1前言
近年来，随着各种形态大数据的涌现及相关分析技术的进步，城市交通研究者的关注重点已逐渐从系统运行状态监测，转到出行需求分析上来（含车辆溯源分析）。OD矩阵在交通规划研究中占有极其重要的地位，能揭示出城市交通症结所在，交通需求与土地利用、经济活动的规律。获取车辆出行OD及相关路径信息是交通需求分析的关键内容之一。传统的OD矩阵获取方法有两种。第一种是人工调查，存在很大的弊端：
(1)被调查对象对于出行信息往往记忆不清，或者不耐烦回答调查问题。随意给出一些出行信息的答案。严重影响了交通调查的数据质量；
(2)需耗费大量的人力、物力和时间。成本太高；
(3)抽样样本有限，仅能获得所研究区域内部分出行信息。
另一种获取的方法是OD反推，通过路段交通流数据。根据各种模型算法。反推交通，路段流量的检测会产生误差。而反推方法本身也存在误差。这就容易造成双重误差[1]。针对上述问题，许多学者开始研究新的OD矩阵获取方法。
汪小婷等[2]通过对智能卡口获取的车辆出行信息进行挖掘、匹配，得到与现状交通状况基本相符的车辆出行OD矩阵；杜豫川等[3]利用车牌识别数据建立了城市快速路OD预测模型；王龙飞等[4-6]利用Arcgis获取车辆出行轨迹，提出了车辆出行轨迹调查分析与OD矩阵调查分析系统。
高清智能卡口系统自动识别的车牌数据（以下简称卡口数据）不但包含车辆身份信息且与道路路段固定对应，无需复杂的匹配计算，理论上是计算车辆出行OD的理想数据。
本文在前人研究的基础上开发Excel VBA对高清智能卡口系统采集的车牌信息进行处理。获取路网的车辆OD矩阵，此方法能够在有效降低费用支出的同时，可利用车牌数据获取长期、有效的动态车辆OD数据。
2基于卡口系统的车牌识别系统
2.1车牌识别系统功能模块
基于城市卡口系统的车牌识别系统。根据不同功能，将系统划分为不同的模块。车牌识别模块主要包括：卡口图像载入模块、背景提取更新模块、图像预处理模块、车牌定位模块、车牌倾斜校正模块、字符分割识别模块等。
1）卡口图像载入模块：用于卡口图像的获取、加载、显示和存储管理。
2）背景提取更新模块：利用背景提取法实现背景图像的初始化以及系统运行过程中的背景图像更新。
3)图像预处理模块：用于车辆图像的获取、增强、去噪、二值化、形态学处理和边缘检测等。
4)车牌定位模块：用于图像中车牌区域的初步定位以及精确定位。并将车牌区域独立存储，作为后续的研究对象。
5)车牌倾斜校正模块：用于车牌字符水平倾斜的校正，确保字符分割的准确性和规范性。
6)字符分割识别模块：通过分割算法获取并识别车牌中的单个字符图像。
2.2车牌识别系统处理流程
基于卡口系统的车牌识别技术在运行时各个模块要相互配合方可完成既定功能，这需要对每个模块设计既定的操作流程。车牌识别过程可分为以下6步。
1)明确卡口获取的道路交通图像信息所存储的位置，进而调取出需要的图像数据。
2)将采集到的图像数据(即前景图像)与实际的背景图像进行比对，利用差分法检测并选取出图像中的运动车辆。在利用背景差分法获取车辆图像信息时，应保证最近一段时间内该路段的背景图像变化不大、稳定性高，进而根据相邻卡口拍摄到的图像来识别是否为同一辆车。
3)将采集到的前景车辆图像进行前期处理，以便突出车牌区域信息。迅速准确地进行车牌定位。图像预处理包括图像灰度化、二值化、去噪、图像增强、边缘检测以及形态学处理等。图像灰度化保留亮度信息，剔除彩色信息。卡口系统可以更高效地处理图像;图像二值化将灰度化后的图像分成黑色和白色，便于卡口系统进行图像的处理和车牌的识别;图像去噪减少了外部环境等因素对数字图像的干扰;图像增强是增加前景图像和背景图像的对比度。强调图像的主要信息;图像边缘检测可以将车牌的边缘特征凸显出来。实现车牌的初步定位和车牌的字符分割。
4)图像预处理之后。图像中的车牌区域凸显，根据车牌的纹理、几何、字符特征实现车牌的精准定位。若在定位的过程中出现车牌水平倾斜、垂直倾斜或混合倾斜的现象，利用Hough变换和Radon变换进行图像校正。
5)实现车牌的精准定位及车牌校正之后。通过垂直投影法分割车牌字符，进而利用神经网络识别算法识别车牌图像中的汉字、英文字母和阿拉伯数字。
6)将识别的车牌信息存储在数据库中。
3数据获取及处理
