CN114187554A - 智能路侧单元的车辆身份识别方法、系统及可读存储介质 - Google Patents
智能路侧单元的车辆身份识别方法、系统及可读存储介质 Download PDFInfo
- Publication number
- CN114187554A CN114187554A CN202111520317.4A CN202111520317A CN114187554A CN 114187554 A CN114187554 A CN 114187554A CN 202111520317 A CN202111520317 A CN 202111520317A CN 114187554 A CN114187554 A CN 114187554A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- identification
- node
- identity
- radio frequency
- 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
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
一种智能路侧单元的车辆身份识别方法、系统及可读存储介质,车辆身份识别方法包括:针对基于射频识别车辆身份的方法和基于视频图像识别车辆身份的方法,分别选择对识别结果有决定性作用的影响因素作为贝叶斯网络的节点;根据不同方法的影响因素的关联性,构建融合视频识别和射频识别的有向无环图;通过给有向无环图的各个节点进行赋值,完成贝叶斯网络模型的构建;基于贝叶斯网络模型,在给定输出节点状态的情况下,通过贝叶斯定理计算得到车辆身份信息的合法性。本发明能够实现基于贝叶斯定理的多源数据融合,在结合视频数据和射频数据的前提下,比较准确的实现车辆身份的确认,能够为智能车路系统的使用提供可靠的技术支持。
Description
技术领域
本发明属于智能车路系统技术领域,具体涉及一种智能路侧单元的车辆身份识别方法、系统及可读存储介质。
背景技术
随着通信技术和新兴信息的发展,智能车路系统得到了广泛的应用,达到了有效降低事故率的目的。车辆身份的精准识别作为智能车路系统的决定性因素,直接影响了车路系统的性能,间接影响了道路参与者的人身安全,这使得对车辆身份识别技术的研究变得很有价值。
现有的车辆身份识别技术主要包括基于计算机视频图像的识别技术和基于超高频射频识别技术的汽车电子标识系统。其中,基于计算机视频图像的识别技术,可以将运动中的机动车号牌从复杂背景中提取并识别出来,通过车牌提取、图像预处理、特征提取、车牌字符识别等技术,识别车辆牌号、颜色、车道等信息;但光照、雨雪天气等因素会导致图像质量不佳,且图像识别无法确认故意遮挡、污损车牌、使用假牌套牌车辆的真实身份,致使识别准确率受限。而基于超高频射频识别技术的汽车电子标识系统,路侧读写设备可以准确的获取车辆车牌号码、车辆类型、检验有效期等车辆信息,具有受环境影响小,识别速度快,识别率高,安全唯一等优点,但也存在直观性不强的问题。
发明内容
本发明的目的在于针对上述现有技术中的问题,提供一种智能路侧单元的车辆身份识别方法、系统及可读存储介质,能够将视频识别技术和射频识别技术的优点融合在一起,弥补两种单一技术不足,发挥出两种技术融合互补优势,提高车辆识别技术的准确率。
为了实现上述目的,本发明有如下的技术方案:
一种智能路侧单元的车辆身份识别方法,包括:
针对基于射频识别车辆身份的方法和基于视频图像识别车辆身份的方法,分别选择对识别结果有决定性作用的影响因素作为贝叶斯网络的节点;
根据不同方法的影响因素的关联性,构建融合视频识别和射频识别的有向无环图;
通过给有向无环图的各个节点进行赋值,完成贝叶斯网络模型的构建;
基于贝叶斯网络模型,在给定输出节点状态的情况下,通过贝叶斯定理计算得到车辆身份信息的合法性。
作为本发明方法的一种优选方案,所述分别选择对识别结果有决定性作用的影响因素作为贝叶斯网络的节点包括:
基于射频识别车辆身份的方法选择因素如下:
“有RFID”节点,分为有RFID、无RFID两种情况;
“RFID识别成功”节点,分为RFID识别成功、RFID识别不成功两种情况;
“车辆合法”节点,分为车辆合法、车辆不合法两种情况;
基于视频图像识别车辆身份的方法选择因素如下:
“车型正确识别”节点,分为车型识别正确、车型识别不正确两种情况;
“车牌正确识别”节点,分为车牌识别正确、车牌识别不正确两种情况;
“颜色正确识别”节点,分为车身颜色识别正确、车身颜色识别不正确两种情况。
作为本发明方法的一种优选方案,所述根据不同方法的影响因素的关联性,构建融合视频识别和射频识别的有向无环图包括:将基于射频识别车辆身份的方法中的“有RFID”节点与基于视频图像识别车辆身份的方法的车辆识别结果作为贝叶斯网络结构的输入节点;将RFID和车辆合法作为中间节点,传基于射频识别车辆身份的方法的影响;将两种方法的车辆身份识别结果的匹配状况作为输出节点。
作为本发明方法的一种优选方案,所述给有向无环图的各个节点进行赋值包括:输入节点赋先验概率值,中间节点和输出节点赋条件概率值。
作为本发明方法的一种优选方案,所述贝叶斯网络模型的构建过程如下:首先通过对现有车辆识别结果的统计,实现对输入节点赋先验概率值,在此基础上,通过统计或计算得到输入节点与中间节点、中间节点之间、中间节点和输出节点之间的条件概率值。
作为本发明方法的一种优选方案,所述通过贝叶斯定理计算得到车辆身份信息的合法性包括:所述贝叶斯网络模型以图像识别结果数据以及基于电子车牌识别系统的车辆合法或非法先验概率为基准,通过计算不同融合情况下的条件概率值,结合贝叶斯公式,给出车辆的合法或非法概率信息。
作为本发明方法的一种优选方案,所述通过贝叶斯定理计算得到车辆身份信息的合法性之后,如果出现车辆非法,则将车辆此时的图像进行保存以用于违法取证。
本发明还提出一种智能路侧单元的车辆身份识别系统,包括:
网络节点选择模块,用于针对基于射频识别车辆身份的方法和基于视频图像识别车辆身份的方法,分别选择对识别结果有决定性作用的影响因素作为贝叶斯网络的节点;
图构建模块,用于根据不同方法的影响因素的关联性,构建融合视频识别和射频识别的有向无环图;
图赋值模块,用于通过给有向无环图的各个节点进行赋值,完成贝叶斯网络模型的构建;
合法性判别模块,用于基于贝叶斯网络模型,在给定输出节点状态的情况下,通过贝叶斯定理计算得到车辆身份信息的合法性。
本发明还提出一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现所述智能路侧单元的车辆身份识别方法中的步骤。
相较于现有技术,本发明至少具有如下的效果:
通过贝叶斯网络模型,将来自于视频图像识别方法的车辆信息识别结果和来自于汽车电子标识的射频数据进行融合,再根据贝叶斯定理,实现对车辆的合法或非法的高准确性判断。结果表明,通过本发明的车辆身份识别方法能够对道路上机动车身份进行高精度的识别,本发明能够实现基于贝叶斯定理的多源数据融合,在结合视频数据和射频数据的前提下,比较准确的实现车辆身份的确认,能够为智能车路系统的使用提供可靠的技术支持。
附图说明
图1本发明实施例智能路侧单元的车辆身份识别方法流程图;
图2本发明实施例贝叶斯网络模型原理图;
图3本发明实施例双基身份融合的贝叶斯网络结构示意图;
图4本发明实施例车辆识别结果图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
参见图1,本发明实施例智能路侧单元的车辆身份识别方法,包括以下步骤:
步骤1、针对基于射频识别车辆身份的方法和基于视频图像识别车辆身份的方法,分别选择对识别结果有决定性作用的因素作为贝叶斯网络的节点。
根据不同车辆身份识别技术特点的不同,选择的具体节点以及节点情况划分如下:
(1)基于射频的车辆身份识别选择因素;
“有RFID”节点,用R表示,分为有RFID、无RFID两种情况;
“RFID识别成功”节点,用D表示,分为RFID识别成功、RFID识别不成功两种情况;
“车辆合法”节点,用L表示,分为车辆合法、车辆不合法两种情况。
(2)基于视频图像的车辆身份识别选择因素;
“车型正确识别”节点,用S表示,分为车型识别正确、车型识别不正确两种情况;
“车牌正确识别”节点,用P表示,分为车牌识别正确、车牌识别不正确两种情况;
“颜色正确识别”节点,用C表示,分为车身颜色识别正确、车身颜色识别不正确两种情况。
步骤2、通过分析来自不同方法的影响因素的关联性,构建融合视频识别和射频识别的有向无环图。
