CN115205840A - 一种基于卡口通行轨迹判定车辆号牌识别可信度的方法 - Google Patents
一种基于卡口通行轨迹判定车辆号牌识别可信度的方法 Download PDFInfo
- Publication number
- CN115205840A CN115205840A CN202210845912.3A CN202210845912A CN115205840A CN 115205840 A CN115205840 A CN 115205840A CN 202210845912 A CN202210845912 A CN 202210845912A CN 115205840 A CN115205840 A CN 115205840A
- Authority
- CN
- China
- Prior art keywords
- number plate
- passing
- bayonet
- plate
- track
- 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
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供的一种基于卡口通行轨迹判定车辆号牌识别可信度的方法,其无需针对每个车牌的卡口采集到的图片数据进行逐一判断,而是基于数据采集范围中所有卡口设备的历史数据训练得到车辆号牌号码识别可信度计算模型,然后将待处理号牌对应的通过卡口数量、通行天数、通行轨迹次数等参数送入车辆号牌号码识别可信度计算模型,计算得到车辆号牌识别可信度,极大的提高了计算速度,不但结果准确率更高,且模型相对简单,对硬件性能要求也较低,尤其适用于海量数据的实时计算需求场景中。
Description
技术领域
本发明涉及智能交通控制技术领域,具体为一种基于卡口通行轨迹判定车辆号牌识别可信度的方法。
背景技术
在智能交通控制领域,通常是基于卡口监控设备识别出车辆号牌进而确定目标车辆,进行后续的交通控制管理工作。这就意味着车辆号牌识别准确性对后续工作很重要。根据《道路车辆智能检测记录系统通用技术条件(GAT/497-2016)》要求,卡口监控设备在日间车辆号牌号码识别准确率应不小于95%,夜间车辆号牌号码识别准确率应不小于90%。但现实中卡口都是安装在路面上,由于车辆处于行驶状态,加之拍摄角度欠佳或者光线不好,遭遇雨雪天气,车牌污损等情况,这些都将大大增加车牌精准识别的难度。从实际抽查情况看,卡口监控设备对号牌号码识别准确率不超过70%。
在实际的应用中,不同识别精度的数据有不同的用途;比如:对于车辆流调时,需要使用达到指定识别准确度的车牌进行后续跟踪;而使用基础数据做训练数据训练大数据模型时,需要使用可信度这一参数,以标签的形式来标记每个车牌的识别结果,以便保证后续模型计算符合应用需求。
而现有技术中,对于车牌识别可信度的计算,并没有一套非常标准的方法来进行计算。然而大多数车辆号牌的可信度的计算都是基于对卡口设备采集的图片数据进行分析计算,然后才能得到车辆号牌识别结果的可信度。如《车号定位识别与可信度估计》(红外与激光工程第31卷第3期)中记载方法为:对于单一目标识别,可通过统计匹配互相关峰值与样本信噪比之间的关系来估计可信度。对于多类识别,可利用匹配得到的最大与次大互相关系数的线性组合,再统计出可信度的方法。现有技术中这些基于以图像分析为基础的对车辆号牌可信度的计算方法在需要进行海量计算的时候,不但计算过程非常复杂,速度较慢,而且在要求能够支持实时计算的场景下,对支持计算的硬件性能要求极高,导致系统成本过高。
发明内容
为了解决现有技术中现有技术中可信度的计算过程非常复杂,且支持实时计算的场景下对硬件性能要求过高的问题,本发明提供一种基于卡口通行轨迹判定车辆号牌识别可信度的方法,其可以在确保准确的每个车牌号码识别结果的基础上,计算速度较快,且对硬件性能要求较低。
本发明的技术方案是这样的:一种基于卡口通行轨迹判定车辆号牌识别可信度的方法,其特征在于,其包括以下步骤:
S1:确定训练数据采集周期和数据采集范围;
S2:基于所述训练数据采集周期内的所有的卡口设备,获取所述训练数据采集周期内所有卡口通行轨迹记录的历史数据,将数据集合记作:通行轨迹记录基础数据集合;
所述卡口通行轨迹记录的内容中包括:号牌种类、号牌号码、通行时间、通过卡口、通行道路和通行区域;
S3:将所述通行轨迹记录基础数据集合中每个识别出来的号牌,记作:训练用号牌;
S4:确认每个所述训练用号牌在所述通行轨迹记录基础数据集合中存在的记录日期总数SumD;
比较SumD和预设的统计日期阈值LineD;
当SumD<LineD时,则将所述训练用号牌的数据从所述通行轨迹记录基础数据集合中删除;
将最后剩下的所述通行轨迹记录基础数据集合,记作:通行轨迹记录训练用数据;
S5:获取所述通行轨迹记录训练用数据中的每个所述训练用号牌对应的可信度;
