CN114049612A - 基于以图搜图技术的高速公路车辆收费稽核系统及行驶路径双重获取检验方法 - Google Patents
基于以图搜图技术的高速公路车辆收费稽核系统及行驶路径双重获取检验方法 Download PDFInfo
- Publication number
- CN114049612A CN114049612A CN202111339762.0A CN202111339762A CN114049612A CN 114049612 A CN114049612 A CN 114049612A CN 202111339762 A CN202111339762 A CN 202111339762A CN 114049612 A CN114049612 A CN 114049612A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- picture
- pictures
- information
- network
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
Abstract
基于以图搜图技术的高速公路车辆收费稽核系统及行驶路径双重获取检验方法,含有车辆图片获取装置、图片数据传输单元、图片数据处理单元,车辆图片获取装置为门架和高清摄像头,高清摄像头抓拍通过门架的车辆图片;图片数据传输单元是有线或无线数据传输结构,用于将图片数据传输至图片数据处理单元。由抓拍车辆图片,训练车辆检测模型,车辆特征提取。根据车辆经过门架的时间依次排序确定车辆行驶的路径。由收费站入口、出口拍摄的图片信息,获取出入信息。用行人重识别技术,找出该车辆经过的所有门架信息。将以图搜图的路径与收费流水信息对比,若路径不符,则存在疑似违规,根据以图搜图还原的真实路径,达到方便稽核的目的。
Description
技术领域
本发明属于公路车辆行驶路径识别技术领域,涉及以图搜图技术与车辆行驶路径结合应用的系统和方法。
背景技术
当前我国高速公路运营过程中,通过ETC与人工相结合的方式,收缴过路车辆通行费用。高速公路收费是公路运营单位收回修路成本的一种重要手段,虽然高速公路收费系统不断完善,但偷逃通行费用的现象仍然屡禁不止,给高速公路运营单位和国家带来了巨大的经济损失,同时影响到高速公路的安全运行。如何提高公路收费系统收费效率和准确稽核偷逃通行费用的车辆,成为当前亟待解决的问题。
当前收费系统能够完成大多数车辆通行费用的收缴任务,但存在诸多的偷逃通行费用的情况,高速公路稽查系统仍然存在不足,需要依赖工作人员反复询问核对、确定是否出现刻意逃费现象。常见的逃费方式有套牌、倒换IC卡、屏蔽IC卡、“U型”路线以及“J型”路线行驶等,从而达到缩短行驶路线,减少通信费用的目的。面对没有完善的路径信息的车辆,车辆驾驶人员刻意隐瞒行车路径,只得按照最短路径收费,在一定程度上造成了经济损失,不利于高速公路的建设和持续发展。同时,通常工作人员稽查耗时较长,也容易引发矛盾纠纷。在问题长时间未解决时,还会造成收费站出口路段的拥堵,降低了高速通行的效率。
随着人工智能技术的兴起,越来越多的图像视觉目标识别检测法被应用到现实场景中,逐步出现了一些应用人工智能技术的软硬件产品。将这些技术应用到车辆路径识别中是好办法,但目前尚未有此类技术的突破。
发明内容
本发明根据高速公路通行收费过程中,较多出现的逃费现象,利用图像目标检测方法,基于“以图搜图”技术,设计研究了基于以图搜图技术的高速公路车辆收费稽核系统。同时研究开发出一套基于以图搜图技术的高速公路车辆行驶路径双重获取检验方法。
本发明的技术方案:基于以图搜图技术的高速公路车辆收费稽核系统,含有车辆图片获取装置、图片数据传输单元、图片数据处理单元,所述车辆图片获取装置为门架和高清摄像头,所述高清摄像头安装在门架上,高清摄像头设有感应器,感应器感应车辆经过时启动摄像抓拍通过门架的车辆图片,所述门架和高清摄像头在高速公路收费站进口、收费站出口以所需数量设置,收费站之间道路上至少设置一套;所述图片数据传输单元用于将图片数据传输至图片数据处理单元;
所述图片数据处理单元含有存储器和数据处理器,将所获得的车辆图片处理,数据处理器含有车辆特征提取模块、车牌解析模块、最优图片选择模块、相似度最高图片对比模块,所述车辆特征提取模块是将采集拍摄的车辆图片信息统一管理,采用YOLO目标检测算法,从拍摄的图片中提取车辆特征,训练车辆目标检测模型,确定网络系数权重,对门架拍摄图片中的车辆进行提取,排除图片背景的影响;