由于射频识别的前提是车辆包含RFID模块,且路侧设备可成功对其进行识别,因此,将射频识别方法中的“有RFID”与视频图像识别方法中的相关车辆识别结果作为贝叶斯网络结构的输入节点;将RFID和车辆合法作为中间节点,传递射频识别对双基身份融合技术的影响;将两种车辆身份识别结果的匹配状况作为输出节点,以此表征两种识别技术的融合。
步骤3、对步骤2所提出的有向无环图的各个节点进行赋值,从而完成贝叶斯网络的构建,输入节点赋先验概率值,中间节点和输出节点赋条件概率值。首先通过对现有大量车辆识别结果的统计,实现对输入节点赋先验概率值,在此基础上,通过统计或计算得到输入节点与中间节点、中间节点之间、中间节点和输出节点之间的条件概率。
步骤4、基于步骤3的贝叶斯网络模型,在给定输出节点状态的情况下,通过贝叶斯定理计算得到车辆身份信息的合法性,实现通过基于双基身份融合的贝叶斯网络结构来确定车辆身份的目的。
此贝叶斯网络结构以图像识别结果数据以及基于电子车牌识别系统的车辆合法/非法先验概率为基准,计算不同融合情况下的条件概率,结合贝叶斯公式,给出车辆的合法或非法概率信息。若车辆非法,则将车辆此时的图像进行保存,以供交通管理部门进行违法取证。使用贝叶斯网络结构可以使人清晰的得出属性结点间的关系,进而也使得使用贝叶斯网进行推理和预测变得相对容易实现。
以下通过实际案例对上述本发明实施例智能路侧单元的车辆身份识别方法加以验证。
贝叶斯网络用一种形式表示出了事件的联合概率分布,根据贝叶斯网的网络结构以及条件概率表可以快速得到每个基本事件(所有属性值的一个组合)的概率,即利用先验知识和样本数据来获得对未知样本的估计。其基本网络结构如图2所示。
每个结点代表一个属性或者数据变量,结点间的弧代表属性(数据变量)间的概率依赖关系。一条弧由一个属性(数据变量)A指向另外一个属性(数据变量)B说明属性A的取值可以对属性B的取值产生影响,由于是有向无环图,A、B间不会出现有向回路。在贝叶斯网当中,直接的原因结点(弧尾)A叫做其结果结点(弧头)B的双亲结点(parents),B叫做A的孩子结点(children)。如果从一个结点X有一条有向通路指向Y,则称结点X为结点Y的祖先(ancestor),同时称结点Y为结点X的后代(descendent)。根据条件概率和贝叶斯网络结构,不仅可以由祖先接点推出后代的结果,还可以通过后代当中的证据结点来向前推出祖先取各种状态的概率。
根据图2所示贝叶斯网络的结构(有向无环图),将其应用于图像识别数据与汽车电子标识数据,在给定待检测车辆的车牌、车型、车身颜色匹配情况下,分别计算车辆合法及非法概率的概率,根据概率值决定数据融合结果。将“合法车”、“有RFID”、“RFID识别成功”、“车型正确识别”、“车牌正确识别”及“车身颜色正确识别”特性构建成如图3的双基身份融合的贝叶斯网络结构,并计算车辆合法及非法的概率。图中各模块的解释如下:
(1)有RFID(R):车辆上含有射频识别模块;
(2)RFID识别成功(D):识别到车辆上的电子车牌信息;
(3)合法车(L):车辆合法的先验概率;
(4)车型正确识别(S):图像识别算法可正确识别车型;
(5)车牌正确识别(P):图像识别算法可正确识别车牌;
(6)颜色正确(C):图像识别算法可正确识别车身颜色;
(7)SS一致:射频识别模块对车型的识别和图像识别模块对车型的识别结果一致;
(8)PP一致:射频识别模块对车牌的识别和图像识别模块对车牌的识别结果一致。
(9)CC一致:射频识别模块对车身颜色的识别和图像识别模块对车身颜色的识别结果一致。
RFID可成功识别车辆,车型识别一致、车牌识别不一致、车身颜色识别一致的情况下,车辆合法及不合法的表达形式分别如下。
合法:P(L=1|SS=1,PP=0,CC=1)
不合法:P(L=0|SS=1,PP=0,CC=1)
为求解以上问题,统计相关先验概率如下表1:
表1 RFID含有情况先验概率
概率 | |
R=0 | 0.3 |
R=1 | 0.7 |
表1中,R=0表示车辆不含有电子车牌(可通过RFID模块读取电子车牌内存储的车辆信息),R=1表示车辆包含电子车牌。
表2 图像识别模块识别先验概率
(a)车型识别
概率 | |
S=0 | 0.2 |
S=1 | 0.8 |
(b)车牌号识别
概率 | |
P=0 | 0.2 |
P=1 | 0.8 |
(c)车身颜色识别
概率 | |
C=0 | 0.2 |
C=1 | 0.8 |
