交通攝像頭在智能交通系統(tǒng)(ITS)中的作用日益重要,其主要功能為車牌識別。本文提出了一種從車牌時空數(shù)據(jù)中挖掘城市熱點交通線路的方法。其中,車牌時空數(shù)據(jù)由部署在城市不同道路的交通攝像頭不斷進行車牌識別得到。實現(xiàn)該目標存在以下挑戰(zhàn):首先,一輛車的軌跡(由車牌時序數(shù)據(jù)代表)通常只占城市熱點交通線路的一部分。其次,車牌識別存在高度的不確定性(如遺漏和錯誤),使得現(xiàn)有模式挖掘算法難以發(fā)現(xiàn)完整的城市熱點交通線路。針對以上問題,本文提出了由2部分構成的方法。首先,該方法提出了一個基于子模式拼接的挖掘算法,從車牌時空數(shù)據(jù)中挖據(jù)出候選城市熱點交通線路。然后,該方法基于一個聚類排序算法從候選城市熱點交通線路中挑選出代表性城市熱點交通線路。本文基于真實車牌時空數(shù)據(jù)對提出的方法進行了評測。

【文章頁數(shù)】：11 頁

【部分圖文】：

圖1 熱點線路挖掘問題

由于單一車輛行駛的不確定性,現(xiàn)有基于軌跡模式挖掘算法的熱點線路挖掘方法通常只能挖掘出很短的熱點線路。如圖1(a)所示,若要求每個行駛模式至少有4條軌跡支持,則現(xiàn)有軌跡模式挖掘算法只能挖掘出R1、R2和R3這3條較短的熱點線路。針對此問題,弱化現(xiàn)有軌跡模式挖掘算法的限制,將熱點線路....

圖2 子模式拼接實例

下面給出一個實例對子模式拼接算法進行進一步說明。給定7個長度為3的子模式P1=<1,2,3>,P2=<2,3,4>,P3=<2,3,5>,P4=<3,4,6>,P5=<3,4,7>,P6=<8,1,2>和P7=<9,1,2>....

圖3 一個候選熱點線路權值計算的實例

算法2候選熱點線路重要度權值計算算法輸入:關聯(lián)矩陣MRC,交通流量向量VT輸出:所有候選熱點線路的重要度權值1.初始化ΡC(0)=[1,1,?,1n]Τ,ΡR(0)=[1,1,?,1m]Τ2.while算法未收斂do3.PC(....

圖4 交通攝像頭的空間稀疏性

基于對該數(shù)據(jù)集的統(tǒng)計分析,發(fā)現(xiàn)交通攝像頭存在較高的空間稀疏性和識別不確定性。如圖4所示,當縮小地圖后,可以發(fā)現(xiàn)有很多道路未部署交通攝像頭。此外,該數(shù)據(jù)集中存在23365567條車牌識別記錄是錯誤的(大概占總車牌識別記錄數(shù)的12%)。再次,交通攝像頭還有可能未檢測到經(jīng)過的車輛。....

本文編號：4021718