停车场出入智能控制系统及方法与流程

本发明涉及一种智能技术控制领域，尤其是一种停车场出入智能控制系统及方法。

背景技术：

现如今，随着我国经济的发展和科技的不断提高，我国的汽车保有量急剧攀升，很多城市的停车难问题日渐突出。如何解决停车难的问题已经迫在眉睫。目前，很多城市已经把停车场作智慧城市的构成部分，并与其他智慧城市的构成部分渐渐结合在一起。设计一个智能停车场收费管理系统已经变的越来越重要。

目前的停车收费软件一般是定向于某一公司特定型号的相机生产的，其他公司生产的相机则不可以使用此软件，由此降低了软件开发的效率。此外由于相机识别角度的问题，有些地区的停车场相机不能每次都捕获车辆的车牌，需要安装两台相机进行识别。所以要求系统支持一个车道同时使用两台相机联合监控。目前市场上的一般收费软件不支持双相机识别。此外有些系统虽然支双相机识别，但当有一台相机损坏的时候，只能用相同型号的相机来替换，不可以用其他型号的相机。但是当前的主流相机，在不同的环境下，识别的准确率各有优劣，所以需要系统支持一个车道使用两台不同类型或者不同型号的相机进行监控；由于相机识别正确率的问题，会存在识别错误的问题，对于不同类型、不同型号的相机在不同的环境下都会发生车牌识别错误的情况，而且每一次错误的识别结果都会给车辆自动出场以及智能收费带来困难，导致自动出场失败。所以要想实施停车场智能监控，就需要客服现有技术的缺陷。

技术实现要素：

本发明的目的是克服现有技术存在的缺陷，提供一种停车场出入智能控制系统及方法。

实现本发明目的的技术方案是：一种停车场出入智能控制系统，其由相机一、相机二、相机三、监控系统、计费系统组成，所述相机一、相机二设置在停车场入口，所述相机三设置在停车场出口，所述相机一、相机二、相机三和计费系统都与监控系统相连接，所述监控系统包括基于置信度的异构双相机车牌识别系统和出场车牌识别的模糊匹配系统。

作为优化，所述智能控制系统还包括与监控系统相连接的收费系统，所述收费系统为etc系统。

一种停车场出入智能控制方法，包括以下步骤：

1)停车场出入智能控制系统的监控系统监控到车辆进入车道时，监控系统发送命令给相机一、相机二；

2)相机一、相机二接收到命令后，对车辆信息的采集，并将采集后的数据传输至监控系统；

3)监控系统中的基于置信度的异构双相机车牌识别系统对步骤2)采集到的数据进行识别；

4)当车辆驶出停车场时，当步骤3)识别的数据正确时，直接到步骤8)；当步骤3)识别的数据错误时，直接到步骤5)；

5)当车辆驶出停车场时，停车场出入智能控制系统的监控系统监控到车辆驶出车道时，监控系统发送命令给相机三；

6)相机三接收到命令后，对车辆信息的采集，并将采集后的数据传输至监控系统；

7)监控系统中的出场车牌识别的模糊匹配系统对步骤6)采集到的数据进行识别，并与步骤3)采集到的数据进行匹配；

8)监控系统将步骤3)正确的识别数据或者步骤7)匹配后的数据结果发送给计费系统进行处理，计费系统将计费信息反馈给监控系统；

作为优化，所述基于置信度的异构双相机车牌识别系统的算法包括以下步骤：

1)获取对应车道的相机参数，初始化ci，开启相机识别线程t1,t2，等待触发。

2)车辆到来识别线程触发，获取相机信息，车牌信息，即车牌记为p，置信度dg，转①；

①判断ci是否加锁，如果加锁，就等待，否则转到②；

②根据ci判断ci.plate_last＝＝p，如果为true，转到3)，否则转到③；

③根据ci，计算时间差span＝ci.time-datetime.now()，判断span＞250ms，如果为true，转到④，否则转到⑤；

④说明是一个新纪录，即另外一辆车，将置信度dg，车牌p，识别时间写入ci，ci.plate＝p，ci.last_plate＝ci.plate，ci.dg＝dg，ci.time＝datetimenow()，并向数据库插入车牌信息，转3)；