表2(a)中,S=1代表图像识别模块正确识别车型,S=0代表图像识别模块识别车型错误;表2(b)中,P=1代表图像识别模块正确识别车牌,P=0代表图像识别模块识别车牌错误;表2(c)中,C=1代表图像识别模块正确识别车身颜色,C=0代表图像识别模块识别车身颜色错误。
相关条件概率如下表3:
表3 RFID识别情况条件概率
R=0 | R=1 | |
D=0 | 1 | 0.1 |
D=1 | 0 | 0.9 |
表3中给出了车辆无RFID的条件下未识别成功的概率P(D=0|R=0)、识别成功的概率P(D=1|R=0),以及车辆有RFID的条件下未识别成功的概率P(D=0|R=1)、识别成功的概率P(D=1|R=1)。
表4 RFID含有情况条件概率
D=0 | D=1 | |
L=0 | 0.7 | 0.1 |
L=1 | 0.3 | 0.9 |
表4中分别给出了车辆不合法的条件下无RFID的概率P(R=0|L=0)、有RFID的概率P(R=1|L=0),以及车辆合法的条件下无RFID的概率P(R=0|L=1)、有RFID的概率P(R=1|L=1)。
表5 射频识别模块与图像识别模块结果一致性条件概率
(a)SS一致
(b)PP一致
(c)CC一致
表5(a)中给出了车辆不合法(L=0)、图像识别模块未正确识别(S=0)条件下,SS不一致的概率P(SS=0|S=0,L=0)、SS一致的概率P(SS=1|S=0,L=0),车辆不合法(L=0)、图像识别模块正确识别(S=1)条件下,SS不一致的概率P(SS=0|S=1,L=0)、SS一致的概率P(SS=1|S=1,L=0),车辆合法(L=1)、图像识别模块未正确识别(S=0)条件下,SS不一致的概率P(SS=0|S=0,L=1)、SS一致的概率P(SS=1|S=0,L=0),以及车辆合法(L=1)、图像识别模块正确识别(S=1)条件下,SS不一致的概率P(SS=0|S=1,L=1)、SS一致的概率P(SS=1|S=1,L=1);表5(b)中给出了不同车牌识别情况下(P=0/P=1)对应的条件概率;表2-10(c)中给出了不同车身颜色识别情况下(C=0/C=1)对应的条件概率。
式(1)计算结果为待检测车辆不合法的概率,式(2)计算结果为待检测车辆合法的概率。
比较式(1)、(2)的结果值,选择较大值对应的情况作为给定情况下数据融合的结果,其实验结果如图4所示。
本发明还提出一种智能路侧单元的车辆身份识别系统,包括:
网络节点选择模块,用于针对基于射频识别车辆身份的方法和基于视频图像识别车辆身份的方法,分别选择对识别结果有决定性作用的影响因素作为贝叶斯网络的节点;
图构建模块,用于根据不同方法的影响因素的关联性,构建融合视频识别和射频识别的有向无环图;
图赋值模块,用于通过给有向无环图的各个节点进行赋值,完成贝叶斯网络模型的构建;
合法性判别模块,用于基于贝叶斯网络模型,在给定输出节点状态的情况下,通过贝叶斯定理计算得到车辆身份信息的合法性。
本发明还提出一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现所述智能路侧单元的车辆身份识别方法中的步骤。
示例性的,所述的计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在计算机可读存储介质中,并由所述处理器执行,以完成本申请所述智能路侧单元的车辆身份识别方法中的步骤。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该指令段用于描述所述计算机程序在服务器中的执行过程。
所述服务器可以是智能手机、笔记本、掌上电脑及云端服务器等计算设备。所述服务器可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述服务器还可以包括更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述服务器还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(CentraL Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(DigitaL SignaL Processor,DSP)、专用集成电路(AppLication Specific Integrated Circuit,ASIC)、现成可编程门阵列(FieLd-ProgrammabLe Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是所述服务器的内部存储单元,例如服务器的硬盘或内存。