CN116935659B - 一种高速服务区卡口车辆稽核系统及其方法 - Google Patents
一种高速服务区卡口车辆稽核系统及其方法 Download PDFInfo
- Publication number
- CN116935659B CN116935659B CN202311170673.7A CN202311170673A CN116935659B CN 116935659 B CN116935659 B CN 116935659B CN 202311170673 A CN202311170673 A CN 202311170673A CN 116935659 B CN116935659 B CN 116935659B
- Authority
- CN
- China
- Prior art keywords
- vehicle information
- vehicle
- service area
- speed service
- processing module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 83
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 56
- 238000012795 verification Methods 0.000 claims description 34
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 17
- 230000002159 abnormal effect Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- 230000003993 interaction Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 239000003086 colorant Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012550 audit Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002045 lasting effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010252 digital analysis Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- 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
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/097—Supervising of traffic control systems, e.g. by giving an alarm if two crossing streets have green light simultaneously
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种高速服务区卡口车辆稽核系统及其方法,该高速服务区卡口车辆稽核系统可包括摄像模块,其包括分别设于高速服务区入口的第一摄像子模块和出口的第二摄像子模块,其中,第一摄像子模块和第二摄像子模块分别用于获取车辆于入口的第一车辆图像和于出口的第二车辆图像;处理模块,其用于处理第一车辆图像和第二车辆图像以形成第一车辆信息集和第二车辆信息集;其中,处理模块能够基于第一车辆信息集与第二车辆信息集中的车辆信息匹配结果可选择地确定针对高速服务区卡口车辆的识别模型的优化模式。本发明提供一种高速服务区卡口车辆稽核系统,针对高速服务区特定场景下,对高速停车及道路管理进行精细化管理和维护。
Description
技术领域
本发明涉及交通控制技术领域,尤其涉及一种高速服务区卡口车辆稽核系统及其方法。
背景技术
随着经济的高速发展,机动车保有量逐年增多,高速公路因便捷、高效而被选择作为首要出行方式,因此高速服务区的车辆服务体验面临着巨大的考验。随着物联网技术和人工智能AI技术的发展,精准的图片、视频识别算法技术和硬件产品提供了先进的技术手段,停车场系统利用这些技术手段进行数据采集和算法处理,对车辆信息数据进行数字化分析,产生相应的告警信息推送,结合工作人员智能终端,来对高速服务区车辆停放信息进行稽核,优化停车管理方式,提高车主服务体验。
CN113808398A公开一种车辆实时定位核查系统及核查方法,通过在云平台系统比对相关联的时间节点的前端采集子系统抓拍车辆信息以及车载采集子系统上传的车辆信息,判断车载采集子系统是否工作异常,从而保障车载采集子系统能够实时、有效地工作,保障云平台系统的核算数据更加精准,推动车辆运行数据的全面掌控。
传统的停车服务系统,仅局限于市政规划的停车场,其适应于车辆速度较慢、车辆流动性较弱且流动速率较慢的停车场景,在传统停车场中,因停车场位置比较集中,因而车主可以有更多的选择;高速车场停车位置比较分散、车辆流动速率较快,而传统的摄像设备通常采用射频识别技术,通过监测停车场进出口、高速站进出口等需要减速通过的点位,计算车辆每次进入停车场和驶出停车场之间的时间间隔来识别车辆,此种方式虽然简单方便,但其精度差,且具有局限性,特别是在极端恶劣天气下,如暴风、雨雪及沙尘等环境致使其无法准确识别车辆,因此传统的软硬件技术无法支持高速服务区卡口车辆的信息采集;另外,传统停车场与高速停车场的业务侧重点不一样,传统停车场对车辆停放时间没有限制,而高速服务区停车场则需要关注长时间驻停的车辆信息,高速服务区更加注重安全高效。
更进一步地,对于高速服务区而言,由于车流量巨大,为了方便管理服务区的道路交通,避免因管理不当引起的交通堵塞等问题,需要精准把控进入高速服务区的车辆信息。然而,由于高速服务区通常采用卡口相机的方式对出入服务区的车辆信息进行识别记录,在识别过程中难免会出现识别错误的情况,比如由于天气、灯光等因素的影响,导致现有的卡口相机通过图像识别车牌字符时将两个相似的字符识别混淆,例如“B”和“8”,“S”和“5”,“I”和“1”等,由此造成卡口相机识别错误,从而造成车辆信息记载错误的问题,引起后续稽核结果的失准。