所述车牌解析模块是根据收费站出入口拍摄的车辆信息JSON文件,解析车牌,确认车辆进入高速收费站的入口和出口,获得车辆行驶路径的起始位置和终止位置,为车辆路径的还原提供出入口信息;
所述最优图片选择模块是对车辆图片获取装置原始取得的数据进行清洗,剔除抓拍车辆时重复拍摄的图片、抓拍为车辆背面的图片、车牌号未识别的图片、门架号标识有误的图片,在确定时间段同一门架下只保留一张最清晰的图片;对收费站出入口取得的车辆图片JSON文件进行过滤,剔除确定时间段重复保存的车辆JSON文件、车牌号未识别的JSON文件,确定车辆经过收费站出口所在时间段、入口所在时间段只保留一个最为清晰的图片文件;
所述相似度最高图片对比模块是利用行人重识别方法,根据入口车辆图片信息,对比门架拍摄图片之间的相似度,寻找该车辆在下一时刻经过的门架,取相似度最高的图片作为该车辆在下一时刻的经过门架抓拍的图片,从而确定该车辆的行驶路径,用于稽核通行车辆的是否有违规行为。
所述门架上装有ETC识别装置,利用ETC装置识别车辆信息,与收费车辆实现微波双向通讯,确定车辆经过的路段,与以图搜图所确定该车辆的行驶路径进行比对。
所述车辆特征含有车型、车辆颜色、车牌颜色、车标。
基于以图搜图技术的高速公路车辆行驶路径双重获取检验方法,步骤如下:
1)由高速公路收费站进口、出口高清摄像头拍摄经过的车辆图片,利用ETC装置识别车辆信息,与收费车辆实现微波双向通讯,确定车辆经过的路段,并将拍摄的照片传至高速公路管理处信息存储服务器;
2)将步骤1)将采集拍摄的车辆图片信息统一管理,采用YOLO目标检测算法,从所拍摄的图片中提取车辆特征,训练车辆目标检测模型,确定网络系数权重,对门架拍摄图片中的车辆进行提取,排除图片背景的影响;
3)根据收费站出、入口拍摄的车辆信息JSON文件,解析车牌,确认车辆进入高速收费站的入口和出口,获得车辆行驶路径的起始位置和终止位置,为车辆路径的还原提供出入口信息;
4)对高清摄像头原始取得的数据进行清洗,剔除抓拍车辆时重复拍摄的图片、抓拍为车辆背面的图片、车牌号未识别的图片、门架号标识有误的图片,在确定时间段同一门架下只保留一张最清晰的图片;
5)对收费站出入口取得的车辆图片JSON文件进行过滤,剔除确定时间段重复保存的车辆JSON文件、车牌号未识别的JSON文件,确定车辆经过收费站出口所在时间段、入口所在时间段只保留一个最为清晰的图片文件;
6)利用行人重识别方法,根据收费站入口车辆图片信息,对比拍摄图片之间的相似度,寻找该车辆在下一时刻经过的门架,取相似度最高的图片作为该车辆在下一时刻的经过门架时抓拍的图片,从而确定该车辆的行驶路径;
7)根据步骤6)所获得的车辆行驶路径计算行驶费用,与ETC所得的行驶费用进行比较,二者一致则无问题,二者不一致则需另行重点核查。
所述步骤2)提取车辆特征所用YOLO目标检测算法中YOLO网络设计为:车辆目标检测采用卷积网络来提取特征,主要使用1x1卷积来做channle reduction,然后紧跟3x3卷积;对于卷积层和全连接层,采用Leaky ReLU激活函数:max(x,0)。
所述步骤2)训练车辆目标检测模型含有网络训练和网络预测,网络训练:在模型训练之前,先利用ImageNet预训练,预训练的分类模型添加一个average-pool层和全连接层,在预训练得到的卷积层之上加上随机初始化的4个卷积层和2个全连接层,网络的输入从224x224增加到了448x448;采取通用的锚框,初始设定长宽的锚框,网络在初始锚框的基础上输出预测框,进而和真实框groundtruth进行比对,计算两者差距,再反向更新,迭代网络参数;网络预测:网络采用其中的GIOU_Loss做Bounding box的损失函数,对于每个预测框根据类别置信度选取置信度较大的那个类别作为其预测标签,设置置信度阈值,将置信度小于该阈值的box过滤掉,再对这些预测框使用NMS算法,得到检测结果。
所述步骤6)行人重识别中数据集制作:对于车辆图片重识别,首先采用YOLO检测门架图片中的车辆,然后进行图片的截取,获得重识别原始数据集;根据需要将数据集分为训练集、验证集、 Query、Gallery;在训练集上进行模型的训练,得到模型后对Query与Gallery中的图片提取特征计算相似度,对于每个Query在Gallery中找出前N个与其相似的图片;重识别模型训练:利用Classification/Identification loss和verification loss来训练网络,网络输入为若干对行人图片,分类子网络对图片进行ID预测,根据预测的ID来计算分类误差损失,判断这两张图片是否属于同一辆车。