所述存储器也可以是所述服务器的外部存储设备,例如所述服务器上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure DigitaL,SD)卡,闪存卡(FLash Card)等。进一步地,所述存储器还可以既包括所述服务器的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机可读指令以及所述服务器所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (9)
1.一种智能路侧单元的车辆身份识别方法,其特征在于,包括:
针对基于射频识别车辆身份的方法和基于视频图像识别车辆身份的方法,分别选择对识别结果有决定性作用的影响因素作为贝叶斯网络的节点;
根据不同方法的影响因素的关联性,构建融合视频识别和射频识别的有向无环图;
通过给有向无环图的各个节点进行赋值,完成贝叶斯网络模型的构建;
基于贝叶斯网络模型,在给定输出节点状态的情况下,通过贝叶斯定理计算得到车辆身份信息的合法性。
2.根据权利要求1所述智能路侧单元的车辆身份识别方法,其特征在于,所述分别选择对识别结果有决定性作用的影响因素作为贝叶斯网络的节点包括:
基于射频识别车辆身份的方法选择因素如下:
“有RFID”节点,分为有RFID、无RFID两种情况;
“RFID识别成功”节点,分为RFID识别成功、RFID识别不成功两种情况;
“车辆合法”节点,分为车辆合法、车辆不合法两种情况;
基于视频图像识别车辆身份的方法选择因素如下:
“车型正确识别”节点,分为车型识别正确、车型识别不正确两种情况;
“车牌正确识别”节点,分为车牌识别正确、车牌识别不正确两种情况;
“颜色正确识别”节点,分为车身颜色识别正确、车身颜色识别不正确两种情况。
3.根据权利要求2所述智能路侧单元的车辆身份识别方法,其特征在于,所述根据不同方法的影响因素的关联性,构建融合视频识别和射频识别的有向无环图包括:将基于射频识别车辆身份的方法中的“有RFID”节点与基于视频图像识别车辆身份的方法的车辆识别结果作为贝叶斯网络结构的输入节点;将RFID和车辆合法作为中间节点,传基于射频识别车辆身份的方法的影响;将两种方法的车辆身份识别结果的匹配状况作为输出节点。
4.根据权利要求1所述智能路侧单元的车辆身份识别方法,其特征在于,所述给有向无环图的各个节点进行赋值包括:输入节点赋先验概率值,中间节点和输出节点赋条件概率值。
5.根据权利要求4所述智能路侧单元的车辆身份识别方法,其特征在于,所述贝叶斯网络模型的构建过程如下:首先通过对现有车辆识别结果的统计,实现对输入节点赋先验概率值,在此基础上,通过统计或计算得到输入节点与中间节点、中间节点之间、中间节点和输出节点之间的条件概率值。
6.根据权利要求5所述智能路侧单元的车辆身份识别方法,其特征在于,所述通过贝叶斯定理计算得到车辆身份信息的合法性包括:所述贝叶斯网络模型以图像识别结果数据以及基于电子车牌识别系统的车辆合法或非法先验概率为基准,通过计算不同融合情况下的条件概率值,结合贝叶斯公式,给出车辆的合法或非法概率信息。
7.根据权利要求1所述智能路侧单元的车辆身份识别方法,其特征在于,所述通过贝叶斯定理计算得到车辆身份信息的合法性之后,如果出现车辆非法,则将车辆此时的图像进行保存以用于违法取证。
8.一种智能路侧单元的车辆身份识别系统,其特征在于,包括:
网络节点选择模块,用于针对基于射频识别车辆身份的方法和基于视频图像识别车辆身份的方法,分别选择对识别结果有决定性作用的影响因素作为贝叶斯网络的节点;
图构建模块,用于根据不同方法的影响因素的关联性,构建融合视频识别和射频识别的有向无环图;
图赋值模块,用于通过给有向无环图的各个节点进行赋值,完成贝叶斯网络模型的构建;
合法性判别模块,用于基于贝叶斯网络模型,在给定输出节点状态的情况下,通过贝叶斯定理计算得到车辆身份信息的合法性。
