，比雷達(dá)和激光探測安全、保密性強且不易被干擾；⑨由于依靠目標(biāo)和背景之間的溫差和發(fā)射率差形成的紅外輻射特性進(jìn)行探測，因而識別偽裝目標(biāo)的能力優(yōu)于可見光；④與雷達(dá)系統(tǒng)相比，紅外系統(tǒng)的體積小、重量輕、功耗低。

6、紅外圖像單元運用Retinex算法以及圖像提取算法對紅外圖像進(jìn)行處理并分析比較處理效果，紅外圖像單元運用紅外輻射的原理，自然界中的任何物體都存在紅外輻射，同時也吸收外界其它的紅外輻射。由于大氣中的二氧化碳和水蒸汽等物質(zhì)的吸收和散射作用，只有部分波段上的紅外輻射能透過大氣。紅外光是指波長在0.76～14μm之間的光線，具有很強的穿透性，適用于夜晚、雨、雪、霧天等惡劣天氣，本發(fā)明又采用Retinex算法，該算法Retinex算法增強后，可以突出暗區(qū)域中圖片的細(xì)節(jié)，能夠?qū)⒉杉膱D像更加清晰，因此不管隧道口內(nèi)的天氣情況如何變化，都能準(zhǔn)確無誤地顯示出過往行車。

7、通過計算和統(tǒng)計圖像局部區(qū)域，基于方向梯度直方圖提取待檢測圖像的特征，該方法能夠減少光照對行車圖像質(zhì)量的影響，能夠進(jìn)一步弱化光照的影響，從而提高圖像采集質(zhì)量。

附圖說明

圖1為本發(fā)明基于紅外發(fā)射的隧道入口行車提示裝置及方法中裝置示意圖；

圖2為本發(fā)明基于紅外發(fā)射的隧道入口行車提示裝置及方法中圖像處理單元的結(jié)構(gòu)示意框圖；

圖3為本發(fā)明基于紅外發(fā)射的隧道入口行車提示裝置及方法中計算單元的結(jié)構(gòu)示意框圖；

圖4為本發(fā)明基于紅外發(fā)射的隧道入口行車提示裝置及方法中方法流程圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。

如圖1所示一種基于紅外發(fā)射的隧道入口行車提示裝置，所述提示裝置包括中央處理單元、紅外圖像采集單元、圖像處理單元、數(shù)據(jù)存儲單元、計算單元、語音模塊、告警燈、LCD大屏幕顯示裝置、監(jiān)控裝置、車牌識別系統(tǒng)，其中所述中央處理單元分別與所述計算單元、數(shù)據(jù)存儲單元、LCD大屏幕顯示裝置、告警燈以及語音模塊連接，所述車牌識別系統(tǒng)的輸入端與所述數(shù)據(jù)存儲單元的輸出端連接，所述車牌識別系統(tǒng)的輸出端與所述計算單元的輸入端連接，所述紅外圖像采集單元分別通過紅外線和監(jiān)控裝置采集行車信息，并且所述紅外圖像采集單元的輸入端與所述監(jiān)控裝置的輸出端連接，所述紅外圖像采集單元的輸出端與所述圖像處理單元的輸入端連接，所述圖像處理單元的輸出端與所述中央處理單元連接。

在本發(fā)明中，中央處理單元外部還是設(shè)置有安裝殼體，殼體的安裝位置與行車信息識別的準(zhǔn)確度有很大關(guān)系，選擇安裝在隧道入口的一側(cè)就可以準(zhǔn)確無死角地掃面來車信息。

在本發(fā)明中，所述監(jiān)控裝置為間隔地設(shè)置于隧道內(nèi)的至少2個監(jiān)控裝置和設(shè)置在隧道入口上的至少1個監(jiān)控裝置，且所述監(jiān)控裝置包括總控中心、與所述總控中心連接且設(shè)置在隧道內(nèi)的傳輸裝置、與所述傳輸裝置連接的攝像頭，其中所述傳輸裝置為RS485通訊協(xié)議裝置，所述攝像頭為基于HD 1080P或HD 960P或HD 720P的攝像頭。

在本發(fā)明中，所述中央處理單元可以為但不限于美國Atmel公司生產(chǎn)的基于AT91M系列的中央處理單元、美國公司Microchip生產(chǎn)的PIC 16C系列和17C系列中央處理單元、TI公司生產(chǎn)的MSP430系列中央處理單元、Philips中央處理單元等。運行速度快，處理器運算精確。

