CN114529996A - 一种自由流收费稽查系统 - Google Patents

Abstract

本发明公开了一种自由流收费稽查系统。包括：应用服务器、相连接的数个边缘服务器、以及与边缘服务器连接的车辆识别模块和ETC监控模块；车辆识别模块用于拍摄车辆图像进行车辆信息识别，并发送到边缘服务器；ETC监控模块用于接收车载OBU信号获取车辆的通行介质信息、以及对天线信号进行监控和识别，并发送到边缘服务器；边缘服务器对接收到的车辆信息、通行介质信息和ETC异常事件进行存储；应用服务器用于将所述车辆信息和所述通行介质信息进行匹配，若匹配不成功，则生成稽核工单，并将所述稽核工单和所述ETC异常事件进行推送。本发明对车辆信息和车辆体貌特征进行多维度分析、对ETC信号进行异常识别、提高了计费准确性。

Description

一种自由流收费稽查系统

技术领域

本发明涉及高速收费稽核技术领域，特别是涉及一种自由流收费稽查系统。

背景技术

目前，高速公路完成了撤销省界收费站工程，实现了全网一次通行、一次缴费，货车计费也由称重计费变换为车型计费，可使用OBU快速通过收费站，但是在新的收费模式下，也产生了新的稽核问题，一方面是客观因素如恶劣天气或交通事故等对通行介质与收费车道系统、门架系统交易产生影响，从而导致计费不准确，造成了通行费的损失，另一方面则是人为因素造成的少交、未交和拒交通行费的问题。

由于撤销省界站之后，全国高速一网通行，车辆单程通行费高，发生了部分车辆偷逃费行为，包括携带多张OBU/CPC卡、倒换OBU/CPC卡、或屏蔽OBU/CPC卡通行等问题，给通行计费造成干扰，严重影响计费的准确性；另外，监控中心对管理路段的交通状态参数的监控需要人员盯防，对监控中心成员的工作强度和工作经验要求较高，容易出现因人员疲惫而产生漏报现象，无法保证异常情况通知的时效性，以及无法全局、及时地感知路段交通状态。

发明内容

为了解决上述技术问题，本发明的目的是提供一种对车辆信息和车辆体貌特征进行多维度分析、对ETC信号进行异常识别、并且对交通状态和车辆状态进行可视化数据管理的能够进行车辆分析、收费稽核以及交通数据管理的自由流收费稽查系统。

本发明提供了一种自由流收费稽查系统，所述系统包括：

应用服务器、和所述应用服务器相连接的数个边缘服务器、以及与所述边缘服务器分别连接的车辆识别模块和ETC监控模块；

所述车辆识别模块用于拍摄车辆图像进行车辆信息识别，并将识别出的车辆信息发送到所述边缘服务器；

所述ETC监控模块用于接收车载OBU信号获取车辆的通行介质信息、以及对ETC天线信号进行监控和识别，并将所述通行介质信息和识别到的ETC异常事件发送到所述边缘服务器；

所述边缘服务器用于对接收到的所述车辆信息、所述通行介质信息和所述ETC异常事件进行存储；

所述应用服务器用于获取所述边缘服务器中的所述车辆信息、所述通行介质信息和所述ETC异常事件，将所述车辆信息和所述通行介质信息进行匹配，若匹配不成功，则生成稽核工单，并将所述稽核工单和所述ETC异常事件进行推送。

进一步地，所述车辆识别模块包括：

拍摄模块，用于拍摄道路上的车辆，生成车辆图像信息，所述车辆图像信息包括车身图像、车辆高度曲线、车轮图像；

识别模块，用于对所述车辆图像信息进行车辆信息识别，所述车辆信息包括车型、车轴数量、车牌和车籍。

进一步地，所述拍摄模块包括：

摄像模块，用于拍摄道路上的车辆，生成车身图像，所述车身图像包括车头车尾图像和车辆全景图像；

超声波模块，用于对所述车辆进行超声波测高，生成车辆高度曲线；

激光雷达模块，用于对所述车辆的侧面进行激光测距，生成车轮图像。

进一步地，所述识别模块包括：

车型识别模块，车型识别模块，用于通过第一神经网络模型对所述车身图像进行图像轮廓识别，得到车辆轮廓图像，并将所述车辆轮廓图像与所述车辆高度曲线和所述车轮图像进行匹配，得到车辆图像，通过第二神经网络模型对所述车辆图像进行图像识别和分类，得到车辆的车型，通过第三神经网络对所述车轮图像进行识别和计数，得到车轴数量；