⑤判断是否与上次识别的相机为同类型相机，如果不是转⑥，否则转⑨；

⑥判断两相机置信度是否大于阈值cr，如果大于转3)，否则转⑦；

⑦比较置信度ci.dg＞dg,如果为fast，转到3)，否则转到⑧；

⑧获取车牌p、置信度dg，更新结构体ci，ci.plate＝p，ci.last_plate＝ci.plate，ci.dg＝dg，修改数据库中的车牌信息。转3)；

⑨看是否同一型号，如果不是同一型号转⑦(此时转⑦比较的置信度是相机置信度不是人工置信度)，否则转⑩；

⑩利用bp神经网络训练的权值与ci得到识别较准确的相机的型号，如果相机型号是此次识别的相机型号转⑧，否则转3)；

3)算法结束。

作为优化，所述span为相机本次识别到车牌的时间与上次识别到车牌时间的时间差，所述基于基于置信度的异构双相机车牌识别系统的算法由两个线程开启，每一个相机对应于一个线程，相机一开启的识别线程为t1,相机二开启的识别线程为t2，两个线程分别共享同一个结构体ci，对ci进行读写，当t1对ci进行读写时，t2等待，只到t1读写完毕，t2对同一个ci进行读写时，t1等待，只到t2读写完毕。

作为优化，所述出场车牌识别的模糊匹配系统的算法流程为：

1)获取相机识别的车牌p；

2)获取车道相似度阀值w，获取数据库在场车辆车牌数组[t],记数组大小为n，并设i＝0；转①；

①判断i＝＝n，且i++，如果为false，转到②，如果为true，转到③；

②判断p＝＝t[i],如果为true，转到3)，否则转到①；

③将i赋值为0，取在场车辆t[i]与p进行一般模糊匹配(i从0到n)转到④；

④判断i＝＝n，且i++，如果为false，转到⑤，如果为true，转到⑥；

⑤利用相似度公式1，计算两车牌的相似度如果d＞＝w，记录此车牌t[i]，转到④，否则直接转到④；

⑥判断是否有相似车牌记录，如果为true，取出唯一的车牌t[x],调用基于字典的自学习算法计算相似字符对，转到否则转到⑦；

⑦将i赋值为0，开始取在场车辆t[i]与p进行基于最长公共子序列的模糊匹配(i从0到n)，转到⑧；

⑧判断i＝＝n，且i++，如果为false，转到步骤⑨，如果为true，转到步骤⑩；

⑨利用基于最长公共子序列的模糊匹配公式，计算两车牌的相似度，如果d＞＝w，记录此车牌t[i]，转到⑧，否则直接转到⑧；

⑩判断是否有相似车牌记录，如果为true，取出唯一的车牌t[x]，转到否则转到人工处理，转3)；

返回相似度最大的车牌t[x]，转到3)；

3)算法结束。

作为优化，所述出场车牌识别的模糊匹配系统的算法中，相似度为d，p为相机识别到的车牌,t为待匹配的车牌，模糊匹配阀值为w，xi为p的第i个字符，yi为t的第i个字符，d为字符对的相似权重且d＝f(xiyj)，l为车牌长度。

本发明具有积极的效果：

(1)针对不同相机的特性，本发明能够运用多线程和神经网络技术设计了基于四种不同类型、不同型号相机的双相机识别系统及算法，解决了监控系统的任意一个车道支持不同类型、不同型号的相机组合成双相机识别的问题。

