高清闖紅燈抓拍系統總體構架拓撲圖如下：

如上圖所示，本項目總體設計可劃分為：

? 高清闖紅燈(視頻偵測)自動記錄系統

? 通訊網絡傳輸系統

? 智能交通綜合管控平臺

1.高清闖紅燈(視頻偵測)自動記錄子系統

本系統建設充分考慮北方寒冷冰凍天氣及公路路面質量不好等因素，采用視頻偵測技術模式進行車輛檢測，從而避免采用地感線圈方式的施工難度及后續維護成本。視頻偵測檢測模式可以不因路邊變更渠化可能需重新埋設線圈、高緯度開凍期和低緯度夏季路面變化嚴重導致線圈斷裂損壞而增加維護難度及成本，具有成本低(無需埋設地感線圈)、適應范圍廣、維護方便簡單等特點。

高清闖紅燈(視頻偵測)自動記錄系統一般也由車輛檢測單元、圖像采集單元、數據處理存儲單元、傳輸單元和輔助照明單元等組成。

1.1車輛檢測單元

本系統的車輛檢測單元主要采用了虛擬線圈及號牌特征檢測算法，并集合多種圖像處理和分析技術來減少車牌的檢測錯誤率，提高車輛精確度。其優勢在于在虛擬線圈判斷的基礎上首先加入了在線學習模塊，采用最新的反饋型學習模型來自適應環境的變化，提高了系統對環境的適應能力；其次本系統在時間軸上對圖像信息密集采樣，對每一幀的全景信息進行實時分析計算，用一種完全基于學習的多種特征融合的車輛定位新算法對圖像進行車輛定位，判別出真正的車輛，進行車輛鎖定并對鎖定的車輛進行實時跟蹤；然后得到車輛的精確位置以及車輛運動的矢量軌跡曲線圖。

1.1.1車輛檢測原理

虛擬線圈模塊

虛擬線圈通過模式識別和計算機智能算法，對區域進行車輛檢測，濾除大燈、陰影以及雨雪等的影響，提高系統捕獲正確有效率，本系統采用每車道布設兩個一組的虛擬線圈方式進行車輛是否存在及行駛方向的檢測判斷，進一步減少誤拍率，提高系統準確率及有效率

噪聲過濾模塊

噪聲過濾模塊是針對全景中出現的各種噪聲影響，對提高系統的判別正確率具有重要作用。由于噪聲的產生以及影響復雜多樣，因此如何濾除或減少噪聲的影響，提高系統的魯棒性，在學術科研領域和工程領域都是一個至關重要的課題內容和研究方向。

以往的闖紅燈系統，雖然有些捕獲率有一定保證，但僅僅是針對環境中一些簡單的噪聲進行濾除，甚至沒有，因此導致闖紅燈系統的捕獲正確率較低。行人、非機動車輛、陰影、雨雪、燈光等都會對系統造成誤差，導致捕獲圖片可用率較低，加大了業主篩選工作量。

本系統采用一種綜合性混合優化的計算機人工智能算法，利用大量學習樣本，綜合分析各種噪聲的整體特征和局部特征，并采用國際上先進的計算機啟發式混合智能優化算法，實現對各種噪聲的過濾和衰弱。經大量實驗分析，該算法對噪聲的濾除作用明顯，對攝像機的系統噪聲、車輛以及樹木等等的陰影、行人、非機動車輛、夜晚車輛大燈、大雨、雪、地面有水時的反光等等各種環境噪聲都有很好的濾除和衰減作用，大大提高了系統的捕獲正確有效率。特別是對夜晚環境的噪聲有較好的濾除作用，提高高清工業攝像機夜晚的畫面質量。

車輛定位模塊

車輛定位模塊是一個十分重要的環節，是后續環節的基礎，其準確性對整體系統性能的影響巨大。由于車輛種類繁多，大型車小型車在外形、大小方面的差別，各種車輛的顏色各異，對車輛的自動化定位實現提出了很大的挑戰。

以往的車輛定位系統，通常經驗性地使用一些低層特征(如顏色、邊緣信息等)，再利用簡單的分類器(如經驗性的閾值等)進行車輛定位。本系統完全摒棄了以往的算法思路，實現了一種完全基于學習的多種特征融合的車輛定位新算法。該算法結合車輛的低層特征與高層特征(如形狀等)，利用大量的學習樣本，從海量特征中提取出車輛內部最不同于其他事物的特征，并采用最新的分類器算法，訓練出快速而又可靠的車輛定位器，適用于各種復雜的背景環境，各種不同的天氣變化與光照變化以及不同的攝像角度。這一算法檢測率高、錯誤率低、檢測速度快。

為了保證車輛的定位的速度，準確率以及抗擊各種天氣，關照變化的影響，本系統的車輛定位模塊分成兩個階段：

粗定位：對整幅圖像信息進行掃描，結合車輛的低層特征與高層特征，快速的找到車輛的位置。

精定位：為了適應各種天氣，光照的變化，系統在粗定位的基礎上，利用粗定位的所得到的車輛位置信息，利用車輛分割、去影、去霧等圖像處理技術進行車輛的精定位，來排除各種干擾信息，達到準確判斷車輛的位置的目的，并且可以準確判斷多輛車的位置。