S6:基于所述通行轨迹记录训练用数据、每个所述训练用号牌对应的可信度,构建出车辆号牌号码识别可信度计算模型:
其中,Conf为每个号牌号码对应的可信度,N为每个号牌号码途径的卡口数量;a为卡口数量系数,b为通行天数系数;
P的计算方法为:
m的计算方法为:
其中,D为每个号牌号码对应的通行天数;
M的计算方法为:
S7:指定数据采集周期,在所述数据采集范围内,采集所有的卡口通行轨迹记录,将轨迹记录的集合记作:待识别卡口通行轨迹记录集合;
S8:逐一取出所述待识别卡口通行轨迹记录集合中的每一个号牌号码,记作:待处理号牌;
S9:确定所述待处理号牌在所述待识别卡口通行轨迹记录集合中对应的记录日期总数TD;
当TD小于统计日期阈值LineD时,执行步骤S10;
否则,执行步骤S11;
S10:将所述待处理号牌在车辆登记基础信息中比对查找,能够在所述车辆登记基础信息中找到所述待处理号牌,则对所述待处理号牌设置可信标志位:信息明确;否则对所述待处理号牌设置可信标记位:信息不明;
S11:将所述待处理号牌关联的卡口通行轨迹记录送入所述车辆号牌号码识别可信度计算模型中,得到计算结果,即为所述待处理号牌对应的车辆号牌识别可信度。
其进一步特征在于:
所述统计日期阈值LineD为3天;
步骤S6中,卡口数量系数a取值为60,通行天数系数b取值为40。
本发明提供的一种基于卡口通行轨迹判定车辆号牌识别可信度的方法,其无需针对每个车牌的卡口采集到的图片数据进行逐一判断,而是基于数据采集范围中所有卡口设备的历史数据训练得到车辆号牌号码识别可信度计算模型,然后将待处理号牌对应的通过卡口数量、通行天数、通行轨迹次数等参数送入车辆号牌号码识别可信度计算模型,计算得到车辆号牌识别可信度,极大的提高了计算速度,不但结果准确率更高,且模型相对简单,对硬件性能要求也较低,尤其适用于海量数据的实时计算需求场景中。
附图说明
图1为基于卡口通行轨迹判定车辆号牌识别可信度的方法的流程图。
具体实施方式
如图1所示,本发明包括一种基于卡口通行轨迹判定车辆号牌识别可信度的方法,其包括以下步骤。
S1:确定训练数据采集周期和数据采集范围。
本实施例中,数据采集范围设置为全国;训练数据采集周期设置为1个月。
S2:基于训练数据采集周期内的所有的卡口设备,获取训练数据采集周期内所有的卡口通行轨迹记录的历史数据,将数据集合记作:通行轨迹记录基础数据集合;
卡口通行轨迹记录的内容中包括:号牌种类、号牌号码、通行时间、通过卡口、通行道路和通行区域。
S3:将通行轨迹记录基础数据集合中每个识别出来的号牌,记作:训练用号牌。现有的具备计算能力的卡口监控设备,大多可以直接通过图像识别技术得到监控数据中的车辆的号牌号码。具体方法基于现有的车牌识别算法实现即可。
S4:确认每个训练用号牌在通行轨迹记录基础数据集合中存在的记录日期总数SumD;具体计算时,记录日期总数SumD通过卡口通行轨迹记录中的“通行时间”中的日期统计得到;
比较SumD和预设的统计日期阈值LineD;
当SumD<LineD时,则将训练用号牌的数据从通行轨迹记录基础数据集合中删除;
将最后剩下的通行轨迹记录基础数据集合,记作:通行轨迹记录训练用数据;
本实施例中,统计日期阈值LineD为3天。即,如果只能采集到3天以内的数据,则其轨迹记录无法支持参与计算得到准确的可信度,需要通过人工确认,或者使用其他方法进行确认。
S5:获取通行轨迹记录训练用数据中的每个训练用号牌对应的可信度。
训练号牌对应的可信度基于现有的各种算法计算,再通过人工确认获取即可。
S6:通过对现有的海量历史数据分析和验证,在指定范围内,车辆号牌识别的准确率和车辆途径卡口数量、车辆通行天数成正相关性,且和车辆途径卡口数量的正相关性大于车辆通行天数正相关性,当超过一定天数的时候号牌识别的准确率基本就没变化了。因此,本发明技术方案基于通行轨迹记录训练用数据、每个训练用号牌对应的可信度,构建出车辆号牌号码识别可信度计算模型:
其中,Conf为每个号牌号码对应的可信度,N为每个号牌号码途径的卡口数量;a为卡口数量系数,b为通行天数系数;具体计算时N的数值,通过卡口通行轨迹记录的“通过卡口”的卡口信息即可获得;
P的计算方法为:
m的计算方法为:
其中,D为每个号牌号码对应的通行天数;具体计算时,通行天数D通过通行时间中的日期计算获得;
M的计算方法为:
其中,卡口数量系数a和通行天数系数b,根据不同的数据采集范围,根据历史数据训练所的具体数值会有差别,本实施例中,以全国范围内的卡口监控设备为对象,得到的卡口数量系数a取值为60,通行天数系数b取值为40。在实际应用中,对于指定了数据采集范围的车辆号牌号码识别可信度计算模型,定期通过历史数据进行训练,调整参数,确保能够保持模型的准确率。
S7:指定数据采集周期,在数据采集范围内,采集所有的卡口通行轨迹记录,将轨迹记录的集合记作:待识别卡口通行轨迹记录集合。