(2)提出了基于自学习的相似字典和模糊匹配系统及算法，使车辆车牌在相机识别错误的情况下也能够在很大程度上实现车辆自动出场。实验结果表明模糊匹配算法使停车场系统的智能程度提高了约3％，由此解决了在相机识别错误情况下，车辆自动出场的问题。

附图说明

图1为本发明停车场出入智能控制系统的结构示意图；

图2是本发明基于置信度的异构双相机车牌识别系统中三层神经网络的模型图；

图3是本发明基于置信度的异构双相机车牌识别系统中神经网络测试实验的数据图；

图4是本发明基于置信度的异构双相机车牌识别系统中神经网络训练的过程图；

图5是本发明基于置信度的异构双相机车牌识别系统中神经网络回归的分析图；

图6是本发明基于置信度的异构双相机车牌识别系统中双相机数据的结构图；

图7是本发明基于置信度的异构双相机车牌识别系统中主线程开启识别线程的流程图；

图8是本发明基于置信度的异构双相机车牌识别系统中识别线程的流程图；

图9是本发明出场车牌识别的模糊匹配系统中算法使用的相似字典图；

图10是本发明出场车牌识别的模糊匹配系统中算法使用的相似字典的自学习算法图；

图11是本发明出场车牌识别的模糊匹配系统中模糊匹配算法流程图；

图12是普通模糊匹配测试数据图表；

图13是本发明出场车牌识别的模糊匹配系统中模糊匹配测试数据图表；

图14是本发明通信参数配置图；

图15是本发明监控界面图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明为一种停车场出入智能控制系统，其由相机一、相机二、相机三、监控系统、计费系统组成，所述相机一、相机二设置在停车场入口，所述相机三设置在停车场出口，所述相机一、相机二、相机三和计费系统都与监控系统相连接，所述监控系统包括基于置信度的异构双相机车牌识别系统和出场车牌识别的模糊匹配系统，所述智能控制系统还包括与监控系统相连接的收费系统，所述收费系统为etc系统。

一种停车场出入智能控制方法，包括以下步骤：

1)停车场出入智能控制系统的监控系统监控到车辆进入车道时，监控系统发送命令给相机一、相机二；

2)相机一、相机二接收到命令后，对车辆信息的采集，并将采集后的数据传输至监控系统；

3)监控系统中的基于置信度的异构双相机车牌识别系统对步骤2)采集到的数据进行识别；

4)当车辆驶出停车场时，当步骤3)识别的数据正确时，直接到步骤8)；当步骤3)识别的数据错误时，直接到步骤5)；

5)当车辆驶出停车场时，停车场出入智能控制系统的监控系统监控到车辆驶出车道时，监控系统发送命令给相机三；

6)相机三接收到命令后，对车辆信息的采集，并将采集后的数据传输至监控系统；

7)监控系统中的出场车牌识别的模糊匹配系统对步骤6)采集到的数据进行识别，并与步骤3)采集到的数据进行匹配；

8)监控系统将步骤3)正确的识别数据或者步骤7)匹配后的数据结果发送给计费系统进行处理，计费系统将计费信息反馈给监控系统；

本发明中，所述基于置信度的异构双相机车牌识别系统的算法包括以下内容和步骤：

首先，所谓的相机识别置信度是相机对自己所识别车牌的准确率的判断程度，相机每识别一次车牌，都会返回一个相对应的浮点数，称此浮点数为识别置信度，简称置信度。

置信度取(0,1]之间具有一位小数的浮点数，置信度越高，说明该相机此次识别的车牌越准确。

相机返回的置信度是基于某一类型相机自有的功能，不同型号相机的置信度不能直接比较。例如：在实际的测试当中，联讯捷1型相机识别某一个车牌的结果比联讯捷2型识别的结果更加准确，但是对应的置信度却相对于联讯捷2型的低，所以置信度只有当相机是同一型号且该型号相机在识别同一车牌的时候才可以直接比较，不同型号的相机的置信度不能直接进行比较。针对这种情况，拟采用类似模式识别的办法，利用神经网络模型来判断究竟该选取那种相机的识别结果。

