CN111508093A - 一种用于高速公路的过路费预算系统 - Google Patents
一种用于高速公路的过路费预算系统 Download PDFInfo
- Publication number
- CN111508093A CN111508093A CN202010340765.5A CN202010340765A CN111508093A CN 111508093 A CN111508093 A CN 111508093A CN 202010340765 A CN202010340765 A CN 202010340765A CN 111508093 A CN111508093 A CN 111508093A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- toll station
- toll
- information
- image
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
- G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
- G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Finance (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明具体公开了一种用于高速公路的过路费预算系统,包括中心处理器、多个支付终端及多个收费站信息采集单元;收费站信息采集单元包括图像分析装置及多个车道子单元信息采集子单元;中心处理器包括收费站地图单元、数据管理单元、费用计算单元及网上支付服务器;收费站地图单元,用于对多个收费站信息采集装置进行编号;数据管理单元用于接收并存储图像分析装置发送的收费站信息、车辆的车牌号、车辆类型信息、车辆进出方向;费用计算单元,用于计算费用;网上支付服务器,与该车辆对应的一个或多个支付终端发送支付请求,支付终端用于响应网上支付服务器发送的支付请求完成支付。本发明具有提高高速公路收费的便利性的优点。
Description
技术领域
本发明涉及光学显微成像及显微测量领域的技术领域,尤其是涉及一种用于高速公路的过路费预算系统。
背景技术
目前,我国高速公路通行费的收取主要采用两种方式:传统人工收费方式(MTC)和电子不停车收费方式(ETC)。通过长期的实践环节发现,上述两种收费方式分别存在如下的缺陷:
人工收费方式效率较低,机动车辆通过收费站入口时须停车领卡,通过收费站出口时须停车刷卡缴费,当车辆通过收费站的交通流量达到一定程度时,就会造成收费站出入口严重的交通拥堵和车辆延误,引起噪声,增加油耗、废气排放等问题。
ETC收费实现了公路不停车收费,提高了收费工作效率,有效缓解公路收费站拥堵,节约公路运营成本、减少收费站占地,减少环境污染。但是申请办理用的时间较长,办理过程比较复杂,用户需购买并安装车载单元(on board unit.OBU),还需要办理专门与之捆绑的信用卡,并在卡里储存一定额度的预付款,对我国不经常使用高速公路的用户群体吸引力不大。ETC收费系统还面临着倒卡、换卡、收费车辆使用免费卡、大型车辆使用小型车辆收费卡等不良和欺诈现象的大量存在的问题。ETC的推广及使用仍不方便。
发明内容
本发明目的在于提供一种用于高速公路的过路费预算系统,具有提高高速公路收费的便利性的优点。
为实现上述目的,本发明所采用的技术方案是:一种用于高速公路的过路费预算系统,包括中心处理器、多个支付终端及多个收费站信息采集单元,一个或多个支付终端对应一辆车辆;
所述收费站信息采集单元包括,图像分析装置及多个车道子单元信息采集子单元,收费站的每个车道均安装有一个所述车道子单元信息采集子单元;
所述车道子单元信息采集装置包括,
车辆靠近检测装置,用于检测当前收费站车道上是否有车辆经过,还用于在检测当前收费站车道上有车辆经过时输出唤醒信息;
车辆图片采集装置,用于接收所述车辆检测装置输出的唤醒信息后进行车辆的图像信息采集工作;
所述图像分析装置用于对收费站的多个车辆图片采集装置进行编号,还用于接受所述车辆图片采集装置采集的车辆的图像信息并对辆的图像信息进行识别,判断车辆的车牌号及车辆类型,还用于根据车辆图片采集装置的编号信息判断车辆的进出方向;
