CN115691148A - 一种基于高速公路的智能收费辅助方法、设备及介质 - Google Patents
一种基于高速公路的智能收费辅助方法、设备及介质 Download PDFInfo
- Publication number
- CN115691148A CN115691148A CN202211163951.1A CN202211163951A CN115691148A CN 115691148 A CN115691148 A CN 115691148A CN 202211163951 A CN202211163951 A CN 202211163951A CN 115691148 A CN115691148 A CN 115691148A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- toll
- result
- vehicles
- 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
Landscapes
- Devices For Checking Fares Or Tickets At Control Points (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于高速公路的智能收费辅助方法、设备及介质,属于大数据分析和高速公路收费技术领域,用于解决现有的高速收费站对嫌疑车辆的稽核与打击逃费较为困难,以及难以准确识别车辆信息的技术问题。方法包括:获取高速公路上行驶车辆的第一车辆信息;通过预设稽核模型,对第一车辆信息进行通行费信用度信息的筛选,得到筛选结果;并根据筛选结果,对嫌疑车辆进行数据取证处理,确定嫌疑车辆的异常通行结果;识别第二车辆信息;并根据第二车辆信息所对应的异常通行结果,确定异常通行车辆;对异常通行车辆进行系统警示,以辅助收费人员完成对现场车辆的打击逃费工作。
Description
技术领域
本申请涉及大数据分析和高速公路收费领域,尤其涉及一种基于高速公路的智能收费辅助方法及设备。
背景技术
随着科技的进步与社会的发展,逐步取消了高速公路省界收费站,高速公路形成全国“一张网”运营格局。路网呈现ETC车辆覆盖广、车辆行驶里程长、路网情况复杂等特点,收费模式也发生重大改变。“一张网”运营把公众出行带入崭新阶段。
在省界收费站拆除后,车辆可跨省通行,车辆行驶里程长,同时对于收费人员来说,获取车辆信息的手段和途径变少了,对于无入口、计费异常等特情车辆的处理较为困难,对出入口车型的判断较为困难,往往使收费人员产生误判,并且难以甄别逃费嫌疑车辆,给收费打逃工作带来了一定的难度。
发明内容
本申请实施例提供了一种基于高速公路的智能收费辅助方法、设备及介质,用于解决如下技术问题:现有的高速收费站对嫌疑车辆的稽核与打击逃费较为困难,以及难以准确识别车辆信息。
本申请实施例采用下述技术方案:
一方面,本申请实施例提供了一种基于高速公路的智能收费辅助方法,所述方法包括:获取高速公路上行驶车辆的第一车辆信息;通过预设稽核模型,对所述第一车辆信息进行通行费信用度信息的筛选,得到筛选结果;并根据筛选结果,对嫌疑车辆进行数据取证处理,确定所述嫌疑车辆的异常通行结果;识别第二车辆信息;并根据所述第二车辆信息所对应的异常通行结果,确定异常通行车辆;对所述异常通行车辆进行系统警示,以辅助收费人员完成对现场车辆的打击逃费工作。
本申请实施例通过对高速公路上车辆的识别与监测,通过提前对出口车道车辆进行的稽核分析,在车辆离开高速收费出站口时,及时的完成在行驶途中车辆的偷逃通行费用的取证,实现现场稽查“大车小标”、“货改客”等偷逃通行费车辆,也有利于出站口的收费人员在嫌疑车辆出站时,系统会进行自动警告,提示收费人员打击逃费车辆,提高了打击嫌疑车辆的识别准确性,使收费人员追缴通行费用更加的便捷,减少了对嫌疑车辆的进行人工识别的成本,减少了车辆偷逃通行费用。
在一种可行的实施方式中,在获取高速公路上行驶车辆的第一车辆信息之前,所述方法还包括:通过交通管理部门的车辆管理云端中心,获取车辆的历史档案信息;其中,所述历史档案信息至少包括车型型号信息、车辆使用信息、车辆所属人员信息、所属人员联系信息、车辆违法信息、车辆年审信息以及车辆高速通行信息;将所述车型型号信息、车辆使用信息、车辆所属人员信息以及所属人员联系信息进行车辆基础属性的关联,得到基础车辆动态信息;将所述车辆违法信息、车辆年审信息以及车辆高速通行信息进行车辆运行属性的关联,得到运行车辆动态信息;根据所述基础车辆动态信息与所述运行车辆动态信息,建立动态数据结构;并将所述动态数据结构输入到预设ElasticSearch数据库中,得到车辆动态数据库。
