CN108053652B - 一种基于信疑双基模型的车辆识别方法 - Google Patents
一种基于信疑双基模型的车辆识别方法 Download PDFInfo
- Publication number
- CN108053652B CN108053652B CN201810028582.2A CN201810028582A CN108053652B CN 108053652 B CN108053652 B CN 108053652B CN 201810028582 A CN201810028582 A CN 201810028582A CN 108053652 B CN108053652 B CN 108053652B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- identification
- submodel
- road network
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种用于车辆识别的信疑双基模型，包括有四种子模型：分别为基于车辆在行驶区间的方向和路由发生的通行行为建立的首次路网通行识别子模型、异常上下道识别子模型、连续路网通行识别子模型和重容规范度识别子模型。信疑双基模型的区间通行信疑值是由首次路网通行识别子模型、异常上下道识别子模型、连续路网通行识别子模型和重容规范度识别子模型的结果集计算得出。本发明对车辆号牌识别成功/人工录入的车辆进行统计分析，再将统计分析结果提供给信息化服务系统，供高速收费站管理人员综合应用，在有效降低稽查工作强度的同时，可以达到高精准的辅助稽查效果，对系统在业务工作和辅助稽查方面达到了很好支撑。
Description
技术领域
本发明涉及高速公路车辆识别领域，具体是一种基于信疑双基模型的车辆识别方法。
背景技术
随着高速公路里程的快速增长和交通流量的急剧加大，高速公路的行驶违章行为日趋突出，给人们的生命财产带来极大损失。现有的高速公路车辆识别的稽查管理方法和设备稽查精准极低，很容易出现隐形逃费等行为的发生。
发明内容
本发明要解决的技术问题是提供一种基于信疑双基模型的车辆识别方法，有效降低稽查工作强度的同时，可以达到高精准的辅助稽查效果，对系统在业务工作和辅助稽查方面达到了很好的支撑。
本发明的技术方案为：
一种基于信疑双基模型的车辆识别方法，所述的信疑双基模型包括有四种子模型：分别为基于车辆在行驶区间的方向和路由发生的通行行为建立的首次路网通行识别子模型、异常上下道识别子模型、连续路网通行识别子模型和重容规范度识别子模型；
所述的首次路网通行识别子模型的统计分析方法，具体包括有以下步骤：
(a1)、对首次路网通行识别子模型中的通行行为进行统计，对车辆此区间经过各标识站、服务区、卡口及监控数据进行统计，输出车辆首次通行识别结果；
(a2)、车辆首次通行识别结果与预设值比较，如车辆首次通行识别结果大于预设值，则判定为车辆首次路网通行不成立，反之，将该车辆判定为首次路网通行成立，结果集预存；
所述的异常上下道识别子模型的统计分析方法，具体包括有以下步骤：
(b1)、在异常上下道识别子模型中对车辆通行行为按照出入口相邻站&预定时间周期和出入口区间站&预定时间周期，结合车辆区间通行过程中标识站、服务区、卡口及监控数据进行统计，输出车辆异常上下道识别结果；
(b2)、车辆异常上下道识别结果与预设值比较，如车辆异常上下道识别结果大于预设值，则判定为车辆异常上下道识别成功，反之，将该车辆判定为异常上下道识别不成立，结果集预存；
所述的连续路网通行识别子模型的统计分析方法，具体包括有以下步骤：
(c)、在连续路网通行识别子模型中对车辆区间通行行为，以当次行驶区间的出入口站、卡口及监控数据为计算基准，按时序对车辆历史通行数据进行统计分析，当出入口站、卡口和监控数据相似值大于预定值，计算结果累加，直至相似值小于预定值，计算停止输出结果，结果集预存；
所述的重容规范度识别子模型的统计分析方法，具体包括有以下步骤：
(d)、在重容规范度识别子模型中对车辆区间通行行为，结合出入口、重量&容积数据、监控/图片数据，从重量和容积两个视角统计分析，当车辆当次载重和容积在车型核载规定范围内，则重容规范度识别子模型的输出结果为合格，当车辆当次载重和容积任一种或全部不在车型核载规定范围内，则重容规范度识别子模型的识别结果为不合格，结果集预存；
