CN116630903B - 一种高速公路假冒客车行为逃费检测方法和系统 - Google Patents

一种高速公路假冒客车行为逃费检测方法和系统 Download PDF

Info

Publication number
CN116630903B
CN116630903B CN202310188337.9A CN202310188337A CN116630903B CN 116630903 B CN116630903 B CN 116630903B CN 202310188337 A CN202310188337 A CN 202310188337A CN 116630903 B CN116630903 B CN 116630903B
Authority
CN
China
Prior art keywords
vehicle
type
license plate
prediction
model
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
Application number
CN202310188337.9A
Other languages
English (en)
Other versions
CN116630903A (zh
Inventor
纪明新
窦艺涛
李鑫
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.)
Beijing Zhongke Shentong Technology Co ltd
Original Assignee
Beijing Zhongke Shentong 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 Beijing Zhongke Shentong Technology Co ltd filed Critical Beijing Zhongke Shentong Technology Co ltd
Publication of CN116630903A publication Critical patent/CN116630903A/zh
Application granted granted Critical
Publication of CN116630903B publication Critical patent/CN116630903B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles
    • 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)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种高速公路假冒客车行为逃费检测方法和系统，包括如下步骤：步骤S1，选择检测类型，所述的检测类型包括第一类型和第二类型；所述的第一类型包括货车客标，所述的第二类型包括节假日假冒客一；步骤S2，基于选择的类型，针对第一类型，采用第一类型检测方法进行检测；针对第二类型，采用第二类检测方法进行检测。通过本发明的方法，能够准确快速的识别假冒的货车客标，以及节假日假冒客一的车辆。本发明基于数据驱动的方法统计出最优识别车型，并结合车辆预测表作为辅助车型判断依据，为后续假冒客车类逃费行为判断提供保障。其次，对于出入口识别错误等问题，构建算法引入入口车辆信息和出口车辆信息作为车牌判断依据，提高车牌信息的可靠度。