在一种可行的实施方式中,所述第一车辆信息包括车型信息以及车牌信息;所述获取高速公路上行驶车辆的第一车辆信息,具体包括:根据预设的协同分割算法,将预设车辆图像进行图像的分割,得到目标车辆图像;对所述目标车辆图像的车辆轮廓顶点以及车辆轮廓边线进行标注,分别得到所述目标车辆图像的顶点集合与边线集合;并根据所述顶点集合以及边线集合,生成有关车辆轮廓顶点的带权连通图;遍历所述带权连通图中的顶点集合与边线集合,并根据遍历后的所述带权连通图,构建所述目标车辆图像的最小生成树;根据所述最小生成树,将所述目标车辆图像中轮廓边界相近的区域进行区域对齐,得到局部关键区域;对所述局部关键区域进行特征的提取,得到车辆局部特征;通过所述车辆局部特征,训练SVM分类器,得到车辆分类模型;通过设置于高速收费站入口的图像采集设备,对行驶的车辆进行图像采集,得到待识别车辆图像;通过所述车辆分类模型,对所述待识别车辆图像进行车辆类型的识别,得到所述待识别车辆图像中的所述车型信息;对所述待识别车辆图像中的车辆车牌进行识别,得到所述车牌信息。
在一种可行的实施方式中,在通过预设稽核模型,所述第一车辆信息还包括车辆重量信息;对所述第一车辆信息进行通行费信用度信息的筛选,得到筛选结果之前,所述方法还包括:通过治超车道中的预设治超系统,对行驶在所述治超车道中的车辆进行称重,得到所述车辆的称重信息;通过所述治超车道中的监拍摄像头,对所述车辆进行车辆车牌识别,得到已称重车牌信息;将所述已称重车牌信息与所述车辆的称重信息进行一一对应,得到所述车辆重量信息。
在一种可行的实施方式中,通过预设稽核模型,对所述第一车辆信息进行通行费信用度信息的筛选,得到筛选结果,具体包括:根据高速公路的车辆收费规则,对稽核模型进行对应配置,得到所述预设稽核模型;其中,所述车辆收费规则为相同的车型对应相同的收费指标;获取待筛选车辆的所述车辆重量信息以及第一车辆信息;将所述第一车辆信息中的车型信息以及车牌信息与车辆动态数据库中的车型型号信息进行对应匹配,得到第一匹配结果;其中,所述第一匹配结果包括匹配一致或者匹配不一致;根据所述预设稽核模型,将所述第一车辆信息中的车辆重量信息以及对应的车型信息与所述车辆收费规则进行对应匹配,得到第二匹配结果;根据所述第一匹配结果与所述第二匹配结果,对所述第一车辆信息以及所述车辆重量信息进行通行费信用度信息的筛选,得到所述筛选结果。
在一种可行的实施方式中,根据所述第一匹配结果与所述第二匹配结果,对所述第一车辆信息以及所述车辆重量信息进行通行费信用度信息的筛选,得到所述筛选结果,具体包括:若所述第一匹配结果为匹配一致并且所述第二匹配结果也为匹配一致,则所述待筛选车辆的通行费信用度信息为良好通行信息;若所述第一匹配结果为匹配一致并且所述第二匹配结果为匹配不一致,则所述待筛选车辆存在偷逃车辆重量通行费行为,且所述待筛选车辆的通行费信用度信息为称重信用差信息;若所述第一匹配结果为匹配不一致并且所述第二匹配结果为匹配一致,则所述待筛选车辆存在偷改车辆行为,且所述待筛选车辆的通行费信用度信息为车型信用差信息;若所述第一匹配结果为匹配不一致并且所述第二匹配结果为匹配不一致,则所述待筛选车辆存在车辆违规行为,且所述待筛选车辆的通行费信用度信息为严重违规信用信息;将所述称重信用差信息、所述车型信用差信息以及所述严重违规信用信息所对应的待筛选车辆进行筛选,得到已筛选车辆;并获取所述已筛选车辆所对应的筛选结果;其中,所述筛选结果至少包括所述已筛选车辆的偷逃通行费用、通行费信用度信息、第一匹配结果信息以及第二匹配结果信息。
在一种可行的实施方式中,并根据筛选结果,对嫌疑车辆进行数据取证处理,确定所述嫌疑车辆的异常通行结果,具体包括:将所述已筛选车辆的筛选结果信息与车辆动态数据库中所对应的嫌疑车辆的车辆高速通行信息进行比对,得到比对结果;其中,所述比对结果为比对一致或者比对不一致;若所述比对结果为比对一致,则将所述已筛选车辆确定为所述嫌疑车辆;根据车辆动态数据库中的车辆违法信息,判断所述嫌疑车辆是否具有历史违规通行信息;若存在所述历史违规通行信息,则将所述嫌疑车辆的筛选结果以及历史违规信息进行数据压缩处理,得到历史证明数据包;若不存在所述历史违规通行信息,则将所述嫌疑车辆的筛选结果进行数据压缩处理,得到当前证明数据包;将所述史证明数据包以及当前证明数据包输入到高速出口收费站的收费系统中;并通过所述历史证明数据包以及当前证明数据包解析后的取证内容信息,对所述嫌疑车辆进行异常通行的标记,得到所述嫌疑车辆的异常通行结果;其中,所述异常通行结果为被标记的所述嫌疑车辆。