车牌识别模块，用于通过目标识别模型对所述车辆图像进行目标区域识别，得到所述车辆的车牌，并根据所述车牌得到相对应的车籍。

进一步地，所述拍摄模块和所述识别模块安装在路段门架和收费站匝道处，其中，所述摄像模块和所述超声波模块安装在门架顶部，所述激光雷达模块安装在门架顶部和门架两侧。

进一步地，所述ETC监控模块包括：

RSU路侧单元，用于与车载OBU进行通讯，获取车辆的通行介质信息；

ETC环境监测模块，用于监测ETC天线的信号参数和所述车载OBU的频率信号，所述信号参数包括天线的发射信号频率、信号功率、调制系数、接收灵敏度；

ETC异常识别模块，用于将经过预处理的所述信号参数和所述频率信号作为特征序列输入第四神经网络模型进行异常信号识别，得到ETC异常事件，所述ETC异常事件包括ETC天线异常和车载OBU异常。

进一步地，所述系统还包括事件监控模块，所述事件监控模块与所述边缘服务器相连接，用于对道路异常事件进行监控，所述道路异常事件包括行人事件、停车事件、抛洒物事件和拥堵事件。

进一步地，所述应用服务器用于对获取的所述车辆信息、所述通行介质信息和所述ETC异常情况进行分类统计，以及从所述边缘服务器获取所述道路异常事件并进行推送。

进一步地，所述第一神经网络模型为SOM神经网络模型，所述第二神经网络模型为ResNet神经网络模型，所述第三神经网络模型为CNN神经网络模型，所述目标识别模型包括YOLO模型和SSD模型。

进一步地，所述第四神经网络模型为DNN神经网络模型。

上述本发明提供了一种自由流收费稽查系统。通过所述系统，实现对ETC门架前端车牌、车型、天线设备的监控和识别，以及实现后台事件检测功能，本发明能够解决路段运营管理问题，实现收费数据能分析、能稽核、能管理，路段车辆及设备可视、可控和可测的目标。这对于高速收费稽核领域来说，是非常有意义的。

附图说明

图1是本发明实施例中自由流收费稽核系统的结构示意图；

图2是图1中车辆识别模块的结构示意图；

图3是图1中ETC监控模块的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，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。

请参阅图1，本发明实施例提出的一种自由流收费稽查系统，包括：应用服务器1、和应用服务器1相连接的数个边缘服务器2、以及和边缘服务器2相连接的车辆识别模块21和ETC监控模块22。

其中，车辆识别模块21用于对道路上的车辆进行车型、车牌等信息的识别，如图2所示，车辆识别模块21包括拍摄模块211和识别模块212，拍摄模块211用于对道路上的车辆进行拍摄生成车辆图像信息，识别模块212用于对拍摄到的车辆图像信息进行车辆信息识别，包括车型、车轴数量、车牌以及车籍等。

在目前常用的车辆识别单元中，一般都是通过摄像头拍摄车辆图像信息进行识别，但是恶劣天气或者光照都会影响拍摄图像的质量，从而导致车辆识别的不准确，为了克服常用识别方法由于图像质量而影响识别结果的问题，本实施例将高清摄像装置、超声波装置以及激光雷达装置进行结合，降低了客观因素对拍摄图像质量的影响，从而提高车辆识别的精度。本实施例中拍摄模块211包括摄像模块2111、超声波模块2112和激光雷达模块2113，其中，摄像模块2111通过高清摄像装置对道路上行驶的车辆进行全方位多角度的拍摄，包括车头车尾图像和车辆全景图像等，并且通过补光灯等设备使拍摄效果更加清晰，超声波模块2112用于对路过的车辆进行超声波测高，可以简单快速的得到车辆高度曲线也就是车顶的曲线，激光雷达模块2113则从侧面对车辆进行测距，生成车辆的侧面图像，也就是车轮图像。为了方便拍摄，本实施例中优选的将拍摄模块211安装在路段的门架上以及收费站匝道处，其中，摄像模块2111和超声波模块2112安装在门架的顶部，激光雷达模块2113则安装在门架的顶部和两侧立柱上。对于拍摄模块211得到的车辆图像信息，下面结合识别模块212进行车辆识别的详细描述。

识别模块212包括车型识别模块2121和车牌识别模块2122，其中车型识别模块2121用于对拍摄到的车辆进行车型和车轴数量的识别，在现有的车辆识别方法中，影响识别精度很重要的因素之一是车辆轮廓与背景环境的分隔，实际上，对于夜晚环境或者恶劣天气环境下拍摄的图像，现有识别方法难以将车辆从拍摄图像的背景中准确识别出来，为了克服这种问题，本实施例在普通的图像识别之前增加了车辆轮廓的识别，并且将拍摄图像和超声波图像以及激光雷达图像进行了结合，从而能够精确的将单个车辆从天气原因或者交通拥堵造成的质量不高的拍摄图像中识别出来。具体的，首先通过建立的第一神经网络模型对拍摄的图像进行车辆轮廓的识别，在此，我们优选使用了SOM神经网络模型对图像做聚类分析，识别出复杂环境下的车辆轮廓。