Description

一种高速公路假冒客车行为逃费检测方法和系统
技术领域
本发明涉及交通和图像处理领域，具体涉及一种基于视频检测器的高速公路假冒客车行为逃费检测方法，用于识别在ETC系统电子记录中，甄别并分析假冒客车获取通行优惠的逃费行为。
背景技术
目前，高速公路建设在国内主要采用由国家统一规划，再由各省进行分段建设的建设模式，在运营管理中，则形成了各省分片区联网，每条路一个业主的运营模式。而高速公路通行费是道路使用者向道路经营者缴纳的道路使用费，是交通规费的一种，具有强制性、政策性、时效性、稳定性、有偿性和专用性。通行高速公路后及时缴纳足额车辆通行费，是每个道路使用者应履行的责任和义务。但是，逃费产生的经济利益促使很多车辆进行逃费。在联网收费系统中，更大的经济利益带来了更疯狂的偷逃通行费行为的发生。随着联网收费系统越来越长，车辆单次收费金额也越来越大，而逃费行为对于现有联网收费的危害也越来越大。
假冒客车类逃费通常是指车辆驾驶员通过对车辆的OBU(On board Unit)私自拆卸等行为将其替换成通行费率更小的车型对应的OBU，以此来混淆出入口站ETC读出车型，最终实现以小额车型进行缴费达到逃费目的。该类逃费行为根据逃费时间、逃费车型不同主要划分为两种：货车客标和节假日假冒客一。货车客标是指货车车辆驾驶员将OBU替换为客车OBU，以实现逃费行为。节假日假冒客一是指由于国家政策优惠，节假日期间七座以内的一型客车高速通行免费，非该类车可能会通过私自替换OBU等行为使其伪装成一型七座以内客车以实现逃费目的。
现有的高速公路运营部门采用防逃费的方法仍是采用人工筛查对逃费车辆进行筛查，但人工手段进行筛查不仅需要大量的人力资源投入，还需要较大的时间代价，在高速公路的高效运营状态下无法满足实际需求，仅能采取抽样的方法进行调查，难以起到实际的效果。随着近年来计算机视觉技术的发展，高速公路上使用的视频检测器用于车辆车型，牌照识别等方面。现阶段由于高速公路门架上的摄像头拍摄图片像素较低、车型识别算法训练集过拟合等问题，不可避免地会对车辆车型识别的准确率造成一定影响，影响到最终车型的判断。其次，出入口站上的摄像头可能会存在拍摄错误的问题，如易将识别车辆的后一辆车作为识别主体，从而对传统算法匹配车牌时造成影响。
发明内容
为了解决上述技术问题，本发明提出使用一种高速公路假冒客车行为逃费检测方法和系统，通过分析门架摄像头识别算法及其输出特点，基于数据驱动的方法统计出最优识别车型，并结合车辆预测表作为辅助车型判断依据，为后续假冒客车类逃费行为判断提供保障。其次，对于出入口识别错误等问题，构建算法引入入口车辆信息和出口车辆信息作为车牌判断依据，提高车牌信息的可靠度。
本发明的技术方案为：一种高速公路假冒客车行为逃费检测方法，包括如下步骤：
步骤S1，选择检测类型，所述的检测类型包括第一类型和第二类型；所述的第一类型包括货车客标，所述的第二类型包括节假日假冒客一；
步骤S2，基于选择的类型，针对第一类型，采用第一类型检测方法进行检测；针对第二类型，采用第二类检测方法进行检测。
进一步的，所述的第一类型检测方法，用于对于货车车辆假冒客车构成的逃费进行检测，具体包括：
步骤S211：取沿线高速公路出口处收费站采集到的驶入车辆信息队列中的车辆信息，提取车辆进入时间t_in、车辆出站时间t_out、卡内读出车辆牌号c_obu、出口站识别车辆牌号c_out、入口站识别车辆牌号c_in、卡内读出车型v_obu；
步骤212：针对出口摄像头可能会将当前目标车辆识别为目标车辆的后一辆的问题，判断出口站识别车辆牌号c_out是否等于入口站识别车辆牌号c_in,若相等，则通过第一对比规则，取准确率更高站点识别车辆牌号，查询对应的出口车型c，作为后续匹配依据；若不相等，则取卡内读出车辆牌号c_obu，并查询对应的车型作为出口车型c进行后续匹配；
步骤S213：筛选车辆出口车型c为一型至四型客车的所有车辆信息；
步骤S214：根据车辆进入时间t_in、车辆出站时间t_out及车辆出口车型c匹配该车辆行驶轨迹内的门架牌识信息，并提取一系列门架牌识信息中视频检测器识别车型v_pic，通过选择门架拍摄到的车头图像进行识别，识别到的车型作为判断依据；
步骤S215：获取门架拍摄的多个图像，包括各种车型的车头图像、车身图像；将门架牌识信息中该车车头图像送入深度学习目标检测模型中，返回标签分为两类：客车、货车，作为第一车型超类v_superclass_gantry；将该车车道车身图片送入深度学习车辆属性识别模型中，返回标签分为两类：客车、货车，作为第二车型超类v_superclass_toll；
步骤S216：获取车辆历史档案，历史档案中记录了车辆的牌号和车型信息，以及对应的日期；基于历史档案，构建车辆预测表car_predict，提取车辆牌号c_predict,预测车型v_predict；
步骤S217：根据车辆牌号匹配车辆预测表中的车辆牌号c_predict，得到预测车型v_predict，若该辆车从步骤S214中得到的门架牌识车型v及预测车型v_predict同时为货车，或者步骤S215中得到的车型超类v_superclass_gantry、v_superclass_toll及预测车型v_predict同时为货车，且出口车型c为客车，则输出为货车客标类逃费行为。
进一步的，所述的第一对比规则是指，通过判断该目标车辆在进入车辆入口和通过车辆出口时的图像，如果图像中仅仅存在一辆车，即该目标车辆，则以该图像作为准确率更高的图像进行车牌号识别；否则，如果图像中出现多辆车，则认为准确率更低。