S8:逐一取出待识别卡口通行轨迹记录集合中的每一个号牌号码,记作:待处理号牌。
S9:确定待处理号牌在待识别卡口通行轨迹记录集合中对应的记录日期总数TD;
当TD小于统计日期阈值LineD时,执行步骤S10;
否则,执行步骤S11。
S10:将待处理号牌在车辆登记基础信息中比对查找,能够在车辆登记基础信息中找到待处理号牌,则对待处理号牌设置可信标志位:信息明确;否则对待处理号牌设置可信标记位:信息不明。
当某个待处理号牌的存在的轨迹记录对应的记录日期总数TD小于3天的时候,其轨迹记录无法支持参与计算得到准确的可信度,本发明技术方案中,将此类车牌号码在车辆登记基础信息的数据库中进行查找,能够在数据库中找到该号牌,则对待处理号牌设置标志位:信息明确;否则对待处理号牌设置标记位:信息不明。在某些场景下有可能需要使用到这些记录日期总数TD小于3天的待处理号牌的数据,如:在训练一些机器学习网络模型时,为了确保模型的鲁棒性,就需要使用各种类型的数据。此时,将可信标志位为信息明确的号牌、可信标志位为信息不明的号牌与其他的数据一起作为训练数据使用。本方法中通过设置可信标志位,将TD小于3天的待处理号牌进一步分类,能够确保明确所有的号牌的号牌可信度,进而确保本发明技术方案中获取的可信度更具实用性。
S11:将待处理号牌关联的卡口通行轨迹记录送入车辆号牌号码识别可信度计算模型中,得到计算结果,即为待处理号牌对应的车辆号牌识别可信度。基于本方法计算得到的车辆号牌识别可信度的数值,为 60至100之间的一个整数值,代表号牌号码识别准确的可信度,数值越高则可信度越高。
使用本发明的技术方案后,因为模型较简单,在专属服务器上训练得到车辆号牌号码识别可信度计算模型后,基于现有的带有计算功能的监控设备、或者构建了流数据计算模型的服务器上都可以顺利运行训练好的车辆号牌号码识别可信度计算模型,对硬件性能要求较低。因为计算速度较快,尤其适用于海量数据的实时计算应用场景。
经实际工作中的数据验证,本发明的模型对可信度90以上的号牌号码识别准确率可达98%以上;可信度85-90之间的号牌号码识别准确率可达91%以上;可信度70-85之间的号牌号码识别准确率可达83%以上;可信度为70的号牌号码识别准确率为75%以上;可信度为70的号牌号码识别准确率为68%以上。
本发明技术方案计算得到的车牌识别可信度,足以支撑基于可信度值对号牌号码识别准确率进行分类,用于支撑不同类型的大数据模型。也可以在需要不同号牌识别精度的场景下应用本发明技术方案,如:查找套牌车违法行为,适当取可信度值低一些的车辆进行建模分析;如:车辆流调,为不影响群众生活满意感,可根据需要适当取可信度值较高的建模分析。
Claims (3)
1.一种基于卡口通行轨迹判定车辆号牌识别可信度的方法,其特征在于,其包括以下步骤:
S1:确定训练数据采集周期和数据采集范围;
S2:基于所述训练数据采集周期内的所有的卡口设备,获取所述训练数据采集周期内所有卡口通行轨迹记录的历史数据,将数据集合记作:通行轨迹记录基础数据集合;
所述卡口通行轨迹记录的内容中包括:号牌种类、号牌号码、通行时间、通过卡口、通行道路和通行区域;
S3:将所述通行轨迹记录基础数据集合中每个识别出来的号牌,记作:训练用号牌;
S4:确认每个所述训练用号牌在所述通行轨迹记录基础数据集合中存在的记录日期总数SumD;
比较SumD和预设的统计日期阈值LineD;
当SumD<LineD时,则将所述训练用号牌的数据从所述通行轨迹记录基础数据集合中删除;
将最后剩下的所述通行轨迹记录基础数据集合,记作:通行轨迹记录训练用数据;
S5:获取所述通行轨迹记录训练用数据中的每个所述训练用号牌对应的可信度;
S6:基于所述通行轨迹记录训练用数据、每个所述训练用号牌对应的可信度,构建出车辆号牌号码识别可信度计算模型:
其中,Conf为每个号牌号码对应的可信度,N为每个号牌号码途径的卡口数量;a为卡口数量系数,b为通行天数系数;
P的计算方法为:
m的计算方法为:
其中,D为每个号牌号码对应的通行天数;
M的计算方法为:
S7:指定数据采集周期,在所述数据采集范围内,采集所有的卡口通行轨迹记录,将轨迹记录的集合记作:待识别卡口通行轨迹记录集合;
S8:逐一取出所述待识别卡口通行轨迹记录集合中的每一个号牌号码,记作:待处理号牌;
S9:确定所述待处理号牌在所述待识别卡口通行轨迹记录集合中对应的记录日期总数TD;
当TD小于统计日期阈值LineD时,执行步骤S10;
否则,执行步骤S11;
S10:将所述待处理号牌在车辆登记基础信息中比对查找,能够在所述车辆登记基础信息中找到所述待处理号牌,则对所述待处理号牌设置可信标志位:信息明确;否则对所述待处理号牌设置可信标记位:信息不明;
S11:将所述待处理号牌关联的卡口通行轨迹记录送入所述车辆号牌号码识别可信度计算模型中,得到计算结果,即为所述待处理号牌对应的车辆号牌识别可信度。