所述图像分析装置还用于将收费站信息、车辆的车牌号、车辆类型信息、车辆进出方向发送至中心处理器;
所述中心处理器包括收费站地图单元、数据管理单元、费用计算单元及网上支付服务器;
收费站地图单元,用于对多个所述收费站信息采集装置进行编号,并根据多个所述收费站信息采集装置所在的收费站位置信息建立收费站地图;
数据管理单元用于接收并存储所述图像分析装置发送的收费站信息、车辆的车牌号、车辆类型信息、车辆进出方向发送;
费用计算单元,用于根据车辆的进出方向信息判断车辆出收费站时,根据车辆的进高速路的收费站与车辆出高速路的收费站之间的距离及车辆类型信息计算费用;
网上支付服务器,与该车辆对应的一个或多个支付终端发送支付请求,所述支付终端用于响应所述网上支付服务器发送的支付请求完成支付。
进一步地,所述车辆靠近检测装置包括地磁传感器、微控制器及通电开关,地磁传感器安装在收费站的车道的前方,所述地磁传感器的输出端与微控制器连接,所述通电开关串联在外接电源与车辆图像采集装置之间,所述地磁传感器检测到车辆经过时,微控制器控制通电开关处于闭合状态。
进一步地,所述图像分析装置包括,
训练模块,用于使用多张车辆的图像对卷积神经网络进行训练及优化,获得深度卷积神经网络模型;
深度卷积神经网络模型,用于识别车辆的图像中的车牌号码;
图像预处理模块,用于对车辆的图像进行直方图均衡化处理和对数变换处理,获得处理后的车辆的图像,并将处理后的车辆的图像发送至训练模块及深度卷积神经网络模型。
进一步地,所述深度卷积神经网络模型为Tiny-YOLOv3。
进一步地,所述深度卷积神经网络模型包括DarkNet框架,所述DarkNet框架包括53个卷积层及22个Residual层,所述DarkNet框架中的53个卷积层用于对草地的环境图像进行特征提取,所述DarkNet框架中的22个Residual层用于解决深度卷积神经网络模型中的梯度弥散或梯度爆炸。
进一步地,所述训练模块对深度卷积神经网络模型的训练过程如下:
将输入的训练图集的图像分成S*S网格;
S*S网格中的每个格子生成3个边界框,属性包括中心坐标、宽、高、置信度及属于工件裂纹目标的概率;通过对象置信度小于阈值th1剔除不包含目标的候选框,其次利用非极大值抑制选择与真实框交并比(IoU)最大的候选框进行目标预测,预测如下:
bx=σ(tx)+cx (1)
by=σ(ty)+cy (2)
bx,by,bw,bh即为网络最终预测边界框的中心坐标、宽和高,其中cx,cy是网格的坐标偏移量;pw,ph是锚框映射到特征图中的宽和高;tx,ty,tw,th是网络训练过程中需要学习的参数,tw,th表示预测框的尺度缩放程度,tx,ty表示预测框的中心坐标偏移程度,σ表示sigmoid函数,通过不断学习更新tx,ty,tw,th参数,使得预测框与真实框越来越接近,当网络损失小于设定阈值th2或者训练次数达到最大迭代次数N停止训练。
进一步地,所述图像分析装置还用于根据车辆图片采集装置采集的车辆的图像信息计算车辆所占面积比,根据车辆所占面积比判断车辆类型。
进一步地,所述费用计算单元采用以下步骤根据车辆的进高速路的收费站与车辆出高速路的收费站之间的距离及车辆类型信息计算费用,
S1:根据图像分析装置发送的车辆图片采集装置的编号信息判断车辆的进出方向,判断车辆出收费站时,执行S2;
S2:根据图像分析装置发送的车辆的车牌号及车辆类型,访问数据管理单元,查找该车辆的前一个数据,获取该车辆的进收费站时收费站的编号,执行S3;
S3:根据该车辆的出收费站时收费站的编号及该车辆的进收费站时收费站的编号,访问收费站地图单元,获取两个收费站之间的距离,执行S4;
S4:访问数据管理单元,获取该车辆的车辆类型,根据该车辆的出收费站时的收费站及该车辆的进收费站时的收费站之间的距离及该车辆的车辆类型计算费用。
进一步地,所述S4中费用的计算方法为:
P=a*x,其中,a为该车辆对应的车辆类型的出收费站时的收费站与进收费站时的收费站之间的高速公路的每公里收费系数,x为该车辆的出收费站时的收费站及该车辆的进收费站时的收费站之间的距离。
进一步地,所述收费站地图单元还用于对高速路段的编码,每段高速路段对应一个收费标准。
附图说明
图1是本发明的一种用于高速公路的过路费预算系统的示意图;
图2是本发明的一种用于高速公路的过路费预算系统用于展示收费标准的示意图;