综上,传统的停车软硬件技术不适用于高速服务区卡口稽核系统的要求,无法满足高速服务区车辆及道路交通管理的需求,也无法提升高速路车主的出行体验。
此外,一方面由于对本领域技术人员的理解存在差异;另一方面由于申请人做出本发明时研究了大量文献和专利,但篇幅所限并未详细罗列所有的细节与内容,然而这绝非本发明不具备这些现有技术的特征,相反本发明已经具备现有技术的所有特征,而且申请人保留在背景技术中增加相关现有技术之权利。
发明内容
针对现有技术之不足,本发明提供了一种高速服务区卡口车辆稽核系统及其方法,旨在解决现有技术中存在的至少一个或多个技术问题。
为实现上述目的,本发明提供了一种高速服务区卡口车辆稽核系统,包括:
摄像模块,用于获取车辆于高速服务区卡口入口的第一车辆图像和于高速服务区卡口出口的第二车辆图像;
处理模块,用于处理第一车辆图像和第二车辆图像以形成第一车辆信息集和第二车辆信息集;
其中,
处理模块能够基于第一车辆信息集与第二车辆信息集中的车辆信息匹配结果可选择地确定针对高速服务区卡口车辆的识别模型的优化模式。
优选地,处理模块基于第一车辆信息集与第二车辆信息集中的车辆信息匹配结果可选择地确定针对高速服务区卡口车辆的识别模型的优化模式包括:
若第一车辆信息集与第二车辆信息集彼此存在匹配对应的车辆信息,则处理模块以第一周期执行针对识别模型的第一优化模式;
若第一车辆信息集与第二车辆信息集彼此存在未匹配对应的车辆信息,则处理模块基于对未匹配对应的车辆信息的核验结果来确定是否执行针对识别模型的第二优化模式。
优选地,若第一车辆信息集与第二车辆信息集彼此存在匹配对应的车辆信息,则处理模块以第一周期执行针对识别模型的第一优化模式包括:
处理模块将匹配对应的车辆信息添加至第三车辆信息集,并基于第三车辆信息集包含的车辆信息以第一周期训练识别模型。
优选地,若第一车辆信息集与第二车辆信息集彼此存在未匹配对应的车辆信息,则处理模块基于对未匹配对应的车辆信息的核验结果来确定是否执行针对识别模型的第二优化模式包括:
处理模块将未匹配对应的车辆信息添加至第四车辆信息集,并交由人工核验,其中,
若针对未匹配对应的车辆信息的核验结果为车辆自身因素,则处理模块不执行针对识别模型的训练;
若针对未匹配对应的车辆信息的核验结果为非车辆自身因素,则处理模块基于第四车辆信息集包含的车辆信息以第二周期或第三周期训练识别模型。
优选地,若针对未匹配对应的车辆信息的核验结果为非车辆自身因素,则处理模块基于第四车辆信息集包含的车辆信息以第二周期或第三周期训练识别模型包括:
若针对未匹配对应的车辆信息的核验结果为环境因素,则处理模块基于第四车辆信息集包含的车辆信息以第二周期训练识别模型;
若针对未匹配对应的车辆信息的核验结果为偶然因素,则处理模块基于第四车辆信息集包含的车辆信息以第三周期训练识别模型。
优选地,处理模块基于第四车辆信息集包含的车辆信息以第二周期或第三周期训练识别模型之前还包括:
处理模块以数据增强和/或数据合成的方式对第四车辆信息集中至少包含车牌信息的图像数据进行扩充处理,并将扩充后的若干图像数据以与对应车牌数据相关联的方式形成训练样本。
优选地,处理模块能够基于第一车辆信息集中的车辆进入高速服务区的时间点针对场内车辆生成梯度时间告警信号。
优选地,本发明提供的高速服务区卡口车辆稽核系统还包括交互模块,该交互模块配置为向高速服务区的各方管理人员展示场内的车辆信息。
优选地,处理模块能够基于第一车辆信息集和第二车辆信息集中的车辆信息进行分析判断,并将异常车辆信息传输至稽查单位进行处置。处理模块可以将异常车辆信息实时发送至官方高速稽查单位,由稽查单位及时采取相应措施,避免安全隐患。
优选地,处理模块能够将第一车辆信息集和第二车辆信息集整合为停车记录列表,并将该停车记录列表通过交互模块输出至终端管理界面,以允许使用者筛选并浏览停车记录列表之中的车辆信息。
优选地,处理模块能够基于车辆信息列表/集中的车辆进入高速服务区的时间点针对场内车辆生成梯度时间告警信号。
优选地,本发明还涉及一种高速服务区卡口车辆稽核方法,可以包括:
获取车辆于高速服务区卡口入口的第一车辆图像和于高速服务区卡口出口的第二车辆图像;
处理第一车辆图像和第二车辆图像以形成第一车辆信息集和第二车辆信息集;
基于第一车辆信息集与第二车辆信息集中的车辆信息匹配结果可选择地确定针对高速服务区卡口车辆的识别模型的优化模式。
优选地,基于第一车辆信息集与第二车辆信息集中的车辆信息匹配结果可选择地确定针对高速服务区卡口车辆的识别模型的优化模式之步骤可包括:
若第一车辆信息集与第二车辆信息集彼此存在匹配对应的车辆信息,则以第一周期执行针对识别模型的第一优化模式;
若第一车辆信息集与第二车辆信息集彼此存在未匹配对应的车辆信息,则基于对未匹配对应的车辆信息的核验结果来确定是否执行针对识别模型的第二优化模式。
优选地,若第一车辆信息集与第二车辆信息集彼此存在匹配对应的车辆信息,则以第一周期执行针对识别模型的第一优化模式之步骤可包括:
将匹配对应的车辆信息添加至第三车辆信息集;
基于第三车辆信息集包含的车辆信息以第一周期训练识别模型。
优选地,若第一车辆信息集与第二车辆信息集彼此存在未匹配对应的车辆信息,则基于对未匹配对应的车辆信息的核验结果来确定是否执行针对识别模型的第二优化模式之步骤可包括:
将未匹配对应的车辆信息添加至第四车辆信息集,并交由人工核验,其中,
若针对未匹配对应的车辆信息的核验结果为车辆自身因素,则不执行针对识别模型的训练;
若针对未匹配对应的车辆信息的核验结果为非车辆自身因素,则基于第四车辆信息集包含的车辆信息以第二周期或第三周期训练识别模型。