如图2三层神经网络模型所示，bp神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在向前的传递中，输入信号经过隐含层的的处理到输出层。如果输出层得不到期望输出，那么转入反向传播。根据输出与期望输出之间的误差调整权值和阈值。本案例的神经网络模型结构如图2所示，是一个输入输出神经元个数为4的bp神经网路拓结构。其中x1,x2,x3,x4是网络的输入值，对应四种相机的置信度，y1,y2,y3,y4是网络的输出值，正常输出值中应该有一个为1，其余三个为0，如输出为{0，1，0，0}表示第二个相机的识别结果更准确，上述bp神经网络在使用之前需要经过训练，标准bp的训练的步骤为：

第一步：网络的初始化。根据要训练的输入输出确定输入层的神经元个数，输出层的神经元个数，隐含层和输出层之间的连接权值wij，wjk。初始化隐含层的阈值a，输出层的阈值b。给定神经网络的学习速率与神经元激励函数。

第二步：隐含层输出的计算。根据输入层，输入层和隐含层之间的权值wij，隐含层的阈值a，计算隐含层的输出h。

其中，l为隐含层的节点个数，f是激励函数，n为输入层的神经元个数，本文的n＝4。

第三步：输出层的计算。根据隐含层的输出h，连接权值wjk，阈值b。计算网络的预测输出e。

其中k为输出层的神经元个数，本文的m＝4。

第四步：网络结果误差计算。由e和期望输出y，计算神经网络的预测误差e。

ek＝yk-ek(3)

第五步：更新网络的权值与阈值。根据计算的网络误差更新wij,wjk和ai,bk。

wjk＝wjk+δhjek(5)

bk＝bk+ek(7)

其中δ为学习速率。

第六步：判断是否结束迭代过程，如果没有，返回第二步。

对于标准的bp，权值和阈值的修正是沿着误差函数的梯度的反方向进行的。对于不同的修正下降算法，网络的反应速率也会有所不同。matlab工具箱提供了多种下降函数。

如图2所示，输入层：x1,x2,x3,x4分别表示四种型号相机的置信度。各输入参数分别对应：x1为联讯捷1型相机的置信度，x2为联讯捷2型相机的置信度，x3为联讯捷3型相机的置信度，x4为联讯捷4型相机的置信度。例如输入为{0.9,0.8.0.9,0.7}说明四种型型号相机在识别同一车牌时的置信度分别为{0.9、0.8、0.9、0.7}。

输出层：y1,y2,y3,y4的值表示是否选择该相机类型。每次输出的类型应该是识别较为准确的那台相机对应的型号。例如输出为{0,1,0,0}，说明选取2号相机，即联讯捷2型相机。利用bp神经网络对输入层到隐含层以及隐含层到输出层之间的权值和阈值进行训练，得到相对准确的权值和阈值。在训练之后，每次输入相机识别置信度，输出识别结果较为准确的相机型号。

实验室测得的神经网络实验数据如图3所示。

图中的4*10的小数矩阵是相机置信度的对应的数据，下面有0和1的数据，是期望输出的数据。对于4个相机识别同一辆车牌，要求出现三款相机识别失误，一款相机识别正确的情况非常少。

对于隐含层的个数，有三种选取方法，本文选择公式4-8。

其中n1为隐含层单元个数，n为输入单元个数，m为输出单元个数，a为[1，10]之间.本文选取隐含层的数量为3,4,5,6,7分别作为实验参数。利用matlab编程构建神经网络模型进行训练，输入层到隐含层与隐含层到输出层函数均采用matlab中bp神经网路工具箱的默认函数，分别为正切s形传递函数tansig与线性传递函数purelin。

tansig(x)＝2/(1+exp^-2x)-1(9)

purelin(x)＝x(10)