进一步结合路网模型(根据高速公路分布情况,建立路网模型)提高出口图片选取识别效率:选择一张门架车辆图片作为重识别的依据,利用行人重识别模型,依据路网模型在该车辆可能经过的下一门架搜索该车辆的图片,搜索到后作为下一次搜索的依据,若预测的下一门架不存在该车辆的图片信息,则使用行人重识别法继续查找预测的下一门架相近的另一个路网节点门架信息,以此类推,逐步还原车辆行驶路径。
本发明的有益效果:利用图像目标检测方法,基于“以图搜图”技术,通过收费站出入口车辆信息,以及路段门架抓拍的车辆行驶图像,还原车辆实际行驶路径,为收费站出口收费提供依据,同时利用该方法能够有效地查处套牌,换卡,以及“U型”行驶等问题,降低高速公路运营损失,减少高峰时段出口收费核查的压力,提高收费站收费的效率,减少等待时间。
附图说明
图1实施例中重识别数据集实例图;
图2为本发明系统硬件结构图;
图3为本发明路径还原示意图。
具体实施方式
基于以图搜图技术的高速公路车辆收费稽核系统,含有车辆图片获取装置、图片数据传输单元、图片数据处理单元(设置于高速公路管理中心服务器),所述车辆图片获取装置为门架和高清摄像头,所述高清摄像头安装在门架上,高清摄像头设有感应器,感应器感应车辆经过时启动摄像抓拍通过门架的车辆图片,所述门架和高清摄像头在高速公路收费站进口、收费站出口以所需数量设置,收费站之间道路上至少设置一套;所述图片数据传输单元是有线或无线数据传输结构,用于将图片数据传输至图片数据处理单元,也可在收费站设置预先存储器,拍摄和存储车辆出入口信息,并将对应的文件保存下来,为路径还原提供起始点,再定期给服务器上传数据。
所述图片数据处理单元含有存储器和数据处理器,将所获得的车辆图片处理,数据处理器含有车辆特征提取模块、车牌解析模块、最优图片选择模块、相似度最高图片对比模块,所述车辆特征提取模块是将采集拍摄的车辆图片信息统一管理,采用YOLO目标检测算法,从拍摄的图片中提取车辆特征,训练车辆目标检测模型,确定网络系数权重,对门架拍摄图片中的车辆进行提取,排除图片背景的影响;
所述车牌解析模块是根据收费站出入口拍摄的车辆信息JSON文件,解析车牌,确认车辆进入高速收费站的入口和出口,获得车辆行驶路径的起始位置和终止位置,为车辆路径的还原提供出入口信息;
所述最优图片选择模块是对车辆图片获取装置原始取得的数据进行清洗,剔除抓拍车辆时重复拍摄的图片、抓拍为车辆背面的图片、车牌号未识别的图片、门架号标识有误的图片,在确定时间段同一门架下只保留一张最清晰的图片;对收费站出入口取得的车辆图片JSON文件进行过滤,剔除确定时间段重复保存的车辆JSON文件、车牌号未识别的JSON文件,确定车辆经过收费站出口所在时间段、入口所在时间段只保留一个最为清晰的图片文件;
所述相似度最高图片对比模块是利用行人重识别方法,根据入口车辆图片信息,对比门架拍摄图片之间的相似度,寻找该车辆在下一时刻经过的门架,取相似度最高的图片作为该车辆在下一时刻的经过门架抓拍的图片,从而确定该车辆的行驶路径,用于稽核通行车辆的是否有违规行为。
实施方法:
1)在高速公路收费站之间的路段安装门架,架设高清摄像头,用于实时抓拍通过门架的车辆图片。利用ETC装置识别车辆信息,与收费车辆实现微波双向通讯,确定车辆经过的路段,并将拍摄的照片传至高速公路管理处信息存储服务器。
2)将采集拍摄的车辆图片信息统一管理,采用YOLO目标检测算法,从门架拍摄的图片中提取车辆特征,训练车辆目标检测模型,确定网络系数权重,对门架拍摄图片中的车辆进行提取,排除图片背景的影响。
3)根据收费站出入口拍摄的车辆信息JSON文件,解析车牌,确认车辆进入高速收费站的入口和出口,获得车辆行驶路径的起始位置和终止位置,为车辆路径的还原提供出入口信息。
4)对门架原始取得的数据进行清洗,剔除门架抓拍车辆时重复拍摄的图片,抓拍为车辆背面的图片,车牌号未识别的图片,门架号标识有误的图片,在确定时间段同一门架下只保留一张最清晰的图片。
5)对收费站出入口取得的车辆图片JSON文件进行过滤,剔除确定时间重复保存的车辆JSON文件,车牌号未识别的JSON文件,确定车辆同一时间段收费站出口、入口各自只保留一个最为清晰的图片文件。
6)利用行人重识别方法,根据入口车辆图片信息,对比门架拍摄图片之间的相似度,寻找该车辆在下一时刻经过的门架,取相似度最高的图片作为该车辆在下一时刻的经过门架抓拍的图片,从而确定该车辆的行驶路径。
7)利用车辆经过的出入口收费站信息,结合门架拍摄的图片,以及行人重识别技术还原车辆经过的门架。从而将车辆从高速公路入口到出口的信息形成一条完整的行驶路径,便于稽核通行车辆的违规行为。
