随着我国各大城市车辆保有量的大幅上升，交通问题已逐步成为城市管理的难题，制约着城市经济的发展[1-3]。忽略汽车数量增多、道路窄等客观原因，警力不足和车辆违章、违停是城市交通压力增大的主要原因[4-6]。

目前，在城市主干道和快速路布设了大量固定的交通检测设备，但这些设备存在监控盲区，无法全方位监控各相机获取的图像信息[7]。这种传统的监控手段已无法满足城市快速发展的需求，急需更信息化的、更智能的监督手段来缓解交通压力[8]。

为了提高交管部门处理车辆违章和违停等问题的效率，本文设计并实现了一种基于视觉的无人机巡检违章违停系统。该系统充分利用无人机空中机动灵活和响应快速的优势，将成像设备、影像传输模块和云台置于无人机上，实现了基于视觉的车辆违章违停快速检测功能，大幅提升交管部门的执法效率[9]。

铝是目前应用最广的轻质材料，其密度大约是钢铁的1/3.目前，以铝代钢是轻量化技术的一个发展趋势，铝合金的导热率、吸收碰撞性、耐腐蚀性、加工性能都优于钢铁材料.经过技术的改进，提高了铝材的强度，完全可以满足轻量化要求.同时，研究表明，每千克铝合金可以比高强度钢、钢铁、低碳钢减少13～20 kg 温室气体的排放[24].因此自20世纪70年代开始，铝合金的地位逐渐上升，成为汽车轻量化首选材料.我国也着手将铝合金应用于汽车，长安汽车集团与国家轻量化技术创新战略联盟携手研发了“以铝代钢”的引擎盖，同时，用铝做车头结构的高端车也在被各高端汽车企业所采用[25].

1 系统总体设计方案

本系统包括无人机控制模块、车辆违章违停检测模块和信息推送模块3部分，无人机采用四旋翼无人机[10]。无人机控制模块用于划定禁停区域、采集图像、控制相机云台和数据通信，实现快速反应与巡检功能，并根据指令将信息实时传输给检控终端；车辆违章违停检测模块实现了违章和违停车辆的自动判别，包括运动目标检测、车辆识别和车牌识别等功能；信息推送模块能根据检测识别出的车牌信息及时短信通知车主，实现交通违章的快速反应。通过有机结合这3大模块，构建了如图1所示的基于视觉的无人机巡检违章违停系统。

图1 基于视觉的无人机巡检违章违停系统工作流程图

图2 车辆违章违停检测模块程序流程图

2 车辆违章违停检测

论坛中，David Allen MW结合Wine-Searcher最新权威大数据研究，和现场的葡萄酒爱好者分享了新西兰葡萄酒在中国乃至全球的消费者关注和搜索情况，展示了中国大陆对新西兰葡萄酒的搜索变化趋势及其中的强大市场潜力，最后以Wine-Searcher上中国大陆搜索量最大的葡萄酒为例，总结了如今包装精美高端、质量卓越的葡萄酒在中国市场的潜力。

2.1 运动目标提取与违章检测

车牌识别模块包括预处理、车牌区域分割、字符分割和字符识别4个步骤。为了减小光照、噪声以及拍摄角度对车牌识别精度的影响，本文首先对检测出的车辆区域进行预处理，包括灰度化、灰度拉升、梯度锐化、二值化、中值滤波和形态学运算等步骤。

车牌一般由1个汉字和6个字母或数字的组合组成，本文先使用字符的宽度和高度信息将车牌区域分成7个不连续的无联系的字符图像。然后使用Hildith算法细化字符图像，并训练神经网络进行字符的分类与识别。

(2)用视频的前T帧来训练GMM模型。对每一个像素而言，建立高斯模型的最大数量为GMM_MAX_COMPONT。当获取到第一个像素时，单独为其在程序中设置好其固定的初始均值和方差，且权值设为1；

(3)对于非第一帧，获取到后续像素时，将其与前面已有的高斯模型均值进行比较。若该像素点的值与其模型均值差在3倍的方差内，则认为其属于该高斯模型。此时用下式更新

(1)

式中，分别为第m个高斯模型的权重、均值和方差当像素点的值与均值差在3倍的方差内时，取

由于车牌区域通常位于图像的下部，因此本文使用投影法和统计特征定位车牌。分别对预处理后的图像进行水平与垂直投影，然后沿着水平和垂直方向累加像素得到车牌的水平及垂直投影分布。由于车牌的长宽比一般为3.14，因此本文使用聚类的方式确定车牌的连通域。

2.2 车辆与车牌识别

2）译码单元：对AHB-Lite下发的地址和数据进行译码，并分派给相关的寄存器；将控制单元的处理的结果送回总线；译码单元包括数据输入寄存器和控制寄存器，控制寄存器主要控制加速核的工作模式和标志起始工作状态。

使用Haar特征和Opencv提供的AdaBoost分类器进行车辆识别。首先，提取出上文得到的运动目标区域的15种Haar特征；然后，将这些特征输入到AdBoost分类器中，得到一个类别号，即可判断该运动目标是否为车辆。