采用本发明所述的高速服务区卡口车辆稽核系统,可以有效地对高速服务区车场停车记录管理维护,通过对车位信息进行实时监控,能够及时响应应急处置,同时通过数字化平台分析车流量,执勤人员可对停车流量进行分析对比,提前预知大流量和异常流量车辆时段,及时做出应急服务调整,同时为其他平台提供数据支持。此外,本发明支持个性化车辆超时告警功能,能够指导执勤人员快速有效地对告警车辆进行稽核处置,形成工作闭环,减少车位无效占用的风险。本发明中,稽核系统能够在卡口相机识别出错的情况下基于识别出错的样本作为训练集再次对识别模型进行优化,降低在后续出现相似的容易识别错误的特征图像时卡口相机再次识别错误的概率,并且在长期连续的运转中不断优化更新自身的识别样本库以及识别模型,以显著降低卡口相机识别错误的概率,为服务区的车流量精确管理提供有力的技术保障。卡口相机在绝大多数场景下的识别结果是可靠的,识别错误通常是由天气、灯光及拍摄角度等多种因素造成的,因此何时会出现识别错误/匹配失败的情况是无法准确预测的,若以固定周期对识别算法/模型进行训练或优化,则样本数据的特征段大致相同,基于此训练带来的优化效果并不显著,且消耗大量计算时间占用过多不必要的资源,而若以识别失败的次序为训练周期,则既能够保证及时对识别算法/模型进行优化更新的需求,也能够在每次优化训练时都有新的偶然样本(因天气或偶然事件所导致的识别失败)作为训练集,充分扩展了训练集的特征段,以使得优化训练的优化效果更显著。
附图说明
图1是本发明提供的一种优选实施方式的高速服务区卡口车辆稽核系统的系统框图;
图2是本发明提供的一种优选实施方式的高速服务区卡口车辆稽核方法的流程示意图。
附图标记列表
100:摄像模块;200:处理模块;300:交互模块;110:第一摄像子模块;120:第二摄像子模块。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
实施例1
如图1所示,本发明提供了一种高速服务区卡口车辆稽核系统,可以包括:
摄像模块100,用于获取车辆于高速服务区卡口入口的第一车辆图像和于高速服务区卡口出口的第二车辆图像;
处理模块200,用于处理第一车辆图像和第二车辆图像以形成第一车辆信息集和第二车辆信息集;
其中,
处理模块200能够基于第一车辆信息集与第二车辆信息集中的车辆信息匹配结果可选择地确定针对高速服务区卡口车辆的识别模型的优化模式。
根据一种优选实施方式,参见图1,本发明中,摄像模块100可以包括设于高速服务区卡口入口的第一摄像子模块110和高速服务区卡口出口的第二摄像子模块120。第一摄像子模块110可用于获取车辆进入高速服务区入口时的第一车辆图像。第二摄像子模块120可用于获取车辆驶出高速服务区出口时的第二车辆图像。
根据一种优选实施方式,处理模块200能够将第一摄像子模块110获取的第一车辆图像和第二摄像子模块120获取的第二车辆图像分别处理成车辆信息,该车辆信息可以表格的形式被记录。特别地,车辆图像可以包括车辆驶入图像、车辆驶出图像和车牌图像等。进一步地,车辆信息至少可包括车牌号码、车牌颜色及车辆驶入/驶出时间等。作为非限制性实例的说明,车辆信息还可包括驾驶员人脸信息、车型信息等。
根据一种优选实施方式,处理模块200可以基于高速路卡口出、入口的车辆图像通过预设的车辆识别模型核查高速服务区停车场内的车辆信息。具体地,在车辆识别模型中,可以将车牌图像作为识别模型的输入信息,车牌号码作为识别模型的输出信息。更具体地,将一个或多个待识别的车牌图像导入车辆识别模型中,基于模型识别处理结果输出与一个或多个待识别的车牌图像对应的车牌号码。特别地,车牌颜色和通行时间的识别和判断相对简单,可以按照常规方式进行记录。
具体而言,本发明在高速服务区出入口采用高速摄像机对车辆数据进行图像采集,通过车辆进出口管理系统对图像数据进行解析处理存入数据库,解析后的车辆信息包含有车牌号码、车牌颜色、通行时间、车牌图片等。
根据一种优选实施方式,本发明中,基于第一摄像子模块110获取的第一车辆信息与第二摄像子模块120获取的第二车辆信息的匹配结果,处理模块200对于车辆的识别模型的优化模式至少在优化周期和/或优化信息选取方面具有不同。
根据一种优选实施方式,若匹配成功,即第一车辆信息集和第二车辆信息集中存在至少一组匹配对应的车辆信息时,则处理模块200可以按照第一周期对内置的车辆识别模型进行常规优化。
根据一种优选实施方式,若第一车辆信息集和第二车辆信息集中存在至少一组匹配对应的车辆信息(如实际车牌标签与识别模型输出的车牌识别结果一致),则处理模块200可以将该车辆信息添加至第三车辆信息集之中,并在第三车辆信息集中为该组车辆信息添加与之对应的出站时间。进一步地,该第三车辆信息集中的车辆信息为相互匹配的车辆信息,可用于车辆识别模型的常规优化。
具体地,在处理模块200利用内置的车辆识别模型对高速服务区停车场内的车辆进行识别时,若处理模块200基于第一车辆信息集和第二车辆信息集确定至少一组匹配对应的车辆信息,则处理模块200将该组匹配的车辆信息添加至第三车辆信息集,处理模块200按照第一周期基于第三车辆信息集所包含的若干匹配的车辆信息对车辆识别模型进行常规优化。
特别地,作为非限制性实例的说明,第一周期可以由开发人员自我设定,例如1天、1周或1月等。处理模块200按照第一周期对识别模型进行常规优化,即,选取一定量的识别正确后的车辆信息(至少包含车牌图像和车牌字符信息)作为训练集和测试集对模型进行优化训练。
根据一种优选实施方式,若匹配不成功,即第一车辆信息集和第二车辆信息集中存在未匹配对应的车辆信息时,则处理模块200可以将不具有匹配关系的车辆信息交由人工核验,并可将核验后的特征数据添加至第四车辆信息集。进一步地,处理模块200可以基于车辆信息的核验结果选择不优化,或者按照第二周期或第三周期对内置的车辆识别模型进行特征优化。
根据一种优选实施方式,对不具有匹配关系的车辆信息的核验结果能够用于确定匹配失败的因素和/或实际的车辆信息。具体地,车辆信息匹配失败的因素可以包括车辆自身因素、环境因素和/或偶然因素。更具体地,若导致车辆信息匹配失败的因素为车辆自身因素,例如遮挡车牌或车牌污染/受损,则处理模块200可以不对车辆识别模型进行优化,但处理模块200可以将获取的此类车辆信息同步上传至高速稽查单位,由高速稽查单位核查此类异常数据。若导致车辆信息匹配失败的因素为环境因素,例如暴雨、风雪或沙尘等,则处理模块200可以基于第二周期对车辆识别模型进行特征优化。若为偶然因素,例如由于光线、拍摄角度等因素产生非常规图像,则处理模块200可以基于第三周期对车辆识别模型进行特征优化。