迭代步数设为1000，学习速度设为0.05，网络误差设为0.01。最后当隐含层取5，训练算法采用levenberg-marquardt训练的时候，迭代次数与训练时间最少，训练效果也最好。输入输出数据和训练过程如图3和图4所示，神经网络在第3步的时候，网络误差到达要求。拟合情况如图5所示，拟合总体r＝0.97618.拟合效果较好。经过神经网络训练之后，用车牌测试的正确输出率可以高达97％，其主要原因除了相机的性能有一定的差异造成拟合度较好之外，还在于有时候同时会有2台以上的相机输出正确结果，而实验中输出的结果在正确结果中。

对于海康、大华类型的相机，由于识别正确率非常的高，内置的开发包有的不提供置信度计算或者与置信度相关的开发包，这时需要用不同的计算方法。对于不同类型的相机组成的双相机，例如：海康和大华构成双相机识别、海康或者联讯捷构成双相机识别、大华和臻识组成双相机识别，因为没有一个统一的比较标准告诉系统来选取哪一台相机所识别的车牌比较准确，所以本系统采用人工赋予置信度的方法来支持4种类型相机的任意组合，通过比较人工置信度的大小来判断应该选取哪一台相机的识别结果。

1)当双相机类型是不同型号的联讯捷相机组合而成的时候，置信度的值为相机识别返回的置信度。

2)当双相机组合为不同类型的相机组合而成的时候，置信度的值是根据该台相机型号与相机ip从数据库读取的值。每次相机识别错误之后系统会自动更新数据库中该台相机的人工置信度。

记初始置信度为dgo，最近识别的m辆车中识别错误的车辆数为cw，车辆的置信度为dg，有公式51。

dg＝dgo-cw/m(11)

在本系统测试环境中：m＝100，dgo＝1.0。

人工置信度反应了该相机最近识别率的高低。实验环境中测试有如下情况：

1)当2台识别率相差不大的相机构成双相机识别的时候，其中某一台相机识别错误之后，该台相机下次识别结果基本没有作用了。

2)相机对于一般普通车牌(蓝底白字)的识别率高达97％以上，识别出错的主要是类似如hk开头、军牌等不易识别的车牌，联讯捷在一般情况识别率较高，但是对于黄牌的出错率很高。

由此可见直接比较人工置信度的高低选取置信度较大的那台相机显然是不合理的做法。

记相机对于不同车牌的识别正确率为correctrate，简记为cr。记识别阈值为cr。有cr＝cr+αa∈(0.01,1-cr)，其中a为调节阈值因子，试验环境下本系统中的海康和大华相机的cr与α分别取0.94和0.02。设双相机中相机一的人工置信度为dg1，相机二人工置信度为dg2。

当dg1＞＝cr&&dg2＞＝cr时,说明2台相机的识别度都非常的高，本系统选取最先识别到车牌的那一台相机。

当dg1＜cr||dg2＜cr时,说明最近2台相机的其中某1台相机或者2台相机识别最近出错的几率比较高，选取人工置信度较高的那一台相机。

如图6所示，此结构体保存相机的识别信息，记结构体为ci。每一台相机ip与ci构成一个键值对，键值key是ip，value是与其对应的ci。如果是双相机，那么两个不同的ip对应于同一个ci。

本发明中，记相机本次识别到车牌的时间与上次识别到车牌时间的时间差为span，通过设置span的大小来控制双相机识别的效率。

span＝datetime.now()-ci.time(12)

span＝250ms，说明双相机触发的时间差不超过250ms，如果超过250ms，说明识别的不是同一辆车。将当前识别的车牌记录下来，如果span在250ms之内，说明相机识别的结果是对同一个车牌识别的结果。通过实践测验，span取250ms可以满足大多数情况。效果也相比其他值更好。

同时，基于置信度的异构双相机车牌识别系统的算法由两个线程开启，每一个相机对应于一个线程，相机一开启的识别线程为t1,相机二开启的识别线程为t2，两个线程分别共享同一个结构体ci，对ci进行读写，当t1对ci进行读写时，t2等待，只到t1读写完毕，t2对同一个ci进行读写时，t1等待，只到t2读写完毕。