为了加快图片选择识别效率,结合“路网模型”与“以图搜图”技术,主要包括两部分。一是利用YOLO网络对门架车辆图片进行特征的提取,训练目标检测模型,从门架图片中提取车辆信息,为行驶路径还原做准备;二是利用行人重识别技术,对经过当前门架的车辆进行追踪,获取其下一时刻经过的门架,从而形成完整的行驶路径。算法流程表如下。
表1基于“以图搜图”和“路网模型”路径还原算法流程表
(一)车辆特征提取
1)YOLO网络设计:车辆目标检测采用卷积网络来提取特征,主要使用1x1卷积来做channle reduction,然后紧跟3x3卷积。对于卷积层和全连接层,采用Leaky ReLU激活函数:max(x,0)。
2)网络训练:在模型训练之前,先利用ImageNet预训练,预训练的分类模型添加一个average-pool层和全连接层。在预训练得到的卷积层之上加上随机初始化的4个卷积层和2个全连接层。网络的输入从224x224增加到了448x448。
针对不同的数据集,都会有初始设定长宽的锚框。在网络训练中,网络在初始锚框的基础上输出预测框,进而和真实框groundtruth进行比对,计算两者差距,再反向更新,迭代网络参数。对车辆检测模型采取了通用的锚框。
YOLO算法将目标检测看成回归问题,采用了均方差损失函数,对不同的部分采取了不同的权重。
3)网络预测:网络采用其中的GIOU_Loss做Bounding box的损失函数。在目标检测的后处理过程中,针对很多目标框的筛选,通常需要NMS操作。因为CIOU_Loss中包含影响因子v,涉及groudtruth的信息,而测试推理时,是没有groundtruth的。对于每个预测框根据类别置信度选取置信度较大的那个类别作为其预测标签。一般会设置置信度阈值,将置信度小于该阈值的box过滤掉,最后再对这些预测框使用NMS算法,最后留下来的就是检测结果。
在原始门架图片的基础上,根据训练得到的模型,利用YOLO网络进行预测,并将图片中车辆部分进行截取保存,为下一步应用做准备。
(二)行人重识别
1)数据集制作:对于车辆图片重识别,首先采用了YOLO检测门架图片中的车辆,然后进行图片的截取,获得重识别原始数据集。
根据需要将数据集分为训练集、验证集、 Query、Gallery。在训练集上进行模型的训练,得到模型后对Query与Gallery中的图片提取特征计算相似度,对于每个Query在Gallery中找出前N个与其相似的图片。
2)重识别模型训练:利用Classification/Identification loss和verificationloss来训练网络,网络输入为若干对行人图片,分类子网络对图片进行ID预测,根据预测的ID来计算分类误差损失,判断这两张图片是否属于同一个行人。如此,经过训练获得一个车辆重识别的模型。
(三)路径还原
基于重识别模型和路网模型的路径还原:选择一张门架车辆图片作为重识别的依据,一般取该车辆首次进入收费站后经过的第一个门架作为原始图片。然后利用行人重识别模型,在该车辆可能经过的下一门架搜索该车辆的图片,搜索到后作为下一次搜索的依据。以此类推,逐步还原路径。其中,基于重识别模型和路网模型的算法流程如表2。
表2基于重识别模型和路网模型的路径还原算法流程
以上为基于行人重识别模型和路网模型的流程。首先,需要准备数据集,包括车辆进出收费站的数据信息,路段门架拍摄的车辆图片。按照需求制作重识别数据集S、车辆进出收费站信息数据集X、Y,以及路网模型R,门架与收费站之间的对应关系表。
其次,从进入收费站的车辆信息数据集R中选择一辆车辆V i ,根据收费站与门架对应关系,获得该车辆在进入收费站后,第一次经过的门架信息,在该门架图片库中调取车辆的图片信息,以此为依据,将进行车辆的重识别。
再次,结合路网模型,查找车辆经过的门架。假定车辆V i 在路网某一节点R k ,该节点的重识别数据集为I fk 。根据路网模型确定,下一可能经过的路段,查找对应的门架。利用重识别模型,计算相似图片特征向量之间的欧式距离d(x)。以距离最短为最终要求,获得top1图片,即确定该车辆的下一门架图片,根据图片信息获得门架编号,从而确定该车辆经过的下一门架;如果下一门架都不存在该车辆的图片信息,认为门架数据可能缺失。根据路网模型,判断该车辆可能经过的下一路网节点R l ,同理,采用重识别方法继续查找下一门架信息,避免因数据信息丢失造成的路经不完整;如果两个节点都未查找到该车辆的相关信息,则该车辆的路径还原结束,不存在出口。以此方法,逐一还原车辆行驶路径。
最后,获得车辆经过的最后一个门架后,在进出口收费站信息中查找该车辆的出口位置,确定车辆从何处出收费站。至此,一条完整的车辆行驶路径还原完毕。从还原出的车辆路径与收费流水信息进行对比,可以分析车辆的驾驶行为是否合规,如果不合规,确定是哪一种违规行为,为高速收费稽查提供依据。