具体地,在处理模块200利用内置的车辆识别模型对高速服务区停车场内的车辆进行识别时,若处理模块200基于第一车辆信息集和第二车辆信息集确定存在未匹配对应的车辆信息,则处理模块200将未匹配对应的车辆信息交由人工核验,并将该核验后的车辆信息添加至第四车辆信息集,处理模块200按照第二周期或第三周期基于第四车辆信息集所包含的若干核验后的未匹配车辆信息对车辆识别模型进行特征优化,或者基于核验结果选择不优化。
特别地,作为非限制性实例的说明,第二周期可以根据环境因素的影响时长来设定,例如下雨天持续12小时,则第二周期可以为12小时。处理模块200按照第二周期对识别模型进行特征优化,即,选取一定量的经人工核验后的未识别正确的车辆信息(至少包含车牌图像和车牌字符信息)作为训练集和测试集对模型进行优化训练,其目的在于:对于某一类环境因素下导致的车牌识别错误的情况可能在环境因素持续时间内连续或无序地发生多次,因此在环境因素持续时间结束后统一对发生错误的数据进行特征训练。
进一步地,第三周期可以根据各种无法被准确估量的偶然因素来设定,例如车辆行驶至非常规位置导致光线、拍摄角度异常而出现非常规图像或者车牌图像中存在外来物遮挡等。由于偶然因素通常不像环境因素那样具有可预料性(如气象信息),因此一旦出现无法预料的偶然情况,则需要针对偶然因素导致车牌识别失败的情况立即进行优化,以充分保证服务区车辆管理的有效性。鉴于此,作为非限制性实例的说明,第三周期例如可以是5分钟、50分钟或2小时等。
具体而言,卡口相机的识别在多数情况下是准确的,识别错误通常是由天气、灯光以及拍摄角度等多种因素共同造成的,因此对于何时会出现识别/匹配失败的情况是无法准确估量的,如果仅是按照固定的周期进行训练,则其样本数据的特征段大致相同,训练带来的优化效果不显著,却消耗了计算资源、时间资源等,而以失败次序为周期,既能够保证及时对识别模型进行优化更新的需求,也能够在每次优化训练时都有新的偶然样本作为训练集,充分扩展了训练集的特征段,以使得优化训练的优化效果更显著。
根据一种优选实施方式,处理模块200在执行针对车辆识别模型的优化训练前至少能够对第四车辆信息集中的特征数据进行样本扩充。具体地,以含有若干校验后的未匹配对应的车辆信息的第四车辆信息集的特征数据作为特征优化的训练样本,该训练样本包含原始的训练样本以及不断更新的第四车辆信息集中的特征数据。换言之,每进行一次针对车辆识别模型的优化训练,处理模块200都将第四车辆信息集中的特征数据纳入原始的训练样本中作为新的训练样本。
根据一种优选实施方式,处理模块200能够以数据增强和/或数据合成的方式对特征数据中的至少包含车牌信息的图像数据进行扩充处理,并将扩充后的若干图像数据与单一车牌数据按照多对一的方式作为训练样本。特别地,数据增强表示对原始图像进行旋转、翻转、缩放和/或平移等操作,从而生成新的图像样本。数据合成表示将不同的图像元素(如背景、物体等)进行组合,生成新的图像样本。
具体地,多对一可表示为:第四车辆信息集中通常是一张图像对应一个车牌字符识别结果,并且车牌字符识别结果是人工核验后的结果,而在扩充处理时,是对车牌图像的类型进行扩充,也即通过例如上述的数据增强和/或数据合成的方式形成若干种形态(如不同尺寸大小、信息覆盖度等)的车牌图像,因此扩充后,同一个车牌号可以对应若干车牌图像。
根据一种优选实施方式,特征训练是指将特征数据作为训练样本对卡口相机的车辆识别模型进行优化训练。对于车辆识别模型而言,其是通过若干训练集和测试集中的数据训练得出的,其识别准确度与训练集和测试集的数据量及其特征密切相关,优化训练即是指将更多的具有不同特征的数据作为训练集和测试集进行训练,尤其是将本发明中未匹配对应的车辆信息作为训练样本,数据集数量和特征类型的增加都有助于优化识别模型。特别地,特征数据包括卡口相机(摄像模块100)获取的车牌图像数据和处理模块200将所述车牌图像数据代入车辆识别模型所输出的车牌识别结果(如车牌字符信息)。
根据一种优选实施方式,作为非限制性实例的说明,处理模块200所构建或使用的车辆识别模型可以按照如下方式构建:
获取若干车辆的车牌图像,并将若干车牌图像处理成预设尺寸以得到车牌图像样本。
将多个车牌图像样本和多个车牌图像样本中的车牌信息作为训练集输入车辆识别模型。
车辆识别模型的结果输出层对应车牌图像样本中与车辆信息相关的多个字符的识别结果。
根据一种优选实施方式,训练过程中,直至车辆识别模型对车牌图像样本中的车牌信息的识别准确率大于预设值,或者车辆识别模型的损失函数的损失值收敛于预设值,则该车辆识别模型可以作为最终车辆识别的模型。特别地,当车辆识别模型的损失函数的损失值在一定预设范围内变化时,通常表示损失函数值不再下降。
根据一种优选实施方式,对车牌图像样本中的车牌信息的识别可以包括对车牌图像样本中多个字符的识别。具体而言,作为非限制性实例的说明,车辆识别模型可以具有多个输出层,多个输出层可用于输出车牌包含的汉字信息、字母信息以及数字信息。进一步地,输出层还可用于输出车牌长度。
根据一种优选实施方式,车牌图像样本可以包括真实样本和虚假样本。具体地,真实样本可以是实际车牌标签与识别模型输出的车牌识别结果一致的数据。例如实际车牌标签为“B”的车牌图像经过预设的车辆识别模型输出的标签结果为“B”。虚假样本可以是实际车牌标签与识别模型输出的车牌识别结果不一致的数据。例如实际车牌标签为“I”的车牌图像经过预设的车辆识别模型输出的标签结果为“1”。
根据一种优选实施方式,对若干车牌图像样本进行标注,标注内容可以包括车牌号码、车牌字符长度等。特别地,可以将虚假样本中的字符标记为0。
根据一种优选实施方式,由于采集到的车牌图像可能存在未包含完整车牌区域的情况,从而导致车牌信息识别不准确,因此可以将获取的车牌图像放大至预设尺寸以提高训练结果准确度。具体地,将车牌图像处理成预设尺寸以得到车牌图像样本可以包括:
获取车牌图像的坐标与尺寸。
基于车牌图像的坐标与尺寸确定图像中心点。
按照预设尺寸以车牌图像的图像中心点为起始扩展车牌图像以得到车牌图像样本。
根据一种优选实施方式,车辆识别模型的一种特例可以是卷积神经网络模型。另外,上述车辆识别模型的构建方法仅是作为非限制性实例的说明,本发明所述的车辆识别模型也可以通过其它形式的机器学习模型来建立。
