CN116311568A - 一种基于etc的停车场人脸识别快速扣费方法及装置 - Google Patents

一种基于etc的停车场人脸识别快速扣费方法及装置 Download PDF

Info

Publication number
CN116311568A
CN116311568A CN202310544370.0A CN202310544370A CN116311568A CN 116311568 A CN116311568 A CN 116311568A CN 202310544370 A CN202310544370 A CN 202310544370A CN 116311568 A CN116311568 A CN 116311568A
Authority
CN
China
Prior art keywords
window
face image
license plate
convolution
face
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
Application number
CN202310544370.0A
Other languages
English (en)
Inventor
陈文倩
何玉容
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Mainchance Communication Technology Co ltd
Original Assignee
Guangzhou Mainchance Communication Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Mainchance Communication Technology Co ltd filed Critical Guangzhou Mainchance Communication Technology Co ltd
Priority to CN202310544370.0A priority Critical patent/CN116311568A/zh
Publication of CN116311568A publication Critical patent/CN116311568A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
    • G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
    • G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于ETC的停车场人脸识别快速扣费方法及装置，包括：获取停车场收费处隔车窗拍摄的隔车窗人脸图像和车牌图像；将隔车窗拍摄的隔车窗人脸图像输入车窗剔除模型中，以使车窗剔除模型生成去除车窗后的人脸图像；将车牌图像输入车牌识别模型中，以使车牌识别模型生成车牌号；根据停车场收费标准计算车牌号对应车辆的停车费用；将去除后车窗的人脸图像通过驾驶员预授权的第三方支付平台进行人脸匹配，在匹配成功时，由第三方支付平台扣取停车费用；在匹配失败时，提示驾驶员更换支付方式。通过实施本发明能避免驾驶员在人脸识别支付时降车窗或下车的操作，提高驾驶员在停车场收费时使用人脸识别的体验感。

Description

一种基于ETC的停车场人脸识别快速扣费方法及装置
技术领域
本发明涉及人脸识别技术领域，尤其涉及一种基于ETC的停车场人脸识别快速扣费方法及装置。
背景技术
在车辆识别扣费领域中，通过ETC设备识别车辆信息，通过联网查询和记录车辆及车主信息。在技术发展迅猛的时代，车辆识别扣费领域结合人脸识别技术发展和需求越来越大。一般来说，在商业和公共领域应用中，人脸识别的面部特征匹配度要求通常在90%以上才能被识别为成功；现有的采用人脸识别收费的停车场，由于人脸识别收费装置设置在车的侧面，通过ETC设备识别车辆信息后，由于车侧面玻璃上车窗贴膜的遮挡，导致人脸识别装置在隔车窗对驾驶员的人脸图像进行采集时，所采集的人脸模糊而识别失败，继而需要驾驶员下车或降下车窗后完成人脸识别后才可支付停车费用；这种人脸识别收费方式在采集的人脸图像为隔车窗拍摄的图像时，人脸识别的成功率较低。
发明内容
本发明提供一种基于ETC的停车场人脸识别快速扣费方法及装置，能隔车窗实现人脸识别，提高人脸识别的成功率。
本发明提供一种基于ETC的停车场人脸识别快速扣费方法，包括：
获取停车场收费处隔车窗拍摄的隔车窗人脸图像和车牌图像；
将所述隔车窗拍摄的隔车窗人脸图像输入车窗剔除模型中，以使车窗剔除模型生成去除车窗后的人脸图像；
将所述车牌图像输入车牌识别模型中，以使车牌识别模型生成车牌号；
根据停车场收费标准计算所述车牌号对应车辆的停车费用；
将去除后车窗的人脸图像通过驾驶员预授权的第三方支付平台进行人脸匹配，在匹配成功时，由第三方支付平台扣取停车费用；在匹配失败时，提示驾驶员更换支付方式；
其中，所述车窗剔除模型的构建包括：
构建一初始的生成对抗网络，所述生成对抗网络包括：生成器和鉴别器；
获取隔车窗人脸图像样本以及对应的真实无车窗人脸图像样本；
将所述隔车窗人脸图像样本和真实无车窗人脸图像样本输入至所述生成对抗网络，对所述生成对抗网络中的生成器和鉴别器进行交替迭代训练，直至生成对抗网络收敛；
将生成对抗网络收敛时的生成器作为所述车窗剔除模型；
在所述生成对抗网络中的生成器和鉴别器进行交替迭代训练时，生成器根据隔车窗人脸图像样本，生成一预测的无车窗人脸图像，并将预测的无车窗人脸图像输入至鉴别器中；所述鉴别器，获取预测的无车窗人脸图像以及对应的真实无车窗人脸图像样本，并对预测的无车窗人脸图像和真实无车窗人脸图像样本进行鉴别，根据鉴别结果对自身的网络参数进行调整，或将鉴别结果反馈至生成器，以使生成器根据所述鉴别结果对自身的网络参数进行调整。
进一步地，在将所述隔车窗拍摄的隔车窗人脸图像输入车窗剔除模型之前，还包括：对所述隔车窗人脸图像进行网格化处理，分别对每个网格上的亮度值进行检测，确定亮度值超过预设阈值的目标网格；在所述隔车窗人脸图像中选择目标网格中亮度值最高的网格作为坐标原点，建立空间直角坐标系，同时，确定所述目标网格所在的人脸特征对象；在所述人脸特征对象中选择参考点，并确定所述参考点的坐标系数，计算所述参考点分别与各个目标网格之间的空间距离；将所述空间距离超过预设距离值所对应的目标网格进行过滤，得到处理后的隔车窗人脸图像。
进一步地，所述生成对抗网络中生成器和鉴别器的损失函数可通过以下方式得到：
通过以下方式计算生成器的损失函数：
Figure SMS_1
；
其中，
Figure SMS_2
为生成器的损失函数，H 为交叉熵，G 代表生成网络，D 代表判别网络，z为隔车窗人脸图像样本，/>
Figure SMS_3
为对预测的无车窗人脸图像的鉴别为真的概率；
通过以下方式计算鉴别器的损失函数：
Figure SMS_4
；
其实，
Figure SMS_5
为鉴别器的损失函数，x为真实无车窗人脸图像样本，/>
Figure SMS_6
为对真实无车窗人脸图像样本的鉴别为真的概率。
进一步地，所述生成器由四个微步幅卷积层级联构成；
第一个微步幅卷积层采用G1个t×t的卷积核进行微步幅卷积操作；第二个微步幅卷积层采用G2个t×t的卷积核进行微步幅卷积操作；第三个微步幅卷积层采用G3个t×t的卷积核进行微步幅卷积操作；第四个微步幅卷积层采用三个t×t的卷积核进行微步幅卷积操作；其中，每一层的卷积步长均d；G1、G2、G3、d和t的取值均为正整数。
进一步地，所述鉴别器由四个卷积层级联构成；
第一个卷积层采用D1个t×t的卷积核进行卷积操作；第二个卷积层采用D2个t×t的卷积核进行卷积操作；第三个卷积层采用D3个t×t的卷积核进行卷积操作；第四个卷积层采用D4个t×t的卷积核进行卷积操作；其中，每一层的卷积步长均d；D1、D2、D3、D4、d和t的取值均为正整数。
进一步地，所述车牌识别模型的构建，包括：
获取若干车牌图像样本；
构建初始的车牌识别模型，以车牌图像样本为训练样本对初始的车牌识别模型进行训练，直至初始的车牌识别模型收敛，生成车牌识别模型；其中，在车牌图像样本输入所述初始的车牌识别模型时，所述初始的车牌识别模型的若干卷积层和池化层提取所述车牌图像样本中的字符，输出包含若干字符的车牌号。
进一步地，所述车牌识别模型由输入层、若干卷积层、若干池化层和输出层构成；
所述卷积层与所述池化层为交替网络结构；
所述卷积层为卷积核为三，步长为一的卷积层；
所述池化层的池化窗口的步长为二。
进一步地，车牌识别模型的输出层为包含多个字符的输出层。
在上述方法项的基础上，本发明对应提供了装置项；
本发明对应提供了一种基于ETC的停车场人脸识别快速扣费装置，包括：数据获取模块、人脸图像识别模块、车牌识别模块、匹配支付模块和车窗剔除模型构建模块；
所述数据获取模块，用于获取停车场收费处隔车窗拍摄的隔车窗人脸图像和车牌图像；
所述人脸图像识别模块，用于将所述隔车窗拍摄的隔车窗人脸图像输入车窗剔除模型中，以使车窗剔除模型生成去除车窗后的人脸图像；
所述车牌识别模块，用于将所述车牌图像输入车牌识别模型中，以使车牌识别模型生成车牌号；
所述匹配支付模块，用于根据停车场收费标准计算所述车牌号对应车辆的停车费用；将去除后车窗的人脸图像通过驾驶员预授权的第三方支付平台进行人脸匹配，在匹配成功时，由第三方支付平台扣取停车费用；在匹配失败时，提示驾驶员更换支付方式；
所述车窗剔除模型构建模块，用于构建一初始的生成对抗网络，所述生成对抗网络包括：生成器和鉴别器；获取隔车窗人脸图像样本以及对应的真实无车窗人脸图像样本；将所述隔车窗人脸图像样本和真实无车窗人脸图像样本输入至所述生成对抗网络，对所述生成对抗网络中的生成器和鉴别器进行交替迭代训练，直至生成对抗网络收敛；将生成对抗网络收敛时的生成器作为所述车窗剔除模型；在所述生成对抗网络中的生成器和鉴别器进行交替迭代训练时，生成器根据隔车窗人脸图像样本，生成一预测的无车窗人脸图像，并将预测的无车窗人脸图像输入至鉴别器中；所述鉴别器，获取预测的无车窗人脸图像以及对应的真实无车窗人脸图像样本，并对预测的无车窗人脸图像和真实无车窗人脸图像样本进行鉴别，根据鉴别结果对自身的网络参数进行调整，或将鉴别结果反馈至生成器，以使生成器根据所述鉴别结果对自身的网络参数进行调整。
本发明提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明所述的一种基于ETC的停车场人脸识别快速扣费方法。
本发明提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行上述发明所述的一种基于ETC的停车场人脸识别快速扣费方法。
通过实施本发明具有如下有益效果：一种基于ETC的停车场人脸识别快速扣费方法、装置、终端设备及存储介质，该方法通过构建车窗剔除模型对隔车窗人脸图像进行处理，以得到去除车窗后的人脸图像；通过对车牌图像中车牌号的识别，基于停车场收费标准得到车牌号对应车辆的停车费用；基于去除车窗的人脸图像与驾驶员预授权的第三方支付平台进行人脸匹配，以实现隔车窗人脸识别支付；通过车窗剔除模型的构建实现了隔车窗人脸识别，提高人脸识别的成功率。
附图说明
图1是本发明提供的一种基于ETC的停车场人脸识别快速扣费方法的流程示意图。
图2是本发明提供的一种生成对抗网络的结构示意图。
图3是本发明提供的一种车牌识别模型的结构示意图。
图4是本发明提供的一种基于ETC的停车场人脸识别快速扣费装置的结构示意图。
具体实施方式
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，所描述的实施例仅仅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作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。
如图1所示，本发明一实施例提供的一种基于ETC的停车场人脸识别快速扣费方法，包括：
步骤S1：获取停车场收费处隔车窗拍摄的隔车窗人脸图像和车牌图像。
步骤S2：将所述隔车窗拍摄的隔车窗人脸图像输入车窗剔除模型中，以使车窗剔除模型生成去除车窗后的人脸图像；其中，所述车窗剔除模型的构建包括：构建一初始的生成对抗网络，所述生成对抗网络包括：生成器和鉴别器；获取隔车窗人脸图像样本以及对应的真实无车窗人脸图像样本；将所述隔车窗人脸图像样本和真实无车窗人脸图像样本输入至所述生成对抗网络，对所述生成对抗网络中的生成器和鉴别器进行交替迭代训练，直至生成对抗网络收敛；将生成对抗网络收敛时的生成器作为所述车窗剔除模型；在所述生成对抗网络中的生成器和鉴别器进行交替迭代训练时，生成器根据隔车窗人脸图像样本，生成一预测的无车窗人脸图像，并将预测的无车窗人脸图像输入至鉴别器中；所述鉴别器，获取预测的无车窗人脸图像以及对应的真实无车窗人脸图像样本，并对预测的无车窗人脸图像和真实无车窗人脸图像样本进行鉴别，根据鉴别结果对自身的网络参数进行调整，或将鉴别结果反馈至生成器，以使生成器根据所述鉴别结果对自身的网络参数进行调整。
在步骤S2执行之前，为了克服摄像头隔车窗拍摄造成的闪光灯在车窗上的反光而影响后续模型对于亮光影响人脸特征的识别问题，我们需要对输入图像进行降噪处理。而一般的降噪手段无法针对车窗反光的噪点问题进行过滤，因为担心过滤噪声的同时把人脸特征也过滤了，影响后续的模型识别。通过研究后发现，对车窗反光造成的亮光噪声，通过与噪声所在的人脸特征对象（例如，鼻子、眼睛等）进行空间距离判断，将不影响人脸特征的噪声进行提前过滤，能大大的提高模型识别的准确性。具体地，在将所述隔车窗拍摄的隔车窗人脸图像输入车窗剔除模型之前，还包括：对所述隔车窗人脸图像进行网格化处理，分别对每个网格上的亮度值进行检测，确定亮度值超过预设阈值的目标网格；在所述隔车窗人脸图像中选择目标网格中亮度值最高的网格作为坐标原点，建立空间直角坐标系，同时，确定所述目标网格所在的人脸特征对象；在所述人脸特征对象中选择参考点，并确定所述参考点的坐标系数，计算所述参考点分别与各个目标网格之间的空间距离；将所述空间距离超过预设距离值所对应的目标网格进行过滤，得到处理后的隔车窗人脸图像。
步骤S3：将所述车牌图像输入车牌识别模型中，以使车牌识别模型生成车牌号。
步骤S4：根据停车场收费标准计算所述车牌号对应车辆的停车费用。
步骤S5：将去除后车窗的人脸图像通过驾驶员预授权的第三方支付平台进行人脸匹配，在匹配成功时，由第三方支付平台扣取停车费用；在匹配失败时，提示驾驶员更换支付方式。
对于步骤S1、获取停车场收费处图像采集设备隔着车窗拍摄的驾驶员人脸图像和包含车牌号的车牌图像。
对于步骤S2、由于获取的人脸图像为隔车窗拍摄的图像，因此，在使用该人脸图像完成人脸支付识别之前，需对隔车窗人脸图像做去除车窗的操作；具体的，可将隔车窗人脸图像输入到已训练好的车窗剔除模型中，由车窗剔除模型输出去除车窗后的人脸图像。
上述车窗剔除模型的构建是基于如图2所示的生成对抗网络构建的；在构建车窗剔除模型时，先构建一个初始的生成对抗网络；该初始的生成对抗网络包括一个生成器和一个鉴别器；获取大量隔车窗人脸图像样本和对应的真实无车窗人脸图像样本作为生成对抗网络的训练样本，基于获取的训练样本对生成对抗网络中的生成器和鉴别器进行交替迭代训练；在生成对抗网络中的生成器和鉴别器进行交替迭代训练时，在每一轮迭代训练时，将隔车窗人脸图像样本输入到生成器中，生成器基于隔车窗人脸图像样本生成一预测的无车窗人脸图像，并将该预测的无车窗人脸图像输入到鉴别器中；鉴别器获取对应的真实无车窗人脸图像对预测的无车窗人脸图像进行鉴别，并生成对应的鉴别结果（鉴别为真/假）；当鉴别器能鉴别出预测的无车窗人脸图像和真实无车窗人脸图像之间的差异时，即表明生成器所生成的预测的无车窗人脸图像与真实无车窗人懒图像差异较大，鉴别器将鉴别结果反馈至生成器，生成器基于鉴别器反馈的鉴别结果调整生成器的网络参数后，再一次进行迭代训练；当鉴别器无法鉴别出预测的无车窗人脸图像和真实无车窗人脸图像之间的差异时，即表明鉴别器鉴别能力较低，此时调整鉴别器自身的网络参数后，再一次进行迭代训练；重复上述生成器和鉴别器的交替迭代训练，直至生成对抗网络收敛时，将生成对抗网络中的生成器作为本发明的车窗剔除模型。
在一个优选的实施例中，所述生成对抗网络中生成器和鉴别器的损失函数可通过以下方式得到：
通过以下方式计算生成器的损失函数：
Figure SMS_7
；
其中，
Figure SMS_8
为生成器的损失函数，H 为交叉熵，G 代表生成网络，D 代表判别网络，z为隔车窗人脸图像样本，/>
Figure SMS_9
为对预测的无车窗人脸图像的鉴别为真的概率；
通过以下方式计算鉴别器的损失函数：
Figure SMS_10
；
其实，
Figure SMS_11
为鉴别器的损失函数，x为真实无车窗人脸图像样本，/>
Figure SMS_12
为对真实无车窗人脸图像样本的鉴别为真的概率。
具体的，在生成对抗网络中，基于交叉熵损失函数对生成对抗网络中的生成器和鉴别器的收敛情况进行判定；在上述生成器的损失函数中，生成器根据输入的隔车窗人脸图像样本z计算根据生成器生成的预测的无车窗人脸图像的鉴别为真的概率
Figure SMS_13
后，根据该概率对预测的无车窗人脸图像的真实性做出判断，1代表预测的无车窗人脸图像为绝对真实图像，即等同于真实无车窗人脸图像样本，0代表预测的无车窗人脸图像为绝对虚假图像，即与真实无车窗人脸图像样本完全不相同，/>
Figure SMS_14
代表预测结果与1的距离，为使得生成器的预测结果更接近于真实数据，在对生成对抗网络进行训练时，要使得生成器的损失函数中预测结果与1的距离越小，并在距离最小时得到生成对抗网络中的生成器收敛；基于与生成器损失函数相同的原理，在鉴别器中，要使对真实无车窗人脸图像样本的鉴别为真的概率/>
Figure SMS_15
越接近1，使对预测的无车窗人脸图像的鉴别为真的概率/>
Figure SMS_16
越接近0。
在一个优选的实施例中，所述生成器由四个微步幅卷积层级联构成；第一个微步幅卷积层采用G1个t×t的卷积核进行微步幅卷积操作；第二个微步幅卷积层采用G2个t×t的卷积核进行微步幅卷积操作；第三个微步幅卷积层采用G3个t×t的卷积核进行微步幅卷积操作；第四个微步幅卷积层采用三个t×t的卷积核进行微步幅卷积操作；其中，每一层的卷积步长均d；G1、G2、G3、d和t的取值均为正整数。
具体的，生成器由4个微步幅卷积层级联构成；在一个可选的实施方式中，第1个微步幅卷积层采用512个5×5的卷积核进行微步幅卷积操作，第2个微步幅卷积层采用256个5×5的卷积核进行微步幅卷积操作，第3个微步幅卷积层采用128个5×5的卷积核进行微步幅卷积操作，第4个微步幅卷积层采用3个5×5的卷积核进行微步幅卷积操作，各层卷积步长均为2。
在一个优选的实施例中，所述鉴别器由四个卷积层级联构成；第一个卷积层采用D1个t×t的卷积核进行卷积操作；第二个卷积层采用D2个t×t的卷积核进行卷积操作；第三个卷积层采用D3个t×t的卷积核进行卷积操作；第四个卷积层采用D4个t×t的卷积核进行卷积操作；其中，每一层的卷积步长均d；D1、D2、D3、D4、d和t的取值均为正整数。
具体的，鉴别器由4个卷积层级联构成，鉴别器的4个卷积层构成一全卷积神经网络；在一个可选的实施方式中，第1个卷积层采用64个5×5的卷积核进行卷积操作，第2个卷积层采用128个5×5的卷积核进行卷积操作，第3个卷积层采用256个5×5的卷积核进行卷积操作，第4个卷积层采用512个5×5的卷积核进行卷积操作，各层卷积步长均为2。
对于步骤S3、将步骤S1获取到的车牌图像输入到已训练好的车牌识别模型中，使得车牌识别模型提取车牌图像中的字符后输出与车牌图像对应的车牌号。
在一个优选的实施例中，所述车牌识别模型的构建，包括：获取若干车牌图像样本；构建初始的车牌识别模型，以车牌图像样本为训练样本对初始的车牌识别模型进行训练，直至初始的车牌识别模型收敛，生成车牌识别模型；其中，在车牌图像样本输入所述初始的车牌识别模型时，所述初始的车牌识别模型的若干卷积层和池化层提取所述车牌图像样本中的字符，输出包含若干字符的车牌号。
具体的，获取大量车牌图像样本并对车牌图像样本中的车牌信息进行标记，将标记有车牌信息的车牌图像样本作为训练样本；构建一初始的车牌识别模型，以车牌图像样本为输入，以车牌号为输出，对初始的车牌识别模型进行训练，直至初始的车牌识别模型收敛，生成车牌识别模型；在对一车牌图像样本训练时，将车牌图像样本输入到车牌识别模型的输入层后，输入层将车牌图像样本输入到卷积层和池化层，以使卷积层和池化层提取车牌图像样本中的字符，将提取的字符传输至输出层，由输出层输出包含若干字符的车牌号。
在一个优选的实施例中，所述车牌识别模型由输入层、若干卷积层、若干池化层和输出层构成；所述卷积层与所述池化层为交替网络结构；所述卷积层为卷积核为三，步长为一的卷积层；所述池化层的池化窗口的步长为二。
具体的，如图3所示，本发明一实施例提供了车牌识别模型的一网络结构，包括一输入层、两个卷积层、两个池化层和一个输出层；其中卷积层与池化层为交替的网络结构，在实施过程中，可基于需求对卷积层和池化层的层数做调整；该实施例中的卷积层为3x1的卷积层，池化层采用最大值池化方式，池化窗口的大小为2x2，步长为2。
在一个优选的实施例中，所述车牌识别模型的输出层为包含多个字符的输出层。
具体的，由于车牌号包含多个字符，为提高对车牌号信息的识别速度，将上述车牌识别模型的输出层设置为可包含多个字符的输出层，使其能对应输出车牌图像样本中的包含多个字符识别结果的车牌号。
对于步骤S4、在得到识别后的车牌号后，基于停车场的计费装置计算车牌号对应车辆的停车费用。
对于步骤S5、将步骤S2得到的去除车窗后的人脸图像上传到驾驶员预授权的第三方支付平台进行人脸匹配，在匹配成功时由第三方支付平台扣取对应车辆的停车费用；在人脸匹配失败时，提示驾驶员更换支付方式；上述的第三方支付平台可为微信支付或支付宝等；更换的支付方式可为扫码付费或现金付费等。
在上述方法项实施例的基础上，本发明对应提供了装置项实施例。
如图4所示，本发明一实施例提供了一种基于ETC的停车场人脸识别快速扣费装置，包括：数据获取模块、人脸图像识别模块、车牌识别模块、匹配支付模块和车窗剔除模型构建模块；
所述数据获取模块，用于获取停车场收费处隔车窗拍摄的隔车窗人脸图像和车牌图像；
所述人脸图像识别模块，用于将所述隔车窗拍摄的隔车窗人脸图像输入车窗剔除模型中，以使车窗剔除模型生成去除车窗后的人脸图像；
所述车牌识别模块，用于将所述车牌图像输入车牌识别模型中，以使车牌识别模型生成车牌号；
所述匹配支付模块，用于根据停车场收费标准计算所述车牌号对应车辆的停车费用；将去除后车窗的人脸图像通过驾驶员预授权的第三方支付平台进行人脸匹配，在匹配成功时，由第三方支付平台扣取停车费用；在匹配失败时，提示驾驶员更换支付方式；
所述车窗剔除模型构建模块，用于构建一初始的生成对抗网络，所述生成对抗网络包括：生成器和鉴别器；获取隔车窗人脸图像样本以及对应的真实无车窗人脸图像样本；将所述隔车窗人脸图像样本和真实无车窗人脸图像样本输入至所述生成对抗网络，对所述生成对抗网络中的生成器和鉴别器进行交替迭代训练，直至生成对抗网络收敛；将生成对抗网络收敛时的生成器作为所述车窗剔除模型；在所述生成对抗网络中的生成器和鉴别器进行交替迭代训练时，生成器根据隔车窗人脸图像样本，生成一预测的无车窗人脸图像，并将预测的无车窗人脸图像输入至鉴别器中；所述鉴别器，获取预测的无车窗人脸图像以及对应的真实无车窗人脸图像样本，并对预测的无车窗人脸图像和真实无车窗人脸图像样本进行鉴别，根据鉴别结果对自身的网络参数进行调整，或将鉴别结果反馈至生成器，以使生成器根据所述鉴别结果对自身的网络参数进行调整。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
所述领域的技术人员可以清楚地了解到，为的方便和简洁，上述描述的装置的具体工作过程，可参考前述方法实施例中对应的过程，在此不再赘述。
在上述方法项实施例的基础上，本发明对应提供了终端设备项实施例。
本发明一实施例提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现本发明中任意一项所述的一种基于ETC的停车场人脸识别快速扣费方法。
终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序，所述处理器通过运行或执行存储在所述存储器内的计算机程序，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在上述方法项实施例的基础上，本发明对应提供了存储介质项实施例。
本发明一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行本发明中任意一项所述的一种基于ETC的停车场人脸识别快速扣费方法。
所述存储介质为计算机可读存储介质，所述计算机程序存储在所述计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于ETC的停车场人脸识别快速扣费方法，其特征在于，包括：
获取停车场收费处隔车窗拍摄的隔车窗人脸图像和车牌图像；
将所述隔车窗拍摄的隔车窗人脸图像输入车窗剔除模型中，以使车窗剔除模型生成去除车窗后的人脸图像；
将所述车牌图像输入车牌识别模型中，以使车牌识别模型生成车牌号；
根据停车场收费标准计算所述车牌号对应车辆的停车费用；
将去除后车窗的人脸图像通过驾驶员预授权的第三方支付平台进行人脸匹配，在匹配成功时，由第三方支付平台扣取停车费用；在匹配失败时，提示驾驶员更换支付方式；
其中，所述车窗剔除模型的构建包括：
构建一初始的生成对抗网络，所述生成对抗网络包括：生成器和鉴别器；
获取隔车窗人脸图像样本以及对应的真实无车窗人脸图像样本；
将所述隔车窗人脸图像样本和真实无车窗人脸图像样本输入至所述生成对抗网络，对所述生成对抗网络中的生成器和鉴别器进行交替迭代训练，直至生成对抗网络收敛；
将生成对抗网络收敛时的生成器作为所述车窗剔除模型；
在所述生成对抗网络中的生成器和鉴别器进行交替迭代训练时，生成器根据隔车窗人脸图像样本，生成一预测的无车窗人脸图像，并将预测的无车窗人脸图像输入至鉴别器中；所述鉴别器，获取预测的无车窗人脸图像以及对应的真实无车窗人脸图像样本，并对预测的无车窗人脸图像和真实无车窗人脸图像样本进行鉴别，根据鉴别结果对自身的网络参数进行调整，或将鉴别结果反馈至生成器，以使生成器根据所述鉴别结果对自身的网络参数进行调整。
2.如权利要求1所述的一种基于ETC的停车场人脸识别快速扣费方法，其特征在于，所述生成对抗网络中生成器和鉴别器的损失函数可通过以下方式得到：
通过以下方式计算生成器的损失函数：
Figure QLYQS_1
；
其中，
Figure QLYQS_2
为生成器的损失函数，H 为交叉熵，G 代表生成网络，D 代表判别网络，z为隔车窗人脸图像样本，/>
Figure QLYQS_3
为对预测的无车窗人脸图像的鉴别为真的概率；
通过以下方式计算鉴别器的损失函数：
Figure QLYQS_4
；
其实，
Figure QLYQS_5
为鉴别器的损失函数，x为真实无车窗人脸图像样本，/>
Figure QLYQS_6
为对真实无车窗人脸图像样本的鉴别为真的概率。
3.如权利要求1所述的一种基于ETC的停车场人脸识别快速扣费方法，其特征在于，所述生成器由四个微步幅卷积层级联构成；
第一个微步幅卷积层采用G1个t×t的卷积核进行微步幅卷积操作；第二个微步幅卷积层采用G2个t×t的卷积核进行微步幅卷积操作；第三个微步幅卷积层采用G3个t×t的卷积核进行微步幅卷积操作；第四个微步幅卷积层采用三个t×t的卷积核进行微步幅卷积操作；其中，每一层的卷积步长均d；G1、G2、G3、d和t的取值均为正整数。
4.如权利要求1所述的一种基于ETC的停车场人脸识别快速扣费方法，其特征在于，所述鉴别器由四个卷积层级联构成；
第一个卷积层采用D1个t×t的卷积核进行卷积操作；第二个卷积层采用D2个t×t的卷积核进行卷积操作；第三个卷积层采用D3个t×t的卷积核进行卷积操作；第四个卷积层采用D4个t×t的卷积核进行卷积操作；其中，每一层的卷积步长均d；D1、D2、D3、D4、d和t的取值均为正整数。
5.如权利要求1所述的一种基于ETC的停车场人脸识别快速扣费方法，其特征在于，所述车牌识别模型的构建，包括：
获取若干车牌图像样本；
构建初始的车牌识别模型，以车牌图像样本为训练样本对初始的车牌识别模型进行训练，直至初始的车牌识别模型收敛，生成车牌识别模型；其中，在车牌图像样本输入所述初始的车牌识别模型时，所述初始的车牌识别模型的若干卷积层和池化层提取所述车牌图像样本中的字符，输出包含若干字符的车牌号。
6.如权利要求5所述的一种基于ETC的停车场人脸识别快速扣费方法，其特征在于，所述车牌识别模型由输入层、若干卷积层、若干池化层和输出层构成；
所述卷积层与所述池化层为交替网络结构；
所述卷积层为卷积核为三，步长为一的卷积层；
所述池化层的池化窗口的步长为二。
7.如权利要求5所述的一种基于ETC的停车场人脸识别快速扣费方法，其特征在于，车牌识别模型的输出层为包含多个字符的输出层。
8.一种基于ETC的停车场人脸识别快速扣费装置，其特征在于，包括：数据获取模块、人脸图像识别模块、车牌识别模块、匹配支付模块和车窗剔除模型构建模块；
所述数据获取模块，用于获取停车场收费处隔车窗拍摄的隔车窗人脸图像和车牌图像；
所述人脸图像识别模块，用于将所述隔车窗拍摄的隔车窗人脸图像输入车窗剔除模型中，以使车窗剔除模型生成去除车窗后的人脸图像；
所述车牌识别模块，用于将所述车牌图像输入车牌识别模型中，以使车牌识别模型生成车牌号；
所述匹配支付模块，用于根据停车场收费标准计算所述车牌号对应车辆的停车费用；将去除后车窗的人脸图像通过驾驶员预授权的第三方支付平台进行人脸匹配，在匹配成功时，由第三方支付平台扣取停车费用；在匹配失败时，提示驾驶员更换支付方式；
所述车窗剔除模型构建模块，用于构建一初始的生成对抗网络，所述生成对抗网络包括：生成器和鉴别器；获取隔车窗人脸图像样本以及对应的真实无车窗人脸图像样本；将所述隔车窗人脸图像样本和真实无车窗人脸图像样本输入至所述生成对抗网络，对所述生成对抗网络中的生成器和鉴别器进行交替迭代训练，直至生成对抗网络收敛；将生成对抗网络收敛时的生成器作为所述车窗剔除模型；在所述生成对抗网络中的生成器和鉴别器进行交替迭代训练时，生成器根据隔车窗人脸图像样本，生成一预测的无车窗人脸图像，并将预测的无车窗人脸图像输入至鉴别器中；所述鉴别器，获取预测的无车窗人脸图像以及对应的真实无车窗人脸图像样本，并对预测的无车窗人脸图像和真实无车窗人脸图像样本进行鉴别，根据鉴别结果对自身的网络参数进行调整，或将鉴别结果反馈至生成器，以使生成器根据所述鉴别结果对自身的网络参数进行调整。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的一种基于ETC的停车场人脸识别快速扣费方法。
10.一种存储介质，其特征在于，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行如权利要求1至7中任意一项所述的一种基于ETC的停车场人脸识别快速扣费方法。
CN202310544370.0A 2023-05-16 2023-05-16 一种基于etc的停车场人脸识别快速扣费方法及装置 Pending CN116311568A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310544370.0A CN116311568A (zh) 2023-05-16 2023-05-16 一种基于etc的停车场人脸识别快速扣费方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310544370.0A CN116311568A (zh) 2023-05-16 2023-05-16 一种基于etc的停车场人脸识别快速扣费方法及装置

Publications (1)

Publication Number Publication Date
CN116311568A true CN116311568A (zh) 2023-06-23

Family

ID=86826132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310544370.0A Pending CN116311568A (zh) 2023-05-16 2023-05-16 一种基于etc的停车场人脸识别快速扣费方法及装置

Country Status (1)

Country Link
CN (1) CN116311568A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011165005A (ja) * 2010-02-10 2011-08-25 Toshiba Corp 撮像装置および料金収受システム
JP2011165004A (ja) * 2010-02-10 2011-08-25 Toshiba Corp 撮像装置および料金収受システム
CN107862270A (zh) * 2017-10-31 2018-03-30 深圳云天励飞技术有限公司 人脸分类器训练方法、人脸检测方法及装置、电子设备
CN107945118A (zh) * 2017-10-30 2018-04-20 南京邮电大学 一种基于生成式对抗网络的人脸图像修复方法
CN108197525A (zh) * 2017-11-20 2018-06-22 中国科学院自动化研究所 人脸图像生成方法及装置
CN108205659A (zh) * 2017-11-30 2018-06-26 深圳市深网视界科技有限公司 人脸遮挡物去除及其模型构建的方法、设备及介质
CN110136449A (zh) * 2019-06-17 2019-08-16 珠海华园信息技术有限公司 基于深度学习的交通视频车辆违停自动识别抓拍的方法
CN110991506A (zh) * 2019-11-22 2020-04-10 高新兴科技集团股份有限公司 一种车辆品牌识别方法、装置、设备及存储介质
CN111798575A (zh) * 2020-05-27 2020-10-20 江西省捷易达实业有限公司 智慧停车刷脸支付系统
CN113569598A (zh) * 2020-04-29 2021-10-29 华为技术有限公司 图像处理方法和图像处理装置
CN114724128A (zh) * 2022-03-21 2022-07-08 北京卓视智通科技有限责任公司 一种车牌识别方法、装置、设备和介质
CN114913086A (zh) * 2022-05-05 2022-08-16 上海云思智慧信息技术有限公司 基于生成对抗网络的人脸图像质量增强方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011165005A (ja) * 2010-02-10 2011-08-25 Toshiba Corp 撮像装置および料金収受システム
JP2011165004A (ja) * 2010-02-10 2011-08-25 Toshiba Corp 撮像装置および料金収受システム
CN107945118A (zh) * 2017-10-30 2018-04-20 南京邮电大学 一种基于生成式对抗网络的人脸图像修复方法
CN107862270A (zh) * 2017-10-31 2018-03-30 深圳云天励飞技术有限公司 人脸分类器训练方法、人脸检测方法及装置、电子设备
CN108197525A (zh) * 2017-11-20 2018-06-22 中国科学院自动化研究所 人脸图像生成方法及装置
CN108205659A (zh) * 2017-11-30 2018-06-26 深圳市深网视界科技有限公司 人脸遮挡物去除及其模型构建的方法、设备及介质
CN110136449A (zh) * 2019-06-17 2019-08-16 珠海华园信息技术有限公司 基于深度学习的交通视频车辆违停自动识别抓拍的方法
CN110991506A (zh) * 2019-11-22 2020-04-10 高新兴科技集团股份有限公司 一种车辆品牌识别方法、装置、设备及存储介质
CN113569598A (zh) * 2020-04-29 2021-10-29 华为技术有限公司 图像处理方法和图像处理装置
CN111798575A (zh) * 2020-05-27 2020-10-20 江西省捷易达实业有限公司 智慧停车刷脸支付系统
CN114724128A (zh) * 2022-03-21 2022-07-08 北京卓视智通科技有限责任公司 一种车牌识别方法、装置、设备和介质
CN114913086A (zh) * 2022-05-05 2022-08-16 上海云思智慧信息技术有限公司 基于生成对抗网络的人脸图像质量增强方法

Similar Documents

Publication Publication Date Title
CN107292287B (zh) 人脸识别方法、装置、电子设备及存储介质
CN110070115B (zh) 一种单像素攻击样本生成方法、装置、设备及存储介质
CN103514459A (zh) 一种基于Android手机平台的识别农作物病虫害的方法及系统
CN105528703A (zh) 通过表情实现支付确认操作的方法及系统
CN108875746B (zh) 一种车牌识别方法、装置、系统及存储介质
CN110046622B (zh) 一种有目标的攻击样本生成方法、装置、设备及存储介质
CN113239875B (zh) 人脸特征的获取方法、系统、装置及计算机可读存储介质
CN116403094B (zh) 一种嵌入式图像识别方法及系统
CN111860496A (zh) 车牌识别方法、装置、设备及计算机可读存储介质
CN112507897A (zh) 跨模态人脸识别方法、装置、设备及存储介质
CN113158869A (zh) 图像识别方法、装置、终端设备及计算机可读存储介质
CN106778731A (zh) 一种车牌定位方法及终端
CN109389615B (zh) 基于深度学习卷积神经网络的硬币识别方法及处理终端
CN113378609B (zh) 代理商代签名的识别方法及装置
CN113191189A (zh) 人脸活体检测方法、终端设备及计算机可读存储介质
CN112766176A (zh) 轻量化卷积神经网络的训练方法及人脸属性识别方法
CN115116111B (zh) 抗扰动人脸活体检测模型训练方法、装置及电子设备
CN113239738B (zh) 一种图像的模糊检测方法及模糊检测装置
CN111652242A (zh) 图像处理方法、装置、电子设备及存储介质
CN116311568A (zh) 一种基于etc的停车场人脸识别快速扣费方法及装置
CN113313124B (zh) 基于图像分割算法识别车牌号码的方法、装置和终端设备
CN115689947A (zh) 一种图像锐化的方法、系统、电子装置和存储介质
US20220405527A1 (en) Target Detection Methods, Apparatuses, Electronic Devices and Computer-Readable Storage Media
CN115393470A (zh) 一种文物数字线图的绘制方法、绘制系统及绘制装置
CN111797922B (zh) 文本图像分类方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230623