如圖2所示，本發(fā)明中的所述圖像處理單元包括動態(tài)地跟蹤行車信息的跟蹤單元、與所述跟蹤單元連接且對動態(tài)的行車信息進(jìn)行提取的圖像提取單元、與所述圖像提取單元連接且采用Retinex圖像增強算法和Gamma校正法對提取的圖像進(jìn)行清晰化處理的圖像增強計算單元、與所述圖像增強計算單元連接且對處理后的圖像進(jìn)行輸出的圖像輸出單元，其中所述跟蹤單元包括采用Kalman濾波算法對目標(biāo)搜索區(qū)域范圍內(nèi)進(jìn)行目標(biāo)搜索的視頻運動目標(biāo)跟蹤器和目標(biāo)跟蹤行車進(jìn)行計算的Kalman濾波器。

在本發(fā)明中，跟蹤單元為視頻運動目標(biāo)跟蹤器，能夠?qū)λ淼纼?nèi)、外的行車進(jìn)行動態(tài)跟蹤，將動態(tài)跟蹤信息送回存儲單元。在本發(fā)明中的一個實施例中，跟蹤單元是基于主動輪廓的跟蹤算法，即Snake算法，本發(fā)明采用該方法在獲得輪廓曲線時不需要運動目標(biāo)的任何先驗知識，對行車進(jìn)行目標(biāo)跟蹤、圖像分割、邊緣檢測。主動輪廓算法包括短程線主動輪廓和參數(shù)化主動輪廓兩種算法。短程線主動輪廓的數(shù)學(xué)模型在高維空間使用Level Set方法表示曲線，該方法僅僅包括與曲線幾何有關(guān)的參數(shù)，而參數(shù)化主動輪廓則使用輪廓參數(shù)來表示運動曲線，與短程線主動輪廓模型相比，參數(shù)化主動輪廓模型必須要通過外界控制或者賦予初值，而短程線主動輪廓模型能夠自主調(diào)整曲線在移動過程中的幾何形狀的變化而不需要任何外界條件輔助。短程線主動輪廓模型更適合多個運動目標(biāo)的跟蹤，在本發(fā)明中，采用這兩種方法的結(jié)合，對行車進(jìn)行目標(biāo)跟蹤和計算。計算后的信息通過存儲單元進(jìn)行保存。

在本發(fā)明中的另一個實施例中，Kalman濾波器能夠預(yù)測下一時刻的行車的位置，對目標(biāo)搜索區(qū)域范圍內(nèi)的行車進(jìn)行目標(biāo)搜索，在搜索的過程中，能夠充分利用目標(biāo)檢測的結(jié)果，如果在搜索的范圍內(nèi)檢測到目標(biāo)，并且只檢測到一個目標(biāo)，則不會在進(jìn)行目標(biāo)匹配搜索，可直接認(rèn)為檢測到的目標(biāo)即是被跟蹤的目標(biāo)，如果檢測到的目標(biāo)不止一個，這時需要進(jìn)行目標(biāo)圖像匹配搜索，在本發(fā)明中，使用檢測到的目標(biāo)的鄰接矩形作為搜索區(qū)域以縮小搜索范圍。

在圖像提取單元處理之前，可現(xiàn)將圖像進(jìn)行格式轉(zhuǎn)化，轉(zhuǎn)換成系統(tǒng)認(rèn)可的格式，比如調(diào)整圖片的大小，調(diào)整成圖像的JPG格式或PDF格式等，圖像處理的方法在下文中將有詳細(xì)描述。圖像提取單元包括CNN并行處理器、輸入/輸出(I/O)端子、CNN單元神經(jīng)元陣列和全局模擬編程單元(GAPU)等模塊組成，所要處理的圖像是由外部的圖像傳感器獲取并通過I/O端子輸入的，經(jīng)CNN單元陣列處理后再輸出的。其中，圖像數(shù)據(jù)的輸入輸出過程與CNN單元陣列并行處理流程均是由GAPU單元控制的神經(jīng)元。而CNN單元陣列的結(jié)構(gòu)中，每個CNN單元是由LCCU(局部通信控制單元)、LAM(局部模擬存儲器)、LLM(局部邏輯存儲器)、LAOU(局部模擬輸出單元)、LLU(局部邏輯單元)和CNN神經(jīng)元核(nucleus)組成。GAPU單元則是由APR(模擬可編程寄存器)、LPR(邏輯可編程寄存器)、SCR(轉(zhuǎn)換配置寄存器)、GACU(全局模擬控制單元)共四個部分組成。