以XX片区环形路段路径还原为例,进行说明。
首先,准备数据集,由高速公路管理处将门架与收费站车道原始数据上传至数据处理服务器指定位置。剔除图片或文件损坏的数据。对于门架数据,由于存在一辆车在同一门架确定时间重复拍摄的图片,需要将重复拍摄的数据剔除;在车辆经过门架会抓拍车辆一前一后的图片,背面的图片对于车辆重识别是无益的,增加了数据量的同时降低了系统速率,这类数据也需要剔除;车牌号未识别的车辆,训练车牌识别模型,对摄像机未识别的车牌进行纠正。对于收费站车道数据,同样需要剔除重复的和车牌号未识别的数据。如表3所示为数据清洗处理的结果。
表3XX片区环形路段数据清洗对比表
其次,将门架图片利用YOLO网络进行目标检测,将检测出的车辆截取保存,作为重识别的数据集,根据重识别模型训练方法,输入车辆数据集,训练调整模型的精度,为基于路网模型的路径还原方法做准备。如图1所示为用于重识别的数据集实例。
再次,根据前文描述的基于重识别模型和路网模型的算法流程进行路径的还原,以进入收费站的位置为起点,路网模型为基础,逐一还原出经过的门架,即车辆路径。最后找出车辆驶出高速的收费站位置,至此,形成一条完整的行车路径。如表3所示为一条车辆的行驶路径,与传统的基于车牌的路径还原结果进行对比。通过对比,不难发现传统的方法对于违规行为较难稽核,而基于“以图搜图”技术和“路网模型”的路径还原方法,能够准确确定车辆经过的路径。如表中所示,该车辆则在“安家嘴站-康家崖立交”路段出现了疑似“U型”或者“J型”行驶,路径较为清晰,能够为高速收费提供便利,同时也能够协助违规行为的稽核。
表4基于路网模型的路径与传统方法的还原路径对比
本发明主要采用了图像目标检测和“以图搜图”技术,将机器学习方法应用在高速公路车辆行驶路径还原系统中,根据车辆出入收费站信息和各路段门架拍摄的车辆图片,确定车辆行驶路径,辅助高速收费,稽核不规范行车和偷逃通行费用的行为。
首先,通过高速公路收费站车辆信息采集和门架系统,采集车辆进出收费站和经过门架的图像,将其存储在数据中心服务器确定的位置,为车辆路径还原提供原始数据,包括模型的训练和路径的还原。在门架上安装ETC设备能够与提前安装在车辆玻璃上的ETC电子设备通信,记录车辆经过的路径。在安装了ETC设备的车辆经过收费站出口时,实现自助缴费,自动放行,提高了收费的效率。
其次,本方案重点以高速公路设备拍摄的图片为数据源,依托于拍摄的图片和相关图片信息,建立车辆识别模型,在精确提取车辆特征的基础上,利用“以图搜图”技术,以当前门架摄像机抓拍车辆的图片为基准,在下一门架拍摄的图片中搜索相似图片,找到该车辆下一时刻出现的路段和位置,依次类推,逐一完善该车辆的路径信息,有效避免套牌等现象的发生。
最后,根据还原出来的路径辅助收费和稽核违规车辆,当通过车牌信息还原出来的路径和利用图像信息还原出来的路径存在不同时,则考虑该车辆是否存在“套牌”,“遮挡号牌”等问题;当通过车牌信息不能完整还原出车辆的行驶路径,考虑抓拍设备存在故障,或者通行车辆有意屏蔽ETC设备,IC卡等现象。对于通过图像数据还原出来的车辆存在“U型”、“J型”驾驶等违规行为,可以根据还原出的路径进行相应的处罚。提高高速收费的效率,为收缴通行费用和违规处罚提供依据,减少不必要的纠纷。
Claims (8)
1.基于以图搜图技术的高速公路车辆收费稽核系统,其特征是:含有车辆图片获取装置、图片数据传输单元、图片数据处理单元,所述车辆图片获取装置为门架和高清摄像头,所述高清摄像头安装在门架上,高清摄像头设有感应器,感应器感应车辆经过时启动摄像抓拍通过门架的车辆图片,所述门架和高清摄像头在高速公路收费站进口、收费站出口以所需数量设置,收费站之间道路上至少设置一套;所述图片数据传输单元用于将图片数据传输至图片数据处理单元;
所述图片数据处理单元含有存储器和数据处理器,将所获得的车辆图片处理,数据处理器含有车辆特征提取模块、车牌解析模块、最优图片选择模块、相似度最高图片对比模块,所述车辆特征提取模块是将采集拍摄的车辆图片信息统一管理,采用YOLO目标检测算法,从拍摄的图片中提取车辆特征,训练车辆目标检测模型,确定网络系数权重,对门架拍摄图片中的车辆进行提取,排除图片背景的影响;
所述车牌解析模块是根据收费站出入口拍摄的车辆信息JSON文件,解析车牌,确认车辆进入高速收费站的入口和出口,获得车辆行驶路径的起始位置和终止位置,为车辆路径的还原提供出入口信息;