对青岛市环胶州湾区域智能卡口平台数据获取，共计1669处卡口数据，主要分布在青岛市区范围内主要城市快速路、城市主干路和干线公路上，导出时间为2018年12月10日至16日所有检测数据。
3.1卡口数据预处理
对导入的Execl数据进行预处理，利用Execl VBA程序删除车牌信息缺失数据（如表1第一行数据）、系统未识别数据（如表1中第二行数据）以及唯一录入数据（如表1中第三行数据）。
应删除的数据格式见表1。
3.2卡口数据获取OD矩阵
在某一时间段内，以第一次捕获某车辆的卡口作为该车辆的起点，以最后一次捕获该车辆的卡口作为终点，运行VBA程序筛选出所有运行车辆的起点与终点。根据抓拍车辆依次经过道路卡口的位置，按最短路径法匹配出车辆的运行轨迹。依照城市车辆出行特征，通过设置出行间隔阈值为两小时，对两小时内未再次捕获到的车辆重新设置起终点，最后，将车辆运行轨迹的起终点替换为OD小区代码。
本次共调取青岛市域范围内1669个卡口，共处理1.3亿条车辆出行数据，平均一天出行量为1800万条，匹配车辆运行轨迹后为283万车次/日。根据交通量预测的需要，OD小区划分以现有行政区划为主，项目直接影响区内划分到县、市、区，部分小区划分至乡镇，项目间接影响区适当划粗，本项目共划分32个OD小区。
交通小区划分见表2，通过卡口数据获取车辆出行热力图如图1所示。
图1 卡口数据获取车辆出行热力图
利用各种车型的月不均匀系数将各车型的OD调查交通量修正为一型客车的年平均日交通量，修正公式如下：
式中：
——区到区的年平均日交通量；
——区到区的分车型调查交通量；
——月不均匀系数；
——车型折算系数；
——抽样率，本项目取1。
4数据处理结果应用
4.1 OD矩阵校核
OD矩阵的校正是指将修正、补充后的OD矩阵在现状公路网上进行分配，得到各相关公路的分配交通量，通过对比分配交通量与实际观测交通量之间的差异来修正OD矩阵表。如果所有相关公路的分配交通量与实际观测交通量之间的差异均在5％以内，则认为该OD矩阵能够反映项目影响区的实际出行情况，否则需要校正OD矩阵。校正公式如下：
式中：—修正后区到区的交通量；
—修正前区到区的交通量；
—校正系数。
通过卡口数据获取出行OD矩阵，根据交通小区划分，利用Transcad进行交通分配，对环胶州湾路网的交通分配结果与交通量调查结果进行对比，对比结果见表3，出行期望线如图2所示。结果表明，多数路段交通量误差在5%以内，因此认为该OD矩阵能够反映项目影响区的实际出行情况，可作为交通量预测的依据。
4.2出行分布分析
根据卡口数据获取的OD矩阵，对环胶州湾交通量分布进行分析。2018年环胶州湾通道内青岛市东岸城区（市南区、市北区、崂山区、李沧区、城阳区）与黄岛区之间的出行总量为112237 Pcu/d，占通道交通量的55.2％。其中，一型客车出行量为80456 Pcu/d，占出行量总量的71.7％。
环胶州湾通道交通量分布见表4及图2。
5结论
利用智能卡口平台获取车辆出行信息，并利用Execl对车辆出行信息进行处理，从而获取出行OD矩阵，并对OD矩阵进行校核，结果表明，利用卡口数据获取的OD矩阵能够反映地区实际的出行状况。随着智能交通的发展，卡口覆盖密度的增加，利用智能卡口平台获取出行OD矩阵将会有更加广阔的前景。
参考文献
[1] 魏静. 基于视频牌照检测的动态OD矩阵获取方法研究[D]. 同济大学, 2008.
[2] 汪小渟，常玉林，张鹏. 基于智能卡口平台的车辆OD矩阵获取研究[J]. 公路. 2017, 62(03): 166-171.
[3] 杜豫川，陈赣浙，周小鹏，等. 基于贝叶斯估计的OD预测方法研究[Z]. 中国广东广州: 20146.
[4] 王龙飞. 基于车牌照的车辆出行轨迹分析方法与实践研究[D]. 长安大学, 2011.
[5] 王龙飞，陈红，李杨. 基于车牌照的公路OD调查分析软件系统[J]. 公路. 2013, 58(12): 132-138.
[6] 王龙飞，陈红，李杨，等. 城市路网车辆出行轨迹调查分析系统[J]. 计算机系统应用. 2011, 20(12): 16-20.
论文作者:邵晓明, 刘传起
论文发表刊物:《建筑实践》2019年第38卷15期
论文发表时间:2019/11/15
标签：卡口论文; 车牌论文; 交通量论文; 图像论文; 车辆论文; 矩阵论文; 数据论文; 《建筑实践》2019年第38卷15期论文;