如圖3所示，在本發(fā)明中的所述計算單元包括檢測行車信息的行車檢測單元、與所述行車檢測單元連接且對行車密度進(jìn)行計算的密度計算單元和模糊度計算單元，所述密度計算單元集成有對行車信息進(jìn)行計算的算術(shù)邏輯單元和累加器，其中所述密度計算公式為:K＝N/L，式中，K為車流密度,單位為輛/km，N為隧道內(nèi)統(tǒng)計的行車數(shù),單位為輛，L為隧道的長度，單位為為km。

在本發(fā)明中，密度計算單元根據(jù)隧道內(nèi)的行車數(shù)量和隧道的總長，對隧道內(nèi)的車輛密度進(jìn)行計算、評估，通常隧道的車輛的擁堵程度與單位長度的車輛數(shù)量有著密切的關(guān)系，在本發(fā)明中，引入了密度計算單元，能夠?qū)λ淼赖能囕v進(jìn)行計算。在進(jìn)行車輛計算時，采用設(shè)置在密度計算單元中的累加器對行車數(shù)量進(jìn)行計算，累加器能夠?qū)π熊囆畔⑦M(jìn)行加、減、讀出、移位、循環(huán)移位和求補等操作。算術(shù)邏輯單元除了能夠進(jìn)行加、減、乘、除四則運算，還能夠進(jìn)行與、或、非、異或等邏輯操作,以及移位、比較和傳送等操作。

在本發(fā)明中，模糊度計算單元是密度計算單元的輔助，主要進(jìn)行隧道內(nèi)車輛的位置估算，模糊度計算單元中設(shè)置有GPS行車定位單元，GPS行車定位單元對隧道內(nèi)的行車進(jìn)行定位，如果行車進(jìn)入或者進(jìn)入隧道，GPS行車定位單元會對行車產(chǎn)生不同的信息，這些信息模糊度計算，可以提供用于密度計算單元需要的數(shù)據(jù)，比如數(shù)量。

在進(jìn)行模糊度計時，采用快速模糊度解算法FARA，該方法是一種基于統(tǒng)計檢驗的算法，首先用GPS行車定位單元采集的一組行車相位觀測數(shù)據(jù)進(jìn)行雙差解,求解出實數(shù)的雙差相位模糊度和位置參數(shù)，然后,根據(jù)解的統(tǒng)計信息,建立置信區(qū)間,對每一組落在該置信區(qū)間的模糊度組合進(jìn)行檢驗,找出一組既能滿足統(tǒng)計檢驗,又具有最小方差的模糊度組合作為正確的模糊度解。

在本發(fā)明中的另一個方面，快速模糊度解算法FARA可以修復(fù)周跳后的相位觀測值進(jìn)行平差計算，求得基線向量和整周未知數(shù)。由于各種誤差的影響，解得的整周未知數(shù)往往不是一個整數(shù)，稱為實數(shù)解。然后將其固定為整數(shù)(通常采用四舍五入法)，并重新進(jìn)行平差計算。在計算中整周未知數(shù)采用整周值并視為已知數(shù)，以求得基線向量的最后值。最終對進(jìn)入和進(jìn)出隧道內(nèi)的車輛的信息進(jìn)行計算，并將該信息傳輸?shù)矫芏扔嬎銌卧M(jìn)行最后的計算。

在本發(fā)明中圖像采集單元的圖像采集速率大于40MB/s,上下沿觸發(fā)采集速率大于80MB/s，接收圖像幀數(shù)最高大于100f/s,采樣單元能夠滿足16路模擬信號的采樣。

本發(fā)明中的所述行車識別系統(tǒng)可用于識別進(jìn)出隧道的行車號牌，并記錄和存儲隧道的相應(yīng)行車數(shù)據(jù)。行車數(shù)據(jù)包含行車號牌數(shù)據(jù)、行車進(jìn)入隧道時間數(shù)據(jù)、行車駛出隧道時間數(shù)據(jù)。當(dāng)行車距離大于L時，LCD大屏幕顯示裝置不再顯示該行車。

