CN115798221B - 一种基于边缘计算的车牌快速识别分析方法及系统 - Google Patents
一种基于边缘计算的车牌快速识别分析方法及系统 Download PDFInfo
- Publication number
- CN115798221B CN115798221B CN202211410215.1A CN202211410215A CN115798221B CN 115798221 B CN115798221 B CN 115798221B CN 202211410215 A CN202211410215 A CN 202211410215A CN 115798221 B CN115798221 B CN 115798221B
- Authority
- CN
- China
- Prior art keywords
- information
- license plate
- real
- edge
- identification information
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于边缘计算的车牌快速识别分析方法及系统,涉及数字处理技术领域,方法包括:获取实时视频数据集;获取备案车辆信息;将备案车牌号信息发送至云处理器;生成车辆识别信息库;将实时视频数据集发送至路线定位分析模型,获取第一识别信息;将实时视频数据集发送至车辆识别信息库,获取第二识别信息;基于边缘算法,获取边缘识别分析任务,对目标车辆进行车牌快速识别分析,获取边缘识别结果。解决了车牌识别精度低,难以区分并拦截套牌车,车牌识别效率低的技术问题,达到了规范并优化车辆识别方案,提高车牌识别精度,基于备案信息区分并拦截套牌车,结合边缘算法,进行车牌快速识别分析,提高车牌识别效率的技术效果。
Description
技术领域
本发明涉及数字处理技术领域,具体涉及一种基于边缘计算的车牌快速识别分析方法及系统。
背景技术
现阶段,城市中道路卡口密集度很高,已经基本满足车辆动态监控,但道闸一体机,品牌众多,协议不同,难以接入常态化精准防控,车牌识别精度有限,车牌边缘存在标志、字母、装饰图案均会影响识别,伪造套取真牌车的号牌、型号和颜色的套牌车违规运载,对公共安全的管控带来风险,严重干扰了良好的道路交通秩序,同时,车牌识别无法与防控管理进行联动,封控管理区域管理需要投入大量人力物力,亟需高精准的车牌快速识别方案,进行车牌快速识别与封控区域联动管理,保证识别精度,提高封控管理区域管理效率。
现有技术中存在车牌识别精度低,难以区分并拦截套牌车,车牌识别效率低的技术问题。
发明内容
本申请通过提供了一种基于边缘计算的车牌快速识别分析方法及系统,解决了车牌识别精度低,难以区分并拦截套牌车,车牌识别效率低的技术问题,达到了规范并优化车辆识别方案,提高车牌识别精度,基于备案信息区分并拦截套牌车,结合边缘算法,进行车牌快速识别分析,提高车牌识别效率的技术效果。
鉴于上述问题,本申请提供了一种基于边缘计算的车牌快速识别分析方法及系统。
本申请的第一个方面,提供了一种基于边缘计算的车牌快速识别分析方法,其中,所述方法应用于车牌快速识别分析系统,所述系统与云处理器、图像采集装置通信连接,所述方法包括:根据所述图像采集装置对目标车辆进行数据采集,获取实时视频数据集;获取备案车辆信息,所述备案车辆信息包括车辆外观信息、车辆前置车牌架信息、车辆后置车牌架信息、备案车牌号信息;将所述备案车牌号信息发送至云处理器,其中,所述云处理器中包括路线定位分析模型;通过所述车辆外观信息、车辆前置车牌架信息、车辆后置车牌架信息,生成车辆识别信息库;将所述实时视频数据集发送至所述路线定位分析模型,获取第一识别信息;将所述实时视频数据集发送至所述车辆识别信息库,获取第二识别信息;基于边缘算法,通过所述第一识别信息与第二识别信息,获取边缘识别分析任务;通过所述边缘识别分析任务,对目标车辆进行车牌快速识别分析,获取边缘识别结果。
本申请的第二个方面,提供了一种基于边缘计算的车牌快速识别分析系统,其中,所述系统包括:数据采集单元,所述数据采集单元用于根据图像采集装置对目标车辆进行数据采集,获取实时视频数据集;备案信息获取单元,所述备案信息获取单元用于获取备案车辆信息,所述备案车辆信息包括车辆外观信息、车辆前置车牌架信息、车辆后置车牌架信息、备案车牌号信息;信息发送单元,所述信息发送单元用于将所述备案车牌号信息发送至云处理器,其中,所述云处理器中包括路线定位分析模型;识别库生成单元,所述识别库生成单元用于通过所述车辆外观信息、车辆前置车牌架信息、车辆后置车牌架信息,生成车辆识别信息库;识别信息获取单元,所述识别信息获取单元用于将所述实时视频数据集发送至所述路线定位分析模型,获取第一识别信息;将所述实时视频数据集发送至所述车辆识别信息库,获取第二识别信息;分析任务获取单元,所述分析任务获取单元用于基于边缘算法,通过所述第一识别信息与第二识别信息,获取边缘识别分析任务;识别分析单元,所述识别分析单元用于通过所述边缘识别分析任务,对目标车辆进行车牌快速识别分析,获取边缘识别结果。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了对目标车辆进行数据采集,获取实时视频数据集;获取备案车辆信息;将备案车牌号信息发送至云处理器;通过车辆外观信息、车辆前置车牌架信息、车辆后置车牌架信息,生成车辆识别信息库;将实时视频数据集发送至路线定位分析模型,获取第一识别信息;将实时视频数据集发送至车辆识别信息库,获取第二识别信息;基于边缘算法,通过第一识别信息与第二识别信息,获取边缘识别分析任务,对目标车辆进行车牌快速识别分析,获取边缘识别结果。本申请达到了规范并优化车辆识别方案,提高车牌识别精度,基于备案信息区分并拦截套牌车,结合边缘算法,进行车牌快速识别分析,提高车牌识别效率的技术效果。