車輛跟蹤模塊

車輛跟蹤模塊是在車輛定位的基礎上對時間軸上的圖像信息進行密集采樣，對已定位的車輛進行目標鎖定，并對鎖定的車輛進行實時跟蹤，來計算出車輛的精確位置和車輛的運動矢量軌跡曲線圖。本系統首先根據已得到的車輛的運動矢量軌跡曲線用最新的反饋模型對車輛的下一幀狀態進行預測，然后結合車輛的低層特征和高層特征，進行車輛匹配，達到車輛目標鎖定的目的。

本系統可以實現對全景中多個車輛進行跟蹤，從而可以進行單方向多車道闖紅燈違法行為的檢測判斷。

車牌定位模塊

車牌定位模塊是車牌識別的基礎，本系統完全摒棄了以往的算法思路，實現了一種完全基于學習的多種特征融合的車牌定位新算法，適用于各種復雜的背景環境和不同的攝像角度。由于該算法是一種完全基于學習的算法，只要有足夠的學習樣本，可以快速訓練出針對不同車牌類型的新的檢測模型。

車牌識別模塊

在車牌識別模塊中，本系統采用了多種識別模型相結合的方法，構建了一種層次化的字符識別流程，有效地提高了字符識別的正確率。另一方面，本系統在字符識別之前，使用計算機智能算法對字符圖像進行了前期處理，不僅盡可能保留了圖像信息，而且提高了圖像質量，提高了相似字符的可區分性，保證了字符識別的可靠性。

同步校準模塊

同步校準模塊對虛擬線圈與車輛跟蹤模塊進行時序上的調整，使得全景圖像與虛擬線圈的觸發達到正確的一一匹配。傳統的匹配方法僅僅利用對全景圖像和特寫圖像抓拍位置這一信息進行對應匹配，這種方法由于信息不完整，在車流量較大的情況會出現較大的誤差。本系統綜合了車輛的位置、通過時間，圖像的特征等等更多的有用信息，通過對車輛跟蹤模塊中鎖定的目標和虛擬線圈觸發的信息進行一一匹配，進一步濾除噪聲，提高系統的捕獲正確有效率，保證了系統具有更好的可靠性，和對環境可以更好的適應能力。

在線學習模塊

由于本系統的應用環境十分復雜，背景圖像、光照條件、鏡頭焦距、成像質量。天氣情況等因素變化無常，任何一種一成不變的檢測和識別算法都不可能完全適應千變萬化的應用環境。本系統特別添加了在線學習模塊，該模塊采用最新的反饋型學習模型，利用決策模塊得到的圖象質量、分類可信度評價等反饋信息，智能化地更新一些算法參數，使得系統能快速適應新的應用環境。該算法作為已有算法的一個有力補充，進一步提高了系統性能。

1.1.2 紅綠燈檢測原理

目前路口使用的交通信號機大多是多相位紅綠燈，因此，交通信號檢測單元將分別對每一個車道應遵循的信號燈進行檢測，即分別將直行，左轉、右轉的紅燈信號、綠燈信號和黃閃信號(220V交流電壓信號)送至檢測單元，以便路口檢測主機能實時獲得紅綠燈變化信號，配合信號燈與車道視頻檢測的邏輯關系，可確保系統只對紅燈狀態下闖紅燈違法車輛進行拍照記錄，比如在紅燈信號消失、黃閃時間段內通過停車線的車輛系統不予以拍照。

交通信號檢測單元由紅綠燈信號檢測器及IO設備組成，紅綠燈狀態檢測器是將接入的紅路燈工作電源接入檢測器，IO設備將220V交流模擬信號轉換成5V開關量信號供路口檢測主機使用，紅綠燈信號檢測器及IO設備一般都安裝在路口落地設備箱中，用于獲得車輛檢測信號和路口紅綠燈狀態信號。

1.1.3 闖紅燈檢測原理

在紅燈信號時，當車輛繼續行駛進行闖紅燈行為時，系統就通過先進的虛擬線圈檢測及號牌特征檢測算法相結合的辦法進行確認判斷，當確認在紅燈狀態下有車輛通過且具有完整車牌時系統就會進行闖紅燈違法行為的記錄，可有效剔除無牌及號牌遮擋的無效闖紅燈違法記錄信息。

1.2 圖像采集單元

圖像采集技術的應用主要為兩百萬CCD高清網絡攝像機。

針對車速19km/h～180km/h范圍內違法闖紅燈的車輛在經過停車線區域附件內的圖像捕獲率可達99%以上，其中車輛闖紅燈數據庫完全符合公司部行業標準GAT496-2009《闖紅燈自動記錄系統通用技術條件》的數據庫格式要求。

由于采用高清攝像系統，拍攝下來的車輛的圖片分辨率可達1628*1236像素(200萬)，圖像質量相當清晰，不僅可以清晰的分辨車輛的后牌照，車牌像素比以往的高兩倍，而且可以有效判別箭頭燈等；夜間由于采用了多種曝光技術和補光技術，車輛的車牌信息、紅綠燈的狀態信息及路口環境信息都能得以有效體現。

系統利用200W可有效記錄機動車闖紅燈過程中連續2-3張圖片用以反映機動車違法過程：第一張闖紅燈圖片應能清晰辨別闖紅燈時間、車輛類型、紅燈信號、機動車車身未越過停止線的情況；第二和第三圖片應能清晰辨別闖紅燈時間、車輛類型、紅燈信號和整個機動車車身已經越過停止線并且在相應紅燈相位繼續行駛的情況。系統連續2-3張闖紅燈違法行為的記錄不會應間距太大影響對違法機動車進行認為的判斷。

白天闖紅燈高清實例