在本發(fā)明中，所述車牌識別系統(tǒng)為基于車牌定位算法、車牌字符分割算法和光學(xué)字符識別算法的車牌自動識別系統(tǒng)。車牌識別是現(xiàn)代智能交通系統(tǒng)中的重要組成部分之一。行車識別裝置的算法核心包括車牌定位算法、車牌字符分割算法和光學(xué)字符識別算法等。某些車牌自動識別系統(tǒng)還具有通過視頻圖像判斷是否有車的功能稱之為視頻行車檢測。一個完整的車牌自動識別系統(tǒng)應(yīng)包括行車檢測、圖像采集、車牌識別等幾部分。當(dāng)行車檢測部分檢測到行車到達(dá)時觸發(fā)圖像采集單元，采集當(dāng)前的視頻圖像。車牌識別單元對圖像進(jìn)行處理，定位出牌照位置，再將牌照中的字符分割出來進(jìn)行識別，然后組成牌照號碼輸出。

為了進(jìn)行車牌識別，需要以下幾個基本的步驟：

(1)牌照定位，定位圖片中的牌照位置；

自然環(huán)境下，汽車圖像背景復(fù)雜、光照不均勻，如何在自然背景中準(zhǔn)確地確定牌照區(qū)域是整個識別過程的關(guān)鍵。首先對采集到的視頻圖像進(jìn)行大范圍相關(guān)搜索，找到符合汽車牌照特征的若干區(qū)域作為候選區(qū)，然后對這些侯選區(qū)域做進(jìn)一步分析、評判，最后選定一個最佳的區(qū)域作為牌照區(qū)域，并將其從圖像中分離出來。

(2)牌照字符分割，把牌照中的字符分割出來；

在本步驟中，完成牌照區(qū)域的定位后，再將牌照區(qū)域分割成單個字符，然后進(jìn)行識別。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值的附近，并且這個位置應(yīng)滿足牌照的字符書寫格式、字符、尺寸限制和一些其他條件。利用垂直投影法對復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果。

(3)牌照字符識別，把分割好的字符進(jìn)行識別，最終組成牌照號碼。

車牌識別過程中，牌照顏色的識別依據(jù)算法不同，可能在上述不同步驟實現(xiàn)，通常與車牌識別互相配合、互相驗證。

牌照字符識別方法還包括基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法?；谀０迤ヅ渌惴ㄊ紫葘⒎指詈蟮淖址祷⑵涑叽绱笮】s放為字符數(shù)據(jù)庫中模板的大小，然后與所有的模板進(jìn)行匹配，選擇最佳匹配作為結(jié)果。基于人工神經(jīng)網(wǎng)絡(luò)的算法有兩種：一種是先對字符進(jìn)行特征提取，然后用所獲得特征來訓(xùn)練神經(jīng)網(wǎng)絡(luò)分配器；另一種方法是直接把圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動實現(xiàn)特征提取直至識別出結(jié)果。

在本發(fā)明中，所述監(jiān)控裝置包括總控中心、與所述總控中心連接且設(shè)置在隧道內(nèi)的傳輸裝置、與所述傳輸裝置連接的攝像頭，其中所述傳輸裝置為RS485通訊協(xié)議裝置，其中所述傳輸裝置為RS485通訊協(xié)議裝置，所述攝像頭為基于HD 1080P、HD 960P或HD 720P的攝像頭。

在本發(fā)明中，所述LCD大屏幕顯示裝置為1026mm×580mm×117mm的LCD液晶LCD大屏幕顯示裝置。

如圖4所示，一種基于紅外發(fā)射的隧道入口行車提示方法，包括以下步驟：

(S1)行車駛?cè)胨淼蓝纯冢?/p>

(S2)視頻運動目標(biāo)跟蹤器對駛?cè)胨淼蓝纯诘男熊囘M(jìn)行目標(biāo)跟蹤，Kalman濾波器對行車目標(biāo)跟蹤進(jìn)行計算和修正，采用Kalman濾波器中的Kalman濾波算法預(yù)測運動目標(biāo)下一時刻行車可能處于的區(qū)域，縮小目標(biāo)的搜索范圍，當(dāng)紅外圖像采集單元采集行駛到隧道前的行車信息時，隧道外的監(jiān)控裝置通過總控中心接收隧道內(nèi)監(jiān)控裝置所采集的行車信息，車牌識別系統(tǒng)對過往行車進(jìn)行車牌識別從而獲取隧道內(nèi)外的車牌信息；其中視頻運動目標(biāo)跟蹤器的工作方法為：