如图7与图8的流程图所示，本发明基于置信度的异构双相机车牌识别系统的算法的步骤为：

1)获取对应车道的相机参数，初始化ci，开启相机识别线程t1,t2，等待触发。

2)车辆到来识别线程触发，获取相机信息，车牌信息，即车牌记为p，置信度dg，转①；

①判断ci是否加锁，如果加锁，就等待，否则转到②；

②根据ci判断ci.plate_last＝＝p，如果为true，转到3)，否则转到③；

③根据ci，计算时间差span＝ci.time-datetime.now()，判断span＞250ms，如果为true，转到④，否则转到⑤；

④说明是一个新纪录，即另外一辆车，将置信度dg，车牌p，识别时间写入ci，ci.plate＝p，ci.last_plate＝ci.plate，ci.dg＝dg，ci.time＝datetimenow()，并向数据库插入车牌信息，转3)；

⑤判断是否与上次识别的相机为同类型相机，如果不是转⑥，否则转⑨；

⑥判断两相机置信度是否大于阈值cr，如果大于转3)，否则转⑦；

⑦比较置信度ci.dg＞dg,如果为fast，转到3)，否则转到⑧；

⑧获取车牌p、置信度dg，更新结构体ci，ci.plate＝p，ci.last_plate＝ci.plate，ci.dg＝dg，修改数据库中的车牌信息。转3)；

⑨看是否同一型号，如果不是同一型号转⑦(此时转⑦比较的置信度是相机置信度不是人工置信度)，否则转⑩；

⑩利用bp神经网络训练的权值与ci得到识别较准确的相机的型号，如果相机型号是此次识别的相机型号转⑧，否则转3)；

3)算法结束。

本发明中，所述出场车牌识别的模糊匹配系统的算法包括以下内容和流程：

通过对四种类型的相机进行实验测试，发现了几种经常识别出错的车牌字符，且识别错误的次数大于10次。例如经常将字符”2”识别成字符”z”。

所以，本系统引入相似权重的概念，相似权重反映相机将字符s识别成字符t的概率。2个字符相似权重越大，说明相机将字符s识别字符字符t的概率也越大。规定任意2个字符组成的字符对的相似权重最大为9，最小为0，相同2字符组成的字符对的相似权重为9，不同字符组成字符对的相似权重为0，相似权重为0的不同的字符对在后期会随着车牌被相机识别错误次数的增加而变大，但是最大不大于9。

四种相机通过实验，测出经常识别错误的车牌字符对并赋予权重，权重越大，说明字符s与字符t组成的字符对之间识别错误的概率越大。规定由字符对和字符对对应的相似权重组成的数据表称为相似字典。列出相似权重大于8的相似字典，如图9所示。

在数据库中设有保存相似字典的数据表，字段为：字符1，字符2，相似权重，错误次数。

相似字典在车辆出场的时候会随着车牌识别错误次数的增加而增加，设＜s1,s2＞为相似字符对，为相似权重，为相似字符识别错误的次数。如图10所示的算法流程为：

1)获取相似字符转①；

①判断是否获取到相似字符，如果是转②，否则转2)；

②判断相似字符对是否在字典中，如果在转③，否则转⑥；

③判断相似权重是否等于9，如果是转2)，否则转④；

④读取数据库，判断次错误次数如果为false，写入数据库。转2)，如果为true，转⑤；

⑤相似字符的相似权重加1，即并将错误次数加1。更新数据库，更新数据字典。转2)；

⑥将字符对＜s1,s2＞、相似权重错误次数插入数据库。转2)；

2)算法结束。

记相似度为d，p为相机识别到的车牌,t为待匹配的车牌，模糊匹配阀值为w，xi为p的第i个字符，yi为t的第i个字符，d为字符对的相似权重且d＝f(xiyj)，l为车牌长度，相似度公式如1所示。