本实施例中使用了基于K-means和GMM优化的SOM神经网络模型，即首先将训练样本进行K-means聚类后，将聚类结果作为初值用高斯混合模型GMM进行二次迭代，然后将训练样本聚类所得的聚类中心作为SOM神经网络模型的初始权值向量，再进行聚类识别，从而在提高识别率的同时相对降低训练时间，具体的SOM神经网络模型的搭建过程可以参阅常规方法，在此不再赘述。

在通过第一神经网络模型从拍摄图像中得到车辆轮廓图像之后，由于光线、天气以及车流量的原因可能导致的拍摄图像的质量不高，或者导致车辆遮挡严重而无法准确进行单个车辆的图像分隔，为此，本实施例中将改进的SOM神经网络模型得到的车辆轮廓图像与超声波模块2112测得的每辆车的车辆高度曲线、以及激光雷达模块2113测得的车轮图像分别进行匹配，从而将路过的每辆车从拍摄的图像中精准的分隔出来得到车辆图像，为下一步的车辆信息识别做准备。

对于车辆车型的识别，我们使用了第二神经网络模型，本实施例中优选的使用了深度残差ResNet神经网络模型，对车辆图像进行识别和分类，通过车辆的外形轮廓的识别和分类，得到车辆的车型，如客车、货车、专属车辆等，对于车轴数量则可以通过第三神经网络模型进行识别，如卷积神经网络CNN对处理过的车辆对应的车轮图像进行车轮识别并计数，从而进一步的得到车轴数量，当然也可以直接从车辆图像中对车轮进行识别，或者结合车辆图像和车轮图像进行车轮识别，或者可以使用其他神经网络模型进行车型和轴数的识别比如DNN模型，又或者使用目标识别模型如YOLO模型和SSD模型对车轮进行识别等等，可以根据具体的拍摄图像质量等进行灵活设定，在此不再做具体的限定，可以达到上述图像识别效果的网络模型均可用于本实施例中。

对于车辆车牌的识别则优选的使用了目标识别模型如YOLO模型或者SSD模型等，对车辆对应的车头车位图像或者车辆全景图像进行目标识别，获取车牌目标区域，进行车牌识别，并通过车牌进一步的得到车辆的车籍，如车牌京A00000，则对应的车籍为京。当然也可以用其他的目标识别模型进行车牌识别，在此不做具体的限制。

如图3所示，本实施例中的ETC监控模块22包括RSU路侧单元221、ETC环境监测模块222、和ETC异常识别模块223，其中RSU路侧单元主要用于和路过车辆的车载OBU进行微波通信，从而获取车辆OBU中关于通行介质的信息，包括车牌、轴数、车型、以及通行介质是OBU还是CPC卡，车辆种类、车辆通过的车道等等，这些功能和现有的RSU路侧单元功能相似，可参阅现有的RSU功能。

和现有ETC系统不同的地方在于，本实施例中还设置了ETC环境监测模块222和ETC异常识别模块223，其原因在于ETC天线目前没有任何有效的防护和监测，对天线信号是否衰减、干扰、屏蔽，交易是否正常无法及时反馈，给偷逃通行费带来可乘之机。利用干扰天线偷逃的车辆逐渐增多，形态各异，扰乱了正常的收费秩序，给收费系统造成重大影响。为此，我们设置了ETC环境监测模块222对门架天线的健康状况进行实时监控，保证天线正常工作，监测天线与通行车辆OBU交易状态，ETC异常识别模块223则对车辆通过门架时是否存在干扰和屏蔽进行检测判断，自动将天线异常情况上报。具体的，ETC环境监测模块222监控的内容包括ETC天线的发射信号频率、信号功率、调制系数和接收灵敏度等，以及车载OBU的频率信号，当然还可以监控其他的天线信号，如接收带宽、交易时间、邻道交易状态等等，具体的参数可以根据实际情况灵活设定，然后通过ETC异常识别模块223对上述的信号参数进行异常事件的识别，在此，我们优选的使用了天线的发射信号频率、信号功率、调制系数、接收灵敏度、以及车载OBU的频率信号作为监控参数，并经过预处理如归一化和数据填充后，将其作为特征序列输入第四神经网络模型进行异常信号的识别，其中第四神经网络模型的主干网络优选的使用了DNN深度神经网络模型，通过模型识别得到异常信号，并判断出异常信号对应的ETC异常事件，如ETC天线异常或者车载OBU异常等。通过ETC监控模块22对车辆车载的OBU或者CPC卡进行数量和状态的监测，及时对门架的维护提供数据参考，可以及时、准确的掌握门架ETC的电子环境和车辆用户行为，并且对通讯信号异常进行识别，自动分析出异常情况属于天线还是OBU，对通行介质异常进行预警，从而保障了门架ETC系统的高水平运行。

由于高速公路上设置了很多车辆识别模块21和ETC监控模块22，为了减轻应用服务器1的压力，我们设置了多个边缘服务器2进行中间信息的处理，边缘服务器2连接多个车辆识别模块21和ETC监控模块22，并将两个模块处理得到的信息进行存储，方便应用服务器1提取信息并进行下一步的处理。应用服务器1从多个边缘服务器2实时获取车辆信息、车辆的通行介质信息、以及ETC异常事件后，会进行信息处理，包括将车辆信息中的车型、车轴数量、车牌和通行介质中的车型、轴数和车牌进行比对匹配，如果比对一致，则说明该车辆没有问题，如果比对不一致，如车型不一致、车牌不一致、或者轴数不一致等问题，则将该问题以及对应的车辆信息生成稽核工单进行推送，由其他工作人员进行车辆追踪处理，并且对于ETC异常事件也会生成对应的稽核工单进行推送，对异常事件对应的车辆进行追踪。

为了对整个高速交通情况有更全面的监控，本实施例中还设置了事件监控模块23对道路事件进行检测，包括行人检测、停车检测、拥堵检测、抛洒物检测和车流检测等，事件监控模块23与边缘服务器2相连接，应用服务器1则通过边缘服务器2获取事件监控模块23检测到的道路事件，并及时进行预警，推送到运维部门进行确认处理。本实施例中可以使用常规的图像处理和目标识别模型对这些道路事件进行检测和识别，在此不再一一赘述。

本实施例中的应用服务器1除了上述的功能之外，还可以对获取的信息进行分类统计生成数据报表，如可以按车道、不同时段、不同车型等综合统计分析路段门架或者收费匝道车辆的情况，可以对车辆异常情况如车牌、车轴、通行介质不符等或ETC异常事件进行列表展示或照片图像展示，还可以通过对抓取车辆信息统计分析通过路段门架或收费站匝道的车籍、车型等按照日期进行实时展示，或者对车辆携带的通行介质按照车道、车型、不同时段进行统计分析等等，从而全面的统计分析道路车辆情况和道路情况。进一步地，应用服务器1还基于车辆特征分析建立了“一车一档”数据模型，记录车辆美慈通行状态，统计通行次数，全面追踪车辆的通行行为，综合分析车辆历史通行状态，及时对异常情况发出告警。当通过门架时分析出异常，系统自动将车辆异常情况上报给监控中心，在车辆行进过程中通过情报板或语音系统进行提醒或告警；当驶离门架离开路段出现异常情况时，系统利用各分公司互联互通的网络，将异常状况自动上报到下一路段的监控中心进行告警提醒。驶离路段收费站匝道出现异常时，对出现大车小标、货车客标、一车多标/多卡等情况进行警告。

综上，本实施例提供的一种自由流收费稽查系统，包括应用服务器、和所述应用服务器相连接的数个边缘服务器、以及与所述边缘服务器分别连接的车辆识别模块和ETC监控模块；所述车辆识别模块用于拍摄车辆图像进行车辆信息识别，并将识别出的车辆信息发送到所述边缘服务器；所述ETC监控模块用于接收车载OBU信号获取车辆的通行介质信息、以及对ETC天线信号进行监控和识别，并将所述通行介质信息和识别到的ETC异常事件发送到所述边缘服务器；所述边缘服务器用于对接收到的所述车辆信息、所述通行介质信息和所述ETC异常事件进行存储；所述应用服务器用于获取所述边缘服务器中的所述车辆信息、所述通行介质信息和所述ETC异常事件，将所述车辆信息和所述通行介质信息进行匹配，若匹配不成功，则生成稽核工单，并将所述稽核工单和所述ETC异常事件进行推送。相比传统方法由于客观因素造成计费不准确或者缺乏信号监测导致通行费逃逸，本发明通过对车辆信息和车辆体貌特征进行多维度分析、对ETC信号进行异常识别、并且对交通状态和车辆状态进行可视化数据管理，从而实现了车辆分析、收费稽核以及交通数据管理，提高了通行费计算的准确性和道路交通的安全性和可控性。