(S21)基于高斯統(tǒng)計模型的背景圖像估計算法對當(dāng)前的行車進(jìn)行估計，得出當(dāng)前行車區(qū)域的大致位置；

(S22)采用Kalman濾波器中的Kalman濾波算法檢測當(dāng)前幀行車圖像的目標(biāo)，確定行車圖像的目標(biāo)范圍；

(S23)Kalman濾波器對行車目標(biāo)信息進(jìn)行精確提取，實現(xiàn)了行車的精確跟蹤；

(S3)在步驟(S2)中獲取的行車信息、車牌信息以及隧道內(nèi)監(jiān)控裝置采集的監(jiān)控信息被存儲到存儲單元；

(S4)所述圖像處理單元對所述存儲單元存儲的行車信息進(jìn)行處理；其處理方法為：

(S41)對紅外圖像采集單元采集的圖像以及監(jiān)控裝置通過攝像頭拍攝的圖像進(jìn)行預(yù)處理；

(S42)采用Retinex圖像增強算法對預(yù)處理后的圖像進(jìn)行增強，獲取更清晰的圖像；

(S43)將經(jīng)過增強后的行車行駛圖像以及隧道內(nèi)監(jiān)控裝置拍攝的行車圖像輸出至LCD大屏幕顯示裝置，圖像LCD大屏幕顯示裝置顯示出隧道內(nèi)外的行車圖像，根據(jù)輸入的隧道內(nèi)外的行車信息，所述計算單元對獲取的隧道內(nèi)外的行車信息進(jìn)行密度計算，當(dāng)密度值K大于閾值Y時，則隧道內(nèi)的行車為擁堵，當(dāng)密度值K小于閾值Y時，則隧道內(nèi)的行車為暢通，其中Y≥20；

(S5)中央處理單元判斷待行駛隧道內(nèi)的行車是否可以通行，如果隧道能夠順利通行，可通過語音模塊進(jìn)行語音提示“暢通”，如果隧道不能夠順利通行，則提示“擁堵”或“前方故障，慎行”，同時告警燈閃爍。

在本發(fā)明中，所述步驟(S2)中車牌識別采用以下步驟：

(S21)通過圖片切割的方法從所述數(shù)據(jù)存儲單元中獲取牌照圖像；

(S22)基于牌照字符分割，把牌照中的字符分割出來；

(S23)基于牌照字符識別算法，把分割好的字符進(jìn)行識別，最終組成牌照號碼，得出車牌號。

在本發(fā)明中，所述步驟(S42)圖像計算單元采用Retinex圖像增強算法對采集的圖形進(jìn)行處理、計算，采用該算法可以在雨、雪、霧、暗等環(huán)境中對進(jìn)入隧道洞口的圖像進(jìn)行計算、處理，使處理后的圖像能夠清晰地通過LCD大屏幕顯示裝置顯示出來。該算法大不同于傳統(tǒng)的圖像增強算法，如線性、非線性變換、圖像銳化等只能增強圖像的某一類特征，如壓縮圖像的動態(tài)范圍，或增強圖像的邊緣等，Retinex可以在動態(tài)范圍壓縮、邊緣增強和顏色恒常三方面達(dá)到平衡，因此可以對各種不同類型的圖像進(jìn)行自適應(yīng)性地增強。正因如此，使Retinex算法在隧道入口對行車的計算就十分準(zhǔn)確了。通過該圖像單元處理后，能夠通過LCD大屏幕顯示裝置清楚地顯示出來。步驟(S42)包括還以下步驟：

(S421)對紅外圖像采集單元采集行駛到隧道中的行車數(shù)據(jù)進(jìn)行轉(zhuǎn)換,即將紅外圖像采集單元采集到的行車原始圖像轉(zhuǎn)換成double型變量，以方便以后的計算或運算；

在本步驟中，假設(shè)原始圖像為S(x，y)、亮度圖像為L(x，y)、反射圖像為R(x，y)，則可認(rèn)為原始圖像為S(x，y)由亮度圖像為L(x，y)、反射圖像為R(x，y)組成，然后在圖像中除去或降低照射圖像的影響，從而保留圖像本質(zhì)的反射屬性。由于乘法運算不好處理，前期的數(shù)據(jù)準(zhǔn)備主要由原始圖像S(x，y)從證書域轉(zhuǎn)化到對數(shù)域，這樣就將乘法運算轉(zhuǎn)換成了加減法運算，其公式為：

S(x,y)＝L(x,y)*R(x,y) 式1

S(x,y)＝log(1+S(x,y)) 式2

在Retinex圖像算法中，其包含單尺度的Retinex算法和多尺度的Retinex算法，由于但尺度Retinex算法自身的缺陷，無法使增強圖像在動態(tài)范圍壓縮，細(xì)節(jié)保持，色彩保真度，邊緣銳化上都保持最佳的狀態(tài)，在本發(fā)明中，引入了多尺度的Retinex算法。

多尺度的Retinex算法是在單尺度的Retinex算法的基礎(chǔ)上發(fā)展而應(yīng)用起來的。多尺度的Retinex算法可以實現(xiàn)圖像的顏色恒常性、局部動態(tài)范圍壓縮、色彩增強、全局動態(tài)范圍壓縮。能夠?qū)嚺频淖R別圖像起到增強的作用。其公式為：

其中，r_i(x,y)為Retinex在第i個通道上的輸出，*為卷積分運算，灰度圖像則i為1，彩色圖像i取值為1、2、3分別代表RGB的三個通道，I_i(x,y)表示輸入的圖像的第i個通道，F(xiàn)_k(x,y)為高斯函數(shù)，W_k為高斯函數(shù)的相加權(quán)，k是高斯環(huán)繞函數(shù)的個數(shù)。在k＝1的特殊情況下，MSR算法退化成了SSR算法。

多尺度的Retinex算法中，將讀入圖像I_i(x,y)轉(zhuǎn)換成double型變量。

(S422)轉(zhuǎn)換成double型變量的圖像具有高、中、低三個不同的尺度的數(shù)據(jù)，根據(jù)不同尺度的數(shù)據(jù)確定環(huán)繞函數(shù)F(x,y)并提取待檢測圖像的特征，從而來確定參數(shù)λ的值；

(S423)將原始圖像Ii(x,y)、環(huán)繞函數(shù)F(x,y)代入公式來求得Retinex的在各通道上輸出，其中r_i(x,y)即為第i個通道上的Retinex輸出，k取3并且W1＝W2＝W3＝1/3；

(S424)將r_i(x,y)從對數(shù)域轉(zhuǎn)換到實數(shù)域得到反函數(shù)R_i(x,y)；

(S425)對R_i(x,y)線性拉伸并顯示R_i(x,y)線性拉伸后的圖像。

在本發(fā)明中，針對步驟(S42)中提取待檢測圖像的特征包括以下步驟：

(1)由于紅外圖像采集單元和隧道內(nèi)的監(jiān)控裝置獲取的圖像為立體圖像，因此可以將獲取的圖像看做在一個平面坐標(biāo)為x,y,z中的三維圖像，將圖像灰度化；

(2)采用Gamma校正法對步驟(1)中獲取的圖像進(jìn)行顏色空間的標(biāo)準(zhǔn)化、歸一化，調(diào)節(jié)圖像的對比度，降低圖像局部的陰影和光照變化所造成的影響，抑制噪音的干擾；

(3)計算對步驟(2)中處理的圖像每個像素的梯度，梯度方向包括大小和方向，捕獲輪廓信息，進(jìn)一步弱化光照的干擾；

(4)將對步驟(3)中計算像素的梯度的圖像劃分成每個單元為6*6像素的小單元；

(5)統(tǒng)計每個單元的梯度直方圖，即可形成每個單元的描述符號；

(6)將每4個單元組成1個每個區(qū)間為3*3個單元的描述符號，一個框內(nèi)所有單元的特征描述符號串聯(lián)起來便得到該框的HOG特征描述符號；

(7)將圖像內(nèi)的所有框的HOG特征描述符號串聯(lián)起來，得出該圖像的HOG特征描述符號。

針對步驟(S42)，還包括以下內(nèi)容：

(1)標(biāo)準(zhǔn)化gamma空間和顏色空間

為了減少光照因素的影響，首先需要將整個圖像進(jìn)行規(guī)范化和歸一化。在圖像的紋理強度中，局部的表層曝光貢獻(xiàn)的比重較大，所以，這種壓縮處理能夠有效地降低圖像局部的陰影和光照變化。因為顏色信息作用不大，通常先轉(zhuǎn)化為灰度圖；

Gamma壓縮公式：I(x,y)＝I(x,y)^gamma

比如可以取Gamma＝1/2；

(2)計算圖像梯度

計算圖像橫坐標(biāo)和縱坐標(biāo)方向的梯度，并據(jù)此計算每個像素位置的梯度方向值；求導(dǎo)操作不僅能夠捕獲輪廓，人影和一些紋理信息，還能進(jìn)一步弱化光照的影響。

圖像中像素點(x,y)的梯度為：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)

式中G_x(x,y)、G_y(x,y)、H(x,y)分別表示輸入圖像中像素點(x,y)處的水平方向梯度、垂直方向梯度和像素值，像素點(x,y)處的梯度幅值和梯度方向分別為：

α(x,y)＝tan^-1(G_y(x,y)/G_x(x,y))

在本發(fā)明中：首先用[-1,0,1]梯度算子對原圖像做卷積運算，得到x方向(水平方向，以向右為正方向)的梯度分量灰度圖，然后用[1,0,-1]T梯度算子對原圖像做卷積運算，得到y(tǒng)方向(豎直方向，以向上為正方向)的梯度分量灰度圖。然后再用以上公式計算該像素點的梯度大小和方向。

(3)為每個單元構(gòu)建梯度方向直方圖

本步驟的目的是為局部圖像區(qū)域提供一個編碼，同時能夠保持對圖像中人體對象的姿勢和外觀的弱敏感性。

假設(shè)將圖像分成若干個“單元格單元”，例如每個單元為6*6個像素。比如采用9個箱的直方圖來統(tǒng)計這6*6個像素的梯度信息。也就是將單元的梯度方向360度分成9個方向塊，如果像素的梯度方向是20-40度，直方圖第2個箱的計數(shù)就加一，這樣，對單元內(nèi)每個像素用梯度方向在直方圖中進(jìn)行加權(quán)投影(映射到固定的角度范圍)，就可以得到這個單元的梯度方向直方圖了，就是該單元對應(yīng)的9維特征向量(原來定義的有9個箱)。

梯度大小就是作為投影的權(quán)值的。例如說：這個像素的梯度方向是20-40度，然后它的梯度大小是2，那么直方圖第2個箱的計數(shù)就不是加一了，而是加二。

單元可以是矩形的，也可以是星形的。

(4)把單元組合成大的塊，塊內(nèi)歸一化梯度直方圖

由于局部光照的變化以及前景-背景對比度的變化，使得梯度強度的變化范圍非常大。這就需要對梯度強度做歸一化。歸一化能夠進(jìn)一步地對光照、陰影和邊緣進(jìn)行壓縮。

在本發(fā)明中，把各個單元組合成大的、空間上連通的區(qū)間。這樣，一個區(qū)間內(nèi)所有單元的特征向量串聯(lián)起來便得到該區(qū)間的HOG特征。這些區(qū)間是互有重疊的，這就意味著：每一個單元格的特征會以不同的結(jié)果多次出現(xiàn)在最后的特征向量中。將歸一化之后的塊描述符(向量)就稱之為HOG描述符。

區(qū)間有兩個主要的幾何形狀——矩形區(qū)間(R-HOG)和環(huán)形區(qū)間(C-HOG)。R-HOG區(qū)間大體上是一些方形的格子，它可以有三個參數(shù)來表征：每個區(qū)間中單元的數(shù)目、每個單元中像素點的數(shù)目、每個單元的直方圖通道數(shù)目。

比如行人檢測的最佳參數(shù)設(shè)置是：3×3單元/區(qū)間、6×6像素/單元、9個直方圖通道，則一塊的特征數(shù)為：3*3*9；

(5)收集HOG特征

最后一步就是將檢測窗口中所有重疊的塊進(jìn)行HOG特征的收集，并將它們結(jié)合成最終的特征向量供分類使用。

(6)計算圖像的HOG特征維數(shù)