图3是本发明的一种用于高速公路的过路费预算系统的费用计算单元根据车辆的进高速路的收费站与车辆出高速路的收费站之间的距离及车辆类型信息计算费用的步骤示意图。
具体实施方式
下面结合本发明的附图1~3,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。
实施例
参照图1,一种用于高速公路的过路费预算系统,包括中心处理器、多个支付终端及多个收费站信息采集单元,一个或多个支付终端对应一辆车辆;
收费站信息采集单元包括,图像分析装置及多个车道子单元信息采集子单元,收费站的每个车道均安装有一个车道子单元信息采集子单元。
车道子单元信息采集装置包括,
车辆靠近检测装置,用于检测当前收费站车道上是否有车辆经过,还用于在检测当前收费站车道上有车辆经过时输出唤醒信息;
车辆图片采集装置,用于接收车辆检测装置输出的唤醒信息后进行车辆的图像信息采集工作;
图像分析装置用于对收费站的多个车辆图片采集装置进行编号,还用于接受车辆图片采集装置采集的车辆的图像信息并对辆的图像信息进行识别,判断车辆的车牌号及车辆类型,还用于根据车辆图片采集装置的编号信息判断车辆的进出方向;
图像分析装置还用于将收费站信息、车辆的车牌号、车辆类型信息、车辆进出方向发送至中心处理器。
中心处理器包括收费站地图单元、数据管理单元、费用计算单元及网上支付服务器。
收费站地图单元,用于对多个收费站信息采集装置进行编号,并根据多个收费站信息采集装置所在的收费站位置信息建立收费站地图;收费站地图单元还用于对高速路段的编码,每段高速路段对应一个收费标准。
数据管理单元用于接收并存储图像分析装置发送的收费站信息、车辆的车牌号、车辆类型信息、车辆进出方向。
费用计算单元,用于根据车辆的进出方向信息判断车辆出收费站时,根据车辆的进高速路的收费站与车辆出高速路的收费站之间的距离及车辆类型信息计算费用。
网上支付服务器,与该车辆对应的一个或多个支付终端发送支付请求,支付终端用于响应网上支付服务器发送的支付请求完成支付。
具体的,车辆靠近检测装置包括地磁传感器、微控制器及通电开关,地磁传感器安装在收费站的车道的前方,地磁传感器的输出端与微控制器连接,通电开关串联在外接电源与车辆图像采集装置之间,地磁传感器检测到车辆经过时,微控制器控制通电开关处于闭合状态。
具体的,图像分析装置包括,
训练模块,用于使用多张车辆的图像对卷积神经网络进行训练及优化,获得深度卷积神经网络模型;
深度卷积神经网络模型,用于识别车辆的图像中的车牌号码;
图像预处理模块,用于对车辆的图像进行直方图均衡化处理和对数变换处理,获得处理后的车辆的图像,并将处理后的车辆的图像发送至训练模块及深度卷积神经网络模型。深度卷积神经网络模型为Tiny-YOLOv3,深度卷积神经网络模型包括DarkNet框架,DarkNet框架包括53个卷积层及22个Residual层,DarkNet框架中的53个卷积层用于对草地的环境图像进行特征提取,DarkNet框架中的22个Residual层用于解决深度卷积神经网络模型中的梯度弥散或梯度爆炸。
训练模块对深度卷积神经网络模型的训练过程如下:
将输入的训练图集的图像分成S*S网格;
S*S网格中的每个格子生成3个边界框,属性包括中心坐标、宽、高、置信度及属于工件裂纹目标的概率;通过对象置信度小于阈值th1剔除不包含目标的候选框,其次利用非极大值抑制选择与真实框交并比(IoU)最大的候选框进行目标预测,预测如下:
bx=σ(tx)+cx (1)
by=σ(ty)+cy (2)
bx,by,bw,bh即为网络最终预测边界框的中心坐标、宽和高,其中cx,cy是网格的坐标偏移量;pw,ph是锚框映射到特征图中的宽和高;tx,ty,tw,th是网络训练过程中需要学习的参数,tw,th表示预测框的尺度缩放程度,tx,ty表示预测框的中心坐标偏移程度,σ表示sigmoid函数,通过不断学习更新tx,ty,tw,th参数,使得预测框与真实框越来越接近,当网络损失小于设定阈值th2或者训练次数达到最大迭代次数N停止训练。