根据一种优选实施方式,本发明中,处理模块200能够基于车辆信息集中的车辆进入高速服务区的时间点针对场内车辆生成梯度时间告警信号。特别地,该梯度时间告警信号鉴于车辆具体的停车时间而不同。具体地,在自定义配置的告警时间前提下,本发明所述的高速服务区卡口车辆稽核系统支持梯度告警时间配置。举例而言,如车辆停车时长超过3小时发送第一告警信号,车辆停车时长超过6小时发送第二告警信号,车辆停车时长超过9小时发送第三告警信号。
进一步地,各类告警信息可以通过可执行应用程序(如微信推送)传输到执勤人员的手持终端,并通过可执行应用程序将处置信息上报稽核平台。作为非限制性实例的说明,由该稽核系统生成的针对异常车辆的报警信号可以通过蓝牙、Zigbee、近场通信或网络等信号通信方式传输至管理人员或执勤人员的便携式通信设备,例如智能手环,从而便于管理人员或执勤人员根据实际报警信息对告警车牌进行处置。
特别地,推送信息可包含车牌号码、车牌图片和车辆驶入时间等信息。此外,监控平台实时监控告警数据的变化,当系统产生相应告警信号时,会通过声音播报、灯光闪烁和振动等一种或多种方式对执勤人员进行通知提醒。特别地,告警信号的具体输出方式鉴于告警信号的等级而不同,如第三告警信号示意场内含有停车时长超过9小时的车辆,则告警信号可以持续红光的方式输出至可被执勤人员感知的终端界面;而第一告警信号示意场内含有停车时长超过3小时的车辆,则告警信号可以持续橙光的方式输出至可被执勤人员感知的终端界面。根据一种优选实施方式,本发明中,处理模块200能够基于第一车辆信息集和第二车辆信息集中的车辆信息进行分析判断,并可将异常车辆信息传输至相关稽查单位进行处置。具体而言,异常车辆分析判断可包括通过人脸识别和/或计量单元(如地磅)判断车辆是否超载、通过分析进入不同服务区的时间判断是否超速、通过分析车牌信息与车辆图像信息是否对应判断是否套牌等。
根据一种优选实施方式,参见图1,本发明提供的高速服务区卡口车辆稽核系统还可包括交互模块300,该交互模块300配置为向高速服务区的各方管理人员展示场内的车辆信息。具体地,处理模块200能够将第一车辆信息集和第二车辆信息集整合为停车记录列表/集,并将该停车记录列表/集通过交互模块300输出至监控终端和/或第三方设备的管理平台界面,以允许使用者按需浏览停车记录列表/集之中的车辆信息,如根据车辆信息集中一个或多个参数进行车辆信息筛选。具体而言,本发明所述的高速服务区卡口车辆稽核系统提供停车记录管理以及场内停车信息展示之功能,用户可以根据车牌号码、车牌颜色、通行时间等筛选条件对对应的车辆信息进行筛选,可以直观地看到车牌图片和车辆图片等信息;同时该车辆稽核系统还支持对应的数据导出表格文件。
根据一种优选实施方式,交互模块300能够基于车辆信息集中的一个或多个参数对第一车辆信息集和/或第二车辆信息集中的车辆信息进行筛选展示。具体而言,本发明所述的高速服务区卡口车辆稽核系统提供场内车辆管理维护之功能,用户可以浏览已进入高速服务区停车场但是没有驶出停车场的车辆信息。进一步地,本发明所述的高速服务区卡口车辆稽核系统允许用户通过车牌号码、车牌颜色及停车时间等筛选条件对车辆信息进行筛选,使用户能够直观地看到车牌图片和车辆图片等信息,同时支持对应的数据导出表格文件。
根据一种优选实施方式,本发明所述的高速服务区卡口车辆稽核系统还提供系统自评估之功能,即对在出口识别异常,且查找不到进车记录的车辆数据进行记录,来评估进车场识别率,进而反馈给系统,使系统对识别模型进行识别优化,以提升系统稳定性和有效性。
本发明提供一种高度服务区卡口车辆稽核系统,通过采集车辆出入场信息,根据车辆车牌颜色区分车辆型号,大车和小车,分别对车场剩余停车位进行实时监控,其中,场内车辆监控可包括正常场内停放车辆管理和超时停放告警车辆管理。
特别地,本发明不仅支持正常车辆停放数据展示、车辆图片查询和异常数据清理等,同时还能够实时监控预警停放时间超过制定告警时间的车辆,并通过语音告警和/或消息推送的方式将告警信息推送给执勤工作人员,以允许工作人员现场稽核后对对应的车辆告警信息进行处置。另外,本发明还提供危化品车辆的识别及报警之功能,即基于图像识别技术根据车辆图片及其包含的车牌、车型信息等确定车辆身份(如易燃气体运输车、腐蚀性物品运输车或放射性物品运输车等),针对确定的危险车辆生成高级别/高优先级的报警信号,并将该报警信号同步至执勤人员的管理终端(如终端计算机或智能手环)和相应管理方的稽核监管平台,以便立即疏导及处理危险车辆的停放。
根据一种优选实施方式,本发明支持高速服务区出口出车异常数据管理,对于车牌识别异常的数据,本发明能够在出口进行监控统计,自体进行自评估,以评估系统的稳定性和有效性。
实施例2
本实施例提供一种高速服务区卡口车辆稽核方法,可以利用如实施例1所述的高速服务区卡口车辆稽核系统,该高速服务区卡口车辆稽核方法可以包括:
获取车辆于高速服务区卡口入口的第一车辆图像和于高速服务区卡口出口的第二车辆图像;
处理第一车辆图像和第二车辆图像以形成第一车辆信息集和第二车辆信息集;
基于第一车辆信息集与第二车辆信息集中的车辆信息匹配结果可选择地确定针对高速服务区卡口车辆的识别模型的优化模式。
根据一种优选实施方式,基于第一车辆信息集与第二车辆信息集中的车辆信息匹配结果可选择地确定针对高速服务区卡口车辆的识别模型的优化模式之步骤可包括:
若第一车辆信息集与第二车辆信息集彼此存在匹配对应的车辆信息,则以第一周期执行针对识别模型的第一优化模式;
若第一车辆信息集与第二车辆信息集彼此存在未匹配对应的车辆信息,则基于对未匹配对应的车辆信息的核验结果来确定是否执行针对识别模型的第二优化模式。
根据一种优选实施方式,若第一车辆信息集与第二车辆信息集彼此存在匹配对应的车辆信息,则以第一周期执行针对识别模型的第一优化模式之步骤可包括:
将匹配对应的车辆信息添加至第三车辆信息集;
基于第三车辆信息集包含的车辆信息以第一周期训练识别模型。
根据一种优选实施方式,若第一车辆信息集与第二车辆信息集彼此存在未匹配对应的车辆信息,则基于对未匹配对应的车辆信息的核验结果来确定是否执行针对识别模型的第二优化模式之步骤可包括:
将未匹配对应的车辆信息添加至第四车辆信息集,并交由人工核验,
其中,
若针对未匹配对应的车辆信息的核验结果为车辆自身因素,则不执行针对识别模型的训练;
若针对未匹配对应的车辆信息的核验结果为非车辆自身因素,则基于第四车辆信息集包含的车辆信息以第二周期或第三周期训练识别模型。
根据一种优选实施方式,基于第四车辆信息集包含的车辆信息以第二周期或第三周期训练识别模型之前还包括:
以数据增强和/或数据合成的方式对第四车辆信息集中至少包含车牌信息的图像数据进行扩充处理,并将扩充后的若干图像数据以与对应车牌数据相关联的方式形成训练样本。
根据一种优选实施方式,本发明提供的高速服务区卡口车辆稽核方法还可包括:
基于第一车辆信息集中的车辆进入高速服务区的时间点针对场内车辆生成梯度时间告警信号。
根据一种优选实施方式,基于第一车辆信息集中的车辆进入高速服务区的时间点针对场内车辆生成梯度时间告警信号包括:
当车辆于高速服务区的滞留时间超出不同的时间阈值范围时,以不同状态的可感知方式输出对应的时间告警信号。具体地,如车辆停车时长超过3小时发送第一告警信号,第一告警信号可以持续的橙光的方式输出至可被执勤人员感知的终端界面。如车辆停车时长超过9小时发送第三告警信号,第三告警信号可以持续的红光的方式输出至可被执勤人员感知的终端界面。
根据一种优选实施方式,基于第一车辆信息集与第二车辆信息集中的车辆信息匹配结果可选择地确定针对高速服务区卡口车辆的识别模型的优化模式之前包括构建车辆识别模型,该车辆识别模型按照如下方式获得:
获取若干车辆的车牌图像,并将若干车牌图像处理成预设尺寸以得到车牌图像样本。
将多个车牌图像样本和多个车牌图像样本中的车牌信息作为训练集输入车辆识别模型。
车辆识别模型的结果输出层对应车牌图像样本中与车辆信息相关的多个字符的识别结果。
根据一种优选实施方式,将车牌图像处理成预设尺寸以得到车牌图像样本之步骤可包括:
获取车牌图像的坐标与尺寸。
基于车牌图像的坐标与尺寸确定图像中心点。
按照预设尺寸以车牌图像的图像中心点为起始扩展车牌图像以得到车牌图像样本。
图2示出了本发明提供的一种优选实施方式的高速服务区卡口车辆稽核方法的操作流程,具体地:
卡口相机采集高速服务区车场入口和出口的车牌图像,稽核系统解析入场和出场车牌图像以获取车辆信息,并将车牌信息存入数据库。稽核系统基于识别算法/模型对车牌图像进行识别以核查出入场车辆信息。若场内存在无法识别的异常车辆数据,则稽核系统将异常数据上报核查平台进行处置,并且利用识别失败的数据对内置的识别算法/模型进行定期/不定期的训练或优化。若不存在无法识别的车辆数据,稽核系统正常记录相应车辆的停车时间,形成停车管理记录。另一方面,稽核系统能够根据各车辆进入高速服务区停车场的时间定时监控车辆停放时间,其中,若存在车辆的停放时间超出第一次告警时间,则稽核系统生成第一告警消息/广播以通知执勤人员对其进行现场处置;若存在车辆的停放时间超出第二次告警时间,则稽核系统生成第二告警消息/广播以通知执勤人员对其进行现场处置;若存在车辆的停放时间超出第三次告警时间,则稽核系统生成第三告警消息/广播以通知执勤人员对其进行现场处置。
本领域技术人员应理解,只要能够实现本发明的目的,在上述各步骤前后,或步骤之间还可包含其他步骤或操作,例如进一步优化和/或改善本发明所述的方法。此外,本发明所述的方法虽被显示和描述为按顺序执行的一系列动作,但是应当理解为该方法不受顺序的顺序限制。例如,一些动作可以以与本文描述的顺序不同的顺序发生。或者,一个动作可以与另一个动作同时发生。
需要注意的是,上述具体实施例是示例性的,本领域技术人员可以在本发明公开内容的启发下想出各种解决方案,而这些解决方案也都属于本发明的公开范围并落入本发明的保护范围之内。本领域技术人员应该明白,本发明说明书及其附图均为说明性而并非构成对权利要求的限制。本发明的保护范围由权利要求及其等同物限定。本发明说明书包含多项发明构思,诸如“优选地”“根据一个优选实施方式”或“可选地”均表示相应段落公开了一个独立的构思,申请人保留根据每项发明构思提出分案申请的权利。
Claims (4)
1.一种高速服务区卡口车辆稽核系统,其特征在于,包括:
摄像模块(100),用于获取车辆于所述高速服务区卡口入口的第一车辆图像和于所述高速服务区卡口出口的第二车辆图像;
处理模块(200),用于处理所述第一车辆图像和第二车辆图像以形成第一车辆信息集与第二车辆信息集;
其中,
所述处理模块(200)能够基于所述第一车辆信息集与所述第二车辆信息集中的车辆信息匹配结果可选择地确定针对所述高速服务区卡口车辆的识别模型的优化模式;
若所述第一车辆信息集与第二车辆信息集彼此存在匹配对应的车辆信息,所述处理模块(200)将所述匹配对应的车辆信息添加至第三车辆信息集,并基于所述第三车辆信息集包含的车辆信息以第一周期训练所述识别模型;
若所述第一车辆信息集与第二车辆信息集彼此存在未匹配对应的车辆信息,所述处理模块(200)将所述未匹配对应的车辆信息添加至第四车辆信息集,并交由人工核验,其中,
若针对所述未匹配对应的车辆信息的核验结果为车辆自身因素,则处理模块(200)不执行针对所述识别模型的训练;
若针对所述未匹配对应的车辆信息的核验结果为环境因素,则所述处理模块(200)基于所述第四车辆信息集包含的车辆信息以第二周期训练所述识别模型;
若针对所述未匹配对应的车辆信息的核验结果为偶然因素,则所述处理模块(200)基于所述第四车辆信息集包含的车辆信息以第三周期训练所述识别模型。
2.根据权利要求1所述的高速服务区卡口车辆稽核系统,其特征在于,所述处理模块(200)基于所述第四车辆信息集包含的车辆信息以第二周期或第三周期训练所述识别模型之前还包括:
所述处理模块(200)以数据增强和/或数据合成的方式对所述第四车辆信息集中至少包含车牌信息的图像数据进行扩充处理,并将扩充后的若干图像数据以与对应车牌数据相关联的方式形成训练样本。
3.根据权利要求1所述的高速服务区卡口车辆稽核系统,其特征在于,所述处理模块(200)能够基于第一车辆信息集中的车辆进入高速服务区的时间点针对场内车辆生成梯度时间告警信号。
4.一种高速服务区卡口车辆稽核方法,其特征在于,包括:
获取车辆于所述高速服务区卡口入口的第一车辆图像和于所述高速服务区卡口出口的第二车辆图像;
处理所述第一车辆图像和第二车辆图像以形成第一车辆信息集与第二车辆信息集;
基于所述第一车辆信息集与第二车辆信息集中的车辆信息匹配结果可选择地确定针对所述高速服务区卡口车辆的识别模型的优化模式;
若所述第一车辆信息集与第二车辆信息集彼此存在匹配对应的车辆信息,将所述匹配对应的车辆信息添加至第三车辆信息集,并基于所述第三车辆信息集包含的车辆信息以第一周期训练所述识别模型;
若所述第一车辆信息集与第二车辆信息集彼此存在未匹配对应的车辆信息,将所述未匹配对应的车辆信息添加至第四车辆信息集,并交由人工核验,其中,
若针对所述未匹配对应的车辆信息的核验结果为车辆自身因素,则不执行针对所述识别模型的训练;
若针对所述未匹配对应的车辆信息的核验结果为环境因素,则基于所述第四车辆信息集包含的车辆信息以第二周期训练所述识别模型;
若针对所述未匹配对应的车辆信息的核验结果为偶然因素,则基于所述第四车辆信息集包含的车辆信息以第三周期训练所述识别模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311170673.7A CN116935659B (zh) | 2023-09-12 | 2023-09-12 | 一种高速服务区卡口车辆稽核系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311170673.7A CN116935659B (zh) | 2023-09-12 | 2023-09-12 | 一种高速服务区卡口车辆稽核系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116935659A CN116935659A (zh) | 2023-10-24 |
CN116935659B true CN116935659B (zh) | 2023-12-08 |
Family
ID=88375581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311170673.7A Active CN116935659B (zh) | 2023-09-12 | 2023-09-12 | 一种高速服务区卡口车辆稽核系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116935659B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117558071B (zh) * | 2024-01-11 | 2024-04-05 | 四川成渝高速公路股份有限公司 | 一种高速公路出入车辆稽查方法及系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CH493041A (de) * | 1968-06-10 | 1970-06-30 | Ibm | Uberwachungs- und Statistikeinrichtung für Datenverarbeitungsanlagen |
JP2001249932A (ja) * | 2000-03-06 | 2001-09-14 | Tsubasa System Co Ltd | 車両情報検索装置、車両情報検索方法及び車両情報検索システム |
WO2004042673A2 (en) * | 2002-11-04 | 2004-05-21 | Imperial Vision Ltd. | Automatic, real time and complete identification of vehicles |
CN110263864A (zh) * | 2019-06-24 | 2019-09-20 | 北京精英路通科技有限公司 | 车辆的匹配方法、装置、计算机设备及存储介质 |
CN110598758A (zh) * | 2019-08-23 | 2019-12-20 | 伟龙金溢科技(深圳)有限公司 | 训练建模方法、车辆收费方法、管理系统及存储介质 |
CN110689001A (zh) * | 2018-07-05 | 2020-01-14 | 山东华软金盾软件股份有限公司 | 一种生成复杂环境下车牌训练样本的方法 |
CN111310844A (zh) * | 2020-02-26 | 2020-06-19 | 广州华工邦元信息技术有限公司 | 车辆识别模型构建方法及装置、识别方法及装置 |
CN111382808A (zh) * | 2020-05-29 | 2020-07-07 | 浙江大华技术股份有限公司 | 一种车辆检测处理方法及装置 |
KR102138378B1 (ko) * | 2019-09-25 | 2020-07-27 | 유한회사 홍석 | 대사작업 통합 관리 및 처리 방법 |
CN112560752A (zh) * | 2020-12-23 | 2021-03-26 | 杭州趣链科技有限公司 | 基于联邦学习的车牌识别训练方法、装置及相关设备 |
WO2021123790A1 (en) * | 2019-12-19 | 2021-06-24 | Sita Information Networking Computing Uk Limited | Image processing system and method |
CN114445466A (zh) * | 2020-10-16 | 2022-05-06 | 顺丰科技有限公司 | 车辆信息识别模型的处理方法、装置以及设备 |
CN115762172A (zh) * | 2022-11-02 | 2023-03-07 | 济南博观智能科技有限公司 | 一种出入车位车辆识别方法、装置、设备及介质 |
CN116704490A (zh) * | 2023-08-02 | 2023-09-05 | 苏州万店掌网络科技有限公司 | 车牌识别方法、装置和计算机设备 |
-
2023
- 2023-09-12 CN CN202311170673.7A patent/CN116935659B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CH493041A (de) * | 1968-06-10 | 1970-06-30 | Ibm | Uberwachungs- und Statistikeinrichtung für Datenverarbeitungsanlagen |