若d大于或者等于给定的模糊匹配阀值w，则p、t视为同一车牌，否则视为不同的车牌。模糊匹配阀值w根据环境和相机识别的优劣来进行选择，可以取值为w1,w2,w3。m为最大权重9，s为允许模糊字符的数目，fa为调节因子。阀值计算公式如14,15，16所示。

w1＝l*m(14)

w2＝(l-s)*m+s*fafa∈(0,m]且fa∈n(15)

w3＝(l-s)*m(16)

其中w取值w1称精确匹配，不允许车牌识别错误的字符。取值w2称相似模糊匹配，允许p,t有s个字符的差别，但是字符差别不应偏离字符字典，且fa越大，要求不同字符之间的相似权重越大。取值w3称普通模糊匹配，允许p,t有s数量个不同的字符，且不同字符的相似权重可以为0。

记直接利用相似度公式计算相似度去比较模糊匹配阀值来判断p,t是否匹配的算法为“一般模糊匹配”。一般模糊匹配可以解决车牌识别错误类型是p,t对应位上识别错误的情况，不能解决车牌识别出现错位的情况。

本发明中，相机对于车牌识别会出现识别错位的情况，基于模糊匹配原理，提出基于最长公共子序列的模糊匹配，不在是直接利用相似度公式计算相似度去比较模糊匹配阀值。对于p,t按照最长公共子序列的方法来匹配，判断字符对的相似权重是否大于或者等于规定阈值dt。记d(i,j)为p的前i个字符串与t的前j字符串的最大相似度，则可得p,t基于最长公共子序列递归公式关系如17公式所示。

当d(l,l)＞＝w时，说明是同一车牌，匹配成功；当d(l,l)＜w说明识别的是不同车牌，匹配失败。该递归公式使用了动态规划算法原理，使错位车牌一次匹配的时间复杂度由o(2^l*2^l)降低到了o(l^2)。设停车场有n辆车，那么车牌匹配的复杂度为o(l^2*n)；记一般模糊匹配与基于最长公共子序列的模糊匹配统称为基于相似字典的模糊匹配，简记为模糊匹配。模糊匹配根据模糊匹配阈值的选择有上文所述的精确、普通、相似模糊匹配三种，每一种模糊匹配首先会调用“一般模糊匹配”来匹配车牌，当利用“一般模糊匹配”匹配不到在场车牌的时候，系统会自动使用“基于最长公共字序列模糊匹配”去匹配在场车牌。因此模糊匹配的时间复杂度上限是o(n*l+l^2*n)。因为在测试环境下很少发生识别错位的情况，所以一般情况下模糊匹配的时间复杂度为o(l*n)。