所述的信疑双基模型的区间通行信疑值是由首次路网通行识别子模型、异常上下道识别子模型、连续路网通行识别子模型和重容规范度识别子模型的结果集计算得出，具体见公式(1)：
其中，公式(1)中的Doubt(s)表示区间通行信疑值，Ts表示车辆特征系数，Ps表示车辆偏好系数，Ls表示车辆历史履约系数，Cs表示车辆信用历史系数，Mn表示四种子模型计算结果集，kt、kp、kl、kc、kn表示修正系数。
所述的车辆在行驶区间的方向和路由发生的通行行为是由车辆进入高速公路的入口，通过高速区间的多路由路段，抵达高速公路的目标收费站出口处时，通过车牌识别设备识别车牌信息或人工录入车牌信息统计得出。
本发明的优点：
本发明对车辆号牌识别成功/人工录入的车辆进行统计分析，再将统计分析结果提供给信息化服务系统，供高速收费站管理人员综合应用。本发明相对于目前并不成熟且稽查精准极低的识别技术来说，在有效降低稽查工作强度的同时，可以达到高精准的辅助稽查效果，对系统在业务工作和辅助稽查方面达到了很好支撑，本发明对于解决高速公路车辆打逃费和交通信用建设方面具有重大的意义，并且在本相关领域内处于领先水平。
具体实施方式
下面将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。
一种基于信疑双基模型的车辆识别方法，信疑双基模型包括有四种子模型：分别为基于车辆在行驶区间的方向和路由发生的通行行为建立的首次路网通行识别子模型、异常上下道识别子模型、连续路网通行识别子模型和重容规范度识别子模型；
首次路网通行识别子模型的统计分析方法，具体包括有以下步骤：
(a1)、对首次路网通行识别子模型中的通行行为进行统计，对车辆此区间经过各标识站、服务区、卡口及监控数据进行统计，输出车辆首次通行识别结果；
(a2)、车辆首次通行识别结果与预设值比较，如车辆首次通行识别结果大于预设值，则判定为车辆首次路网通行不成立，反之，将该车辆判定为首次路网通行成立，结果集预存；
异常上下道识别子模型的统计分析方法，具体包括有以下步骤：
(b1)、在异常上下道识别子模型中对车辆通行行为按照出入口相邻站&预定时间周期和出入口区间站&预定时间周期，结合车辆区间通行过程中标识站、服务区、卡口及监控数据进行统计，输出车辆异常上下道识别结果；
(b2)、车辆异常上下道识别结果与预设值比较，如车辆异常上下道识别结果大于预设值，则判定为车辆异常上下道识别成功，反之，将该车辆判定为异常上下道识别不成立，结果集预存；
连续路网通行识别子模型的统计分析方法，具体包括有以下步骤：
(c)、在连续路网通行识别子模型中对车辆区间通行行为，以当次行驶区间的出入口站、卡口及监控数据为计算基准，按时序对车辆历史通行数据进行统计分析，当出入口站、卡口和监控数据相似值大于预定值，计算结果累加，直至相似值小于预定值，计算停止输出结果，结果集预存；
重容规范度识别子模型的统计分析方法，具体包括有以下步骤：
(d)、在重容规范度识别子模型中对车辆区间通行行为，结合出入口、重量&容积数据、监控/图片数据，从重量和容积两个视角统计分析，当车辆当次载重和容积在车型核载规定范围内，则重容规范度识别子模型的输出结果为合格，当车辆当次载重和容积任一种或全部不在车型核载规定范围内，则重容规范度识别子模型的识别结果为不合格，结果集预存；
信疑双基模型的区间通行信疑值是由首次路网通行识别子模型、异常上下道识别子模型、连续路网通行识别子模型和重容规范度识别子模型的结果集计算得出，具体见公式(1)：
其中，公式(1)中的Doubt(s)表示区间通行信疑值，T表示车辆特征系数，P表示车辆偏好系数，L表示车辆历史履约系数，C表示车辆信用历史系数，M表示四种子模型计算结果集，k表示修正系数。
其中，车辆在行驶区间的方向和路由发生的通行行为是由车辆进入高速公路的入口，通过高速区间的多路由路段，抵达高速公路的目标收费站出口处时，通过车牌识别设备识别车牌信息或人工录入车牌信息统计得出。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (2)
1.一种基于信疑双基模型的车辆识别方法，其特征在于：所述的信疑双基模型包括有四种子模型：分别为基于车辆在行驶区间的方向和路由发生的通行行为建立的首次路网通行识别子模型、异常上下道识别子模型、连续路网通行识别子模型和重容规范度识别子模型；