2.根据权利要求1所述一种基于卡口通行轨迹判定车辆号牌识别可信度的方法,其特征在于:所述统计日期阈值LineD为3天。
3.根据权利要求1所述一种基于卡口通行轨迹判定车辆号牌识别可信度的方法,其特征在于:步骤S6中,卡口数量系数a取值为60,通行天数系数b取值为40。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210845912.3A CN115205840A (zh) | 2022-07-19 | 2022-07-19 | 一种基于卡口通行轨迹判定车辆号牌识别可信度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210845912.3A CN115205840A (zh) | 2022-07-19 | 2022-07-19 | 一种基于卡口通行轨迹判定车辆号牌识别可信度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115205840A true CN115205840A (zh) | 2022-10-18 |
Family
ID=83581276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210845912.3A Pending CN115205840A (zh) | 2022-07-19 | 2022-07-19 | 一种基于卡口通行轨迹判定车辆号牌识别可信度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115205840A (zh) |
-
2022
- 2022-07-19 CN CN202210845912.3A patent/CN115205840A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948582B (zh) | 一种基于跟踪轨迹分析的车辆逆行智能检测方法 | |
CN111310583B (zh) | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 | |
WO2017157119A1 (zh) | 一种车辆异常行为的识别方法及装置 | |
CN109359690B (zh) | 基于卡口数据的车辆出行轨迹识别方法 | |
CN107301776A (zh) | 基于视频检测技术的车道路况处理及发布方法 | |
CN115620518B (zh) | 基于深度学习的交叉口交通冲突判别方法 | |
CN110705484B (zh) | 利用行车轨迹识别连续变更车道违法行为的方法 | |
CN108629982B (zh) | 一种基于旅行时间分布规律的路段车辆数估计方法 | |
CN113470206B (zh) | 一种基于车辆匹配的高速公路稽查方法、设备及介质 | |
CN117173913B (zh) | 基于不同时段车流量分析的交通控制方法及系统 | |
CN108520528B (zh) | 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法 | |
CN111489380B (zh) | 一种目标物体轨迹分析方法 | |
CN116128360A (zh) | 道路交通拥堵等级评估方法、装置、电子设备及存储介质 | |
CN113850237B (zh) | 基于视频和轨迹数据的网联车目标检测评价方法及系统 | |
CN115857378A (zh) | 一种基于物联网的智能安防监控系统 | |
CN114091581A (zh) | 一种基于稀疏轨迹的车辆运营行为类型识别方法 | |
CN115205840A (zh) | 一种基于卡口通行轨迹判定车辆号牌识别可信度的方法 | |
CN116109986A (zh) | 一种基于激光雷达和视频技术互补的车辆轨迹提取方法 | |
CN114913447B (zh) | 基于场景识别的警务智慧指挥室系统及方法 | |
CN113470376B (zh) | 基于卡口过车数据的实时区域在途车辆计数方法及系统 | |
CN113313051B (zh) | 一种违规使用他人etc行为的检测识别方法及系统 | |
CN113919571A (zh) | 基于边缘计算的危化品运输保费预估方法 | |
CN117612115B (zh) | 一种基于高速公路的车辆识别方法 | |
CN111222587A (zh) | 基于特征融合的失证人员危险驾驶行为预测方法及系统 | |
CN117496446B (zh) | 一种基于目标检测和级联匹配的人流量统计方法 |
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 |