值得说明的是,图像分析装置还用于根据车辆图片采集装置采集的车辆的图像信息计算车辆所占面积比,根据车辆所占面积比判断车辆类型,在本实施例中,车辆所占面积与图像采集装置采集的图像的面积之比小于六分之一时,判断车辆为第一类车(小于7座的客车或小于2吨的货车);车辆所占面积与图像采集装置采集的图像的面积之比大于六分之一且小于三分之一时,判断车辆为第二类车(8座~19座的客车或小于2吨~5吨的货车);车辆所占面积与图像采集装置采集的图像的面积之比大于三分之一且小于二分之一时,判断车辆为第三类车(20座~39座的客车或小于5吨~10吨的货车);车辆所占面积与图像采集装置采集的图像的面积之比大于二分之一且小于三分之二时,判断车辆为第四类车(大于15吨的货车)。
在另一个实施例中,还可以通过在收费站的车道上安装称重装置,通过重量确定车辆类型。
在另一个实施例中,还可以通过在收费站的车道上安装称重装置结合图像分析装置根据车辆图片采集装置采集的车辆的图像信息计算车辆所占面积比,确定车辆类型。
参照图,费用计算单元采用以下步骤根据车辆的进高速路的收费站与车辆出高速路的收费站之间的距离及车辆类型信息计算费用,
S1:根据图像分析装置发送的车辆图片采集装置的编号信息判断车辆的进出方向,判断车辆出收费站时,执行S2;
S2:根据图像分析装置发送的车辆的车牌号及车辆类型,访问数据管理单元,查找该车辆的前一个数据,获取该车辆的进收费站时收费站的编号,执行S3;
S3:根据该车辆的出收费站时收费站的编号及该车辆的进收费站时收费站的编号,访问收费站地图单元,获取两个收费站之间的距离,执行S4;
S4:访问数据管理单元,获取该车辆的车辆类型,根据该车辆的出收费站时的收费站及该车辆的进收费站时的收费站之间的距离及该车辆的车辆类型计算费用。
具体的,S4中费用的计算方法为:
P=a*x,其中,a为该车辆对应的车辆类型的出收费站时的收费站与进收费站时的收费站之间的高速公路的每公里收费系数,x为该车辆的出收费站时的收费站及该车辆的进收费站时的收费站之间的距离。
Claims (10)
1.一种用于高速公路的过路费预算系统,其特征在于,包括中心处理器、多个支付终端及多个收费站信息采集单元,一个或多个支付终端对应一辆车辆;
所述收费站信息采集单元包括,图像分析装置及多个车道子单元信息采集子单元,收费站的每个车道均安装有一个所述车道子单元信息采集子单元;
所述车道子单元信息采集装置包括,
车辆靠近检测装置,用于检测当前收费站车道上是否有车辆经过,还用于在检测当前收费站车道上有车辆经过时输出唤醒信息;
车辆图片采集装置,用于接收所述车辆检测装置输出的唤醒信息后进行车辆的图像信息采集工作;
所述图像分析装置用于对收费站的多个车辆图片采集装置进行编号,还用于接受所述车辆图片采集装置采集的车辆的图像信息并对辆的图像信息进行识别,判断车辆的车牌号及车辆类型,还用于根据车辆图片采集装置的编号信息判断车辆的进出方向;
所述图像分析装置还用于将收费站信息、车辆的车牌号、车辆类型信息、车辆进出方向发送至中心处理器;
所述中心处理器包括收费站地图单元、数据管理单元、费用计算单元及网上支付服务器;
收费站地图单元,用于对多个所述收费站信息采集装置进行编号,并根据多个所述收费站信息采集装置所在的收费站位置信息建立收费站地图;
数据管理单元用于接收并存储所述图像分析装置发送的收费站信息、车辆的车牌号、车辆类型信息、车辆进出方向发送;
费用计算单元,用于根据车辆的进出方向信息判断车辆出收费站时,根据车辆的进高速路的收费站与车辆出高速路的收费站之间的距离及车辆类型信息计算费用;
网上支付服务器,与该车辆对应的一个或多个支付终端发送支付请求,所述支付终端用于响应所述网上支付服务器发送的支付请求完成支付。
2.根据权利要求1所述的一种用于高速公路的过路费预算系统,其特征在于,所述车辆靠近检测装置包括地磁传感器、微控制器及通电开关,地磁传感器安装在收费站的车道的前方,所述地磁传感器的输出端与微控制器连接,所述通电开关串联在外接电源与车辆图像采集装置之间,所述地磁传感器检测到车辆经过时,微控制器控制通电开关处于闭合状态。
3.根据权利要求1或2所述的一种用于高速公路的过路费预算系统,其特征在于,所述图像分析装置包括,
训练模块,用于使用多张车辆的图像对卷积神经网络进行训练及优化,获得深度卷积神经网络模型;
深度卷积神经网络模型,用于识别车辆的图像中的车牌号码;
图像预处理模块,用于对车辆的图像进行直方图均衡化处理和对数变换处理,获得处理后的车辆的图像,并将处理后的车辆的图像发送至训练模块及深度卷积神经网络模型。
4.根据权利要求3所述的一种用于高速公路的过路费预算系统,其特征在于,所述深度卷积神经网络模型为Tiny-YOLOv3。