所述最优图片选择模块是对车辆图片获取装置原始取得的数据进行清洗,剔除抓拍车辆时重复拍摄的图片、抓拍为车辆背面的图片、车牌号未识别的图片、门架号标识有误的图片,在确定时间段同一门架下只保留一张最清晰的图片;对收费站出入口取得的车辆图片JSON文件进行过滤,剔除确定时间段重复保存的车辆JSON文件、车牌号未识别的JSON文件,确定车辆经过收费站出口所在时间段、入口所在时间段只保留一个最为清晰的图片文件;
所述相似度最高图片对比模块是利用行人重识别方法,根据入口车辆图片信息,对比门架拍摄图片之间的相似度,寻找该车辆在下一时刻经过的门架,取相似度最高的图片作为该车辆在下一时刻的经过门架抓拍的图片,从而确定该车辆的行驶路径,用于稽核通行车辆的是否有违规行为。
2.如权利要求1所述的基于“以图搜图”技术的高速公路车辆收费稽核系统,其特征是:所述门架上装有ETC识别装置,利用ETC装置识别车辆信息,与收费车辆实现微波双向通讯,确定车辆经过的路段,与以图搜图所确定该车辆的行驶路径进行比对。
3.如权利要求1所述的基于“以图搜图”技术的高速公路车辆收费稽核系统,其特征是:车辆特征含有车型、车辆颜色、车牌颜色、车标。
4.基于以图搜图技术的高速公路车辆行驶路径双重获取检验方法,其特征在于步骤如下:1)由高速公路收费站进口、出口高清摄像头拍摄经过的车辆图片,利用ETC装置识别车辆信息,与收费车辆实现微波双向通讯,确定车辆经过的路段,并将拍摄的照片传至高速公路管理处信息存储服务器;
2)将步骤1)将采集拍摄的车辆图片信息统一管理,采用YOLO目标检测算法,从所拍摄的图片中提取车辆特征,训练车辆目标检测模型,确定网络系数权重,对门架拍摄图片中的车辆进行提取,排除图片背景的影响;
3)根据收费站出、入口拍摄的车辆信息JSON文件,解析车牌,确认车辆进入高速收费站的入口和出口,获得车辆行驶路径的起始位置和终止位置,为车辆路径的还原提供出入口信息;
4)对高清摄像头原始取得的数据进行清洗,剔除抓拍车辆时重复拍摄的图片、抓拍为车辆背面的图片、车牌号未识别的图片、门架号标识有误的图片,在确定时间段同一门架下只保留一张最清晰的图片;
5)对收费站出入口取得的车辆图片JSON文件进行过滤,剔除确定时间段重复保存的车辆JSON文件、车牌号未识别的JSON文件,确定车辆经过收费站出口所在时间段、入口所在时间段只保留一个最为清晰的图片文件;
6)利用行人重识别方法,根据收费站入口车辆图片信息,对比拍摄图片之间的相似度,寻找该车辆在下一时刻经过的门架,取相似度最高的图片作为该车辆在下一时刻的经过门架时抓拍的图片,从而确定该车辆的行驶路径;
7)根据步骤6)所获得的车辆行驶路径计算行驶费用,与ETC所得的行驶费用进行比较,二者一致则无问题,二者不一致则需另行重点核查。
5.根据权利要求4所述的基于以图搜图技术的高速公路车辆行驶路径双重获取检验方法,其特征在于:步骤2)提取车辆特征所用YOLO目标检测算法中YOLO网络设计为:车辆目标检测采用卷积网络来提取特征,主要使用1x1卷积来做channle reduction,然后紧跟3x3卷积;对于卷积层和全连接层,采用Leaky ReLU激活函数:max(x,0)。
6.根据权利要求4所述的基于以图搜图技术的高速公路车辆行驶路径双重获取检验方法,其特征在于:步骤2)训练车辆目标检测模型含有网络训练和网络预测,网络训练:在模型训练之前,先利用ImageNet预训练,预训练的分类模型添加一个average-pool层和全连接层,在预训练得到的卷积层之上加上随机初始化的4个卷积层和2个全连接层,网络的输入从224x224增加到了448x448;采取通用的锚框,初始设定长宽的锚框,网络在初始锚框的基础上输出预测框,进而和真实框groundtruth进行比对,计算两者差距,再反向更新,迭代网络参数;网络预测:网络采用其中的GIOU_Loss做Bounding box的损失函数,对于每个预测框根据类别置信度选取置信度较大的那个类别作为其预测标签,设置置信度阈值,将置信度小于该阈值的box过滤掉,再对这些预测框使用NMS算法,得到检测结果。
7.根据权利要求4所述的基于以图搜图技术的高速公路车辆行驶路径双重获取检验方法,其特征在于:步骤6)行人重识别中数据集制作:对于车辆图片重识别,首先采用YOLO检测门架图片中的车辆,然后进行图片的截取,获得重识别原始数据集;根据需要将数据集分为训练集、验证集、 Query、Gallery;在训练集上进行模型的训练,得到模型后对Query与Gallery中的图片提取特征计算相似度,对于每个Query在Gallery中找出前N个与其相似的图片;重识别模型训练:利用Classification/Identification loss和verification loss来训练网络,网络输入为若干对行人图片,分类子网络对图片进行ID预测,根据预测的ID来计算分类误差损失,判断这两张图片是否属于同一辆车。