附图说明
图1为本申请一种基于边缘计算的车牌快速识别分析方法的流程示意图;
图2为本申请一种基于边缘计算的车牌快速识别分析方法的获取第一识别信息的流程示意图;
图3为本申请一种基于边缘计算的车牌快速识别分析方法的生成边缘识别分析任务的流程示意图;
图4为本申请一种基于边缘计算的车牌快速识别分析系统的结构示意图。
附图标记说明:数据采集单元11,备案信息获取单元12,信息发送单元13,识别库生成单元14,识别信息获取单元15,分析任务获取单元16,识别分析单元17。
具体实施方式
本申请通过提供了一种基于边缘计算的车牌快速识别分析方法及系统,解决了车牌识别精度低,难以区分并拦截套牌车,车牌识别效率低的技术问题,达到了规范并优化车辆识别方案,提高车牌识别精度,基于备案信息区分并拦截套牌车,结合边缘算法,进行车牌快速识别分析,提高车牌识别效率的技术效果。
实施例一
如图1所示,本申请提供了一种基于边缘计算的车牌快速识别分析方法,其中,所述方法应用于车牌快速识别分析系统,所述系统与云处理器、图像采集装置通信连接,所述方法包括:
步骤S100:根据所述图像采集装置对目标车辆进行数据采集,获取实时视频数据集;
步骤S200:获取备案车辆信息,所述备案车辆信息包括车辆外观信息、车辆前置车牌架信息、车辆后置车牌架信息、备案车牌号信息;
具体而言,车辆一般均拥有两个身份信息,一为车辆型号信息对应的车辆外观、车辆前置车牌架、车辆后置车牌架等相关汽车铭牌中的车辆基本信息;一为车辆的车牌信息,所述云处理器为一云端运算数据运算处理设备,通过所述云处理器进行辅助运算可以加快车牌快速识别分析系统的运算处理效率,所述图像采集装置布设于城市道路卡口、小区道闸口等目标区域范围(车牌快速识别分析系统对应的识别区域范围)中的多个位置,所述车牌快速识别分析系统与云处理器、图像采集装置通信连接,为进行车牌快速识别提供硬件支持。
具体而言,通过所述图像采集装置,对目标车辆进行图像数据采集,获取实时视频数据集,基于所述车牌快速识别分析系统,进行车辆备案信息调取,获取备案车辆信息(备案车辆即经过相关部门监测可以安全上路的车),所述备案车辆信息包括车辆外观信息、车辆前置车牌架信息(前置车牌架即汽车前端放置车辆号牌位置的车牌架)、车辆后置车牌架信息、备案车牌号信息,所述车辆前置车牌架信息包括固封螺丝特征、固封螺丝数量、号牌架内侧边缘距离、车牌架外框特征等相关参数指标,所述车辆后置车牌架信息与所述车辆前置车牌架信息存在一致性,为后续进行数据处理提供数据基础。
相关规定表示,所有出厂车辆应按每面号牌架安装孔的数量进行固封,不能自行购买的其他螺丝代替,如果固封螺丝数量不对,需要面临响应的处罚政策,固封螺丝上都有不同的标识,不可跨地安装,所述固封螺丝特征即固封螺丝上的地域特征相关标识,号牌架内侧边缘距离(使用号牌架辅助安装时,号牌架内侧边缘距离机动车登记编号字符边缘应大于5mm以上,不应遮盖生产序列标识)、车牌架外框特征(车牌架外框特征即机动车车牌架外框不得带有标志、字母、装饰图案,更不得遮挡号牌字符),排除车牌边缘存在标志、字母、装饰图案等相关车牌使用不规范现象,为提高识别精度提供数据支持。
步骤S300:将所述备案车牌号信息发送至云处理器,其中,所述云处理器中包括路线定位分析模型;
步骤S400:通过所述车辆外观信息、车辆前置车牌架信息、车辆后置车牌架信息,生成车辆识别信息库;
步骤S500:将所述实时视频数据集发送至所述路线定位分析模型,获取第一识别信息;将所述实时视频数据集发送至所述车辆识别信息库,获取第二识别信息;
具体而言,通过所述车牌快速识别分析系统与云处理器、图像采集装置通信连接,将所述备案车牌号信息发送至云处理器,基于所述云处理器,搭建所述路线定位分析模型,所述云处理器中包括路线定位分析模型,将所述实时视频数据集发送至所述路线定位分析模型,获取第一识别信息;通过汽车铭牌,对所述车辆外观信息、车辆前置车牌架信息、车辆后置车牌架信息进行数据关联合并,生成车辆识别信息库,以所述车辆识别信息库为知识库,获取车辆识别信息专家系统(专家系统搭建为现有技术),将所述实时视频数据集发送至所述车辆识别信息专家系统中的车辆识别信息库,进行识别比对,获取第二识别信息,从多方面进行识别比对,为保证识别精度提供技术支持。
进一步的,如图2所示,所述将所述实时视频数据集发送至所述路线定位分析模型,获取第一识别信息,步骤S500还包括:
步骤S510:搭建所述路线定位分析模型,其中,所述路线定位分析模型包括重复检索比对层与空间位置异常跳跃分析层;
步骤S520:将所述实时视频数据集发送至所述路线定位分析模型,进行重复车牌号性检索,获取重复性检索结果;