5.根据权利要求4所述的一种用于高速公路的过路费预算系统,其特征在于,所述深度卷积神经网络模型包括DarkNet框架,所述DarkNet框架包括53个卷积层及22个Residual层,所述DarkNet框架中的53个卷积层用于对草地的环境图像进行特征提取,所述DarkNet框架中的22个Residual层用于解决深度卷积神经网络模型中的梯度弥散或梯度爆炸。
6.根据权利要求4或5所述的一种用于高速公路的过路费预算系统,其特征在于,所述训练模块对深度卷积神经网络模型的训练过程如下:
将输入的训练图集的图像分成S*S网格;
S*S网格中的每个格子生成3个边界框,属性包括中心坐标、宽、高、置信度及属于工件裂纹目标的概率;通过对象置信度小于阈值th1剔除不包含目标的候选框,其次利用非极大值抑制选择与真实框交并比(IoU)最大的候选框进行目标预测,预测如下:
bx=σ(tx)+cx(1)
by=σ(ty)+cy(2)
bx,by,bw,bh即为网络最终预测边界框的中心坐标、宽和高,其中cx,cy是网格的坐标偏移量;pw,ph是锚框映射到特征图中的宽和高;tx,ty,tw,th是网络训练过程中需要学习的参数,tw,th表示预测框的尺度缩放程度,tx,ty表示预测框的中心坐标偏移程度,σ表示sigmoid函数,通过不断学习更新tx,ty,tw,th参数,使得预测框与真实框越来越接近,当网络损失小于设定阈值th2或者训练次数达到最大迭代次数N停止训练。
7.根据权利要求1-5任意一项所述的医疗信息化标准规范体系快速构建,其特征在于,所述图像分析装置还用于根据车辆图片采集装置采集的车辆的图像信息计算车辆所占面积比,根据车辆所占面积比判断车辆类型。
8.根据权利要求1-5任意一项所述的医疗信息化标准规范体系快速构建,其特征在于,所述费用计算单元采用以下步骤根据车辆的进高速路的收费站与车辆出高速路的收费站之间的距离及车辆类型信息计算费用,
S1:根据图像分析装置发送的车辆图片采集装置的编号信息判断车辆的进出方向,判断车辆出收费站时执行S2;
S2:根据图像分析装置发送的车辆的车牌号及车辆类型,访问数据管理单元,查找该车辆的前一个数据,获取该车辆的进收费站时收费站的编号,执行S3;
S3:根据该车辆的出收费站时收费站的编号及该车辆的进收费站时收费站的编号,访问收费站地图单元,获取两个收费站之间的距离,执行S4;
S4:访问数据管理单元,获取该车辆的车辆类型,根据该车辆的出收费站时的收费站及该车辆的进收费站时的收费站之间的距离及该车辆的车辆类型计算费用。
9.根据权利要求8所述的一种用于高速公路的过路费预算系统,其特征在于,所述S4中费用的计算方法为:
P=a*x,其中,a为该车辆对应的车辆类型的出收费站时的收费站与进收费站时的收费站之间的高速公路的每公里收费系数,x为该车辆的出收费站时的收费站及该车辆的进收费站时的收费站之间的距离。
10.根据权利要求8所述的一种用于高速公路的过路费预算系统,其特征在于,所述收费站地图单元还用于对高速路段的编码,每段高速路段对应一个收费标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010340765.5A CN111508093A (zh) | 2020-04-26 | 2020-04-26 | 一种用于高速公路的过路费预算系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010340765.5A CN111508093A (zh) | 2020-04-26 | 2020-04-26 | 一种用于高速公路的过路费预算系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111508093A true CN111508093A (zh) | 2020-08-07 |
Family