本说明书中的各个实施例均采用递进的方式描述，各个实施例直接相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。需要说明的是，上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种优选实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。因此，本申请专利的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种自由流收费稽查系统，其特征在于，包括：

应用服务器、和所述应用服务器相连接的数个边缘服务器、以及与所述边缘服务器分别连接的车辆识别模块和ETC监控模块；

所述车辆识别模块用于拍摄车辆图像进行车辆信息识别，并将识别出的车辆信息发送到所述边缘服务器；

所述ETC监控模块用于接收车载OBU信号获取车辆的通行介质信息、以及对ETC天线信号进行监控和识别，并将所述通行介质信息和识别到的ETC异常事件发送到所述边缘服务器；

所述边缘服务器用于对接收到的所述车辆信息、所述通行介质信息和所述ETC异常事件进行存储；

所述应用服务器用于获取所述边缘服务器中的所述车辆信息、所述通行介质信息和所述ETC异常事件，将所述车辆信息和所述通行介质信息进行匹配，若匹配不成功，则生成稽核工单，并将所述稽核工单和所述ETC异常事件进行推送。

2.根据权利要求1所述的自由流收费稽查系统，其特征在于，所述车辆识别模块包括：

拍摄模块，用于拍摄道路上的车辆，生成车辆图像信息，所述车辆图像信息包括车身图像、车辆高度曲线、车轮图像；

识别模块，用于对所述车辆图像信息进行车辆信息识别，所述车辆信息包括车型、车轴数量、车牌和车籍。

3.根据权利要求2所述的自由流收费稽查系统，其特征在于，所述拍摄模块包括：

摄像模块，用于拍摄道路上的车辆，生成车身图像，所述车身图像包括车头车尾图像和车辆全景图像；

超声波模块，用于对所述车辆进行超声波测高，生成车辆高度曲线；

激光雷达模块，用于对所述车辆的侧面进行激光测距，生成车轮图像。

4.根据权利要求3所述的自由流收费稽查系统，其特征在于，所述识别模块包括：

车型识别模块，用于通过第一神经网络模型对所述车身图像进行图像轮廓识别，得到车辆轮廓图像，并将所述车辆轮廓图像与所述车辆高度曲线和所述车轮图像进行匹配，得到车辆图像，通过第二神经网络模型对所述车辆图像进行图像识别和分类，得到车辆的车型，通过第三神经网络对所述车轮图像进行识别和计数，得到车轴数量；

车牌识别模块，用于通过目标识别模型对所述车辆图像进行目标区域识别，得到所述车辆的车牌，并根据所述车牌得到相对应的车籍。

5.根据权利要求3所述的自由流收费稽查系统，其特征在于，所述拍摄模块和所述识别模块安装在路段门架和收费站匝道处，其中，所述摄像模块和所述超声波模块安装在门架顶部，所述激光雷达模块安装在门架顶部和门架两侧。

6.根据权利要求1所述的自由流收费稽查系统，其特征在于，所述ETC监控模块包括：

RSU路侧单元，用于与车载OBU进行通讯，获取车辆的通行介质信息；

ETC环境监测模块，用于监测ETC天线的信号参数和所述车载OBU的频率信号，所述信号参数包括天线的发射信号频率、信号功率、调制系数、接收灵敏度；

ETC异常识别模块，用于将经过预处理的所述信号参数和所述频率信号作为特征序列输入第四神经网络模型进行异常信号识别，得到ETC异常事件，所述ETC异常事件包括ETC天线异常和车载OBU异常。

7.根据权利要求1所述的自由流收费稽查系统，其特征在于，所述系统还包括事件监控模块，所述事件监控模块与所述边缘服务器相连接，用于对道路异常事件进行监控，所述道路异常事件包括行人事件、停车事件、抛洒物事件和拥堵事件。

8.根据权利要求7所述的自由流收费稽查系统，其特征在于，所述应用服务器用于对获取的所述车辆信息、所述通行介质信息和所述ETC异常情况进行分类统计，以及从所述边缘服务器获取所述道路异常事件并进行推送。

9.根据权利要求4所述的自由流收费稽查系统，其特征在于，所述第一神经网络模型为SOM神经网络模型，所述第二神经网络模型为ResNet神经网络模型，所述第三神经网络模型为CNN神经网络模型，所述目标识别模型包括YOLO模型和SSD模型。

10.根据权利要求6所述的自由流收费稽查系统，其特征在于，所述第四神经网络模型为DNN神经网络模型。

Images