步骤S530:通过所述路线定位分析模型,进行路线空间位置异常跳跃分析,获取异常跳跃分析结果;
步骤S540:通过所述重复性检索结果与所述异常跳跃分析结果,输出所述第一识别信息。
具体而言,搭建所述路线定位分析模型,所述路线定位分析模型包括重复检索比对层与空间位置异常跳跃分析层,所述重复检索比对层与所述空间位置异常跳跃分析层级联(所述级联即多个数据之间的映射关系,所述重复检索比对层的中间数据需要输入空间位置异常跳跃分析层,即重复检索比对层与空间位置异常跳跃分析层存在级联关系);将所述实时视频数据集发送至所述路线定位分析模型,通过重复检索比对层进行重复车牌号性检索(出现套牌车,且同时出现在图像采集装置中,同一时间出现车牌号重复),获取重复性检索结果;通过所述路线定位分析模型中的空间位置异常跳跃分析层,进行路线空间位置异常跳跃分析(出现套牌车,不同时出现在图像采集装置中,简单来说就是不同时间出现车牌号重复,且时间间隔不足以完成空间位置转移,即出现空间位置异常跳跃,如十分钟内出现车牌号重复,前后两点空间位置相距为100千米,即出现空间位置异常跳跃),获取异常跳跃分析结果;将所述重复性检索结果与所述异常跳跃分析结果设定为所述第一识别信息,通过路线定位分析模型的输出端输出,对路线定位分析模型进行输入输出限定,为后续进行带入运算提供参考。
进一步的,所述搭建所述路线定位分析模型,所述步骤S510包括:
步骤S511:通过所述备案车牌号信息,进行出现次数实时统计,获取次数实时统计结果;
步骤S512:通过所述次数实时统计结果与预设次数定值,确定重复检索比对层;
步骤S513:基于地图位置信息,对所述次数实时统计结果进行位置标记,拟合生成实时路线信息;
步骤S514:通过所述实时路线信息,进行路线有效性评估,确定空间位置异常跳跃分析层。
具体而言,通过所述备案车牌号信息,通过计数设备(如计数器)进行出现次数实时统计,获取次数实时统计结果(次数实时统计结果对应的出现次数为正整数);所述预设次数定值为1,通过所述次数实时统计结果与预设次数定值,进行出现次数重复比对(所述次数实时统计结果对应的出现次数有且仅为1,重复检索比对通过),确定重复检索比对层;基于地图位置信息(目标区域范围的地图信息),对所述次数实时统计结果进行位置标记(进行位置标记过程中,需要对出现的时间与位置同时标记出),基于出现的时间先后进行路线拟合,生成实时路线信息;通过所述实时路线信息,进行路线有效性评估(所述路线有效性评估包括:时间间隔不足以完成空间位置转移,即存在异常跳跃,路线有效性评估结果即路线无效;时间间隔足以完成空间位置转移,即不存在异常跳跃,路线有效性评估结果即路线有效;还可以结合路线中的时间间隔与路程信息,运算获取驾驶速度,结合路线的限速信息,进行驾驶速度合法性判定,具体可以结合用户需求进行对应的限定),确定空间位置异常跳跃分析层,通过输入输出关系,对重复检索比对层与所述空间位置异常跳跃分析层进行级联(级联中的映射关系:所述重复检索比对层的中间数据即次数实时统计结果需要输入空间位置异常跳跃分析层),确定路线定位分析模型,为后续带入运算提供模型基础。
步骤S600:基于边缘算法,通过所述第一识别信息与第二识别信息,获取边缘识别分析任务;
步骤S700:通过所述边缘识别分析任务,对目标车辆进行车牌快速识别分析,获取边缘识别结果。
进一步的,如图3所示,所述基于边缘算法,通过所述第一识别信息与第二识别信息,获取边缘识别分析任务,所述步骤S600包括:
步骤S610:判断所述第一识别信息与第二识别信息是否均验证通过;
步骤S620:若均验证通过,将所述第一识别信息与第二识别信息下发至边缘处理模块;
步骤S630:基于边缘算法,通过所述边缘处理模块,生成边缘识别分析任务。
具体而言,基于边缘算法,通过所述第一识别信息与第二识别信息对应的验证通过状态,有且仅的,所述第一识别信息与第二识别信息均通过,获取边缘识别分析任务;通过所述边缘识别分析任务,进行边缘运算对目标车辆进行车牌快速识别分析,获取边缘识别结果,持续性的进行车牌快速识别,为保证车牌识别效率提供支持。
具体而言,判断所述第一识别信息(所述重复性检索结果与所述异常跳跃分析结果均通过)与所述第二识别信息(同一型号的车辆,在车辆外观、车辆前置车牌架与车辆后置车牌架存在一致性,车辆在上市后,均会对车辆外观、车辆前置车牌架与车辆后置车牌架进行备案,由此将所述实时视频数据集发送至所述车辆识别信息专家系统中的车辆识别信息库,通过实时视频数据集中的目标车辆外观信息、目标车辆前置车牌架信息、目标车辆后置车牌架信息,与备案车辆的车辆外观信息、车辆前置车牌架信息、车辆后置车牌架信息是否出现存在一致性,出现即识别通过,未出现即识别未通过)是否均验证通过;若均验证通过,将所述第一识别信息与第二识别信息下发至边缘处理模块;基于边缘算法,通过所述边缘处理模块,生成边缘识别分析任务,所述边缘识别分析任务运行于边缘处理模块,所述边缘识别分析任务与边缘处理模块存在一一对应关系,为持续性的车牌快速识别提供支持。
进一步的,所述判断所述第一识别信息与第二识别信息是否均验证通过,所述步骤S610包括:
步骤S611:若存在任意一项验证未通过,将所述第一识别信息与第二识别信息下发至异常警示模块;
步骤S612:通过所述异常警示模块,在异常警示栏进行联通显示,锁定实时路线信息对应的位置信息;