本文首先建立背景的混合高斯模型，然后使用背景差分法检测运动目标，具体流程如下：

基于视觉的无人机巡检违章违停系统的核心是车辆违章违停检测模块，该模块使用各种图像处理算法实现违章、违停车辆的实时检测。首先，使用混合高斯模型[11]和背景差分法[12]快速检测出运动目标；然后，使用Haar特征[13]和AdaBoost分类器[14]识别车辆区域；最后，使用形态学方法[15]分割出车牌区域，利用神经网络[16]识别出具体的车牌。该模块实现流程如图2所示。

(4)当到达训练帧数T后，自适应选择各像素点的GMM个数。选取满足的前B个高斯模型，式中cf一般设为0以消除训练过程中的噪声影响。建立背景模型后，本文使用OTSU算法自适应的选择最优分割阈值，并分割得到运动目标。当车辆进入禁停区域并超过交管部门规定的时间时，便认为其满足违章停车的条件。此时，判断该运动目标是否为车辆，若是即识别出车牌号。

(1)初始化高斯模型参数，将均值和方差设为0，权值设为1；

瑞替普酶是第3代溶栓药物,是t-p A经基因工程改构的一个“缺失型突变体”,因此,有较强的纤维蛋白选择性,延长血浆半衰期11~19 min。瑞替普酶能够和血栓相结合,使瑞替普酶对血凝块的穿透力增加,从而促进了溶栓效果;该药物可采用静脉注射,无需根据体质量或个体调节剂量,使用方便。

3 实验与结果分析

首先控制无人机到达指定位置，拍摄现场图片并传输给控制中心，在进行相关图像处理和车牌识别后，将违章、违停的处罚信息发送给相关车主。

1.2.2 给药方案 两组患者均在术后第2天接受华法林钠片 （上海信谊九福药业有限公司，2.5 mg/片）抗凝治疗，华法林初始剂量为2.5 mg·d-1，连续抗凝3天，第4天服药前首次检测INR，随后隔日检测INR，依据INR调整剂量。研究组在术后第1天开始给予口服胺碘酮片（杭州赛诺菲安万特药业有限公司）0.2g bid，连续服用7天，调整为0.2g qd。

图3所示为本文分割出的车牌图像；图4为字符细化后的车牌图像；图5为本文车辆违章违停检测实时监测界面。从图3和图4可以看出，本系统能较好地提取车牌信息；从图5可看出，人眼难以识别的车牌，本系统仍可准确地识别出。对比人工识别结果，本文使用20组数据进行仿真测试，准确率可以达到75%～89%。由实验结果可知，本文提出的基于视觉的无人机巡检违章违停系统具有一定的实用性和可行性。适用于各种情况下的车牌识别及违章、违停检测，并能将相关信息及时发送给车主。

图3 分割出的车牌图像

图4 字符细化后的车牌图像

图5 车牌识别结果

4 结束语

设计并实现了一种基于视觉的无人机巡检违章违停系统。该系统充分利用无人机空中机动灵活和响应快速的优势，将成像设备、影像传输模块和云台置于无人机上。从而实现了基于视觉的车辆违章违停快速检测功能，大幅提升了执法效率。

参考文献

[1] 董晶,傅丹,杨夏.无人机视频运动目标实时检测及跟踪[J].应用光学,2013,34(2):255-259.

[2] 季天慈.基于无人机航拍的车辆检测系统[D].南京:南京理工大学,2017.

[3] 彭博,蔡晓禹,张有节,等.基于对称帧差和分块背景建模的无人机视频车辆自动检测[J].南京:东南大学学报:自然科学版,2017,47(4):685-690.

[4] 姜运宇.旋翼无人机跟踪地面移动目标的视觉控制[D].哈尔滨:哈尔滨工业大学,2014.

[5] 曾泉,谭北海.基于SVM和BP神经网络的车牌识别系统[J].电子科技,2016,29(1):98-101.

[6] 周行,周东翔,彭科举,等.大区域无人机图像序列全局配准方法[J].现代电子技术,2015,38(21):14-19.

[7] 刘洋,韩泉泉,赵娜.无人机地面综合监控系统设计与实现[J].电子设计工程,2016,24(14):110-112.

[8] 侯阳阳.基于无人机航拍图像的道路检测[D].南京:南京理工大学,2017.

[9] 高泽军,魏本杰,许睿.无人机图像压缩与实时传输系统设计[J].电子设计工程,2016,24(20):186-189.

[10] 赵夏君.车牌识别与检测[J].湖南交通科技,2014(1):154-156.

[11] 张立增,曹行,赵瑶瑶.基于MATLAB的车牌识别[J].无线互联科技,2016(4):65-68.

[12] 赵皓瑜.基于恶劣情况下的车牌识别[D].石家庄:河北科技大学,2013.

[13] 张银苹,葛广英.基于HALCON的车牌识别研究[J].现代电子技术,2014,37(16):92-95.

[14] 沈泽政.车牌识别系统中车牌识别算法的分析与改进[D].武汉:华中科技大学,2016.

[15] 曾泉,谭北海.基于SVM和BP神经网络的车牌识别系统[J].电子科技,2016,29(1):98-101.

[16] 冯知凡.基于图像处理及BP神经网络的车牌识别技术的研究[D].武汉:武汉科技大学,2011.