Dalal提出的Hog特征提取的過程：把樣本圖像分割為若干個像素的單元，把梯度方向平均劃分為9個區(qū)間(箱)，在每個單元里面對所有像素的梯度方向在各個方向區(qū)間進(jìn)行直方圖統(tǒng)計，得到一個9維的特征向量，每相鄰的4個單元構(gòu)成一個塊，把一個塊內(nèi)的特征向量聯(lián)起來得到36維的特征向量，用塊對樣本圖像進(jìn)行掃描，掃描步為一個單元。最后將所有塊的特征串聯(lián)起來，就得到了被測對象的特征，對測對象可以為行車中的人，或者行車。例如，對于64*128的圖像而言，每16*16的像素組成一個單元，每2*2個單元組成一個塊，因為每個單元有9個特征，所以每個塊內(nèi)有4*9＝36個特征，以8個像素為步長，那么，水平方向?qū)⒂?個掃描窗口，垂直方向?qū)⒂?5個掃描窗口。也就是說，64*128的圖片，總共有36*7*15＝3780個特征。

本發(fā)明具有以下功能:

1、采用密度計算公式能夠提示隧道長度、安全行駛速度、隧道內(nèi)的行車擁堵情況：

2、計算單元能夠統(tǒng)計隧道內(nèi)的行車信息，LCD大屏幕顯示裝置能夠顯示隧道內(nèi)的行車。

3、通過紅外圖像采集單元采集行駛到隧道內(nèi)的行車信息，并且紅外圖像采集單元還可以與車內(nèi)司機(jī)以行車記錄測試儀、導(dǎo)航儀、手機(jī)、PDA、手持式接到單元等方式進(jìn)行通訊，更好地使司機(jī)獲知隧道內(nèi)行車信息。

4、能夠?qū)τ側(cè)胨淼纼?nèi)的行車車牌進(jìn)行車牌識別，獲取進(jìn)入隧道內(nèi)的行車信息，有助于查詢過往行車。

5、采用紅外技術(shù)進(jìn)行行車的識別，滿足四大優(yōu)點：①環(huán)境適應(yīng)性優(yōu)于可見光，尤其是在夜間和惡劣氣候下的工作能力；②隱蔽性好，很多情況下都是被動接收目標(biāo)的信號，比雷達(dá)和激光探測安全、保密性強且不易被干擾；⑨由于依靠目標(biāo)和背景之間的溫差和發(fā)射率差形成的紅外輻射特性進(jìn)行探測，因而識別偽裝目標(biāo)的能力優(yōu)于可見光；④與雷達(dá)系統(tǒng)相比，紅外系統(tǒng)的體積小、重量輕、功耗低。

6、紅外圖像單元運用Retinex算法以及圖像提取算法對紅外圖像進(jìn)行處理并分析比較處理效果，紅外圖像單元運用紅外輻射的原理，自然界中的任何物體都存在紅外輻射，同時也吸收外界其它的紅外輻射。由于大氣中的二氧化碳和水蒸汽等物質(zhì)的吸收和散射作用，只有部分波段上的紅外輻射能透過大氣。紅外光是指波長在0.76～14岬之間的光線，具有很強的穿透性，適用于夜晚、雨、雪、霧天等惡劣天氣，本發(fā)明又采用Retinex算法，該算法Retinex算法增強后，可以突出暗區(qū)域中圖片的細(xì)節(jié)，能夠?qū)⒉杉膱D像更加清晰，因此不管隧道口內(nèi)的天氣情況如何變化，都能準(zhǔn)確無誤地顯示出過往行車。

7、通過計算和統(tǒng)計圖像局部區(qū)域，基于方向梯度直方圖提取待檢測圖像的特征，該方法能夠減少光照對行車圖像質(zhì)量的影響，能夠進(jìn)一步弱化光照的影響，從而提高圖像采集質(zhì)量。

雖然以上描述了本發(fā)明的具體實施方式，但是本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，這些具體實施方式僅是舉例說明，本領(lǐng)域的技術(shù)人員在不脫離本發(fā)明的原理和實質(zhì)的情況下，可以對上述方法和系統(tǒng)的細(xì)節(jié)進(jìn)行各種省略、替換和改變。例如，合并上述方法步驟，從而按照實質(zhì)相同的方法執(zhí)行實質(zhì)相同的功能以實現(xiàn)實質(zhì)相同的結(jié)果則屬于本發(fā)明的范圍。因此，本發(fā)明的范圍僅由所附權(quán)利要求書限定。