9.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述智能路侧单元的车辆身份识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111520317.4A CN114187554A (zh) | 2021-12-13 | 2021-12-13 | 智能路侧单元的车辆身份识别方法、系统及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111520317.4A CN114187554A (zh) | 2021-12-13 | 2021-12-13 | 智能路侧单元的车辆身份识别方法、系统及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114187554A true CN114187554A (zh) | 2022-03-15 |
Family
ID=80543509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111520317.4A Pending CN114187554A (zh) | 2021-12-13 | 2021-12-13 | 智能路侧单元的车辆身份识别方法、系统及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187554A (zh) |
-
2021
- 2021-12-13 CN CN202111520317.4A patent/CN114187554A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20130132166A1 (en) | Smart toll network for improving performance of vehicle identification systems | |
CN113888860A (zh) | 车辆异常行驶的检测方法、装置、服务器及可读存储介质 | |
CN114926540A (zh) | 一种车道线标定的方法、装置、终端设备及可读存储介质 | |
CN112214402A (zh) | 一种代码验证算法的选择方法、装置及存储介质 | |
CN113674317B (zh) | 一种高位视频的车辆跟踪方法及装置 | |
CN111368617B (zh) | 车辆出入数据处理方法及装置 | |
CN110796060A (zh) | 高速行车路线确定方法、装置、设备和存储介质 | |
CN113297939A (zh) | 障碍物检测方法、系统、终端设备及存储介质 | |
CN117197796A (zh) | 一种车辆遮挡识别方法及相关装置 | |
CN114187554A (zh) | 智能路侧单元的车辆身份识别方法、系统及可读存储介质 | |
CN116481560A (zh) | 车辆行驶里程的计算方法、装置、终端及存储介质 | |
CN116721396A (zh) | 车道线检测方法、设备及存储介质 | |
CN111739343A (zh) | 车辆事故风险的预警方法、装置、介质及电子设备 | |
CN112950961B (zh) | 车流量统计方法、装置、设备和存储介质 | |
CN113435502B (zh) | 站点流量确定方法、装置、设备及存储介质 | |
CN115406452A (zh) | 一种实时定位及建图方法、装置及终端设备 | |
CN114998883A (zh) | 车牌识别方法、装置、电子设备、智能交通设备 | |
CN114119953A (zh) | 快速车牌定位和矫正方法、存储介质及设备 | |
CN115273025A (zh) | 交通资产的盘点方法、装置、介质及电子设备 | |
CN113989778A (zh) | 车辆信息匹配方法、装置、终端设备及存储介质 | |
CN109949335B (zh) | 一种图像处理方法及装置 | |
CN111639640A (zh) | 基于人工智能的车牌识别方法、装置及设备 | |
CN116503695B (zh) | 目标检测模型的训练方法、目标检测方法及设备 | |
CN116630928B (zh) | 一种车道线优化方法、装置及电子设备 | |
CN112395277B (zh) | 一种车辆信息筛选方法、装置、设备及存储介质 |
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 |