8.根据权利要求4所述的基于以图搜图技术的高速公路车辆行驶路径双重获取检验方法,其特征在于:结合路网模型提高出口图片选取识别效率:选择一张门架车辆图片作为重识别的依据,利用行人重识别模型,依据路网模型在该车辆可能经过的下一门架搜索该车辆的图片,搜索到后作为下一次搜索的依据,若预测的下一门架不存在该车辆的图片信息,则使用行人重识别法继续查找预测的下一门架相近的另一个路网节点门架信息,以此类推,逐步还原车辆行驶路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111339762.0A CN114049612A (zh) | 2021-11-12 | 2021-11-12 | 基于以图搜图技术的高速公路车辆收费稽核系统及行驶路径双重获取检验方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111339762.0A CN114049612A (zh) | 2021-11-12 | 2021-11-12 | 基于以图搜图技术的高速公路车辆收费稽核系统及行驶路径双重获取检验方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114049612A true CN114049612A (zh) | 2022-02-15 |
Family
ID=80208604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111339762.0A Pending CN114049612A (zh) | 2021-11-12 | 2021-11-12 | 基于以图搜图技术的高速公路车辆收费稽核系统及行驶路径双重获取检验方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049612A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115240420A (zh) * | 2022-07-23 | 2022-10-25 | 宁波市杭州湾大桥发展有限公司 | 一种高速公路辅助指挥方法、系统、存储介质及智能终端 |
CN115376328A (zh) * | 2022-07-12 | 2022-11-22 | 江苏高速公路联网营运管理有限公司 | 一种基于视频ai技术的高速公路收费稽查系统及方法 |
CN115641728A (zh) * | 2022-10-25 | 2023-01-24 | 深圳市旗扬特种装备技术工程有限公司 | 一种etc收费稽查方法、系统、电子设备及介质 |
CN116363871A (zh) * | 2023-01-15 | 2023-06-30 | 福建省高速公路信息科技有限公司 | 高速公路假日免征车辆疫情预警及入口信息还原方法 |
CN117558071A (zh) * | 2024-01-11 | 2024-02-13 | 四川成渝高速公路股份有限公司 | 一种高速公路出入车辆稽查方法及系统 |
-
2021
- 2021-11-12 CN CN202111339762.0A patent/CN114049612A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115376328A (zh) * | 2022-07-12 | 2022-11-22 | 江苏高速公路联网营运管理有限公司 | 一种基于视频ai技术的高速公路收费稽查系统及方法 |
CN115240420A (zh) * | 2022-07-23 | 2022-10-25 | 宁波市杭州湾大桥发展有限公司 | 一种高速公路辅助指挥方法、系统、存储介质及智能终端 |
CN115240420B (zh) * | 2022-07-23 | 2023-06-13 | 宁波市杭州湾大桥发展有限公司 | 一种高速公路辅助指挥方法、系统、存储介质及智能终端 |
CN115641728A (zh) * | 2022-10-25 | 2023-01-24 | 深圳市旗扬特种装备技术工程有限公司 | 一种etc收费稽查方法、系统、电子设备及介质 |
CN115641728B (zh) * | 2022-10-25 | 2023-10-24 | 深圳市旗扬特种装备技术工程有限公司 | 一种etc收费稽查方法、系统、电子设备及介质 |