ID=71878053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010340765.5A Pending CN111508093A (zh) | 2020-04-26 | 2020-04-26 | 一种用于高速公路的过路费预算系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111508093A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115116222A (zh) * | 2022-06-21 | 2022-09-27 | 湖南省醴潭高速公路建设开发有限公司 | 一种多车道远程控制方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010002146A (ko) * | 1999-06-11 | 2001-01-05 | 김항준 | 신경망을 이용한 번호판 추출 방법 |
CN101882329A (zh) * | 2009-05-04 | 2010-11-10 | 何赟 | 导航路径收费金额做成方法 |
CN201796395U (zh) * | 2010-08-19 | 2011-04-13 | 佳木斯大学 | 地感线圈式车型识别检测器 |
CN105488454A (zh) * | 2015-11-17 | 2016-04-13 | 天津工业大学 | 基于单目视觉的前方车辆检测与测距 |
CN106097725A (zh) * | 2016-08-18 | 2016-11-09 | 马平 | 一种基于动态特征提取的车辆分类流量检测方法 |
CN108564019A (zh) * | 2018-04-08 | 2018-09-21 | 深浅度视觉科技(大连)有限公司 | 一种人脸识别方法及系统 |
CN109101914A (zh) * | 2018-08-01 | 2018-12-28 | 北京飞搜科技有限公司 | 一种基于多尺度的行人检测方法和装置 |
CN109685152A (zh) * | 2018-12-29 | 2019-04-26 | 北京化工大学 | 一种基于dc-spp-yolo的图像目标检测方法 |
CN109767507A (zh) * | 2019-03-01 | 2019-05-17 | 河北交通职业技术学院 | 一种基于电子围栏的高速公路不停车收费支付系统 |
CN110136145A (zh) * | 2019-05-17 | 2019-08-16 | 东北大学 | 基于多通道可分离卷积神经网络的mr脑部图像分割方法 |
CN110400274A (zh) * | 2019-07-19 | 2019-11-01 | 西安科技大学 | 一种车载红外行人检测用红外图像增强方法 |
CN110796168A (zh) * | 2019-09-26 | 2020-02-14 | 江苏大学 | 一种基于改进YOLOv3的车辆检测方法 |
CN110991444A (zh) * | 2019-11-19 | 2020-04-10 | 复旦大学 | 面向复杂场景的车牌识别方法及装置 |
-
2020
- 2020-04-26 CN CN202010340765.5A patent/CN111508093A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010002146A (ko) * | 1999-06-11 | 2001-01-05 | 김항준 | 신경망을 이용한 번호판 추출 방법 |
CN101882329A (zh) * | 2009-05-04 | 2010-11-10 | 何赟 | 导航路径收费金额做成方法 |
CN201796395U (zh) * | 2010-08-19 | 2011-04-13 | 佳木斯大学 | 地感线圈式车型识别检测器 |
CN105488454A (zh) * | 2015-11-17 | 2016-04-13 | 天津工业大学 | 基于单目视觉的前方车辆检测与测距 |
CN106097725A (zh) * | 2016-08-18 | 2016-11-09 | 马平 | 一种基于动态特征提取的车辆分类流量检测方法 |
CN108564019A (zh) * | 2018-04-08 | 2018-09-21 | 深浅度视觉科技(大连)有限公司 | 一种人脸识别方法及系统 |
CN109101914A (zh) * | 2018-08-01 | 2018-12-28 | 北京飞搜科技有限公司 | 一种基于多尺度的行人检测方法和装置 |