步骤S613:实行交通管治,对所述异常警示栏中的信息进行标记管理。
具体而言,在存在任一验证未通过情况下,表示出现套牌车违规运载风险(还可能是违法改装车辆),具体包括:若存在任意一项验证未通过,将所述第一识别信息与第二识别信息下发至异常警示模块,通过所述异常警示模块(异常警示模块与异常警示栏同步并行运行),在异常警示栏进行联通显示,同时锁定实时路线信息对应的位置信息(锁定并进行同步实时更新);实行交通管治(实行交通管治:设定拦截关卡,对车辆进行拦截管治),对所述异常警示栏中的信息进行标记管理,为避免套牌车违规运载,维护备案车辆合法权益。
进一步的,所述实行交通管治,对所述异常警示栏中的信息进行标记管理,所述步骤S613包括:
步骤S613-1:获取所述异常警示栏中需要执行拦截处理任务的车辆;
步骤S613-2:通过所述拦截处理任务的车辆,结合所述第一识别信息与第二识别信息,获取第一拦截信息;
步骤S613-3:将所述锁定实时路线信息对应的位置信息作为补充信息,与所述第一拦截信息进行信息合并,获取实时拦截信息;
步骤S613-4:通过所述实时拦截信息,确定拦截关卡信息;
步骤S613-5:将所述实时拦截信息发送至所述拦截关卡信息,执行拦截处理任务,获取拦截处理结果;
步骤S613-6:通过所述拦截处理结果,对所述异常警示栏中的信息进行标记管理。
具体而言,设定拦截关卡,对车辆进行拦截管治,具体包括:通过交通管治人员,对异常警示栏中需要执行拦截处理任务进行核实,获取所述异常警示栏中需要执行拦截处理任务的车辆;通过所述拦截处理任务的车辆,结合拦截处理任务的车辆对应的所述第一识别信息与第二识别信息,进行数据打包,获取第一拦截信息;将所述锁定实时路线信息对应的位置信息作为补充信息,与所述第一拦截信息进行信息合并,获取实时拦截信息;通过所述实时拦截信息,基于地图位置信息,确定拦截关卡信息,所述拦截关卡信息包括关卡位置信息、关卡数量信息、关卡分布信息(一般的,拦截关卡可以是收费站等相关存在道闸口位置,处于所述实时路线信息前方不超过5km的位置);将所述实时拦截信息发送至所述拦截关卡信息,对所述实时拦截信息与所述拦截关卡信息打包,同步传送至拦截关卡,通过所述拦截关卡执行拦截处理任务,获取拦截处理结果(完成拦截处理任务,成功拦截所述拦截处理任务的车辆,即拦截处理结果即完成,反之未完成);通过所述拦截处理结果,对所述异常警示栏中的信息进行标记管理,所述标记包括拦截完成标记与拦截未完成标记,为及时拦截出现套牌车违规运载风险的车辆提供基础。
进一步的,所述基于边缘算法,通过所述边缘处理模块,生成边缘识别分析任务,所述步骤S630包括:
步骤S631:获取管控区域信息;
步骤S632:若均验证通过,基于边缘算法,确定边缘节点;
步骤S633:通过所述边缘节点,将所述管控区域信息作为限定信息,将所述第一识别信息与第二识别信息下发至对应的所述边缘处理模块;
步骤S634:通过所述边缘处理模块,生成边缘识别分析任务,所述边缘识别分析任务用于对所述目标车辆进行持续性的车牌快速识别。
具体而言,通过设定管控区域信息,对出入管控区域进行限定,具体包括:获取管控区域信息,所述管控区域信息即存在其他风险的区域,在管控期内,需要对管控区域进行出入限定;若所述第一识别信息与第二识别信息均验证通过,基于边缘算法,确定边缘节点,所述边缘节点为边缘处理模块所对应的节点;通过所述边缘节点,将所述管控区域信息作为限定信息,将所述第一识别信息与第二识别信息实时添加对应的所述边缘处理模块;通过所述边缘处理模块,生成边缘识别分析任务,所述边缘识别分析任务用于对所述目标车辆进行持续性的车牌快速识别,在目标车辆在管控期内,试图出入管控区域进行管控提醒信息,管控提醒信息后,若目标车辆仍试图出入管控区域,可以跳至交通管治拦截步骤中,将试图出入管控区域目标车辆对应的所述第一识别信息与第二识别信息发送至异常警示模块,并在异常警示栏进行联通显示,为保证车牌快速识别分析方案的完整性提供基础。
综上所述,本申请所提供的一种基于边缘计算的车牌快速识别分析方法及系统具有如下技术效果:
由于采用了对目标车辆进行数据采集,获取实时视频数据集;获取备案车辆信息;将备案车牌号信息发送至云处理器;生成车辆识别信息库;将实时视频数据集发送至路线定位分析模型,获取第一识别信息;将实时视频数据集发送至车辆识别信息库,获取第二识别信息;基于边缘算法,通过第一识别信息与第二识别信息,获取边缘识别分析任务,进行车牌快速识别分析,获取边缘识别结果,本申请通过提供了一种基于边缘计算的车牌快速识别分析方法及系统,达到了规范并优化车辆识别方案,提高车牌识别精度,基于备案信息区分并拦截套牌车,结合边缘算法,进行车牌快速识别分析,提高车牌识别效率的技术效果。
由于采用了若存在任意一项验证未通过,将第一识别信息与第二识别信息下发至异常警示模块,在异常警示栏进行联通显示,锁定实时路线信息对应的位置信息;实行交通管治,对异常警示栏中的信息进行标记管理,为避免套牌车违规运载,维护备案车辆合法权益。
由于采用了获取管控区域信息;若均验证通过,基于边缘算法,确定边缘节点;将管控区域信息作为限定信息,将第一识别信息与第二识别信息下发至对应的边缘处理模块,生成边缘识别分析任务,进行车牌快速识别,为保证车牌快速识别分析方案的完整性提供基础。