如图11所示，出场车牌识别的模糊匹配算法流程为：

1)获取相机识别的车牌p；

2)获取车道相似度阀值w，获取数据库在场车辆车牌数组[t],记数组大小为n，并设i＝0；转①；

①判断i＝＝n，且i++，如果为false，转到②，如果为true，转到③；

②判断p＝＝t[i],如果为true，转到3)，否则转到①；

③将i赋值为0，取在场车辆t[i]与p进行一般模糊匹配(i从0到n)转到④；

④判断i＝＝n，且i++，如果为false，转到⑤，如果为true，转到⑥；

⑤利用相似度公式1，计算两车牌的相似度如果d＞＝w，记录此车牌t[i]，转到④，否则直接转到④；

⑥判断是否有相似车牌记录，如果为true，取出唯一的车牌t[x],调用基于字典的自学习算法计算相似字符对，转到否则转到⑦；

⑦将i赋值为0，开始取在场车辆t[i]与p进行基于最长公共子序列的模糊匹配(i从0到n)，转到⑧；

⑧判断i＝＝n，且i++，如果为false，转到步骤⑨，如果为true，转到步骤⑩；

⑨利用基于最长公共子序列的模糊匹配公式，计算两车牌的相似度，如果d＞＝w，记录此车牌t[i]，转到⑧，否则直接转到⑧；

⑩判断是否有相似车牌记录，如果为true，取出唯一的车牌t[x]，转到否则转到人工处理，转3)；

返回相似度最大的车牌t[x]，转到3)；

3)算法结束。

其中，出场车牌识别的模糊匹配算法中，相似度为d，p为相机识别到的车牌,t为待匹配的车牌，模糊匹配阀值为w，xi为p的第i个字符，yi为t的第i个字符，d为字符对的相似权重且d＝f(xiyj)，l为车牌长度。

该模糊匹配的设计是为了减少人工的干预，提升停车场的智能程度。在这里，本文定义一个可用于计算的智能程度的概念。记在车牌识别率100％的情况下，应该自动出场的注册车辆数为cauto，简记为ca。在现实情况下，本来应该自动出场的注册车辆由于车牌识别错误而需要人工干预才能出场的车辆数记为cmanual，简记为cm；由于其他问题导致注册车辆不能自动出场的车辆数记为comanual，简记为com，称这2种情况出场的车辆为“被迫手动车辆”，记智能程度为intelligencelevel，简记为itl。有公式：

itl＝(ca-cm-com)/ca(18)

当itl为1的时候，意味着所有注册且不欠费的车辆都可以实现车辆自动入场出场，完全不需要人工的干预。其中cm的大小是主要是硬件条件决定的,在相机类型确定的情况下，使用双相机可以减小cm。导致com的影响因素有很多，例如停车场突然断网，导致某些注册车辆不能自动出厂。充值车余额不足导致注册车辆不能自动出场。下文详细论述的脱机处理与收费处理可以适当的减小com的值，提高停车场的智能程度。

模糊匹配算法可以减少被迫手动车辆的数目，使车牌在相机识别错误情况下也可以自动出场，记模糊匹配处理的车辆数为csimilar，简记为cs。有：

itl＝(ca-com-(cm-cs))/ca(19)

使用模糊匹配算法实现车辆的自动出场要求在识别错误的情况下，模糊匹配必须只能返回唯一的一个车牌，但是随着停车场在场车辆的增加，使用普通模糊匹配有可能不止返回唯一的车牌，这时需要使用相似模糊匹配，提高模糊匹配的精度，因此cs的大小与停车场在场车辆数、模糊匹配的模式有关。记在场车辆数为cip，模糊匹配的模式为wi。因此有:

cs＝f(cip,wi)i＝{1,2,3}(20)

itl＝f(ca,cm,com,cip,wi)i＝{1,2,3}(21)

在实验室环境中，用大华、海康的相机做测试，进出5000辆车牌循环测试(车牌有重复的情况，且包含hk开头，军牌等不易识别的特殊车牌)，在单相机识别的情况下使用普通模糊匹配的测试数据如图12所示。

当在场车辆超过一定数目的时候，在识别错误之后使用普通模糊匹配经常返回大于1辆的结果，导致不能自动出场。用相同的5000辆车牌测试，当多次普通模糊匹配的识别结果都返回不止1辆车牌的情况下，改用相似模糊匹配。测试数据如图13所示。

利用模糊匹配算法，在实验室环境下即com＝0，智能程度至少可以提升3个百分点。

如图14大华105车道，配置了2台型号不同的相机，一个是kd—xj02号相机，一个是kd—xj03号相机。当辅相机参数类型为kd—xj05表示是etc；如图15对应于5.1的相机参数配置，2台不同类型的相机在同一个入车道独立监控。出车道只有一台相机独立监控。监控系统中的入口车道使用基于置信度的异构双相机系统的算法实施双相机监控，当出场车牌识别错误的时候，系统自动调用模糊匹配系统的算法匹配在场车牌。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。