进一步的，所述的卡内读出车辆牌号c_obu是通过OBU读出的车辆牌号，所述的v_obu是通过OBU读出的读出车型；所述的出口站识别车辆牌号c_out、入口站识别车辆牌号c_in是通过车站的摄像头视频识别的车辆牌号。
进一步的，车辆行驶轨迹内的门架有多个，获得了多个门架牌识信息，选择其中出现次数最多的识别车型v_pic作为最终的门架牌识车型v。
进一步的，所述的第二类型检测方法，用于对于非一型客车节假日期间假冒七座以内一型客车构成的逃费进行检测，具体包括：
步骤S221：获取全年内高速公路对一型客车免费的时间段h；
步骤S222：取沿线高速公路出口处收费站采集到的驶入车辆信息队列中的车辆信息，提取车辆进入时间t_in、车辆出站时间t_out、卡内读出车辆牌号c_obu、出口站识别车辆牌号c_out、出口站识别车牌颜色c_color、入口站识别车辆牌号c_in、卡内读出车型v_obu；
步骤S223：判断出口站识别车辆牌号c_out是否等于入口站识别车辆牌号c_in,若相等，则取c_out作为出口车型c进行后续匹配依据，否则取c_obu作为出口车型c进行后续匹配；
步骤S224：筛选车辆出站时间t_out位于一型客车免费时间段h、出口车型c为一型客车且出口站识别车牌颜色c_color为蓝色的所有车辆信息；
步骤S225：根据车辆进入时间t_in、车辆出站时间t_out及车型c匹配该车辆的门架牌识信息并提取门架牌识信息中识别车型v_pic，通过分组选择其中出现次数最多并拍摄位置为车头的识别车型v_pic作为门架牌识车型v；
步骤S226：引入基于车辆档案表构建的车辆预测表，提取车辆预测表中的车辆牌号c_predict,预测车型v_predict，预测座位数s_predict；
步骤S227：根据车牌号匹配预测表车辆牌号c_predict,得到预测车型以及预测座位数，若该辆车的门架牌识车型v及预测车型v_predict同时为非一型客车，预测座位数s_predict大于七座，且出口车型为一型客车，则输出节假日期间假冒七座以内客车类逃费行为。
根据本发明的另一方面，还提出一种高速公路假冒客车行为逃费检测系统，包括：
检测类型选择模块，用于选择检测类型，所述的检测类型包括第一类型和第二类型；
第一类型检测模块，基于选择的类型，针对第一类型，采用第一类型检测方法进行检测；
第二类型检测模块，基于选择的类型，针对第二类型，采用第二类检测方法进行检测。
进一步的，第一类型检测模块，用于对于货车车辆假冒客车构成的逃费进行检测。
进一步的，第二类型检测模块，用于对于非一型客车节假日期间假冒七座以内一型客车构成的逃费进行检测。
进一步的，所述的第一类型包括货车客标，所述的第二类型包括节假日假冒客一。
附图说明
图1：本发明的一种高速公路假冒客车行为逃费检测方法流程框图；
图2：本发明的一种高速公路假冒客车行为逃费检测方法详细流程图；
图3：本发明的一种高速公路假冒客车行为逃费检测系统框图。
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、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
实施例1
根据本发明的实施例1，提出一种高速公路假冒客车行为逃费检测方法，参见图1-2所示，具体包括如下步骤：
步骤S1，选择检测类型，所述的检测类型包括第一类型和第二类型；
所述的第一类型包括货车客标，所述的第二类型包括节假日假冒客一；步骤S2，基于选择的类型，针对第一类型，采用第一类型检测方法进行检测；针对第二类型，采用第二类检测方法进行检测。
所述的第一类型检测方法，用于对于货车车辆假冒客车构成的逃费(货车客标)进行检测，具体包括：
步骤S211：取沿线高速公路出口处收费站采集到的驶入车辆信息队列中的车辆信息，提取车辆进入时间t_in、车辆出站时间t_out、卡内读出车辆牌号c_obu、出口站识别车辆牌号c_out、入口站识别车辆牌号c_in、卡内读出车型v_obu。所述的卡内读出车辆牌号c_obu是通过OBU读出的车辆牌号，所述的v_obu是通过OBU读出的读出车型；所述的出口站识别车辆牌号c_out、入口站识别车辆牌号c_in是通过车站的摄像头视频识别的车辆牌号，
步骤S212：针对出口摄像头可能会将当前目标车辆识别为目标车辆的后一辆的问题，判断出口站识别车辆牌号c_out是否等于入口站识别车辆牌号c_in,若相等，则通过第一对比规则，取准确率更高站点，例如出口站识别车辆牌号c_out作为识别的车辆牌号，并且基于出口站识别车辆牌号c_out查询对应的出口车型c，作为后续匹配依据；本发明中，若不相等，则取卡内读出车辆牌号c_obu，并查询对应的车型作为出口车型c进行后续匹配。
所述的第一对比规则，是指，通过判断该目标车辆在进入车辆入口和通过车辆出口时的图像，如果图像中仅仅存在一辆车，即该目标车辆，则以该图像作为准确率更高的图像进行车牌号识别；否则，如果图像中出现多辆车，则认为准确率更低；由于车辆到达出口位置一般相对不会太集中，因此，本实施例中，选用出口处的车辆图像进行识别；
步骤S213：筛选车辆出口车型c为一型至四型客车的所有车辆信息；
步骤S214：根据车辆进入时间t_in、车辆出站时间t_out及车辆出口车型c匹配该车辆行驶轨迹内的门架牌识信息，并提取一系列门架牌识信息中视频检测器识别车型v_pic，由于门架摄像头的拍摄限制，选择通过拍摄到车头的图像进行识别，识别到的车型作为判断依据，此实施例中，通过选择拍摄到车头的图像作为识别，识别的准确率更高；
进一步，车辆行驶轨迹内的门架有多个，因此，获得了多个门架牌识信息，多个门架识别信息可能存在一些视频检测器识别错误的情况，因此，选择其中出现次数最多的识别车型v_pic作为最终的门架牌识车型v；
步骤S215：获取门架拍摄的多个图像，包括各种车型的车头图像、车身图像；
采用人工智能AI技术，将门架牌识信息中该车车头图像送入深度学习目标检测模型中，返回标签分为两类：客车、货车，作为第一车型超类v_superclass_gantry；将该车车道车身图片送入深度学习车辆属性识别模型中，返回标签分为两类：客车、货车，作为第二车型超类v_superclass_toll。
步骤S216：获取车辆历史档案，历史档案中记录了车辆的牌号和车型信息，以及对应的日期；进一步的，可以基于历史档案，构建车辆预测表car_predict，提取车辆牌号c_predict,预测车型v_predict；
所述的车辆预测表中，包括有车辆牌号对应的历史车辆物理信息记录，可以基于大数据，对车辆的错误数据进行纠正，预测车辆的正确信息。
例如，基于统计，如果同一车辆牌号对应的多个记录中，大部分数据，例如80％以上，显示目标车辆应该为客车，个别数据显示该目标车辆为货车，则预测结果为该目标车辆的车型为客车。或者车辆预测表中对于同一车牌的车辆，记录显示，某个日期前该车辆为5座，该日期后，该车辆的座位数为7座，则可能该车辆发生了改变，预测结果为7座车；
步骤S217：根据车辆牌号匹配车辆预测表中的车辆牌号c_predict，得到预测车型v_predict，若该辆车从步骤S214中得到的门架牌识车型v及预测车型v_predict同时为货车，或者步骤S215中得到的车型超类v_superclass_gantry、v_superclass_toll及预测车型v_predict同时为货车，且出口车型c为客车，则输出为货车客标类逃费行为。
通过使用设置于高速公路路段上的视频检测器对高速公路上行驶的车辆进行车辆牌照的识别，结合基于车辆档案库得到的车辆预测表对高速公路车辆逃费行为进行检测，两类数据相互辅助，可以实现较高的检测准确率，同时检测方法复杂度低，检测效率高。
所述的第二类型检测方法，用于对于非一型客车节假日期间假冒七座以内一型客车构成的逃费进行检测(节假日假冒七座以内客一)：
步骤S221：获取全年内高速公路对一型客车免费的时间段h。
步骤S222：取沿线高速公路出口处收费站采集到的驶入车辆信息队列中的车辆信息，提取车辆进入时间t_in、车辆出站时间t_out、卡内读出车辆牌号c_obu、出口站识别车辆牌号c_out、出口站识别车牌颜色c_color、入口站识别车辆牌号c_in、卡内读出车型v_obu。
步骤S223：针对出口摄像头可能识别为目标车辆的后一辆的问题，判断出口站识别车辆牌号c_out是否等于入口站识别车辆牌号c_in,若相等，则取c_out作为出口车型c进行后续匹配依据，否则取c_obu作为出口车型c进行后续匹配。
步骤S224：筛选车辆出站时间t_out位于一型客车免费时间段h、出口车型c为一型客车且出口站识别车牌颜色c_color为蓝色的所有车辆信息。
步骤S225：根据车辆进入时间t_in、车辆出站时间t_out及车型c匹配该车辆的门架牌识信息并提取门架牌识信息中识别车型v_pic，通过分组选择其中出现次数最多并拍摄位置为车头的识别车型v_pic作为门架牌识车型v。
步骤S226：引入基于车辆档案表构建的车辆预测表，提取车辆预测表中的车辆牌号c_predict,预测车型v_predict，预测座位数s_predict。
步骤S227：根据车牌号匹配预测表车辆牌号c_predict,得到预测车型以及预测座位数，若该辆车的门架牌识车型v及预测车型v_predict同时为非一型客车，预测座位数s_predict大于七座，且出口车型为一型客车，则输出节假日期间假冒七座以内客车类逃费行为。
基于以上两部分算法，可以分别得到货车客标类逃费车辆信息及节假日期间假冒七座以内一型客车逃费车辆信息，则高速公路运营管理部分可依照此两类信息对假冒客车类逃费车辆进行监管。
结合视频检测器获取的车辆牌号信息，本方法不仅能检测到常见的假冒客车构成的逃费行为，还能进一步地对节假日期间假冒客一构成的逃费行为进行检测，改变了现有算法仅能针对其中一种逃费行为的局限性，增加了高速公路车辆逃费异常行为检测系统的适用性。
实施例2
根据本发明的实施例2，还提出一种高速公路假冒客车行为逃费检测系统，参见图3，该系统与实施例1中的一种高速公路假冒客车行为逃费检测方法相对应，包括：
检测类型选择模块，用于选择检测类型，所述的检测类型包括第一类型和第二类型；
所述的第一类型包括货车客标，所述的第二类型包括节假日假冒客一；
第一类型检测模块，基于选择的类型，针对第一类型，采用第一类型检测方法进行检测；
第二类型检测模块，基于选择的类型，针对第二类型，采用第二类检测方法进行检测。
所述的第一类型检测模块，用于对于货车车辆假冒客车构成的逃费进行检测。
所述的第二类型检测模块，用于对于非一型客车节假日期间假冒七座以内一型客车构成的逃费进行检测。
所述的第一类型包括货车客标，所述的第二类型包括节假日假冒客一。
所述的第一类型、第二类型检测方法与前面实施例中的检测方法一致。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，且应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (8)

1.一种高速公路假冒客车行为逃费检测方法，其特征在于，包括如下步骤：
步骤S1，选择检测类型，所述的检测类型包括第一类型和第二类型；所述的第一类型包括货车客标，所述的第二类型包括节假日假冒客一；
步骤S2，基于选择的类型，针对第一类型，采用第一类型检测方法进行检测；针对第二类型，采用第二类检测方法进行检测；
所述的第一类型检测方法，用于对于货车车辆假冒客车构成的逃费进行检测，具体包括：
步骤S211：取沿线高速公路出口处收费站采集到的驶入车辆信息队列中的车辆信息，提取车辆进入时间t_in、车辆出站时间t_out、卡内读出车辆牌号c_obu、出口站识别车辆牌号c_out、入口站识别车辆牌号c_in、卡内读出车型v_obu；
步骤212：针对出口摄像头可能会将当前目标车辆识别为目标车辆的后一辆的问题，判断出口站识别车辆牌号c_out是否等于入口站识别车辆牌号c_in,若相等，则通过第一对比规则，取准确率更高站点识别车辆牌号，查询对应的出口车型c，作为后续匹配依据；若不相等，则取卡内读出车辆牌号c_obu，并查询对应的车型作为出口车型c进行后续匹配；
步骤S213：筛选车辆出口车型c为一型至四型客车的所有车辆信息；
步骤S214：根据车辆进入时间t_in、车辆出站时间t_out及车辆出口车型c匹配该车辆行驶轨迹内的门架牌识信息，并提取一系列门架牌识信息中视频检测器识别车型v_pic，通过选择门架拍摄到的车头图像进行识别，识别到的车型作为判断依据；
步骤S215：获取门架拍摄的多个图像，包括各种车型的车头图像、车身图像；将门架牌识信息中该车车头图像送入深度学习目标检测模型中，返回标签分为两类：客车、货车，作为第一车型超类v_superclass_gantry；将该车车道车身图片送入深度学习车辆属性识别模型中，返回标签分为两类：客车、货车，作为第二车型超类v_superclass_toll；
步骤S216：获取车辆历史档案，历史档案中记录了车辆的牌号和车型信息，以及对应的日期；基于历史档案，构建车辆预测表car_predict，提取车辆牌号c_predict,预测车型v_predict；
步骤S217：根据车辆牌号匹配车辆预测表中的车辆牌号c_predict，得到预测车型v_predict，若该辆车从步骤S214中得到的门架牌识车型v及预测车型v_predict同时为货车，或者步骤S215中得到的车型超类v_superclass_gantry、v_superclass_toll及预测车型v_predict同时为货车，且出口车型c为客车，则输出为货车客标类逃费行为；
所述的第二类型检测方法，用于对于非一型客车节假日期间假冒七座以内一型客车构成的逃费进行检测，具体包括：
步骤S221：获取全年内高速公路对一型客车免费的时间段h；
步骤S222：取沿线高速公路出口处收费站采集到的驶入车辆信息队列中的车辆信息，提取车辆进入时间t_in、车辆出站时间t_out、卡内读出车辆牌号c_obu、出口站识别车辆牌号c_out、出口站识别车牌颜色c_color、入口站识别车辆牌号c_in、卡内读出车型v_obu；
步骤S223：判断出口站识别车辆牌号c_out是否等于入口站识别车辆牌号c_in,若相等，则取c_out作为出口车型c进行后续匹配依据，否则取c_obu作为出口车型c进行后续匹配；
步骤S224：筛选车辆出站时间t_out位于一型客车免费时间段h、出口车型c为一型客车且出口站识别车牌颜色c_color为蓝色的所有车辆信息；
步骤S225：根据车辆进入时间t_in、车辆出站时间t_out及车型c匹配该车辆的门架牌识信息并提取门架牌识信息中识别车型v_pic，通过分组选择其中出现次数最多并拍摄位置为车头的识别车型v_pic作为门架牌识车型v；
步骤S226：引入基于车辆档案表构建的车辆预测表，提取车辆预测表中的车辆牌号c_predict,预测车型v_predict，预测座位数s_predict；
步骤S227：根据车牌号匹配预测表车辆牌号c_predict,得到预测车型以及预测座位数，若该辆车的门架牌识车型v及预测车型v_predict同时为非一型客车，预测座位数s_predict大于七座，且出口车型为一型客车，则输出节假日期间假冒七座以内客车类逃费行为。
2.根据权利要求1所述的一种高速公路假冒客车行为逃费检测方法，其特征在于，
所述的第一对比规则是指，通过判断该目标车辆在进入车辆入口和通过车辆出口时的图像，如果图像中仅仅存在一辆车，即该目标车辆，则以该图像作为准确率更高的图像进行车牌号识别；否则，如果图像中出现多辆车，则认为准确率更低。
3.根据权利要求1所述的一种高速公路假冒客车行为逃费检测方法，其特征在于，
所述的卡内读出车辆牌号c_obu是通过OBU读出的车辆牌号，所述的v_obu是通过OBU读出的读出车型；所述的出口站识别车辆牌号c_out、入口站识别车辆牌号c_in是通过车站的摄像头视频识别的车辆牌号。
4.根据权利要求1所述的一种高速公路假冒客车行为逃费检测方法，其特征在于，
车辆行驶轨迹内的门架有多个，获得了多个门架牌识信息，选择其中出现次数最多的识别车型v_pic作为最终的门架牌识车型v。
5.一种高速公路假冒客车行为逃费检测系统，其特征在于，包括：
检测类型选择模块，用于选择检测类型，所述的检测类型包括第一类型和第二类型；
第一类型检测模块，基于选择的类型，针对第一类型，采用第一类型检测方法进行检测；所述的第一类型检测方法，用于对于货车车辆假冒客车构成的逃费进行检测，具体包括：
步骤S211：取沿线高速公路出口处收费站采集到的驶入车辆信息队列中的车辆信息，提取车辆进入时间t_in、车辆出站时间t_out、卡内读出车辆牌号c_obu、出口站识别车辆牌号c_out、入口站识别车辆牌号c_in、卡内读出车型v_obu；
步骤212：针对出口摄像头可能会将当前目标车辆识别为目标车辆的后一辆的问题，判断出口站识别车辆牌号c_out是否等于入口站识别车辆牌号c_in,若相等，则通过第一对比规则，取准确率更高站点识别车辆牌号，查询对应的出口车型c，作为后续匹配依据；若不相等，则取卡内读出车辆牌号c_obu，并查询对应的车型作为出口车型c进行后续匹配；
步骤S213：筛选车辆出口车型c为一型至四型客车的所有车辆信息；
步骤S214：根据车辆进入时间t_in、车辆出站时间t_out及车辆出口车型c匹配该车辆行驶轨迹内的门架牌识信息，并提取一系列门架牌识信息中视频检测器识别车型v_pi c，通过选择门架拍摄到的车头图像进行识别，识别到的车型作为判断依据；
步骤S215：获取门架拍摄的多个图像，包括各种车型的车头图像、车身图像；将门架牌识信息中该车车头图像送入深度学习目标检测模型中，返回标签分为两类：客车、货车，作为第一车型超类v_superclass_gantry；将该车车道车身图片送入深度学习车辆属性识别模型中，返回标签分为两类：客车、货车，作为第二车型超类v_superclass_toll；
步骤S216：获取车辆历史档案，历史档案中记录了车辆的牌号和车型信息，以及对应的日期；基于历史档案，构建车辆预测表car_predi ct，提取车辆牌号c_predict,预测车型v_predict；
步骤S217：根据车辆牌号匹配车辆预测表中的车辆牌号c_predi ct，得到预测车型v_predict，若该辆车从步骤S214中得到的门架牌识车型v及预测车型v_predi ct同时为货车，或者步骤S215中得到的车型超类v_superclass_gantry、v_superclass_toll及预测车型v_predi ct同时为货车，且出口车型c为客车，则输出为货车客标类逃费行为；
第二类型检测模块，基于选择的类型，针对第二类型，采用第二类检测方法进行检测；所述的第二类型检测方法，用于对于非一型客车节假日期间假冒七座以内一型客车构成的逃费进行检测，具体包括：
步骤S221：获取全年内高速公路对一型客车免费的时间段h；
步骤S222：取沿线高速公路出口处收费站采集到的驶入车辆信息队列中的车辆信息，提取车辆进入时间t_in、车辆出站时间t_out、卡内读出车辆牌号c_obu、出口站识别车辆牌号c_out、出口站识别车牌颜色c_color、入口站识别车辆牌号c_in、卡内读出车型v_obu；
步骤S223：判断出口站识别车辆牌号c_out是否等于入口站识别车辆牌号c_in,若相等，则取c_out作为出口车型c进行后续匹配依据，否则取c_obu作为出口车型c进行后续匹配；
步骤S224：筛选车辆出站时间t_out位于一型客车免费时间段h、出口车型c为一型客车且出口站识别车牌颜色c_color为蓝色的所有车辆信息；
步骤S225：根据车辆进入时间t_in、车辆出站时间t_out及车型c匹配该车辆的门架牌识信息并提取门架牌识信息中识别车型v_pic，通过分组选择其中出现次数最多并拍摄位置为车头的识别车型v_pic作为门架牌识车型v；
步骤S226：引入基于车辆档案表构建的车辆预测表，提取车辆预测表中的车辆牌号c_predict,预测车型v_predict，预测座位数s_predict；
步骤S227：根据车牌号匹配预测表车辆牌号c_predict,得到预测车型以及预测座位数，若该辆车的门架牌识车型v及预测车型v_predict同时为非一型客车，预测座位数s_predict大于七座，且出口车型为一型客车，则输出节假日期间假冒七座以内客车类逃费行为。
6.根据权利要求5所述的一种高速公路假冒客车行为逃费检测系统，其特征在于，
第一类型检测模块，用于对于货车车辆假冒客车构成的逃费进行检测。
7.根据权利要求5所述的一种高速公路假冒客车行为逃费检测系统，其特征在于，
第二类型检测模块，用于对于非一型客车节假日期间假冒七座以内一型客车构成的逃费进行检测。
8.根据权利要求5所述的一种高速公路假冒客车行为逃费检测系统，其特征在于，包括：
所述的第一类型包括货车客标，所述的第二类型包括节假日假冒客一。
CN202310188337.9A 2022-12-29 2023-02-27 一种高速公路假冒客车行为逃费检测方法和系统 Active CN116630903B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2022117026874 2022-12-29
CN202211702687 2022-12-29

Publications (2)

Publication Number Publication Date
CN116630903A CN116630903A (zh) 2023-08-22
CN116630903B true CN116630903B (zh) 2024-03-08

Family

ID=87620019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310188337.9A Active CN116630903B (zh) 2022-12-29 2023-02-27 一种高速公路假冒客车行为逃费检测方法和系统

Country Status (1)

Country Link
CN (1) CN116630903B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101396526B1 (ko) * 2013-01-09 2014-05-20 대보정보통신 주식회사 고속도로 통행권 교환 단속 시스템 및 그 방법
CN104732205A (zh) * 2015-03-09 2015-06-24 江苏省邮电规划设计院有限责任公司 一种高速公路逃费稽查的系统
CN105279475A (zh) * 2014-07-15 2016-01-27 贺江涛 一种基于车辆身份识别的套牌车识别的方法与装置
CN108961767A (zh) * 2018-07-24 2018-12-07 河北德冠隆电子科技有限公司 基于四维实景交通仿真的高速公路稽查追逃费报警系统
CN109191861A (zh) * 2018-10-22 2019-01-11 北京航空航天大学 一种基于视频检测器的高速公路逃费车辆异常行为检测系统及方法
CN209118362U (zh) * 2018-11-30 2019-07-16 武汉万集信息技术有限公司 一种高速公路收费站小型货车逃费稽查系统
CN111144945A (zh) * 2019-12-27 2020-05-12 泰斗微电子科技有限公司 一种车辆通行管理方法、服务器及车辆通行管理系统
CN111292432A (zh) * 2020-01-14 2020-06-16 北京巨视科技有限公司 基于车型识别和轮轴检测的车辆收费类型判别方法与装置
CN111523416A (zh) * 2020-04-13 2020-08-11 北京巨视科技有限公司 一种基于高速公路etc门架的车辆预警方法和装置
CN112150810A (zh) * 2020-09-25 2020-12-29 云从科技集团股份有限公司 一种车辆行为管理方法、系统、设备及介质
CN112581642A (zh) * 2020-12-02 2021-03-30 四川铁投信息技术产业投资有限公司 一种基于高速公路门架计费数据的偷逃费车辆稽查方法
CN112750220A (zh) * 2021-01-15 2021-05-04 北京万集科技股份有限公司 一种车辆故意逃费检测方法、装置、系统及存储介质
CN113192217A (zh) * 2021-03-31 2021-07-30 北京万集科技股份有限公司 逃费检测方法、装置、计算机设备和介质
CN113569899A (zh) * 2021-06-04 2021-10-29 广州天长信息技术有限公司 偷逃费行为智能分类方法、存储介质和终端
CN114048277A (zh) * 2021-11-15 2022-02-15 江西方兴科技有限公司 一种高速公路智能稽查追逃系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006134498A2 (en) * 2005-06-10 2006-12-21 Accenture Global Services Gmbh Electronic vehicle indentification
JP6425103B2 (ja) * 2016-05-10 2018-11-21 パーキングクラウド カンパニー，リミテッド 車両番号と車両番号から認識された車種に基づいた車両入出場管理方法及び車両入出場管理システム