所述的首次路网通行识别子模型的统计分析方法，具体包括有以下步骤：
(a1)、对首次路网通行识别子模型中的通行行为进行统计，对车辆此区间经过各标识站、服务区、卡口及监控数据进行统计，输出车辆首次通行识别结果；
(a2)、车辆首次通行识别结果与预设值比较，如车辆首次通行识别结果大于预设值，则判定为车辆首次路网通行不成立，反之，将该车辆判定为首次路网通行成立，结果集预存；
所述的异常上下道识别子模型的统计分析方法，具体包括有以下步骤：
(b1)、在异常上下道识别子模型中对车辆通行行为按照出入口相邻站&预定时间周期和出入口区间站&预定时间周期，结合车辆区间通行过程中标识站、服务区、卡口及监控数据进行统计，输出车辆异常上下道识别结果；
(b2)、车辆异常上下道识别结果与预设值比较，如车辆异常上下道识别结果大于预设值，则判定为车辆异常上下道识别成功，反之，将该车辆判定为异常上下道识别不成立，结果集预存；
所述的连续路网通行识别子模型的统计分析方法，具体包括有以下步骤：
(c)、在连续路网通行识别子模型中对车辆区间通行行为，以当次行驶区间的出入口站、卡口及监控数据为计算基准，按时序对车辆历史通行数据进行统计分析，当出入口站、卡口和监控数据相似值大于预定值，计算结果累加，直至相似值小于预定值，计算停止输出结果，结果集预存；
所述的重容规范度识别子模型的统计分析方法，具体包括有以下步骤：
(d)、在重容规范度识别子模型中对车辆区间通行行为，结合出入口、重量&容积数据、监控/图片数据，从重量和容积两个视角统计分析，当车辆当次载重和容积在车型核载规定范围内，则重容规范度识别子模型的输出结果为合格，当车辆当次载重和容积任一种或全部不在车型核载规定范围内，则重容规范度识别子模型的识别结果为不合格，结果集预存；
所述的信疑双基模型的区间通行信疑值是由首次路网通行识别子模型、异常上下道识别子模型、连续路网通行识别子模型和重容规范度识别子模型的结果集计算得出，具体见公式(1)：
其中，公式(1)中的Doubt(s)表示区间通行信疑值，Ts表示车辆特征系数，Ps表示车辆偏好系数，Ls表示车辆历史履约系数，Cs表示车辆信用历史系数，Mn表示四种子模型计算结果集，kt、kp、kl、kc、kn表示修正系数。
2.根据权利要求1所述的一种基于信疑双基模型的车辆识别方法，其特征在于：所述的车辆在行驶区间的方向和路由发生的通行行为是由车辆进入高速公路的入口，通过高速区间的多路由路段，抵达高速公路的目标收费站出口处时，通过车牌识别设备识别车牌信息或人工录入车牌信息统计得出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810028582.2A CN108053652B (zh) | 2018-01-11 | 2018-01-11 | 一种基于信疑双基模型的车辆识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810028582.2A CN108053652B (zh) | 2018-01-11 | 2018-01-11 | 一种基于信疑双基模型的车辆识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108053652A CN108053652A (zh) | 2018-05-18 |
| CN108053652B true CN108053652B (zh) | 2020-12-11 |
Family
ID=62126630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810028582.2A Active CN108053652B (zh) | 2018-01-11 | 2018-01-11 | 一种基于信疑双基模型的车辆识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108053652B (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100505047B1 (ko) * | 2002-12-28 | 2005-08-01 | 엘에스산전 주식회사 | 전자식 통행 요금 징수 시스템 |
