近年来,随着国民经济的快速发展,我国在隧道建设方面取得了长足深远的成就,其中比较具有代表性的是青藏铁路风火山隧道,它是世界海拔最高的冻土隧道。虽然中国已经成为全球发展最快的隧道与地下工程建设市场,但是伴随而来的隧道交通安全问题仍不容忽视。与一般的开放路段不同,隧道区间是一种比较特殊的空间结构,具有封闭性、情况不明性、不可及性以及联络与救援困难等特点,这些特性容易导致隧道交通事故的频发。而隧道区间交通事故发生率的降低,在很大程度上依赖于驾驶员的驾驶行为,所以本文提出并研究了基于机器视觉的隧道区间车辆测速及违规检测课题。首先,对本课题的整个系统设计进行了详细的介绍。分析了系统中各个模块的具体组成和功能,阐述了该课题的重点、难点以及可行性。其次,需要强调的是,车辆的快速运动导致摄像头采集到的视频图像出现运动模糊,所以本课题在车牌识别前先对采集到的视频帧图像做图像的复原处理。本文分别采用了基于维纳滤波的运动模糊图像复原算法和基于凸集投影法的视频图像超分辨率重建算法,并且对比了两种算法的复原结果。再次,详细介绍了本课题的车牌识别模块。本文先采用三帧帧差法进行运动车辆的检测,如果检测到车辆,再进行后续的车牌识别工作。本文的车牌识别包括车牌定位、车牌字符分割和车牌字符识别几个主要部分。本课题通过车牌的先验知识和HSV色彩模型对车牌进行粗定位,再利用投影法精分割粗定位到的车牌区域,然后采用投影法分离出车牌图像的每个字符,最后利用BP神经网络法对单个车牌字符进行识别。最后,分析系统数据库的设计和车辆测速及违规检测的实现。本课题创建了一个用于检测隧道违规车辆的SQL Server 2008 R2数据库,并为该数据库设计了两张分别用来存放隧道入口和隧道出口车牌信息的数据表。进行车速测量和违规车辆判定时,只需调用数据表中的对应信息,并通过一定规则和标准来计算隧道区间的平均车速以及确定哪辆车在隧道区间发生了违规行为。实验表明,本文的车牌识别精度较高,并且在不同的隧道环境下,通过车牌识别可以计算车辆在隧道区间的平均车速以及较为准确地判定车辆在隧道内是否违规。