在一种可行的实施方式中,根据所述第二车辆信息所对应的异常通行结果,确定异常通行车辆,具体包括:通过高速收费站出口的数据采集设备,采集高速收费站出口行驶车辆的所述第二车辆信息;其中,所述第二车辆信息包括车型信息以及车牌信息;将所述第二车辆信息与嫌疑车辆的车辆信息进行比对;若所述第二车辆信息与所述嫌疑车辆的车辆信息一致,则将所述嫌疑车辆的异常通行结果关联到所述第二车辆信息中,得到与所述第二车辆信息所对应的异常通行车辆。
本申请实施例通过标注的异常通行车辆,给收费人员进行重点的提醒以及系统前端的展示,来实现辅助收费人员完成现场打击逃费车辆的工作。
第二方面,本申请实施例还提供了一种基于高速公路的智能收费辅助设备,所述设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有能够被所述至少一个处理器执行的指令,以使所述至少一个处理器能够执行上述任一实施方式所述的一种基于高速公路的智能收费辅助方法。
第三方面,本申请实施例还提供了一种非易失性计算机存储介质,其特征在于,所述存储介质为非易失性计算机可读存储介质,所述非易失性计算机可读存储介质存储有至少一个程序,每个所述程序包括指令,所述指令当被终端执行时,使所述终端执行上述任一实施方式所述的一种基于高速公路的智能收费辅助方法。
本申请实施例提供了一种基于高速公路的智能收费辅助方法、设备及介质,通过提前对出口车道车辆进行的稽核分析,在车辆离开高速收费出站口时,及时的完成在行驶途中车辆的偷逃通行费用的取证,实现现场稽查“大车小标”、“货改客”等偷逃通行费车辆,也有利于出站口的收费人员在嫌疑车辆出站时,系统会进行自动警告,提示收费人员打击逃费车辆,提高了打击嫌疑车辆的识别准确性,使收费人员追缴通行费用更加的便捷,减少了对嫌疑车辆的进行人工识别的成本,减少了车辆偷逃通行费用。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本申请实施例提供的一种基于高速公路的智能收费辅助方法流程图;
图2为本申请实施例提供的一种车辆称重收费流程图;
图3为本申请实施例提供的一种智能收费辅助设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本申请实施例提供了一种基于高速公路的智能收费辅助方法,如图1所示,基于高速公路的智能收费辅助方法具体包括步骤S101-S104:
S101、获取高速公路上行驶车辆的第一车辆信息。
具体地,根据预设的协同分割算法,将预设车辆图像进行图像的分割,得到目标车辆图像。对目标车辆图像的车辆轮廓顶点以及车辆轮廓边线进行标注,分别得到目标车辆图像的顶点集合与边线集合。并根据顶点集合以及边线集合,生成有关车辆轮廓顶点的带权连通图。遍历带权连通图中顶点集合与边线集合,并根据遍历后的带权连通图,构建目标车辆图像的最小生成树。根据最小生成树,将目标车辆图像中轮廓边界相近的区域进行区域对齐,得到局部关键区域。对局部关键区域进行特征的提取,得到车辆局部特征。通过车辆局部特征,训练SVM分类器,并根据训练后的SVM分类器,得到车辆分类模型。
进一步地,通过设置于高速收费站入口的图像采集设备,对行驶的车辆进行图像采集,得到待识别车辆图像。通过车辆分类模型,对待识别车辆图像进行车辆类型的识别,得到待识别车辆图像中的车型信息。对待识别车辆图像中的车辆车牌进行识别,得到车牌信息。其中,第一车辆信息包括车型信息、车牌信息以及车辆重量。
作为一种可行的实施方式,通过预设的协同分割算法,对车辆轮廓的顶点以及边线进行带权连通图的建立,然后构建出目标车辆图像的最小生成树,并根据最小生成树提取目标车辆图像的局部关键特征,然后训练SVM分类器,得到训练后的车辆分类模型,并将获取的待识别车辆图像,进行车型识别,并得到对应的车牌信息,最终获得待识别车辆的第一车辆信息。
S102、通过预设稽核模型,对第一车辆信息进行通行费信用度信息的筛选,得到筛选结果;并根据筛选结果,对嫌疑车辆进行数据取证处理,确定嫌疑车辆的异常通行结果。
具体地,通过治超车道中的预设治超系统,对行驶在治超车道中的车辆进行称重,得到车辆的称重信息。通过治超车道中的监拍摄像头,对车辆进行车辆车牌识别,得到已称重车牌信息。将已称重车牌信息与车辆的称重信息进行一一对应,得到车辆重量信息。
在一个实施例中,图2为申请实施例提供的一种车辆称重收费流程图,如图2所示,在治超车道中获取到行驶车辆的重量信息,然后将车辆称重的数据发送到收费系统的收费车道中,并根据治超车道的监拍摄像头,获取车牌信息以及对应的车辆型号,然后进行收费。进一步地,通过交通管理部门的车辆管理云端中心,获取车辆的历史档案信息。其中,历史档案信息至少包括车型型号信息、车辆使用信息、车辆所属人员信息、所属人员联系信息、车辆违法信息、车辆年审信息以及车辆高速通行信息。