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101396526B1 (ko) * 2013-01-09 2014-05-20 대보정보통신 주식회사 고속도로 통행권 교환 단속 시스템 및 그 방법
CN105279475A (zh) * 2014-07-15 2016-01-27 贺江涛 一种基于车辆身份识别的套牌车识别的方法与装置
CN104732205A (zh) * 2015-03-09 2015-06-24 江苏省邮电规划设计院有限责任公司 一种高速公路逃费稽查的系统
CN108961767A (zh) * 2018-07-24 2018-12-07 河北德冠隆电子科技有限公司 基于四维实景交通仿真的高速公路稽查追逃费报警系统
CN109191861A (zh) * 2018-10-22 2019-01-11 北京航空航天大学 一种基于视频检测器的高速公路逃费车辆异常行为检测系统及方法
CN209118362U (zh) * 2018-11-30 2019-07-16 武汉万集信息技术有限公司 一种高速公路收费站小型货车逃费稽查系统
CN111144945A (zh) * 2019-12-27 2020-05-12 泰斗微电子科技有限公司 一种车辆通行管理方法、服务器及车辆通行管理系统
CN111292432A (zh) * 2020-01-14 2020-06-16 北京巨视科技有限公司 基于车型识别和轮轴检测的车辆收费类型判别方法与装置
CN111523416A (zh) * 2020-04-13 2020-08-11 北京巨视科技有限公司 一种基于高速公路etc门架的车辆预警方法和装置
CN112150810A (zh) * 2020-09-25 2020-12-29 云从科技集团股份有限公司 一种车辆行为管理方法、系统、设备及介质
CN112581642A (zh) * 2020-12-02 2021-03-30 四川铁投信息技术产业投资有限公司 一种基于高速公路门架计费数据的偷逃费车辆稽查方法
CN112750220A (zh) * 2021-01-15 2021-05-04 北京万集科技股份有限公司 一种车辆故意逃费检测方法、装置、系统及存储介质
CN113192217A (zh) * 2021-03-31 2021-07-30 北京万集科技股份有限公司 逃费检测方法、装置、计算机设备和介质
CN113569899A (zh) * 2021-06-04 2021-10-29 广州天长信息技术有限公司 偷逃费行为智能分类方法、存储介质和终端
CN114048277A (zh) * 2021-11-15 2022-02-15 江西方兴科技有限公司 一种高速公路智能稽查追逃系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Highway Event Detection Algorithm Based on Improved Fast Peak Clustering;Pei L 等;《Mathematical Problems in Engineering》;第2021卷;1-13 *
车型识别技术在打击高速公路逃费中的应用;汤锐 等;《中国交通信息化》(第10期);111-114+130 *
高速公路偷逃费稽查筛选方法研究;白文娟 等;《公路交通科技(应用技术版)》(第04期);311-315+362 *

Also Published As

Publication number Publication date
CN116630903A (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
US11640560B2 (en) Automated training data quality process
CN106991820B (zh) 违规车辆处理方法及装置
CN112509325B (zh) 一种基于视频深度学习的非现场违法自动甄别方法
CN113160575A (zh) 一种非机动车辆及驾驶人的交通违法行为检测方法及系统
CN113033275B (zh) 基于深度学习的车辆变道不打转向灯分析系统
CN113055649A (zh) 一种隧道智能视频监控方法、装置、智能终端及存储介质
CN110310378A (zh) 一种基于双鉴的开放式停车场停车计费方法及系统
CN108364474A (zh) 基于图像和rfid信息的数据融合处理方法及系统
CN111444843B (zh) 一种多模态驾驶员及车辆违法行为监测方法及系统
CN112528759A (zh) 一种基于计算机视觉的交通违章行为检测方法
CN116630903B (zh) 一种高速公路假冒客车行为逃费检测方法和系统
CN100433040C (zh) 车辆图像识别方法
CN113487878A (zh) 一种机动车违章压线行驶检测方法及系统
CN115731707B (zh) 一种高速公路车辆交通控制方法和系统
CN108805994B (zh) 一种计时停车系统及方法
CN114973169A (zh) 基于多目标检测和跟踪的车辆分类计数方法及系统
CN115798067A (zh) 基于大功率rsu的电子车牌识别系统及其识别方法
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
CN114693722A (zh) 一种车辆行驶行为检测方法、检测装置及检测设备
CN110400466B (zh) 一种基于双鉴的交通监控方法及系统
CN113990077A (zh) 一种车辆载荷及特征监测系统及方法
CN117373259B (zh) 高速公路车辆逃费行为识别方法、装置、设备和存储介质
CN113177443A (zh) 一种基于图像视觉的智能识别道路交通违章的方法
CN112528923A (zh) 视频分析方法、装置、电子设备和存储介质
CN112633062A (zh) 一种基于嵌入式终端的深度学习占用公交车道检测方法

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
GR01 Patent grant
GR01 Patent grant