在智能交通系统领域，车辆重识别（匹配）技术的研究一直是一个热点问题。近期，针对车牌识别（ALPR）数据存在的未识别和识别错误因素，导致上下游车辆不能匹配的问题，一项基于行程时间概率积最大化的车辆匹配算法取得了显著成果。该成果以“A Vehicle Matching Algorithm by Maximizing Travel Time Probability Based on Automatic License Plate Recognition Data”为题发表于《IEEE Transactions on Intelligent Transportation Systems》。

该研究由我校交通与物流工程学院何春光博士团队完成，旨在通过提高车辆在多个监控摄像头间车辆的匹配准确性，从而获取更准确的交通信息。

随着城市交通监控系统的普及，如何有效地利用ALPR数据进行车辆重识别成为了一个亟待解决的问题。如图1所示，由于车牌识别错误和未识别问题的存在，传统的车辆匹配方法面临挑战。

图1 车牌识别错误

研究团队提出了一个包含多个模块的车辆匹配算法，包括行程时间分布估计、行程时间概率计算、行程时间置信区间和匹配时间窗口大小的计算、限定模糊匹配以及匹配优化模型等。如图2所示，该研究通过在不同光照和天气条件下收集的ALPR数据进行算法评估；如图3所示，论文通过实际收集高清视频数据和车牌识别数据进行实证研究，结果表明该算法在各种条件下均表现出优越的性能，如图4、图5所示。

图2 不同天气和光照条件车牌拍摄情况

图3 实际收集高清视频数据和车牌识别数据进行实证研究

图4不同匹配时间窗大小下的评价指标箱线图

图5 不同参数组合的匹配准确率

该研究的主要创新点在于首次提出了使用ALPR数据基于行程时间概率积最大化的车辆匹配算法。该算法不仅考虑了识别错误和未识别问题，而且不需要额外的数据和交通流量假设，能够自动计算行程时间概率，并基于此进行车辆匹配。该算法有效解决了在识别错误和未识别情况下的车辆匹配问题，对于提高交通流量监测的准确性和效率具有重要意义，为车牌识别数据的深层次应用奠定理论基础。

该研究得到了浙江省“先锋”和“领头雁”研发计划（2023C01240、2023C03155）、国家自然科学基金（52131202、 71901193、52072340）等项目的支持。