进一步地,将车型型号信息、车辆使用信息、车辆所属人员信息以及所属人员联系信息进行车辆基础属性的关联,得到基础车辆动态信息。将车辆违法信息、车辆年审信息以及车辆高速通行信息进行车辆运行属性的关联,得到运行车辆动态信息。
进一步地,根据基础车辆动态信息与运行车辆动态信息,建立动态数据结构。并将动态数据结构输入到预设ElasticSearch数据库中,得到车辆动态数据库。
进一步地,根据高速公路的车辆收费规则,对稽核模型进行对应配置,得到预设稽核模型;其中,车辆收费规则为相同的车型对应相同的收费指标;获取待筛选车辆的车辆重量信息以及第一车辆信息。将第一车辆信息中的车型信息以及车牌信息与车辆动态数据库中的车型型号信息进行对应匹配,得到第一匹配结果。其中,第一匹配结果包括匹配一致或者匹配不一致。根据预设稽核模型,将第一车辆信息中的车辆重量信息以及对应的车型信息与车辆收费规则进行对应匹配,得到第二匹配结果。
进一步地,根据第一匹配结果与第二匹配结果,对第一车辆信息以及车辆重量信息进行通行费信用度信息的筛选,得到筛选结果。
其中,若第一匹配结果为匹配一致并且第二匹配结果也为匹配一致,则待筛选车辆的通行费信用度信息为良好通行信息。若第一匹配结果为匹配一致并且第二匹配结果为匹配不一致,则待筛选车辆存在偷逃车辆重量通行费行为,且待筛选车辆的通行费信用度信息为称重信用差信息。若第一匹配结果为匹配不一致并且第二匹配结果为匹配一致,则待筛选车辆存在偷改车辆行为,且待筛选车辆的通行费信用度信息为车型信用差信息。若第一匹配结果为匹配不一致并且第二匹配结果为匹配不一致,则待筛选车辆存在车辆违规行为,且待筛选车辆的通行费信用度信息为严重违规信用信息。
再将称重信用差信息、车型信用差信息以及严重违规信用信息所对应的待筛选车辆进行筛选,得到已筛选车辆。并获取已筛选车辆所对应的筛选结果。其中,筛选结果至少包括已筛选车辆的偷逃通行费用、通行费信用度信息、第一匹配结果信息以及第二匹配结果信息。
进一步地,将已筛选车辆的筛选结果信息与车辆动态数据库中所对应的嫌疑车辆的车辆高速通行信息进行比对,得到比对结果。其中,比对结果为比对一致或者比对不一致。若比对结果为比对一致,则将已筛选车辆确定为嫌疑车辆;根据车辆动态数据库中的车辆违法信息,判断嫌疑车辆是否具有历史违规通行信息。若存在历史违规通行信息,则将嫌疑车辆的筛选结果以及历史违规信息进行数据压缩处理,得到历史证明数据包。若不存在历史违规通行信息,则将嫌疑车辆的筛选结果进行数据压缩处理,得到当前证明数据包。
作为一种可行的实施方式,通过已筛选车辆的筛选结果信息与车辆动态数据库中所对应的嫌疑车辆的车辆高速通行信息进行比对,能够更好的从车辆动态数据库中查询,判断出是否为同一车辆,若为同一车辆,则该车辆就是嫌疑车辆,并将嫌疑车辆的历史违规通行信息以及筛选结果下的违规通行信息进行统一取证,得到该车辆的历史证明数据包以及当前证明数据包,在该车辆到达高速收费出站口时,能够提前准备好证明材料,有助于收费人员完成对该车辆的现场稽查,实现对该车辆偷逃通行费的追缴。
进一步地,将历史证明数据包以及当前证明数据包输入到高速出口收费站的收费系统中;并通过历史证明数据包以及当前证明数据包解析后的取证内容信息,对嫌疑车辆进行异常通行的标记,得到嫌疑车辆的异常通行结果。其中,异常通行结果为被标记的嫌疑车辆。
在一个实施例中,如图2所示,通过收费助手获取已筛选车辆的筛选结果信息与云平台中车辆动态数据库获取的车辆重量数据作比对,然后汇总该车的稽查信息、行驶信息、历史违规信息等历史证明数据包以及当前当前证明数据包一起发送给收费助手中,并在收费助手的前端展示页面进行查询显示。
在一个实施例中,通过提前配置的辆动态数据库以及预设稽核模型,对第一车辆信息进行筛选与比对,确定出该第一车辆信息中对应的车辆是否是嫌疑车辆,然后将嫌疑车辆的筛选结果以及历史违规信息进行数据处理,得到嫌疑车辆的异常通行结果。并且基于稽核模型的稽核分析平台还可以将收费规则与第一车辆信息中有关当次通行特征数据、逃费嫌疑信息、历史逃费信息等进行稽查匹配,确认通行路径、计费车型、特情车辆等影响计费的关键因素,核实计费金额,有助于打击各类偷逃通行费行为。
S103、识别第二车辆信息;并根据第二车辆信息所对应的异常通行结果,确定异常通行车辆。
具体地,通过高速收费站出口的数据采集设备,采集高速收费站出口行驶车辆的第二车辆信息。其中,第二车辆信息包括车型信息以及车牌信息。将第二车辆信息与嫌疑车辆的车辆信息进行比对。若第二车辆信息与嫌疑车辆的车辆信息一致,则将嫌疑车辆的异常通行结果关联到第二车辆信息中,得到与第二车辆信息所对应的异常通行车辆。
作为一种可行的实施方式,通过在高速收费站出口识别的第二车辆信息,即车型信息与车牌信息,与筛选结果筛选出的嫌疑车辆做比对,看是否为同一车辆,并且对该嫌疑车辆的异常通行结果信息关联到比对一致的第二车辆信息中,把在高速收费站出口识别到的该车辆确定为异常通行车辆。
S104、对异常通行车辆进行系统警示,以辅助收费人员完成对现场车辆的打击逃费工作。
具体地,根据收费人员系统中对已经标注的异常通行车辆,通过前端展示界面及时对收费人员进行重点车辆的提醒,然后将该异常通行车辆所对应的异常通行结果信息也一起对应着展示出来,方便收费人员根据异常通行结果信息所提供的证据信息、历史违规信息等,辅助收费人员现场完成对偷逃通行费车辆的现场稽查。
作为一种可行的实施方式,通过标注的异常通行车辆,给收费人员进行重点的提醒以及系统前端的展示,来实现辅助收费人员完成现场打击逃费车辆的工作,实现对偷逃通行费用的追缴。
另外,本申请实施例还提供了一种基于高速公路的智能收费辅助设备,如图3所示,智能收费辅助设备300具体包括:至少一个处理器301;以及,与至少一个处理器301通信连接的存储器302;其中,存储器302存储有能够被至少一个处理器301执行的指令,以使至少一个处理器301能够执行:
获取高速公路上行驶车辆的第一车辆信息;通过预设稽核模型,对第一车辆信息进行通行费信用度信息的筛选,得到筛选结果;并根据筛选结果,对嫌疑车辆进行数据取证处理,确定嫌疑车辆的异常通行结果;识别第二车辆信息;并根据第二车辆信息所对应的异常通行结果,确定异常通行车辆;对异常通行车辆进行系统警示,以辅助收费人员完成对现场车辆的打击逃费工作。
本申请实施例提供了一种一种基于高速公路的智能收费辅助方法、设备及介质,通过提前对出口车道车辆进行的稽核分析,在车辆离开高速收费出站口时,及时的完成在行驶途中车辆的偷逃通行费用的取证,实现现场稽查“大车小标”、“货改客”等偷逃通行费车辆,也有利于出站口的收费人员在嫌疑车辆出站时,系统会进行自动警告,提示收费人员打击逃费车辆,提高了打击嫌疑车辆的识别准确性,使收费人员追缴通行费用更加的便捷,减少了对嫌疑车辆的进行人工识别的成本,减少了车辆偷逃通行费用。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同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。尤其,对于设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请的实施例可以有各种更改和变化。凡在本申请实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于高速公路的智能收费辅助方法,其特征在于,所述方法包括:
获取高速公路上行驶车辆的第一车辆信息;
通过预设稽核模型,对所述第一车辆信息进行通行费信用度信息的筛选,得到筛选结果;并根据筛选结果,对嫌疑车辆进行数据取证处理,确定所述嫌疑车辆的异常通行结果;
识别第二车辆信息;并根据所述第二车辆信息所对应的异常通行结果,确定异常通行车辆;
对所述异常通行车辆进行系统警示,以辅助收费人员完成对现场车辆的打击逃费工作。
2.根据权利要求1所述的一种基于高速公路的智能收费辅助方法,其特征在于,在获取高速公路上行驶车辆的第一车辆信息之前,所述方法还包括:
通过交通管理部门的车辆管理云端中心,获取车辆的历史档案信息;其中,所述历史档案信息至少包括车型型号信息、车辆使用信息、车辆所属人员信息、所属人员联系信息、车辆违法信息、车辆年审信息以及车辆高速通行信息;
将所述车型型号信息、车辆使用信息、车辆所属人员信息以及所属人员联系信息进行车辆基础属性的关联,得到基础车辆动态信息;
将所述车辆违法信息、车辆年审信息以及车辆高速通行信息进行车辆运行属性的关联,得到运行车辆动态信息;
根据所述基础车辆动态信息与所述运行车辆动态信息,建立动态数据结构;并将所述动态数据结构输入到预设ElasticSearch数据库中,得到车辆动态数据库。
3.根据权利要求1所述的一种基于高速公路的智能收费辅助方法,其特征在于,所述第一车辆信息包括车型信息以及车牌信息;
所述获取高速公路上行驶车辆的第一车辆信息,具体包括:
根据预设的协同分割算法,将预设车辆图像进行图像的分割,得到目标车辆图像;
对所述目标车辆图像的车辆轮廓顶点以及车辆轮廓边线进行标注,分别得到所述目标车辆图像的顶点集合与边线集合;并根据所述顶点集合以及边线集合,生成有关车辆轮廓顶点的带权连通图;
遍历所述带权连通图中的顶点集合与边线集合,构建所述目标车辆图像的最小生成树;
根据所述最小生成树,将所述目标车辆图像中轮廓边界相近的区域进行区域对齐,得到局部关键区域;
对所述局部关键区域进行特征的提取,得到车辆局部特征;
通过所述车辆局部特征,训练SVM分类器,得到车辆分类模型;
通过设置于高速收费站入口的图像采集设备,对行驶的车辆进行图像采集,得到待识别车辆图像;
通过所述车辆分类模型,对所述待识别车辆图像进行车辆类型的识别,得到所述待识别车辆图像中的所述车型信息;
对所述待识别车辆图像中的车辆车牌进行识别,得到所述车牌信息。
4.根据权利要求1所述的一种基于高速公路的智能收费辅助方法,其特征在于,所述第一车辆信息还包括车辆重量信息;
在通过预设稽核模型,对所述第一车辆信息进行通行费信用度信息的筛选,得到筛选结果之前,所述方法还包括:
通过治超车道中的预设治超系统,对行驶在所述治超车道中的车辆进行称重,得到所述车辆的称重信息;
通过所述治超车道中的监拍摄像头,对所述车辆进行车辆车牌识别,得到已称重车牌信息;
将所述已称重车牌信息与所述辆的称重信息进行一一对应,得到所述车辆重量信息。
5.根据权利要求4所述的一种基于高速公路的智能收费辅助方法,其特征在于,通过预设稽核模型,对所述第一车辆信息进行通行费信用度信息的筛选,得到筛选结果,具体包括:
根据高速公路的车辆收费规则,对稽核模型进行对应配置,得到所述预设稽核模型;其中,所述车辆收费规则为相同的车型对应相同的收费指标;
获取待筛选车辆的所述车辆重量信息以及第一车辆信息;
将所述第一车辆信息中的车型信息以及车牌信息与车辆动态数据库中的车型型号信息进行对应匹配,得到第一匹配结果;其中,所述第一匹配结果包括匹配一致或者匹配不一致;
根据所述预设稽核模型,将所述第一车辆信息中的车辆重量信息以及对应的车型信息与所述车辆收费规则进行对应匹配,得到第二匹配结果;
根据所述第一匹配结果与所述第二匹配结果,对所述第一车辆信息以及所述车辆重量信息进行通行费信用度信息的筛选,得到所述筛选结果。
6.根据权利要求5所述的一种基于高速公路的智能收费辅助方法,其特征在于,根据所述第一匹配结果与所述第二匹配结果,对所述第一车辆信息以及所述车辆重量信息进行通行费信用度信息的筛选,得到所述筛选结果,具体包括:
若所述第一匹配结果为匹配一致并且所述第二匹配结果也为匹配一致,则所述待筛选车辆的通行费信用度信息为良好通行信息;
若所述第一匹配结果为匹配一致并且所述第二匹配结果为匹配不一致,则所述待筛选车辆存在偷逃车辆重量通行费行为,且所述待筛选车辆的通行费信用度信息为称重信用差信息;
若所述第一匹配结果为匹配不一致并且所述第二匹配结果为匹配一致,则所述待筛选车辆存在偷改车辆行为,且所述待筛选车辆的通行费信用度信息为车型信用差信息;
若所述第一匹配结果为匹配不一致并且所述第二匹配结果为匹配不一致,则所述待筛选车辆存在车辆违规行为,且所述待筛选车辆的通行费信用度信息为严重违规信用信息;
将所述称重信用差信息、所述车型信用差信息以及所述严重违规信用信息所对应的待筛选车辆进行筛选,得到已筛选车辆;并获取所述已筛选车辆所对应的筛选结果;其中,所述筛选结果至少包括所述已筛选车辆的偷逃通行费用、通行费信用度信息、第一匹配结果信息以及第二匹配结果信息。
7.根据权利要求6所述的一种基于高速公路的智能收费辅助方法,其特征在于,并根据筛选结果,对嫌疑车辆进行数据取证处理,确定所述嫌疑车辆的异常通行结果,具体包括:
将所述已筛选车辆的筛选结果信息与车辆动态数据库中所对应的嫌疑车辆的车辆高速通行信息进行比对,得到比对结果;其中,所述比对结果为比对一致或者比对不一致;
若所述比对结果为比对一致,则将所述已筛选车辆确定为所述嫌疑车辆;
根据车辆动态数据库中的车辆违法信息,判断所述嫌疑车辆是否具有历史违规通行信息;
若存在所述历史违规通行信息,则将所述嫌疑车辆的筛选结果以及历史违规信息进行数据压缩处理,得到历史证明数据包;
若不存在所述历史违规通行信息,则将所述嫌疑车辆的筛选结果进行数据压缩处理,得到当前证明数据包;
将所述历史证明数据包以及当前证明数据包输入到高速出口收费站的收费系统中;并通过所述历史证明数据包以及当前证明数据包解析后的取证内容信息,对所述嫌疑车辆进行异常通行的标记,得到所述嫌疑车辆的异常通行结果;其中,所述异常通行结果为被标记的所述嫌疑车辆。
8.根据权利要求1所述的一种基于高速公路的智能收费辅助方法,其特征在于,根据所述第二车辆信息所对应的异常通行结果,确定异常通行车辆,具体包括:
通过高速收费站出口的数据采集设备,采集高速收费站出口行驶车辆的所述第二车辆信息;其中,所述第二车辆信息包括车型信息以及车牌信息;
将所述第二车辆信息与嫌疑车辆的车辆信息进行比对;若所述第二车辆信息与所述嫌疑车辆的车辆信息一致,则将所述嫌疑车辆的异常通行结果关联到所述第二车辆信息中,得到与所述第二车辆信息所对应的异常通行车辆。
9.一种基于高速公路的智能收费辅助设备,其特征在于,所述设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有能够被所述至少一个处理器执行的指令,以使所述至少一个处理器能够执行根据权利要求1-8任一项所述的一种基于高速公路的智能收费辅助方法。
10.一种非易失性计算机存储介质,其特征在于,所述存储介质为非易失性计算机可读存储介质,所述非易失性计算机可读存储介质存储有至少一个程序,每个所述程序包括指令,所述指令当被终端执行时,使所述终端执行根据权利要求1-8任一项所述的一种基于高速公路的智能收费辅助方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211163951.1A CN115691148A (zh) | 2022-09-23 | 2022-09-23 | 一种基于高速公路的智能收费辅助方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211163951.1A CN115691148A (zh) | 2022-09-23 | 2022-09-23 | 一种基于高速公路的智能收费辅助方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115691148A true CN115691148A (zh) | 2023-02-03 |
Family
ID=85062030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211163951.1A Pending CN115691148A (zh) | 2022-09-23 | 2022-09-23 | 一种基于高速公路的智能收费辅助方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115691148A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343488A (zh) * | 2023-05-31 | 2023-06-27 | 山东高速信息集团有限公司 | 一种公路收费广场的上游流量调节方法、设备及介质 |
CN116821721A (zh) * | 2023-07-03 | 2023-09-29 | 上海金润联汇数字科技有限公司 | 一种跨城网约车的识别方法、装置、设备及介质 |
CN117314124A (zh) * | 2023-11-28 | 2023-12-29 | 四川成渝高速公路股份有限公司 | 一种高速公路收费业务智能管理系统及方法 |
CN117373143A (zh) * | 2023-12-06 | 2024-01-09 | 山东高速股份有限公司 | 一种道路车辆的预约通行方法、装置、设备及存储介质 |
CN117373259A (zh) * | 2023-12-07 | 2024-01-09 | 四川北斗云联科技有限公司 | 高速公路车辆逃费行为识别方法、装置、设备和存储介质 |
CN117373143B (zh) * | 2023-12-06 | 2024-05-31 | 山东高速股份有限公司 | 一种道路车辆的预约通行方法、装置、设备及存储介质 |
-
2022
- 2022-09-23 CN CN202211163951.1A patent/CN115691148A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116343488A (zh) * | 2023-05-31 | 2023-06-27 | 山东高速信息集团有限公司 | 一种公路收费广场的上游流量调节方法、设备及介质 |
CN116343488B (zh) * | 2023-05-31 | 2023-07-28 | 山东高速信息集团有限公司 | 一种公路收费广场的上游流量调节方法、设备及介质 |
CN116821721A (zh) * | 2023-07-03 | 2023-09-29 | 上海金润联汇数字科技有限公司 | 一种跨城网约车的识别方法、装置、设备及介质 |
CN116821721B (zh) * | 2023-07-03 | 2024-04-02 | 上海金润联汇数字科技有限公司 | 一种跨城网约车的识别方法、装置、设备及介质 |
CN117314124A (zh) * | 2023-11-28 | 2023-12-29 | 四川成渝高速公路股份有限公司 | 一种高速公路收费业务智能管理系统及方法 |
CN117314124B (zh) * | 2023-11-28 | 2024-02-27 | 四川成渝高速公路股份有限公司 | 一种高速公路收费业务智能管理系统及方法 |
CN117373143A (zh) * | 2023-12-06 | 2024-01-09 | 山东高速股份有限公司 | 一种道路车辆的预约通行方法、装置、设备及存储介质 |
CN117373143B (zh) * | 2023-12-06 | 2024-05-31 | 山东高速股份有限公司 | 一种道路车辆的预约通行方法、装置、设备及存储介质 |
CN117373259A (zh) * | 2023-12-07 | 2024-01-09 | 四川北斗云联科技有限公司 | 高速公路车辆逃费行为识别方法、装置、设备和存储介质 |
CN117373259B (zh) * | 2023-12-07 | 2024-03-01 | 四川北斗云联科技有限公司 | 高速公路车辆逃费行为识别方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115691148A (zh) | 一种基于高速公路的智能收费辅助方法、设备及介质 | |
CN105303197B (zh) | 一种基于机器学习的车辆跟车安全自动评估方法 | |
CN106373426A (zh) | 基于计算机视觉的停车位及违规占道停车监控方法 | |
CN109190488B (zh) | 基于深度学习YOLOv3算法的前车车门打开检测方法及装置 | |
CN109993138A (zh) | 一种车牌检测与识别方法及装置 | |
CN114076631A (zh) | 超载车辆识别方法、系统及设备 | |
CN106340205A (zh) | 交通监控方法及交通监控装置 | |
Wang et al. | Vehicle reidentification with self-adaptive time windows for real-time travel time estimation | |
CN111369801A (zh) | 车辆识别方法、装置、设备和存储介质 | |
CN116433166A (zh) | 高速公路收费异常稽核系统及方法 | |
CN116168356A (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN108021361A (zh) | 一种高速公路倒卡逃费车辆筛查方法及装置 | |
Ghoreyshi et al. | Simultaneous vehicle detection and classification model based on deep YOLO networks | |
CN109345649B (zh) | 一种高速公路车道收费辅助监测的实现方法 | |
CN113850556A (zh) | 运单生成方法、装置、电子设备和可读存储介质 | |
CN117115801A (zh) | 车牌真伪识别方法、装置、设备及存储介质 | |
CN112017310A (zh) | 具有电磁干扰的情况下的车辆监测方法和路网监测系统 | |
CN115731707B (zh) | 一种高速公路车辆交通控制方法和系统 | |
CN107153906A (zh) | 一种出租车违法行为判定方法及系统 | |
CN112633163B (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
CN116541786A (zh) | 基于驾驶行为的网约车识别方法、装置及系统 | |
Bhattarai et al. | Crash frequency prediction based on extreme value theory using roadside lidar-based vehicle trajectory data | |
CN113962331A (zh) | 一种etc门架系统故障原因识别方法及系统 | |
US20230237584A1 (en) | Systems and methods for evaluating vehicle insurance claims | |
CN111915751B (zh) | 一种路侧停车收费方法、装置、设备和存储介质 |
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 |