CN116363871A (zh) * | 2023-01-15 | 2023-06-30 | 福建省高速公路信息科技有限公司 | 高速公路假日免征车辆疫情预警及入口信息还原方法 |
CN116363871B (zh) * | 2023-01-15 | 2024-03-26 | 福建省高速公路信息科技有限公司 | 高速公路假日免征车辆疫情预警及入口信息还原方法 |
CN117558071A (zh) * | 2024-01-11 | 2024-02-13 | 四川成渝高速公路股份有限公司 | 一种高速公路出入车辆稽查方法及系统 |
CN117558071B (zh) * | 2024-01-11 | 2024-04-05 | 四川成渝高速公路股份有限公司 | 一种高速公路出入车辆稽查方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114049612A (zh) | 基于以图搜图技术的高速公路车辆收费稽核系统及行驶路径双重获取检验方法 | |
CN110136449B (zh) | 基于深度学习的交通视频车辆违停自动识别抓拍的方法 | |
CN108765976B (zh) | 路侧平行停车信息管理系统及方法 | |
Mithun et al. | Detection and classification of vehicles from video using multiple time-spatial images | |
CN102903239B (zh) | 交通路口车辆左右违章转向检测方法和系统 | |
CN105279971B (zh) | 一种车辆信息匹配方法、系统及监控装置 | |
CN107301776A (zh) | 基于视频检测技术的车道路况处理及发布方法 | |
CN106448184A (zh) | 车辆识别方法及车辆出场识别方法 | |
CN108984644B (zh) | 一种套牌车检索方法及系统 | |
KR20200071799A (ko) | 딥러닝 인공지능 기술을 이용한 객체인식 및 카운팅 방법 | |
CN104766479A (zh) | 基于超高频射频与视频图像双识别匹配的汽车身份识别方法及装置 | |
CN104376332A (zh) | 车牌识别方法及装置 | |
CN110751099A (zh) | 一种基于深度学习的无人机航拍视频轨迹高精度提取方法 | |
CN109033175A (zh) | 一种以图搜车的方法及系统 | |
CN106571040B (zh) | 一种可疑车辆确认方法及设备 | |
CN106780886A (zh) | 一种车辆识别系统和车辆进场、出场识别方法 | |
Qin et al. | A vehicle path tracking system with cooperative recognition of license plates and traffic network big data | |
CN116796024A (zh) | 一种逃费车辆证据链处理方法及系统 | |
Mohammed et al. | Advanced car-parking security platform using Arduino along with automatic license and number recognition | |
CN116311166A (zh) | 交通障碍物识别方法、装置及电子设备 | |
Castello et al. | Traffic monitoring in motorways by real-time number plate recognition | |
Dinh et al. | Vehicle classification and detection based coarse data for warning traffic jam in VietNam | |
Alkan et al. | Driver Cell Phone Usage Violation Detection using License Plate Recognition Camera Images. | |
CN113850112A (zh) | 基于孪生神经网络的路况识别方法和系统 | |
CN113850111A (zh) | 基于语义分割和神经网络技术的路况识别方法和系统 |
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 |