CN109685152A (zh) * | 2018-12-29 | 2019-04-26 | 北京化工大学 | 一种基于dc-spp-yolo的图像目标检测方法 |
CN109767507A (zh) * | 2019-03-01 | 2019-05-17 | 河北交通职业技术学院 | 一种基于电子围栏的高速公路不停车收费支付系统 |
CN110136145A (zh) * | 2019-05-17 | 2019-08-16 | 东北大学 | 基于多通道可分离卷积神经网络的mr脑部图像分割方法 |
CN110400274A (zh) * | 2019-07-19 | 2019-11-01 | 西安科技大学 | 一种车载红外行人检测用红外图像增强方法 |
CN110796168A (zh) * | 2019-09-26 | 2020-02-14 | 江苏大学 | 一种基于改进YOLOv3的车辆检测方法 |
CN110991444A (zh) * | 2019-11-19 | 2020-04-10 | 复旦大学 | 面向复杂场景的车牌识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
张继超: "《遥感原理与应用》", 31 August 2018, 测绘出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115116222A (zh) * | 2022-06-21 | 2022-09-27 | 湖南省醴潭高速公路建设开发有限公司 | 一种多车道远程控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108986465B (zh) | 一种车流量检测的方法、系统及终端设备 | |
WO2019091108A1 (zh) | 一种交通出行调查数据处理方法 | |
CN1133956C (zh) | 收费系统、车载单元和收费方法 | |
CN106981102A (zh) | 停车时长提醒方法、以及适用该方法的服务器及终端 | |
CN103761775A (zh) | 新型货车不停车计重收费系统 | |
CN109886732A (zh) | 一种公共交通的计费方法、存储介质和车载计费设备 | |
CN113706888A (zh) | 一种基于rfid射频卡的道路停车泊位系统及泊位巡查方法 | |
CN107657668B (zh) | 公交车智能停靠方法 | |
CN112507624A (zh) | 一种城际公路出行方式识别模型构建、识别方法及装置 | |
CN114509081B (zh) | 基于差异化收费计算车辆通行成本的方法以及装置 | |
CN111508093A (zh) | 一种用于高速公路的过路费预算系统 | |
CN114495302A (zh) | 车辆扣费方法和装置、计算机设备、存储介质 | |
CN107437276A (zh) | 高速公路缴费方法、存储设备和系统 | |
CN115641728B (zh) | 一种etc收费稽查方法、系统、电子设备及介质 | |
CN111709286A (zh) | 车辆排序及etc交易方法、存储介质、工控机设备及etc系统 | |
CN115834838A (zh) | 一种隧道内的监控方法、设备和介质 | |
CN205827443U (zh) | 一种简单高效的etc收费系统 | |
CN110555425A (zh) | 一种视频流实时行人检测方法 | |
CN112016534B (zh) | 车辆违停检测的神经网络的训练方法、检测方法和装置 | |
CN205068507U (zh) | 一种复式自助发卡机车道系统 | |
CN106710201A (zh) | 一种基于物联网的智能交通系统 | |
CN111191603A (zh) | 车内人员识别方法、装置、终端设备及介质 | |
CN115457774B (zh) | 基于高速服务区的车流量采集方法、装置、设备及介质 | |
CN117373259B (zh) | 高速公路车辆逃费行为识别方法、装置、设备和存储介质 | |
CN116129541B (zh) | 一种基于广义加性模型的逃费稽查方法、装置及设备 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200807 |