JP2001249932A (ja) * | 2000-03-06 | 2001-09-14 | Tsubasa System Co Ltd | 車両情報検索装置、車両情報検索方法及び車両情報検索システム |
WO2004042673A2 (en) * | 2002-11-04 | 2004-05-21 | Imperial Vision Ltd. | Automatic, real time and complete identification of vehicles |
CN110689001A (zh) * | 2018-07-05 | 2020-01-14 | 山东华软金盾软件股份有限公司 | 一种生成复杂环境下车牌训练样本的方法 |
CN110263864A (zh) * | 2019-06-24 | 2019-09-20 | 北京精英路通科技有限公司 | 车辆的匹配方法、装置、计算机设备及存储介质 |
CN110598758A (zh) * | 2019-08-23 | 2019-12-20 | 伟龙金溢科技(深圳)有限公司 | 训练建模方法、车辆收费方法、管理系统及存储介质 |
KR102138378B1 (ko) * | 2019-09-25 | 2020-07-27 | 유한회사 홍석 | 대사작업 통합 관리 및 처리 방법 |
WO2021123790A1 (en) * | 2019-12-19 | 2021-06-24 | Sita Information Networking Computing Uk Limited | Image processing system and method |
CN111310844A (zh) * | 2020-02-26 | 2020-06-19 | 广州华工邦元信息技术有限公司 | 车辆识别模型构建方法及装置、识别方法及装置 |
CN111382808A (zh) * | 2020-05-29 | 2020-07-07 | 浙江大华技术股份有限公司 | 一种车辆检测处理方法及装置 |
CN114445466A (zh) * | 2020-10-16 | 2022-05-06 | 顺丰科技有限公司 | 车辆信息识别模型的处理方法、装置以及设备 |
CN112560752A (zh) * | 2020-12-23 | 2021-03-26 | 杭州趣链科技有限公司 | 基于联邦学习的车牌识别训练方法、装置及相关设备 |
CN115762172A (zh) * | 2022-11-02 | 2023-03-07 | 济南博观智能科技有限公司 | 一种出入车位车辆识别方法、装置、设备及介质 |
CN116704490A (zh) * | 2023-08-02 | 2023-09-05 | 苏州万店掌网络科技有限公司 | 车牌识别方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116935659A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109189019B (zh) | 一种机车乘务员值乘标准化监控系统 | |
CN204990695U (zh) | 基于车载行车记录设备的车辆违章信息采集系统 | |
CN107067730B (zh) | 基于卡口设备的网约车人车不一致监测方法 | |
CN116935659B (zh) | 一种高速服务区卡口车辆稽核系统及其方法 | |
CN110298254A (zh) | 一种用于人员异常行为的分析方法和系统 | |
CN104732205A (zh) | 一种高速公路逃费稽查的系统 | |
CN206684779U (zh) | 一种基于adas智能车载终端的车险管理服务系统 | |
CN101882374A (zh) | 一种车辆行程分布综合信息分析系统及方法 | |
CN111404874A (zh) | 出租车嫌疑车辆甄别分析体系架构 | |
CN113487877A (zh) | 一种道路车辆违规停车监控方法 | |
CN205211166U (zh) | 基于车载行车记录设备的车辆违章信息采集装置 | |
CN116631186A (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
Refai et al. | The study of vehicle classification equipment with solutions to improve accuracy in Oklahoma. | |
CN116071935A (zh) | 一种基于机器学习的交通信号自控制方法 | |
KR102400842B1 (ko) | 교통사고 정보를 제공하기 위한 서비스 방법 | |
CN110517364B (zh) | 基于大数据分析的节假日免费打逃系统及方法 | |
CN114999170A (zh) | 一种基于高速公路车辆路径数据智能分析可视化系统 | |
CN114693722A (zh) | 一种车辆行驶行为检测方法、检测装置及检测设备 | |
CN114999103A (zh) | 一种高速公路涉路作业安全智能预警系统及方法 | |
CN113808405A (zh) | 一种渣土车的实时预警方法 | |
CN115131906B (zh) | 一种轨道交通的安检方法、系统、计算机设备及可读介质 | |
CN115171057A (zh) | 停车数据处理方法、装置、服务器及计算机可读存储介质 | |
CN114697620B (zh) | 一种基于视频监控的加油站服务效率智能分析系统 | |
CN117854016A (zh) | 基于高速公路的异常车辆检测方法及装置 | |
CN110992518B (zh) | 驾驶员风险评价系统及方法 |
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 |