实施例二
基于与前述实施例中一种基于边缘计算的车牌快速识别分析方法相同的发明构思,如图4所示,本申请提供了一种基于边缘计算的车牌快速识别分析系统,其中,所述系统包括:
数据采集单元11,所述数据采集单元11用于根据图像采集装置对目标车辆进行数据采集,获取实时视频数据集;
备案信息获取单元12,所述备案信息获取单元12用于获取备案车辆信息,所述备案车辆信息包括车辆外观信息、车辆前置车牌架信息、车辆后置车牌架信息、备案车牌号信息;
信息发送单元13,所述信息发送单元13用于将所述备案车牌号信息发送至云处理器,其中,所述云处理器中包括路线定位分析模型;
识别库生成单元14,所述识别库生成单元14用于通过所述车辆外观信息、车辆前置车牌架信息、车辆后置车牌架信息,生成车辆识别信息库;
识别信息获取单元15,所述识别信息获取单元15用于将所述实时视频数据集发送至所述路线定位分析模型,获取第一识别信息;将所述实时视频数据集发送至所述车辆识别信息库,获取第二识别信息;
分析任务获取单元16,所述分析任务获取单元16用于基于边缘算法,通过所述第一识别信息与第二识别信息,获取边缘识别分析任务;
识别分析单元17,所述识别分析单元17用于通过所述边缘识别分析任务,对目标车辆进行车牌快速识别分析,获取边缘识别结果。
进一步的,所述系统包括:
路线定位分析模型搭建单元,所述路线定位分析模型搭建单元用于搭建所述路线定位分析模型,其中,所述路线定位分析模型包括重复检索比对层与空间位置异常跳跃分析层;
重复车牌号性检索单元,所述重复车牌号性检索单元用于将所述实时视频数据集发送至所述路线定位分析模型,进行重复车牌号性检索,获取重复性检索结果;
异常跳跃分析单元,所述异常跳跃分析单元用于通过所述路线定位分析模型,进行路线空间位置异常跳跃分析,获取异常跳跃分析结果;
第一识别信息输出单元,所述第一识别信息输出单元用于通过所述重复性检索结果与所述异常跳跃分析结果,输出所述第一识别信息。
进一步的,所述系统包括:
次数实时统计单元,所述次数实时统计单元用于通过所述备案车牌号信息,进行出现次数实时统计,获取次数实时统计结果;
重复检索比对层确定单元,所述重复检索比对层确定单元用于通过所述次数实时统计结果与预设次数定值,确定重复检索比对层;
位置标记单元,所述位置标记单元用于基于地图位置信息,对所述次数实时统计结果进行位置标记,拟合生成实时路线信息;
空间位置异常跳跃分析层确定单元,所述空间位置异常跳跃分析层确定单元用于通过所述实时路线信息,进行路线有效性评估,确定空间位置异常跳跃分析层。
进一步的,所述系统包括:
验证通过判断单元,所述验证通过判断单元用于判断所述第一识别信息与第二识别信息是否均验证通过;
信息下发单元,所述信息下发单元用于若均验证通过,将所述第一识别信息与第二识别信息下发至边缘处理模块;
边缘识别分析任务生成单元,所述边缘识别分析任务生成单元用于基于边缘算法,通过所述边缘处理模块,生成边缘识别分析任务。
进一步的,所述系统包括:
识别信息下发单元,所述识别信息下发单元用于若存在任意一项验证未通过,将所述第一识别信息与第二识别信息下发至异常警示模块;
联通显示单元,所述联通显示单元用于通过所述异常警示模块,在异常警示栏进行联通显示,锁定实时路线信息对应的位置信息;
标记管理单元,所述标记管理单元用于实行交通管治,对所述异常警示栏中的信息进行标记管理。
进一步的,所述系统包括:
拦截处理任务确定获取单元,所述拦截处理任务确定获取单元用于获取所述异常警示栏中需要执行拦截处理任务的车辆;
第一拦截信息获取单元,所述第一拦截信息获取单元用于通过所述拦截处理任务的车辆,结合所述第一识别信息与第二识别信息,获取第一拦截信息;
信息合并单元,所述信息合并单元用于将所述锁定实时路线信息对应的位置信息作为补充信息,与所述第一拦截信息进行信息合并,获取实时拦截信息;
拦截关卡信息确定单元,所述拦截关卡信息确定单元用于通过所述实时拦截信息,确定拦截关卡信息;
执行拦截处理任务单元,所述执行拦截处理任务单元,用于将所述实时拦截信息发送至所述拦截关卡信息,执行拦截处理任务,获取拦截处理结果;
信息标记管理单元,所述信息标记管理单元用于通过所述拦截处理结果,对所述异常警示栏中的信息进行标记管理。
进一步的,所述系统包括:
管控区域获取单元,所述管控区域获取单元用于获取管控区域信息;
边缘节点确定单元,所述边缘节点确定单元用于若均验证通过,基于边缘算法,确定边缘节点;
限定信息确定单元,所述限定信息确定单元用于通过所述边缘节点,将所述管控区域信息作为限定信息,将所述第一识别信息与第二识别信息下发至对应的所述边缘处理模块;
持续性车牌快速识别单元,所述持续性车牌快速识别单元用于通过所述边缘处理模块,生成边缘识别分析任务,所述边缘识别分析任务用于对所述目标车辆进行持续性的车牌快速识别。
本说明书和附图仅仅是本申请的示例性说明,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (2)
1.一种基于边缘计算的车牌快速识别分析方法,其特征在于,所述方法应用于车牌快速识别分析系统,所述系统与云处理器、图像采集装置通信连接,所述方法包括:
根据所述图像采集装置对目标车辆进行数据采集,获取实时视频数据集;
获取备案车辆信息,所述备案车辆信息包括车辆外观信息、车辆前置车牌架信息、车辆后置车牌架信息、备案车牌号信息;
将所述备案车牌号信息发送至云处理器,其中,所述云处理器中包括路线定位分析模型;
通过所述车辆外观信息、车辆前置车牌架信息、车辆后置车牌架信息,生成车辆识别信息库;
将所述实时视频数据集发送至所述路线定位分析模型,获取第一识别信息;将所述实时视频数据集发送至所述车辆识别信息库,获取第二识别信息;
基于边缘算法,通过所述第一识别信息与第二识别信息,获取边缘识别分析任务,其中包括:判断所述第一识别信息与第二识别信息是否均验证通过,其中包括:若存在任意一项验证未通过,将所述第一识别信息与第二识别信息下发至异常警示模块;通过所述异常警示模块,在异常警示栏进行联通显示,锁定实时路线信息对应的位置信息;实行交通管治,对所述异常警示栏中的信息进行标记管理,其中包括:获取所述异常警示栏中需要执行拦截处理任务的车辆;通过所述拦截处理任务的车辆,结合所述第一识别信息与第二识别信息,获取第一拦截信息;将所述锁定实时路线信息对应的位置信息作为补充信息,与所述第一拦截信息进行信息合并,获取实时拦截信息;通过所述实时拦截信息,确定拦截关卡信息;将所述实时拦截信息发送至所述拦截关卡信息,执行拦截处理任务,获取拦截处理结果;通过所述拦截处理结果,对所述异常警示栏中的信息进行标记管理;若均验证通过,将所述第一识别信息与第二识别信息下发至边缘处理模块;基于边缘算法,通过所述边缘处理模块,生成边缘识别分析任务,其中包括:获取管控区域信息;若均验证通过,基于边缘算法,确定边缘节点;通过所述边缘节点,将所述管控区域信息作为限定信息,将所述第一识别信息与第二识别信息下发至对应的所述边缘处理模块;通过所述边缘处理模块,生成边缘识别分析任务,所述边缘识别分析任务用于对所述目标车辆进行持续性的车牌快速识别;
通过所述边缘识别分析任务,对目标车辆进行车牌快速识别分析,获取边缘识别结果;
其中所述将所述实时视频数据集发送至所述路线定位分析模型,获取第一识别信息,所述方法还包括:
搭建所述路线定位分析模型,其中,所述路线定位分析模型包括重复检索比对层与空间位置异常跳跃分析层;
将所述实时视频数据集发送至所述路线定位分析模型,进行重复车牌号性检索,获取重复性检索结果;
通过所述路线定位分析模型,进行路线空间位置异常跳跃分析,获取异常跳跃分析结果;
通过所述重复性检索结果与所述异常跳跃分析结果,输出所述第一识别信息;
所述搭建所述路线定位分析模型,所述方法包括:
通过所述备案车牌号信息,进行出现次数实时统计,获取次数实时统计结果;
通过所述次数实时统计结果与预设次数定值,确定重复检索比对层;
基于地图位置信息,对所述次数实时统计结果进行位置标记,拟合生成实时路线信息;
通过所述实时路线信息,进行路线有效性评估,确定空间位置异常跳跃分析层。
2.一种基于边缘计算的车牌快速识别分析系统,其特征在于,所述系统包括:
数据采集单元,所述数据采集单元用于根据图像采集装置对目标车辆进行数据采集,获取实时视频数据集;
备案信息获取单元,所述备案信息获取单元用于获取备案车辆信息,所述备案车辆信息包括车辆外观信息、车辆前置车牌架信息、车辆后置车牌架信息、备案车牌号信息;
信息发送单元,所述信息发送单元用于将所述备案车牌号信息发送至云处理器,其中,所述云处理器中包括路线定位分析模型;
识别库生成单元,所述识别库生成单元用于通过所述车辆外观信息、车辆前置车牌架信息、车辆后置车牌架信息,生成车辆识别信息库;
识别信息获取单元,所述识别信息获取单元用于将所述实时视频数据集发送至所述路线定位分析模型,获取第一识别信息;将所述实时视频数据集发送至所述车辆识别信息库,获取第二识别信息;
分析任务获取单元,所述分析任务获取单元用于基于边缘算法,通过所述第一识别信息与第二识别信息,获取边缘识别分析任务;
验证通过判断单元,所述验证通过判断单元用于判断所述第一识别信息与第二识别信息是否均验证通过;
识别信息下发单元,所述识别信息下发单元用于若存在任意一项验证未通过,将所述第一识别信息与第二识别信息下发至异常警示模块;
联通显示单元,所述联通显示单元用于通过所述异常警示模块,在异常警示栏进行联通显示,锁定实时路线信息对应的位置信息;
标记管理单元,所述标记管理单元用于实行交通管治,对所述异常警示栏中的信息进行标记管理;
拦截处理任务确定获取单元,所述拦截处理任务确定获取单元用于获取所述异常警示栏中需要执行拦截处理任务的车辆;
第一拦截信息获取单元,所述第一拦截信息获取单元用于通过所述拦截处理任务的车辆,结合所述第一识别信息与第二识别信息,获取第一拦截信息;
信息合并单元,所述信息合并单元用于将所述锁定实时路线信息对应的位置信息作为补充信息,与所述第一拦截信息进行信息合并,获取实时拦截信息;
拦截关卡信息确定单元,所述拦截关卡信息确定单元用于通过所述实时拦截信息,确定拦截关卡信息;
执行拦截处理任务单元,所述执行拦截处理任务单元,用于将所述实时拦截信息发送至所述拦截关卡信息,执行拦截处理任务,获取拦截处理结果;
信息标记管理单元,所述信息标记管理单元用于通过所述拦截处理结果,对所述异常警示栏中的信息进行标记管理;
信息下发单元,所述信息下发单元用于若均验证通过,将所述第一识别信息与第二识别信息下发至边缘处理模块;
边缘识别分析任务生成单元,所述边缘识别分析任务生成单元用于基于边缘算法,通过所述边缘处理模块,生成边缘识别分析任务;
管控区域获取单元,所述管控区域获取单元用于获取管控区域信息;
边缘节点确定单元,所述边缘节点确定单元用于若均验证通过,基于边缘算法,确定边缘节点;
限定信息确定单元,所述限定信息确定单元用于通过所述边缘节点,将所述管控区域信息作为限定信息,将所述第一识别信息与第二识别信息下发至对应的所述边缘处理模块;
持续性车牌快速识别单元,所述持续性车牌快速识别单元用于通过所述边缘处理模块,生成边缘识别分析任务,所述边缘识别分析任务用于对所述目标车辆进行持续性的车牌快速识别;
识别分析单元,所述识别分析单元用于通过所述边缘识别分析任务,对目标车辆进行车牌快速识别分析,获取边缘识别结果;
路线定位分析模型搭建单元,所述路线定位分析模型搭建单元用于搭建所述路线定位分析模型,其中,所述路线定位分析模型包括重复检索比对层与空间位置异常跳跃分析层;
重复车牌号性检索单元,所述重复车牌号性检索单元用于将所述实时视频数据集发送至所述路线定位分析模型,进行重复车牌号性检索,获取重复性检索结果;
异常跳跃分析单元,所述异常跳跃分析单元用于通过所述路线定位分析模型,进行路线空间位置异常跳跃分析,获取异常跳跃分析结果;
第一识别信息输出单元,所述第一识别信息输出单元用于通过所述重复性检索结果与所述异常跳跃分析结果,输出所述第一识别信息;
次数实时统计单元,所述次数实时统计单元用于通过所述备案车牌号信息,进行出现次数实时统计,获取次数实时统计结果;
重复检索比对层确定单元,所述重复检索比对层确定单元用于通过所述次数实时统计结果与预设次数定值,确定重复检索比对层;
位置标记单元,所述位置标记单元用于基于地图位置信息,对所述次数实时统计结果进行位置标记,拟合生成实时路线信息;
空间位置异常跳跃分析层确定单元,所述空间位置异常跳跃分析层确定单元用于通过所述实时路线信息,进行路线有效性评估,确定空间位置异常跳跃分析层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211410215.1A CN115798221B (zh) | 2022-11-11 | 2022-11-11 | 一种基于边缘计算的车牌快速识别分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211410215.1A CN115798221B (zh) | 2022-11-11 | 2022-11-11 | 一种基于边缘计算的车牌快速识别分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115798221A CN115798221A (zh) | 2023-03-14 |
CN115798221B true CN115798221B (zh) | 2023-09-19 |
Family
ID=85436884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211410215.1A Active CN115798221B (zh) | 2022-11-11 | 2022-11-11 | 一种基于边缘计算的车牌快速识别分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115798221B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200669A (zh) * | 2014-08-18 | 2014-12-10 | 华南理工大学 | 一种基于Hadoop的套牌车识别方法及系统 |
CN112735144A (zh) * | 2020-12-28 | 2021-04-30 | 浙江大华技术股份有限公司 | 套牌识别方法、装置、计算机设备和存储介质 |
WO2021151279A1 (zh) * | 2020-06-17 | 2021-08-05 | 平安科技(深圳)有限公司 | 基于边缘计算的云监控方法、装置、电子设备及存储介质 |
CN215910909U (zh) * | 2021-06-15 | 2022-02-25 | 航天信息股份有限公司 | 一种基于图像的综合车辆识别设备 |
CN114999166A (zh) * | 2021-03-02 | 2022-09-02 | 腾讯科技(深圳)有限公司 | 车辆识别方法、装置、电子设备及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI615815B (zh) * | 2017-03-03 | 2018-02-21 | 群光電能科技股份有限公司 | 雲端跨區車牌辨識系統 |
-
2022
- 2022-11-11 CN CN202211410215.1A patent/CN115798221B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200669A (zh) * | 2014-08-18 | 2014-12-10 | 华南理工大学 | 一种基于Hadoop的套牌车识别方法及系统 |