| CN102110368B (zh) * | 2009-12-25 | 2013-06-19 | 吕增及 | 高速公路换牌逃费车辆的自动稽查方法 |
| CN104732205B (zh) * | 2015-03-09 | 2017-08-22 | 江苏省邮电规划设计院有限责任公司 | 一种高速公路逃费稽查的系统 |
| CN104731879B (zh) * | 2015-03-09 | 2017-08-04 | 江苏省邮电规划设计院有限责任公司 | 一种高速公路车辆逃费行为数据分析方法 |
| CN105590346B (zh) * | 2016-02-18 | 2018-01-16 | 华南理工大学 | 基于路径识别系统的收费公路网交通信息采集与诱导系统 |
-
2018
- 2018-01-11 CN CN201810028582.2A patent/CN108053652B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108053652A (zh) | 2018-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104809878B (zh) | 利用公交车gps数据检测城市道路交通异常状态的方法 | |
| CN203552313U (zh) | 一种高速公路快速监管不停车收费系统 | |
| CN110751828B (zh) | 一种路段拥堵测量方法、装置、计算机设备及存储介质 | |
| CN108765235A (zh) | 基于交通事故案例解构的自动驾驶车辆测试场景构建方法和测试方法 | |
| CN109191861B (zh) | 一种基于视频检测器的高速公路逃费车辆异常行为检测系统及方法 | |
| CN113870564B (zh) | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 | |
| CN111724590B (zh) | 基于行程时间修正的高速公路异常事件发生时间估计方法 | |
| CN114446064A (zh) | 一种分析高速公路服务区流量的方法、装置、存储介质及终端 | |
| CN111724592B (zh) | 一种基于收费数据与卡口数据的高速公路交通拥堵检测方法 | |
| CN108447265A (zh) | 基于topsis法的公路交通事故黑点路段鉴别方法 | |
| CN110991442B (zh) | 一种高速公路车牌云端高精准识别方法 | |
| CN112801400A (zh) | 一种融合多尺度lstm与bp神经网络的收费站下道流量短时预测方法 | |
| CN114863675A (zh) | 基于路警数据融合的重点车辆位置推测与异常报警方法 | |
| CN108053652B (zh) | 一种基于信疑双基模型的车辆识别方法 | |
| CN108288382B (zh) | 一种基于信疑双基模型判别车辆可信度的方法 | |
| CN104575049A (zh) | 一种基于阵列雷达的高架匝道智能诱导方法及装置 | |
| CN108182805B (zh) | 一种基于信疑双基建模的高速公路车辆监控管理方法 | |
| CN108874748A (zh) | 一种etc运营指标预测方法 | |
| CN108182804B (zh) | 一种基于信疑双基建模的高速公路车辆监控管理系统 | |
| CN114627643A (zh) | 一种高速公路事故风险预测方法、装置、设备及介质 | |
| CN113780682A (zh) | 基于故障标志物的轨道交通系统业务故障预测方法 | |
| CN114331181A (zh) | 基于大数据的车辆驾驶行为风险分析方法 | |
| CN112488568A (zh) | 一种地铁车站大客流运营风险评价方法及其应用 | |
| CN113345220B (zh) | 一种高速公路稽查车辆跟踪与预测分析系统 | |
| Jiang et al. | Prediction of bus bunching using smart card data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |