CN114792472B - 一种基于大数据平台的车牌与车型信息核对校正方法 - Google Patents
一种基于大数据平台的车牌与车型信息核对校正方法 Download PDFInfo
- Publication number
- CN114792472B CN114792472B CN202210452889.1A CN202210452889A CN114792472B CN 114792472 B CN114792472 B CN 114792472B CN 202210452889 A CN202210452889 A CN 202210452889A CN 114792472 B CN114792472 B CN 114792472B
- Authority
- CN
- China
- Prior art keywords
- information
- license plate
- vehicle type
- vehicle
- passenger
- 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
-
- 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
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据平台的车牌与车型信息核对校正方法,包括步骤A:获取车辆在车道前端的车牌图片和车牌信息_localA,根据车牌图片识别出两客一危信息_local;步骤B:根据车牌信息_localA查询大数据平台获取车型信息_remoteA和两客一危信息_remoteA;步骤C:获取车辆在车道后端的车牌信息_localB,根据车牌信息_localB获取车型信息_local和与车型信息_local绑定的车牌信息_localC;步骤D:对上述各个车牌信息进行核对校正,得出最终车牌信息、最终车型信息和最终两客一危信息。通过本发明提供的一种基于大数据平台的车牌与车型信息核对校正方法,可以在实际使用中有效提高自动发卡系统和自助缴费系统中车牌识别成功率和车型识别成功率。
Description
技术领域
本发明涉及高速公路领域,尤其涉及一种基于大数据平台的车牌与车型信息核对校正方法。
背景技术
取消全国高速公路省界收费站后,国内多个省份都相继采用了自动发卡机和自助缴费机来推进收费站自动化和智能化的发展,并取得了较好的效果。
目前各个省份的自动发卡机和自助缴费机基本都是通过车道端的车型识别设备和车牌识别设备来获取车辆的车牌车型信息,没有校正核对功能,导致车牌车型信息识别错误率高,远不能达到交通部的相关标准,从而造成计费错误,引发争议。
发明内容
本发明为了解决以上问题,提供了一种基于大数据平台的车牌与车型信息核对校正方法。
为实现上述目的,本发明所采用的技术方案如下:
一种基于大数据平台的车牌与车型信息核对校正方法,包括以下步骤:
步骤A:获取车辆在车道前端的车牌图片和车牌信息_localA,根据车牌图片识别出两客一危信息_local;
步骤B:根据车牌信息_localA查询大数据平台获取车型信息_remoteA和两客一危信息_remoteA;
步骤C:获取车辆在车道后端的车牌信息_localB,根据车牌信息_localB获取车型信息_local和与车型信息_local绑定的车牌信息_localC;
步骤D:对上述各个车牌信息进行核对校正,得出最终车牌信息、最终车型信息和最终两客一危信息。
可选的,上述步骤中的车牌信息_localA、车牌信息_localB以及车牌信息_localC均包括车牌号、车牌颜色以及车牌可信度;车型信息_remoteA以及车型信息_local均包括车型值和车型可信度;两客一危信息_local以及两客一危信息_remoteA均包括两客一危属性值和两客一危可信度。
可选的,步骤D中,核对校正包括:
步骤D1:比较车牌信息_localA和车牌信息_localC是否相同,若相同,转到步骤D2,若不相同,转到步骤D3;
步骤D2:比较车牌信息_localB和车牌信息_localC是否相同,若相同,取车牌信息_localB为车牌信息_local,取车型信息_remoteA为车型信息_remote,取两客一危信息_remoteA为两客一危信息_remote,转到步骤D6;若不相同,转到步骤D4;
步骤D3:车牌信息_localA对应的车型信息_remoteA和两客一危信息_remoteA数据无效,两客一危信息_local中可信度降成0;并用车牌信息_localB查询大数据平台获取车型信息_remoteB和两客一危信息_remoteB,判断车牌信息_localB和车牌信息_localC模糊匹配是否成功,若成功,取车牌信息_localB为车牌信息_local,取车型信息_remoteB为车型信息_remote,取两客一危信息_remoteB为两客一危信息_remote;若失败,将车型信息_local中车型可信度降低,取车牌信息_localB为车牌信息_local,取车型信息_remoteB为车型信息_remote,取两客一危信息_remoteB为两客一危信息_remote;转到步骤D6;
步骤D4:用车牌信息_localB查询大数据平台获取车型信息_remoteB和两客一危信息_remoteB,并判断车牌信息_localB和车牌信息_localC模糊匹配是否成功,若失败,将车型信息_local中车型可信度降低,将两客一危信息_local中可信度降低;取车牌信息_localB为车牌信息_local,取车型信息_remoteB为车型信息_remote,取两客一危信息_remoteB为两客一危信息_remote,转到步骤D6,若成功,转到步骤D5;
步骤D5:判断车型信息_local中车型值与车型信息_remoteB中车型值是否符合下表,不符合:取车牌信息_localC为车牌信息_local,取车型信息_remoteA为车型信息_remote,取两客一危信息_remoteA为两客一危信息_remote;符合:取车牌信息_localB为车牌信息_local,取车型信息_remoteB为车型信息_remote,取两客一危信息_remoteB为两客一危信息_remote;转到步骤D6;
序号 | 情况描述(车型值) | 序号 | 情况描述(车型值) |
1 | 1,2,11 | 6 | 12,13,22,23 |
2 | 2,3 | 7 | 13,14,23,24 |
3 | 2,11,12 | 8 | 14,15,24,25 |
4 | 3,4 | 9 | 15,16,25,26 |
5 | 11,12,21,22 | 10 |
步骤D6:取车牌信息_local为最终车牌信息,并判断车型信息_local中可信度是否大于车型信息_remote中可信度;小于等于,转到步骤D7;大于,转到步骤D8;
步骤D7:判断车型值是否符合牵引车特例,若不符合,取车型信息_remote为最终车型信息,并转到步骤D9;若符合,转到步骤D8;
步骤D8:取车型信息_local为最终车型信息;转到步骤D9;
步骤D9:判断两客一危信息_local中可信度是否大于两客一危信息_remote中可信度,大于,取两客一危信息_local为最终两客一危信息;小于等于,取两客一危信息_remote为最终两客一危信息;转到步骤D10;
步骤D10:当车型信息_remote中车型值为客3或者客4时,修改最终两客一危信息中是两客一危属性值为两客车辆;当车型信息_remote中车型值为客1或者客2时,修改最终两客一危信息中是两客一危属性值为普通车辆。
可选的,模糊匹配算法是指逐个字节比对两个车牌信息中的车牌号和车牌颜色,根据车牌号中各个字节以及车牌颜色的权重,计算得出两个车牌信息的差异度,当差异度小于等于差异经验值时,认为两个车牌为同一车牌。
本发明与现有技术相比,所取得的技术进步在于:
本发明提供的一种基于大数据平台的车牌与车型信息核对校正方法,可以在实际使用中有效提高自动发卡系统和自助缴费系统中车牌识别成功率和车型识别成功率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
在附图中:
图1为本发明核对校正的流程图。
具体实施方式
下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
如图1所示,本发明公开了一种基于大数据平台的车牌与车型信息核对校正方法,包括:
步骤A:获取车辆在车道前端的车牌图片和车牌信息_localA,根据车牌图片识别出两客一危信息_local;
步骤B:根据车牌信息_localA查询大数据平台获取车型信息_remoteA和两客一危信息_remoteA;
步骤C:获取车辆在车道后端的车牌信息_localB,根据车牌信息_localB获取车型信息_local和与车型信息_local绑定的车牌信息_localC;
步骤D:对上述各个车牌信息进行核对校正,得出最终车牌信息、最终车型信息和最终两客一危信息。
具体的:
步骤A中车辆在车道前端使用车型识别设备采集车牌图片和车牌信息_localA,并将车牌图片和车牌信息_localA上传至处理机内;
步骤B中处理机将车牌信息_localA上传至大数据平台进行查询,以获取预先储存在大数据平台上的车型信息_remoteA和两客一危信息_remoteA;
步骤C中车辆在车道后端使用抓拍相机拍摄获取车牌信息_localB,并将车牌信息_localB上传至车道前端的车型识别设备内,车型识别设备根据车牌信息_localB查询车型识别设备中识别并存储的车型信息_local和对应的车牌信息_localC;
其中,车道前端车型识别设备是指安装在收费岛岛头的设备,包括车型识别器和车牌抓拍相机,车道后端的抓拍相机安装在自动发卡机或者自助缴费机处。
车牌图片是指车牌抓拍相机抓拍的未经处理的车头图片。
上述步骤中的车牌信息_localA、车牌信息_localB以及车牌信息_localC均包括车牌号、车牌颜色以及车牌可信度;车型信息_remoteA以及车型信息_local均包括车型值和车型可信度,车型值见表1;两客一危信息_local以及两客一危信息_remoteA均包括两客一危属性值和两客一危可信度,在本实施例中,两客一危属性值是指:0-正常车辆,1-危险品车辆,2-两客车辆。
表1
车型编码 | 车型描述 |
1 | 一型客车 |
2 | 二型客车 |
3 | 三型客车 |
4 | 四型客车 |
11 | 一型货车 |
12 | 二型货车 |
13 | 三型货车 |
14 | 四型货车 |
15 | 五型货车 |
16 | 六型货车 |
21 | 一型专项作业车 |
22 | 二型专项作业车 |
23 | 三型专项作业车 |
24 | 四型专项作业车 |
25 | 五型专项作业车 |
26 | 六型专项作业车 |
具体的,车牌信息_localA的车牌可信度以及车牌信息_localC的车牌可信度是通过车型识别设备中的识别算法计算得出的,车牌信息_localB的车牌可信度是通过车道后端抓拍相机中的识别算法计算得出的;
车型信息_local的车型可信度是通过车型识别设备中的识别算法计算得出的,车型信息_remoteA的车型可信度以及车型信息_remoteB的车型可信度是大数据平台的相关算法计算得出的。
两客一危信息_local的两客一危可信度是通过处理机中的两客一危识别算法计算得出的,两客一危信息_remoteA的两客一危可信度以及两客一危信息_remoteB的两客一危可信度是大数据平台的相关算法计算得出的。
大数据平台是指通过获取人工收费出口车道交易数据,筛选出车辆的车牌信息、车型信息、两客一危信息,并与该车辆的历史数据进行比对,不一致时通过人工核对进行确认,最终得出正确的车牌-车型-两客一危关联数据库,且该数据库保持更新。
名词解释如下:
车牌信息_localA:车道前端车型识别设备上报至处理机的车牌信息。
车牌信息_localB:车道后端抓拍相机上报至处理机的车牌信息。
车牌信息_localC:车型识别设备识别并存储的车牌信息(其与车型信息_local绑定)。
车牌信息_local:最终用于核对校正的车牌信息。
车型信息_local:车型识别设备识别并存储的车型信息(其与车牌信息_localC绑定)。
车型信息_remoteA:车牌信息_localA对应的大数据平台的车型信息。
车型信息_remoteB:车牌信息_localB对应的大数据平台的车型信息。
车型信息_remote:最终用于核对校正的大数据平台的车型信息。
两客一危信息_local:识别车牌信息_localA对应的车牌图片得出的两客一危信息。
两客一危信息_remoteA:车牌信息_localA对应的大数据平台的两客一危信息。
两客一危信息_remoteB:车牌信息_localB对应的大数据平台的两客一危信息。
两客一危信息_remote:最终用于核对校正的大数据平台的两客一危信息。
步骤D中核对校正的内容包括:
在处理机内,步骤D1:比较车牌信息_localA和车牌信息_localC是否相同,若相同,转到步骤D2,若不相同,转到步骤D3;
步骤D2:比较车牌信息_localB和车牌信息_localC是否相同,若相同,取车牌信息_localB为车牌信息_local,取车型信息_remoteA为车型信息_remote,取两客一危信息_remoteA为两客一危信息_remote,转到步骤D6;若不相同,转到步骤D4;
步骤D3:车牌信息_localA对应的车型信息_remoteA和两客一危信息_remoteA数据无效,两客一危信息_local中可信度降成0;并用车牌信息_localB查询大数据平台获取车型信息_remoteB和两客一危信息_remoteB,判断车牌信息_localB和车牌信息_localC模糊匹配是否成功,若成功,取车牌信息_localB为车牌信息_local,取车型信息_remoteB为车型信息_remote,取两客一危信息_remoteB为两客一危信息_remote;若失败,将车型信息_local中车型可信度降低,取车牌信息_localB为车牌信息_local,取车型信息_remoteB为车型信息_remote,取两客一危信息_remoteB为两客一危信息_remote;转到步骤D6;
步骤D4:用车牌信息_localB查询大数据平台获取车型信息_remoteB和两客一危信息_remoteB,并判断车牌信息_localB和车牌信息_localC模糊匹配是否成功,若失败,将车型信息_local中车型可信度降低,将两客一危信息_local中可信度降低;取车牌信息_localB为车牌信息_local,取车型信息_remoteB为车型信息_remote,取两客一危信息_remoteB为两客一危信息_remote,转到步骤D6,若成功,转到步骤D5;
步骤D5:判断车型信息_local中车型值与车型信息_remoteB中车型值是否符合表2,不符合:取车牌信息_localC为车牌信息_local,取车型信息_remoteA为车型信息_remote,取两客一危信息_remoteA为两客一危信息_remote;符合:取车牌信息_localB为车牌信息_local,取车型信息_remoteB为车型信息_remote,取两客一危信息_remoteB为两客一危信息_remote;转到步骤D6;
表2
序号 | 情况描述(车型值) | 序号 | 情况描述(车型值) |
1 | 1,2,11 | 6 | 12,13,22,23 |
2 | 2,3 | 7 | 13,14,23,24 |
3 | 2,11,12 | 8 | 14,15,24,25 |
4 | 3,4 | 9 | 15,16,25,26 |
5 | 11,12,21,22 | 10 |
步骤D6:取车牌信息_local为最终车牌信息,并判断车型信息_local中可信度是否大于车型信息_remote中可信度;小于等于,转到步骤D7;大于,转到步骤D8;
步骤D7:判断车型值是否符合牵引车特例,若不符合,取车型信息_remote为最终车型信息,并转到步骤D9;若符合,转到步骤D8;
步骤D8:取车型信息_local为最终车型信息;转到步骤D9;
步骤D9:判断两客一危信息_local中可信度是否大于两客一危信息_remote中可信度,大于,取两客一危信息_local为最终两客一危信息;小于等于,取两客一危信息_remote为最终两客一危信息;转到步骤D10;
步骤D10:当车型信息_remote中车型值为客3或者客4时,修改最终两客一危信息中两客一危属性值为两客车辆;当车型信息_remote中车型值为客1或者客2时,修改最终两客一危信息中两客一危属性值为普通车辆。
步骤D7中牵引车特例是指:
(1)车型信息_local中车型值为货2、可信度大于经验阈值且车型信息_remote中车型值为货4或者货5。
(2)车型信息_local中车型值为货3、可信度大于经验阈值且车型信息_remote中车型值为货5或者货6。
(3)车型信息_local中车型值为货4或者货5、可信度大于经验阈值且车型信息_remote中车型值为货2。
(4)车型信息_local中是否车型值为货5或者货6、可信度大于经验阈值且车型信息_remote中车型值为货3。
上述经验阈值是指通过配置文件在处理机内人工配置的一个值,默认为90%。
上述模糊匹配算法是指逐个字节比对两个车牌信息中的车牌号和车牌颜色,根据车牌号中各个字节及车牌颜色的权重,计算得出两个车牌信息的差异度,当差异度小于等于差异经验值时,认为两个车牌为同一车牌,例如:两个车牌分别为:冀A12345和冀A1Z346,逐个字节比对,得出2和Z不同,5和6不同,参照下方权重说明,得出差异度为0.5*1+1*1=1.5。
车牌号中各个字节及车牌颜色的权重是指:(1)当两个元素不同且没有关联度时,权重为1;(2)当两个元素不同但有关联度时(举例:D和0、Z和2、B和8、Q和0等等)权重为0.5;(3)当车牌颜色不同时,权重为1.5。
差异经验值是指:根据现场运行日志,抓拍图片等数据,通过人工复核确定两个识别车牌号不同但实际为同一车辆车牌号的情况,依据帕累托图法,填写表格,得出排列图,如表3所示,假设按照累计频率90%为阈值,那么根据图表得出,差异经验值为1.5(本实施例所列举数据为示例数据,以实际使用为准)。
表3
序号 | 差异度 | 频数 | 频率(%) | 累计频率(%) |
1 | 0.5 | 80 | 36.4 | 36.4 |
2 | 1 | 70 | 31.8 | 68.2 |
3 | 1.5 | 50 | 22.7 | 90.9 |
4 | 2 | 12 | 5.5 | 96.4 |
5 | 2.5 | 5 | 2.3 | 98.7 |
6 | 3 | 2 | 0.9 | 99.6 |
7 | 3.5 | 1 | 0.4 | 100 |
合计 | 220 | 100 |
通过本发明提供的一种基于大数据平台的车牌与车型信息核对校正方法,可以在实际使用中有效提高自动发卡系统和自助缴费系统中车牌识别成功率和车型识别成功率,见表4:
表4
最后应说明的是:以上仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明权利要求保护的范围之内。
Claims (4)
1.一种基于大数据平台的车牌与车型信息核对校正方法,其特征在于,包括以下步骤:
大数据平台是指通过获取人工收费出口车道交易数据,筛选出车辆的车牌信息、车型信息和两客一危信息,并与该车辆的历史数据进行比对,不一致时通过人工核对进行确认,最终得出正确的车牌-车型-两客一危关联数据库,且该数据库保持更新;
步骤A:获取车辆在车道前端的车牌图片和车牌信息_localA,根据车牌图片识别出两客一危信息_local;
步骤B:根据车牌信息_localA查询大数据平台获取车型信息_remoteA和两客一危信息_remoteA;
步骤C:获取车辆在车道后端的车牌信息_localB,根据车牌信息_localB获取车型信息_local和与车型信息_local绑定的车牌信息_localC;
步骤D:对上述各个车牌信息进行核对校正,得出最终车牌信息、最终车型信息和最终两客一危信息;
步骤A中车辆在车道前端使用车型识别设备采集车牌图片和车牌信息_localA,并将车牌图片和车牌信息_localA上传至处理机内;
步骤B中处理机将车牌信息_localA上传至大数据平台进行查询,以获取预先储存在大数据平台上的车型信息_remoteA和两客一危信息_remoteA;
步骤C中车辆在车道后端使用抓拍相机拍摄获取车牌信息_localB,并将车牌信息_localB上传至车道前端的车型识别设备内,车型识别设备根据车牌信息_localB查询车型识别设备中识别并存储的车型信息_local和对应的车牌信息_localC;
其中,车道前端车型识别设备是指安装在收费岛岛头的设备,包括车型识别器和车牌抓拍相机,车道后端的抓拍相机安装在自动发卡机或者自助缴费机处;
步骤D中,核对校正包括:
步骤D1:比较车牌信息_localA和车牌信息_localC是否相同,若相同,转到步骤D2,若不相同,转到步骤D3;
步骤D2:比较车牌信息_localB和车牌信息_localC是否相同,若相同,取车牌信息_localB为车牌信息_local,取车型信息_remoteA为车型信息_remote,取两客一危信息_remoteA为两客一危信息_remote,转到步骤D6;若不相同,转到步骤D4;
步骤D3:车牌信息_localA对应的车型信息_remoteA和两客一危信息_remoteA数据无效,两客一危信息_local中可信度降成0;并用车牌信息_localB查询大数据平台获取车型信息_remoteB和两客一危信息_remoteB,判断车牌信息_localB和车牌信息_localC模糊匹配是否成功,若成功,取车牌信息_localB为车牌信息_local,取车型信息_remoteB为车型信息_remote,取两客一危信息_remoteB为两客一危信息_remote;若失败,将车型信息_local中车型可信度降低,取车牌信息_localB为车牌信息_local,取车型信息_remoteB为车型信息_remote,取两客一危信息_remoteB为两客一危信息_remote;转到步骤D6;
步骤D4:用车牌信息_localB查询大数据平台获取车型信息_remoteB和两客一危信息_remoteB,并判断车牌信息_localB和车牌信息_localC模糊匹配是否成功,若失败,将车型信息_local中车型可信度降低,将两客一危信息_local中可信度降低;取车牌信息_localB为车牌信息_local,取车型信息_remoteB为车型信息_remote,取两客一危信息_remoteB为两客一危信息_remote,转到步骤D6,若成功,转到步骤D5;
步骤D5:判断车型信息_local中车型值与车型信息_remoteB中车型值是否符合下表,不符合:取车牌信息_localC为车牌信息_local,取车型信息_remoteA为车型信息_remote,取两客一危信息_remoteA为两客一危信息_remote;符合:取车牌信息_localB为车牌信息_local,取车型信息_remoteB为车型信息_remote,取两客一危信息_remoteB为两客一危信息_remote;转到步骤D6;
其中:车型值1为一型客车、车型值2为二型客车、车型值3为三型客车、车型值4为四型客车、车型值11为一型货车、车型值12为二型货车、车型值13为三型货车、车型值14为四型货车、车型值15为五型货车、车型值16为六型货车、车型值21为一型专项作业车、车型值22为二型专项作业车、车型值23为三型专项作业车、车型值24为四型专项作业车、车型值25为五型专项作业车、车型值26为六型专项作业车;
步骤D6:取车牌信息_local为最终车牌信息,并判断车型信息_local中可信度是否大于车型信息_remote中可信度;小于等于,转到步骤D7;大于,转到步骤D8;
步骤D7:判断车型值是否符合牵引车特例,若不符合,取车型信息_remote为最终车型信息,并转到步骤D9;若符合,转到步骤D8;
步骤D8:取车型信息_local为最终车型信息;转到步骤D9;
步骤D9:判断两客一危信息_local中可信度是否大于两客一危信息_remote中可信度,大于,取两客一危信息_local为最终两客一危信息;小于等于,取两客一危信息_remote为最终两客一危信息;转到步骤D10;
步骤D10:当车型信息_remote中车型值为客3或者客4时,修改最终两客一危信息中两客一危属性值为两客车辆;当车型信息_remote中车型值为客1或者客2时,修改最终两客一危信息中两客一危属性值为普通车辆。
2.根据权利要求1所述的基于大数据平台的车牌与车型信息核对校正方法,其特征在于:
上述步骤中的车牌信息_localA、车牌信息_localB以及车牌信息_localC均包括车牌号、车牌颜色以及车牌可信度;车型信息_remoteA以及车型信息_local均包括车型值和车型可信度;两客一危信息_local以及两客一危信息_remoteA均包括两客一危属性值和两客一危可信度。
3.根据权利要求2所述的基于大数据平台的车牌与车型信息核对校正方法,其特征在于:
步骤D7中牵引车特例包括:
车型信息_local中车型值为货2、可信度大于经验阈值且车型信息_remote中车型值为货4或者货5;
车型信息_local中车型值为货3、可信度大于经验阈值且车型信息_remote中车型值为货5或者货6;
车型信息_local中车型值为货4或者货5、可信度大于经验阈值且车型信息_remote中车型值为货2;
车型信息_local中是否车型值为货5或者货6、可信度大于经验阈值且车型信息_remote中车型值为货3。
4.根据权利要求3所述的基于大数据平台的车牌与车型信息核对校正方法,其特征在于:
模糊匹配算法是指逐个字节比对两个车牌信息中的车牌号和车牌颜色,根据车牌号中各个字节以及车牌颜色的权重,计算得出两个车牌信息的差异度,当差异度小于等于差异经验值时,认为两个车牌为同一车牌。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210452889.1A CN114792472B (zh) | 2022-04-27 | 2022-04-27 | 一种基于大数据平台的车牌与车型信息核对校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210452889.1A CN114792472B (zh) | 2022-04-27 | 2022-04-27 | 一种基于大数据平台的车牌与车型信息核对校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114792472A CN114792472A (zh) | 2022-07-26 |
CN114792472B true CN114792472B (zh) | 2023-09-19 |
Family
ID=82461355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210452889.1A Active CN114792472B (zh) | 2022-04-27 | 2022-04-27 | 一种基于大数据平台的车牌与车型信息核对校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114792472B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008004017A (ja) * | 2006-06-26 | 2008-01-10 | Mitsubishi Heavy Ind Ltd | 車種判別装置を要しない料金自動収受システム |
CN203225006U (zh) * | 2013-03-21 | 2013-10-02 | 苏州柏奥通信科技有限公司 | 两客一危行车视频监控系统 |
CN107506803A (zh) * | 2017-08-28 | 2017-12-22 | 河北交投智能交通技术有限责任公司 | 基于车牌车型的全自动智慧发卡控制方法 |
CN208141607U (zh) * | 2018-03-26 | 2018-11-23 | 河北交投智能交通技术有限责任公司 | 一种基于视频识别技术支持危险品车辆管制的智慧发卡系统 |
CN110136279A (zh) * | 2019-05-10 | 2019-08-16 | 厦门路桥信息股份有限公司 | 免值守收费系统的收费方法、介质及系统 |
CN111179452A (zh) * | 2019-12-28 | 2020-05-19 | 神思电子技术股份有限公司 | 一种基于etc通道客车扣费的系统和方法 |
CN111523415A (zh) * | 2020-04-13 | 2020-08-11 | 北京巨视科技有限公司 | 一种基于图像的两客一危车辆检测方法和装置 |
KR20200133596A (ko) * | 2019-05-20 | 2020-11-30 | (주)엡솔루트 | 자동 차량 통합 검색 시스템 |
CN112863190A (zh) * | 2020-12-30 | 2021-05-28 | 北京北大千方科技有限公司 | 一种危险品运输车辆信息采集设备及采集方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI431559B (zh) * | 2010-10-29 | 2014-03-21 | Univ Nat Chiao Tung | 車牌偵測辨識方法及其系統 |
-
2022
- 2022-04-27 CN CN202210452889.1A patent/CN114792472B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008004017A (ja) * | 2006-06-26 | 2008-01-10 | Mitsubishi Heavy Ind Ltd | 車種判別装置を要しない料金自動収受システム |
CN203225006U (zh) * | 2013-03-21 | 2013-10-02 | 苏州柏奥通信科技有限公司 | 两客一危行车视频监控系统 |
CN107506803A (zh) * | 2017-08-28 | 2017-12-22 | 河北交投智能交通技术有限责任公司 | 基于车牌车型的全自动智慧发卡控制方法 |
CN208141607U (zh) * | 2018-03-26 | 2018-11-23 | 河北交投智能交通技术有限责任公司 | 一种基于视频识别技术支持危险品车辆管制的智慧发卡系统 |
CN110136279A (zh) * | 2019-05-10 | 2019-08-16 | 厦门路桥信息股份有限公司 | 免值守收费系统的收费方法、介质及系统 |
KR20200133596A (ko) * | 2019-05-20 | 2020-11-30 | (주)엡솔루트 | 자동 차량 통합 검색 시스템 |
CN111179452A (zh) * | 2019-12-28 | 2020-05-19 | 神思电子技术股份有限公司 | 一种基于etc通道客车扣费的系统和方法 |
CN111523415A (zh) * | 2020-04-13 | 2020-08-11 | 北京巨视科技有限公司 | 一种基于图像的两客一危车辆检测方法和装置 |
CN112863190A (zh) * | 2020-12-30 | 2021-05-28 | 北京北大千方科技有限公司 | 一种危险品运输车辆信息采集设备及采集方法 |
Non-Patent Citations (3)
Title |
---|
"两客一危"动态监测和智能预警管理系统;董军;王磊;张彦;张浩;骆志辉;李俊卫;;中国交通信息化(第05期);全文 * |
"两客一危"动态监测和智能预警管理系统;董军等;《中国交通信息化》;全文 * |
基于车牌识别技术的双车道一体化智能道闸系统设计;吴健辉;张国云;邓己媛;郭龙源;袁帅;;湖南理工学院学报(自然科学版)(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114792472A (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107491777B (zh) | 通过乘用车vin码自动识别obd车机是否匹配的方法及装置 | |
US8363899B2 (en) | Method and system for processing vehicular violations | |
US20130132166A1 (en) | Smart toll network for improving performance of vehicle identification systems | |
US20140289024A1 (en) | System, method and computer readable medium for billing tolls | |
CN114792472B (zh) | 一种基于大数据平台的车牌与车型信息核对校正方法 | |
CN108108448B (zh) | 一种生成全国道路画像的方法及系统 | |
CN110991442B (zh) | 一种高速公路车牌云端高精准识别方法 | |
CN110570662A (zh) | 一种执法站车辆快速登记检查方法及系统 | |
CN111652210A (zh) | 一种车牌字符智能识别系统 | |
CN112116723B (zh) | 一种基于车牌识别的无感收费方法及装置 | |
CN111667595A (zh) | 基于etc的数据处理方法及基于etc的数据处理系统 | |
CN114781907B (zh) | 一种垃圾分类处理全流程跟踪监测系统 | |
CN107025624B (zh) | 公共交通扫码支付数据处理方法、装置和系统 | |
CN116245517A (zh) | 一种清分结算分层处理方法 | |
CN113742394B (zh) | 高速公路交易的路径拟合方法和装置 | |
CN110853160B (zh) | 一种高速公路车道多维度识别系统及方法 | |
CN114358796A (zh) | 网络货运运单校验系统及其工作方法 | |
CN113936270A (zh) | 适用于非现场执法的车辆识别方法和装置 | |
CN112783687A (zh) | 一种数据处理方法、终端及计算机可读存储介质 | |
CN110598922A (zh) | 车辆油费报销方法及装置、服务器和电子设备 | |
CN113808407A (zh) | 一种基于环城高速etc收费争议问题的解决方法 | |
CN114785831B (zh) | 用于绿通车辆检测的检测算法升级方法及绿通检测系统 | |
US20040059690A1 (en) | Method for franking and processing deliveries | |
CN113988245B (zh) | 一种条码归一化的编码方法 | |
CN110866982B (zh) | 货车etc车道系统中黑名单车辆稽查方法及系统 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 050000 Floor 19, Aviation Building, No. 9, Shiqing Road, Xinhua District, Shijiazhuang City, Hebei Province Applicant after: Hebei Jiaotou Intelligent Technology Co.,Ltd. Address before: 050051 No.52, Xinshi North Road, Qiaoxi District, Shijiazhuang City, Hebei Province Applicant before: HEBEI INTELLIGENT TRANSPORTATION TECHNOLOGYY CO.,LTD. OF HEBTIG |
|
GR01 | Patent grant | ||
GR01 | Patent grant |