WO2021151279A1 (zh) * | 2020-06-17 | 2021-08-05 | 平安科技(深圳)有限公司 | 基于边缘计算的云监控方法、装置、电子设备及存储介质 |
CN112735144A (zh) * | 2020-12-28 | 2021-04-30 | 浙江大华技术股份有限公司 | 套牌识别方法、装置、计算机设备和存储介质 |
CN114999166A (zh) * | 2021-03-02 | 2022-09-02 | 腾讯科技(深圳)有限公司 | 车辆识别方法、装置、电子设备及计算机可读存储介质 |
CN215910909U (zh) * | 2021-06-15 | 2022-02-25 | 航天信息股份有限公司 | 一种基于图像的综合车辆识别设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115798221A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Coifman | Vehicle re-identification and travel time measurement in real-time on freeways using existing loop detector infrastructure | |
CN111275980A (zh) | 基于互联网+智能交通视频监控管理系统的大数据应用平台 | |
CN109658693B (zh) | 一种路况信息获取和处理的方法及装置 | |
CN111369797A (zh) | 车辆监测方法、电子围栏的构建方法、电子围栏及装置 | |
CN105355045A (zh) | 一种辅助确定驾驶员身份的方法及装置 | |
CN115019514B (zh) | 一种基于车联网的公路巡查系统 | |
CN115762120A (zh) | 基于快速路全路段的全息感知预警系统 | |
Růžička et al. | Big data application for urban transport solutions | |
CN117037084A (zh) | 基于轨迹重建的收费站车辆异常行为识别方法及装置 | |
CN115798221B (zh) | 一种基于边缘计算的车牌快速识别分析方法及系统 | |
CN113724499A (zh) | 一种道路交通事件三维可视化分析方法及系统 | |
CN114067287A (zh) | 一种基于车侧路侧数据感知融合的异物识别及预警系统 | |
CN111127280A (zh) | 一种智慧小区管理系统 | |
Cui et al. | Design of highway intelligent transportation system based on the internet of things and artificial intelligence | |
KR102400842B1 (ko) | 교통사고 정보를 제공하기 위한 서비스 방법 | |
Saunier et al. | Comparing data from mobile and static traffic sensors for travel time assessment | |
CN115311750A (zh) | 一种etc门架运行质量的监测方法及装置 | |
Ismail et al. | Automated pedestrian safety analysis using video data in the context of scramble phase intersections | |
CN112633163A (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 | |
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 | |
Fowdur et al. | A mobile application for real-time detection of road traffic violations | |
CN110060452A (zh) | 车辆进出场所的警示方法及装置 | |
Hunter | Evaluation of intersection countermeasures on high-speed rural multi-lane facilities. | |
Jian John Lu PHD et al. | Evaluation of intelligent transportation system operations using logistic regression models | |
Vanitha | Survey on Identification of Potholes using Deep Learning Techniques |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |