CN117373143B - 一种道路车辆的预约通行方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种道路车辆的预约通行方法、装置、设备及存储介质，所述一种道路车辆的预约通行方法包括：获取车辆的多维度预约信息和待识别车辆信息；基于所述多维度预约信息，通过预设的特征融合模型进行特征融合处理，得到车辆预约信息；基于所述车辆预约信息和所述待识别车辆信息，通过预设的车辆识别模型进行匹配识别，得到车辆识别结果；基于所述车辆识别结果，执行相应的车辆通行操作。本发明通过驾驶员在驶入高速收费站前进行车辆预约信息的上传，当车辆驶入高速收费站后，自动对车辆信息进行多维度特征的匹配识别，在高效通行的基础上，保证了车辆的唯一性，以解决被其他车辆抢行，导致经济以及通行纠纷的问题，进而提高车辆的通行效率。

Description

一种道路车辆的预约通行方法、装置、设备及存储介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种道路车辆的预约通行方法、装置、设备及存储介质。

背景技术

随着社会经济的发展，人们生活水平不断提高，使得机动车数量急剧增加，出行服务需求日益增长。在高峰期时，高速公路周边的局部收费站经常出现车流量大、拥堵等情况，导致在EM及自助卡机入口车道经常出现排队取卡以及出口排队交费的情况，严重时会造成收费站拥堵，影响通行效率。因此如何提供快速、安全、通行体验更好的服务，成为当下高速公路急需解决的问题。

相关技术中，通常在高速公路上设置全自动电子收费系统ETC，使车辆能够自动检测放行并计费，无需车辆驾驶员进行自助取卡以及缴费，提高通行效率。但是ETC的识别存在一定距离，在高速公路入口存在ETC识别某车辆后，存在被其他车辆抢行，导致经济以及通行纠纷的问题，即车辆识别存在漏洞，进而使得通行效率低。

发明内容

本发明的主要目的在于提供一种道路车辆的预约通行方法、装置、设备及存储介质，旨在解决现有技术中车辆识别存在漏洞，进而使得通行效率低的技术问题。

为实现以上目的，本发明提供一种道路车辆的预约通行方法，所述一种道路车辆的预约通行方法包括：

获取车辆的多维度预约信息和待识别车辆信息；

基于所述多维度预约信息，通过预设的特征融合模型进行特征融合处理，得到车辆预约信息；

基于所述车辆预约信息和所述待识别车辆信息，通过预设的车辆识别模型进行匹配识别，得到车辆识别结果；

基于所述车辆识别结果，执行相应的车辆通行操作。

可选地，所述基于所述车辆预约信息和所述待识别车辆信息，通过预设的车辆识别模型进行匹配识别，得到车辆识别结果的步骤之前，所述方法包括：

获取车辆信息样本、所述车辆信息样本的车辆预约信息以及所述车辆信息样本的车辆识别结果标签；

基于所述车辆信息样本、所述车辆信息样本的车辆预约信息以及所述车辆信息样本的车辆识别结果标签，对预设的第一待训练模型进行迭代训练，得到车辆识别模型。

可选地，所述基于所述车辆信息样本、所述车辆信息样本的车辆预约信息以及所述车辆信息样本的车辆识别结果标签，对预设的第一待训练模型进行迭代训练，得到车辆识别模型的步骤，包括：

获取所述车辆信息样本的时间标签；

基于所述时间标签，确定所述车辆信息样本的时间权重；

基于所述车辆信息样本、所述车辆信息样本的车辆预约信息、所述车辆信息样本的车辆识别结果标签以及所述车辆信息样本的时间权重，对预设的第一待训练模型进行迭代训练，得到车辆识别模型。

可选地，所述基于所述车辆信息样本、所述车辆信息样本的车辆预约信息以及所述车辆信息样本的车辆识别结果标签，对预设的第一待训练模型进行迭代训练，得到车辆识别模型的步骤，包括：

基于所述车辆信息样本和所述车辆信息样本的车辆预约信息，通过预设的第一待训练模型进行识别处理，得到预测车辆识别结果；

将所述预测车辆识别结果与所述车辆信息样本的车辆识别结果标签进行差异计算，得到误差结果；

基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准；

若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回基于所述车辆信息样本和所述车辆信息样本的车辆预约信息，通过预设的第一待训练模型进行识别处理，得到预测车辆识别结果的步骤，直到所述误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到车辆识别模型。

可选地，所述基于所述多维度预约信息，通过预设的特征融合模型进行特征融合处理，得到待识别车辆信息的步骤之前，所述方法包括：

获取多维度预约信息样本、所述多维度预约信息样本的车辆信息样本和所述多维度预约信息样本的车辆识别结果标签；

基于多维度预约信息样本、所述多维度预约信息样本的车辆信息样本和所述多维度预约信息样本的车辆识别结果标签，对预设的第二待训练模型和预设的第一待训练模型进行联合训练，得到特征融合模型和车辆识别模型，其中，所述第二待训练模型是所述特征融合模型的初始待训练模型，所述第一待训练模型是所述车辆识别模型的初始待训练模型。

可选地，所述基于多维度预约信息样本、所述多维度预约信息样本的车辆信息样本和所述多维度预约信息样本的车辆识别结果标签，对预设的第二待训练模型和预设的第一待训练模型进行联合训练，得到特征融合模型和车辆识别模型的步骤，包括：

基于所述多维度预约信息样本，通过预设的第二待训练模型进行特征融合处理，得到预测车辆预约信息，其中，所述第二待训练模型是所述特征融合模型的初始待训练模型；

基于所述预测车辆预约信息和所述多维度预约信息样本的车辆信息样本，通过预设的第一待训练模型进行识别处理，得到预测车辆识别结果，其中，所述第一待训练模型是所述车辆识别模型的初始待训练模型；

将所述预测车辆识别结果与所述车辆信息样本的车辆识别结果标签进行差异计算，得到误差结果；

基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准；

若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回基于所述多维度预约信息样本，通过预设的第二待训练模型进行特征融合处理，得到预测车辆预约信息的步骤，直到所述误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到特征融合模型和车辆识别模型。

可选地，所述多维度预约信息包括一种道路车辆的预约通行时间、车型信息、车牌信息以及颜色信息。

本发明还提供一种道路车辆的预约通行装置，所述一种道路车辆的预约通行装置包括：

获取模块，用于获取车辆的多维度预约信息和待识别车辆信息；

融合模块，用于基于所述多维度预约信息，通过预设的特征融合模型进行特征融合处理，得到车辆预约信息；

识别模块，用于基于所述车辆预约信息和所述待识别车辆信息，通过预设的车辆识别模型进行匹配识别，得到车辆识别结果；

执行模块，用于基于所述车辆识别结果，执行相应的车辆通行操作。

本发明还提供一种道路车辆的预约通行设备，所述一种道路车辆的预约通行设备包括：存储器、处理器以及存储在存储器上的用于实现所述一种道路车辆的预约通行方法的程序，

所述存储器用于存储实现一种道路车辆的预约通行方法的程序；

所述处理器用于执行实现所述一种道路车辆的预约通行方法的程序，以实现所述一种道路车辆的预约通行方法的步骤。

本发明还提供一种存储介质，所述存储介质上存储有实现一种道路车辆的预约通行方法的程序，所述实现一种道路车辆的预约通行方法的程序被处理器执行以实现所述一种道路车辆的预约通行方法的步骤。

本发明通过驾驶员在驶入高速收费站前进行车辆预约信息的上传，当车辆驶入高速收费站后，自动对车辆信息进行多维度特征的匹配识别，在高效通行的基础上，保证了车辆的唯一性，以解决被其他车辆抢行，导致经济以及通行纠纷的问题，进而提高车辆的通行效率。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。为了更清楚地说明本发明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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种道路车辆的预约通行方法第一实施例的流程示意图；

图2为本发明一种道路车辆的预约通行方法的系统架构示意图；

图3为本发明一种道路车辆的预约通行方法的业务交互流程示意图；

图4为本发明一种道路车辆的预约通行方法第二实施例的流程示意图；

图5为本发明一种道路车辆的预约通行方法第三实施例的流程示意图；

图6为本发明一种道路车辆的预约通行装置的模块示意图；

图7是本发明实施例方案涉及的硬件运行环境的设备结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明一种道路车辆的预约通行方法第一实施例的流程示意图。

在第一实施例中，所述一种道路车辆的预约通行方法包括以下步骤：

步骤S100，获取车辆的多维度预约信息和待识别车辆信息；

需要说明的是，所述一种道路车辆的预约通行方法的执行主体为一种道路车辆的预约通行装置，优选地，一种道路车辆的预约通行装置为软件客户端，也可以是其他具备数据传输、数据处理功能的终端，在此不做具体限制。

可理解的是，车辆的多维度预约信息是指用户上传的待识别/或者待通行车辆的多维度的预约信息，其中，所述多维度预约信息包括但不限于一种道路车辆的预约通行时间、车型信息、车牌信息以及颜色信息，还可以包括驾驶员人像、车辆内部饰品等外部信息。

具体地，一种道路车辆的预约通行时间是指驾驶员预约的在某个时间段内开上某个高速公路收费站口和/或者开下某个高速公路收费站口，该时间段为一种道路车辆的预约通行时间；车型信息包括预约车辆的型号、外观等（图像）信息；车牌信息是指车牌号信息；颜色信息是指预约车辆的颜色以及车牌颜色信息。

需要说明的是，所述待识别车辆信息是指行驶至收费站口识别处的预约车辆的相关信息，具体为图片或者视频信息，通过接收预设置的摄像头拍摄，得到所述待识别车辆信息。

在具体实现中，装置获取车辆的多维度预约信息的方式包括：

方式一：若检测到语音指令时，提取语音指令中的语音信息，从语音信息中解析得到车辆的多维度预约信息；

方式二：在本实施例中，还可以设置有询问界面，基于询问界面上输入的信息获取车辆的多维度预约信息。

在具体实现中，参照图2，装置向驾驶员/或者用户提供用于车辆预约的应用程序APP或者小程序，用户注册并登录车辆预约的应用程序APP或者小程序。用户需要进行实名认证、上传行驶证、绑定车辆等操作，进一步地，用户在车辆预约的应用程序APP或者小程序输入或选择预约车牌号、车牌颜色、车型、计划通行时间、入口站、出口站等信息，“道路车辆的预约通行”模块根据入出口站调用计费服务接口，按最小费额计费查询通行费，展示给用户。其中，装置提出实际通行时间须在计划通行时间的预设时间段内完成（比如在计划通行时间的前2小时后12小时内完成）。

进一步地，用户可选择预先付、快捷免密付或先行后付支付方式。其中，预先付，需提前支付通行费；快捷免密支付，用户需签订免密支付协议，在收费站出口时免密支付；先行后付，在收费站出口先通行，完成通行后在账期内支付通行费。

在具体实现中，驾驶员/或者用户在计划通行时间段内入口站上高速，即可在预约出口站下高速，也可在其他收费站下高速。在出口时，使用在线计费，如果在线计费失败，使用最小费额计费。用户在计划通行时间内通行的，在预约出口站出站时，若实际通行费低于预付金额时，进行实际扣费，系统即时自动退回差额；若实际通行费高于预付金额的，一种道路车辆的预约通行平台自动扣除预付金额，剩余金额，用户在车道现场进行支付。用户在计划通行时间内未通行的，一种道路车辆的预约通行平台在计划通行时间24小时后，自动退费。

进一步地，用户在计划通行时间内通行的，在预约出口站出站时，根据实际通行费，一种道路车辆的预约通行平台直接从该车辆绑定的免密支付渠道进行扣费。当快捷免密支付失败时，驾驶员须在车道现场进行支付通行。用户在计划通行时间内未通行的，一种道路车辆的预约通行平台在计划通行时间12小时后，禁止该预约记录。

在具体实现中，用户在计划通行时间内通行的，在预约出口站出站时，根据实际通行费产生订单，在小程序或畅和通APP提示用户支付通行费。用户在预约的计划通行时间段未通行的，一种道路车辆的预约通行平台在计划通行时间12小时后，禁止该预约记录。在用户完成行程后，一种道路车辆的预约通行平台根据预约支付方式的不同，展示用户一种道路车辆的预约通行等记录，并提供开具电子发票、再来一单、支付等功能。

步骤S200，基于所述多维度预约信息，通过预设的特征融合模型进行特征融合处理，得到车辆预约信息；

在具体实现中，所述特征融合模型可以是采用强化学习的深度神经网络学习方法进行训练得到的，也可以是采用有监督和无监督的深度神经网络学习方法进行训练得到的。所述特征融合模型的训练是根据多维度预约信息样本，采用强化学习，或有监督，或无监督的方式进行单独训练得到的；也可以是根据多维度预约信息样本，与车辆识别模型进行联合训练得到的。具体地，特征融合模型的训练素材（多维度预约信息样本）来源于多位用户历史上传的车辆预约的数据。

步骤S300，基于所述车辆预约信息和所述待识别车辆信息，通过预设的车辆识别模型进行匹配识别，得到车辆识别结果；

在具体实现中，所述车辆识别模型是用于将所述待识别车辆信息与待识别车辆信息进行匹配识别，判断当前待识别车辆信息是否与车辆预约信息一致，若待识别车辆信息与车辆预约信息一致，则车辆识别结果为识别成功，该车辆为预约车辆；若待识别车辆信息与车辆预约信息不一致，则车辆识别结果为识别失败，该车辆为非预约车辆。

步骤S400，基于所述车辆识别结果，执行相应的车辆通行操作。

在具体实现中，若车辆识别结果为识别成功，则自动打开通行闸，使预约车辆通行；若车辆识别结果为识别失败，则需要驾驶员执行其他通行策略，无法使用一种道路车辆的预约通行策略，其中具体流程可参照图3，在此不再赘述。

本发明通过驾驶员在驶入高速收费站前进行车辆预约信息的上传，当车辆驶入高速收费站后，自动对车辆信息进行多维度特征的匹配识别，在高效通行的基础上，保证了车辆的唯一性，以解决被其他车辆抢行，导致经济以及通行纠纷的问题，进而提高车辆的通行效率。

基于上述的第一实施例，本发明还提供另一实施例，参照图4，所述一种道路车辆的预约通行方法包括：

装置在所述步骤S300，基于所述车辆预约信息和所述待识别车辆信息，通过预设的车辆识别模型进行匹配识别，得到车辆识别结果的步骤之前，所述方法包括：

步骤A100，获取车辆信息样本、所述车辆信息样本的车辆预约信息以及所述车辆信息样本的车辆识别结果标签；

需要说明的是，所述车辆信息样本是指用于模型训练的图像样本，优选为收费站口所设置的摄像机所拍摄的包含车辆信息的历史图像样本；所述车辆信息样本的车辆预约信息是车辆信息样本对应的相关车辆预约信息；所述车辆信息样本的车辆识别结果标签是指人工标注的车辆信息样本与车辆预约信息之间的匹配结果标签。

步骤A200，基于所述车辆信息样本、所述车辆信息样本的车辆预约信息以及所述车辆信息样本的车辆识别结果标签，对预设的第一待训练模型进行迭代训练，得到车辆识别模型。

可理解的是，本发明的车辆识别模型是根据基于车辆信息样本、所述车辆信息样本的车辆预约信息以及所述车辆信息样本的车辆识别结果标签进行训练得到的，通过神经网络模型训练的方式，能够对车辆信息样本与其对应的车辆预约信息进行快速且准确的匹配识别二者是否一致，以此实现保证了车辆的唯一性，以解决被其他车辆抢行，导致经济以及通行纠纷的问题，进而提高车辆的通行效率。

在具体实现中，装置基于所述车辆信息样本、所述车辆信息样本的车辆预约信息以及所述车辆信息样本的车辆识别结果标签，对预设的第一待训练模型进行迭代训练，得到车辆识别模型的方法还包括以下步骤：

装置基于所述车辆信息样本和所述车辆信息样本的车辆预约信息，通过预设的第一待训练模型进行识别处理，得到预测车辆识别结果；将所述预测车辆识别结果与所述车辆信息样本的车辆识别结果标签进行差异计算，得到误差结果；基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准；若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回基于所述车辆信息样本和所述车辆信息样本的车辆预约信息，通过预设的第一待训练模型进行识别处理，得到预测车辆识别结果的步骤，直到所述误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到车辆识别模型。

需要说明的是，首先装置基于所述车辆信息样本和所述车辆信息样本的车辆预约信息，通过预设的第一待训练模型进行识别处理，得到预测车辆识别结果，其中，所述第一待训练模型是预设的具备基本匹配识别所述车辆信息样本和所述车辆信息样本的车辆预约信息，预测车辆识别结果的初始模型，所述预测车辆识别结果是第一待训练模型对所述车辆信息样本和所述车辆信息样本的车辆预约信息进行匹配识别，所生成的识别结果。

可理解的是，其次装置将所述预测车辆识别结果与所述车辆信息样本的车辆识别结果标签进行差异计算，得到误差结果，即验证训练中的模型所得到的结果是否与已知的结果相一致，并进行结果之间的差异计算，得到误差结果。

需要说明的是，装置基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准，具体地，由于模型训练后的结果与实际的结果存在误差，允许误差结果在预设的误差阈值范围内，以此进一步判断所述误差结果是否满足预设误差阈值范围指示的误差标准。

可理解的是，若所述误差结果未满足所述预设误差阈值范围指示的误差标准，则表示模型在此次训练中误差存在过大，装置返回基于所述车辆信息样本和所述车辆信息样本的车辆预约信息，通过预设的第一待训练模型进行识别处理，得到预测车辆识别结果的步骤，即进行迭代训练，直到所述误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到车辆识别模型，以此提高车辆识别模型预测的准确性。

在具体实现中，装置基于所述车辆信息样本、所述车辆信息样本的车辆预约信息以及所述车辆信息样本的车辆识别结果标签，对预设的第一待训练模型进行迭代训练，得到车辆识别模型的方法还包括以下步骤：

装置获取所述车辆信息样本的时间标签；基于所述时间标签，确定所述车辆信息样本的时间权重；基于所述车辆信息样本、所述车辆信息样本的车辆预约信息、所述车辆信息样本的车辆识别结果标签以及所述车辆信息样本的时间权重，对预设的第一待训练模型进行迭代训练，得到车辆识别模型。

需要说明的是，所述车辆信息样本的时间标签是指当前拍摄得到所述车辆信息样本的时间的标签，例如，收费站口的摄像头A在2023年4月15日下午15点拍摄到车辆信息样本B，因此车辆信息样本B的时间标签为2023年4月15日下午15点。

可理解的是，本发明考虑到不同时间点，所拍摄的车辆信息收到光线等外部环境影响，例如午夜光线暗的时候，拍摄到的车辆信息清晰度比白天的时候低，因此在匹配识别时加入时间权重，在拍摄清晰度高的时候时间权重小，拍摄清晰度低的时候时间权重大，以此防止拍摄清晰度低的情况下，出现预约车辆匹配失败的情况，以此提高车辆识别模型的匹配识别的准确性。

在具体实现中，装置基于所述车辆信息样本、所述车辆信息样本的车辆预约信息、所述车辆信息样本的车辆识别结果标签以及所述车辆信息样本的时间权重，对预设的第一待训练模型进行迭代训练，得到车辆识别模型的方法还包括以下步骤：

基于所述车辆信息样本、所述车辆信息样本的车辆预约信息和所述车辆信息样本的时间权重，通过预设的第一待训练模型进行识别处理，得到预测车辆识别结果；将所述预测车辆识别结果与所述车辆信息样本的车辆识别结果标签进行差异计算，得到误差结果；基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准；若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回基于所述车辆信息样本、所述车辆信息样本的车辆预约信息和所述车辆信息样本的时间权重，通过预设的第一待训练模型进行识别处理，得到预测车辆识别结果的步骤，直到所述误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到车辆识别模型。

在另一实施例中，本发明提出装置在步骤A200，基于所述车辆信息样本、所述车辆信息样本的车辆预约信息以及所述车辆信息样本的车辆识别结果标签，对预设的第一待训练模型进行迭代训练，得到车辆识别模型的步骤之前，还包括以下步骤：

装置对所述车辆信息样本下的多维度车辆信息进行随机维度车辆信息的擦除处理，得到擦除后的车辆信息样本，并基于擦除后的车辆信息样本、所述车辆信息样本的车辆预约信息以及所述车辆信息样本的车辆识别结果标签，对预设的第一待训练模型进行迭代训练，得到车辆识别模型。

在具体实现中，由于预约车辆在收费口被摄像头拍摄时，可能存在对某一维度或者多个维度信息无法获取的情况（例如驾驶员使用临时车牌，摄像头未拍到放置临时车牌的区域），因此为避免缺少某一维度或者多个维度信息时，车辆识别模型无法输出相应识别结果的情况，本发明提出在车辆识别模型进行训练过程中，对车辆信息样本下的多维度信息进行随机维度信息擦除处理，得到擦除后的车辆信息样本，所述擦除后的车辆信息样本包括所述车辆信息样本的部分车辆信息，或者所述擦除后的车辆信息样本包括所述车辆信息样本的全部车辆信息。

可理解的是，本发明提出对车辆信息样本下的多维度信息进行随机维度信息擦除处理，将擦除后的车辆信息样本、所述车辆信息样本的车辆预约信息以及所述车辆信息样本的车辆识别结果标签，对预设的第一待训练模型进行迭代训练，得到车辆识别模型，使训练完成的车辆识别模型在某一维度或者多个维度信息无信息的情况，仍能够输出相应匹配结果。

基于上述的第一实施例和第二实施例，本发明还提供另一实施例，参照图5，所述一种道路车辆的预约通行方法包括：

装置在步骤S200，基于所述多维度预约信息，通过预设的特征融合模型进行特征融合处理，得到待识别车辆信息的步骤之前，所述方法包括：

步骤B100，获取多维度预约信息样本、所述多维度预约信息样本的车辆信息样本和所述多维度预约信息样本的车辆识别结果标签；

步骤B200，基于多维度预约信息样本、所述多维度预约信息样本的车辆信息样本和所述多维度预约信息样本的车辆识别结果标签，对预设的第二待训练模型和预设的第一待训练模型进行联合训练，得到特征融合模型和车辆识别模型，其中，所述第二待训练模型是所述特征融合模型的初始待训练模型，所述第一待训练模型是所述车辆识别模型的初始待训练模型。

在具体实现中，本发明还提出对特征融合模型和车辆识别模型的模型联合训练，联合训练使得特征融合模型的融合后的车辆预约信息，更符合车辆识别模型的匹配环境，进一步提高车辆识别模型的识别准确性。

在具体实现中，装置基于多维度预约信息样本、所述多维度预约信息样本的车辆信息样本和所述多维度预约信息样本的车辆识别结果标签，对预设的第二待训练模型和预设的第一待训练模型进行联合训练，得到特征融合模型和车辆识别模型的方法还包括以下步骤：

装置基于所述多维度预约信息样本，通过预设的第二待训练模型进行特征融合处理，得到预测车辆预约信息，其中，所述第二待训练模型是所述特征融合模型的初始待训练模型；基于所述预测车辆预约信息和所述多维度预约信息样本的车辆信息样本，通过预设的第一待训练模型进行识别处理，得到预测车辆识别结果，其中，所述第一待训练模型是所述车辆识别模型的初始待训练模型；将所述预测车辆识别结果与所述车辆信息样本的车辆识别结果标签进行差异计算，得到误差结果；基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准；若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回基于所述多维度预约信息样本，通过预设的第二待训练模型进行特征融合处理，得到预测车辆预约信息的步骤，直到所述误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到特征融合模型和车辆识别模型。

本发明还提供一种道路车辆的预约通行装置，参照图6，所述一种道路车辆的预约通行装置包括：

获取模块10，用于获取车辆的多维度预约信息和待识别车辆信息；

融合模块20，用于基于所述多维度预约信息，通过预设的特征融合模型进行特征融合处理，得到车辆预约信息；

识别模块30，用于基于所述车辆预约信息和所述待识别车辆信息，通过预设的车辆识别模型进行匹配识别，得到车辆识别结果；

执行模块40，用于基于所述车辆识别结果，执行相应的车辆通行操作。

可选地，所述一种道路车辆的预约通行装置还包括：

第一样本获取模块，用于获取车辆信息样本、所述车辆信息样本的车辆预约信息以及所述车辆信息样本的车辆识别结果标签；

第一训练模块，用于基于所述车辆信息样本、所述车辆信息样本的车辆预约信息以及所述车辆信息样本的车辆识别结果标签，对预设的第一待训练模型进行迭代训练，得到车辆识别模型。

可选地，所述第一训练模块，包括：

时间标签获取模块，用于获取所述车辆信息样本的时间标签；

时间权重确定模块，用于基于所述时间标签，确定所述车辆信息样本的时间权重；

第一迭代训练模块，用于基于所述车辆信息样本、所述车辆信息样本的车辆预约信息、所述车辆信息样本的车辆识别结果标签以及所述车辆信息样本的时间权重，对预设的第一待训练模型进行迭代训练，得到车辆识别模型。

可选地，所述第一训练模块，还包括：

车辆识别模块，用于基于所述车辆信息样本和所述车辆信息样本的车辆预约信息，通过预设的第一待训练模型进行识别处理，得到预测车辆识别结果；

第一差异计算模块，用于将所述预测车辆识别结果与所述车辆信息样本的车辆识别结果标签进行差异计算，得到误差结果；

第一判断模块，用于基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准；

第二迭代训练模块，用于若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回基于所述车辆信息样本和所述车辆信息样本的车辆预约信息，通过预设的第一待训练模型进行识别处理，得到预测车辆识别结果的步骤，直到所述误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到车辆识别模型。

可选地，所述一种道路车辆的预约通行装置还包括：

第二样本获取模块，用于获取多维度预约信息样本、所述多维度预约信息样本的车辆信息样本和所述多维度预约信息样本的车辆识别结果标签；

联合训练模块，用于基于多维度预约信息样本、所述多维度预约信息样本的车辆信息样本和所述多维度预约信息样本的车辆识别结果标签，对预设的第二待训练模型和预设的第一待训练模型进行联合训练，得到特征融合模型和车辆识别模型，其中，所述第二待训练模型是所述特征融合模型的初始待训练模型，所述第一待训练模型是所述车辆识别模型的初始待训练模型。

可选地，所述联合训练模块，包括：

特征融合模块，用于基于所述多维度预约信息样本，通过预设的第二待训练模型进行特征融合处理，得到预测车辆预约信息，其中，所述第二待训练模型是所述特征融合模型的初始待训练模型；

预测模块，用于基于所述预测车辆预约信息和所述多维度预约信息样本的车辆信息样本，通过预设的第一待训练模型进行识别处理，得到预测车辆识别结果，其中，所述第一待训练模型是所述车辆识别模型的初始待训练模型；

第二差异计算模块，用于将所述预测车辆识别结果与所述车辆信息样本的车辆识别结果标签进行差异计算，得到误差结果；

第二判断模块，用于基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准；

第三迭代训练模块，用于若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回基于所述多维度预约信息样本，通过预设的第二待训练模型进行特征融合处理，得到预测车辆预约信息的步骤，直到所述误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到特征融合模型和车辆识别模型。

本发明一种道路车辆的预约通行装置具体实施方式与上述一种道路车辆的预约通行方法各实施例基本相同，在此不再赘述。

参照图7，图7是本发明实施例方案涉及的硬件运行环境的终端结构示意图。

如图7所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，该一种道路车辆的预约通行设备还可以包括矩形用户接口、网络接口、摄像头、RF（Radio Frequency，射频）电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏（Display）、输入子模块比如键盘（Keyboard），可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。

本领域技术人员可以理解，图6中示出的一种道路车辆的预约通行设备结构并不构成对一种道路车辆的预约通行设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图7所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块以及一种道路车辆的预约通行程序。操作系统是管理和控制一种道路车辆的预约通行设备硬件和软件资源的程序，支持一种道路车辆的预约通行程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与一种道路车辆的预约通行系统中其它硬件和软件之间通信。

在图7所示的一种道路车辆的预约通行设备中，处理器1001用于执行存储器1005中存储的一种道路车辆的预约通行程序，实现上述任一项所述的一种道路车辆的预约通行方法的步骤。

本发明一种道路车辆的预约通行设备具体实施方式与上述一种道路车辆的预约通行方法各实施例基本相同，在此不再赘述。

本发明还提供一种存储介质，所述存储介质上存储有实现一种道路车辆的预约通行方法的程序，所述实现一种道路车辆的预约通行方法的程序被处理器执行以实现如下所述一种道路车辆的预约通行方法：

获取车辆的多维度预约信息和待识别车辆信息；

基于所述多维度预约信息，通过预设的特征融合模型进行特征融合处理，得到车辆预约信息；

基于所述车辆预约信息和所述待识别车辆信息，通过预设的车辆识别模型进行匹配识别，得到车辆识别结果；

基于所述车辆识别结果，执行相应的车辆通行操作。

可选地，所述基于所述车辆预约信息和所述待识别车辆信息，通过预设的车辆识别模型进行匹配识别，得到车辆识别结果的步骤之前，所述方法包括：

获取车辆信息样本、所述车辆信息样本的车辆预约信息以及所述车辆信息样本的车辆识别结果标签；

基于所述车辆信息样本、所述车辆信息样本的车辆预约信息以及所述车辆信息样本的车辆识别结果标签，对预设的第一待训练模型进行迭代训练，得到车辆识别模型。

可选地，所述基于所述车辆信息样本、所述车辆信息样本的车辆预约信息以及所述车辆信息样本的车辆识别结果标签，对预设的第一待训练模型进行迭代训练，得到车辆识别模型的步骤，包括：

获取所述车辆信息样本的时间标签；

基于所述时间标签，确定所述车辆信息样本的时间权重；

基于所述车辆信息样本、所述车辆信息样本的车辆预约信息、所述车辆信息样本的车辆识别结果标签以及所述车辆信息样本的时间权重，对预设的第一待训练模型进行迭代训练，得到车辆识别模型。

可选地，所述基于所述车辆信息样本、所述车辆信息样本的车辆预约信息以及所述车辆信息样本的车辆识别结果标签，对预设的第一待训练模型进行迭代训练，得到车辆识别模型的步骤，包括：

基于所述车辆信息样本和所述车辆信息样本的车辆预约信息，通过预设的第一待训练模型进行识别处理，得到预测车辆识别结果；

将所述预测车辆识别结果与所述车辆信息样本的车辆识别结果标签进行差异计算，得到误差结果；

基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准；

若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回基于所述车辆信息样本和所述车辆信息样本的车辆预约信息，通过预设的第一待训练模型进行识别处理，得到预测车辆识别结果的步骤，直到所述误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到车辆识别模型。

可选地，所述基于所述多维度预约信息，通过预设的特征融合模型进行特征融合处理，得到待识别车辆信息的步骤之前，所述方法包括：

获取多维度预约信息样本、所述多维度预约信息样本的车辆信息样本和所述多维度预约信息样本的车辆识别结果标签；

基于多维度预约信息样本、所述多维度预约信息样本的车辆信息样本和所述多维度预约信息样本的车辆识别结果标签，对预设的第二待训练模型和预设的第一待训练模型进行联合训练，得到特征融合模型和车辆识别模型，其中，所述第二待训练模型是所述特征融合模型的初始待训练模型，所述第一待训练模型是所述车辆识别模型的初始待训练模型。

可选地，所述基于多维度预约信息样本、所述多维度预约信息样本的车辆信息样本和所述多维度预约信息样本的车辆识别结果标签，对预设的第二待训练模型和预设的第一待训练模型进行联合训练，得到特征融合模型和车辆识别模型的步骤，包括：

基于所述多维度预约信息样本，通过预设的第二待训练模型进行特征融合处理，得到预测车辆预约信息，其中，所述第二待训练模型是所述特征融合模型的初始待训练模型；

基于所述预测车辆预约信息和所述多维度预约信息样本的车辆信息样本，通过预设的第一待训练模型进行识别处理，得到预测车辆识别结果，其中，所述第一待训练模型是所述车辆识别模型的初始待训练模型；

将所述预测车辆识别结果与所述车辆信息样本的车辆识别结果标签进行差异计算，得到误差结果；

基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准；

若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回基于所述多维度预约信息样本，通过预设的第二待训练模型进行特征融合处理，得到预测车辆预约信息的步骤，直到所述误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到特征融合模型和车辆识别模型。

可选地，所述多维度预约信息包括一种道路车辆的预约通行时间、车型信息、车牌信息以及颜色信息。

本发明存储介质具体实施方式与上述一种道路车辆的预约通行方法各实施例基本相同，在此不再赘述。

本发明还提供一种计算机程序产品、包括计算机程序，该计算机程序被处理器执行时实现上述的一种道路车辆的预约通行方法的步骤。

本发明计算机程序产品的具体实施方式与上述一种道路车辆的预约通行方法各实施例基本相同，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种道路车辆的预约通行方法，其特征在于，所述一种道路车辆的预约通行方法包括：

获取车辆信息样本、所述车辆信息样本的多维度预约信息样本以及所述车辆信息样本的车辆识别结果标签；

获取所述车辆信息样本的时间标签；

基于所述时间标签，确定所述车辆信息样本的时间权重，其中，所述时间权重与不同时间下的光线强度呈负相关，光线强度越大，时间权重越小，光线强度越小，时间权重越大；

对所述多维度预约信息样本进行随机维度车辆信息的擦除处理，得到擦除后的车辆信息样本；

基于擦除后的车辆信息样本、所述车辆信息样本的多维度预约信息样本、所述车辆信息样本的车辆识别结果标签以及所述车辆信息样本的时间权重，对预设的第二待训练模型和预设的第一待训练模型进行联合训练，得到特征融合模型和车辆识别模型，其中，所述第二待训练模型是所述特征融合模型的初始待训练模型，所述第一待训练模型是所述车辆识别模型的初始待训练模型；

获取车辆的多维度预约信息和待识别车辆信息；

基于所述多维度预约信息，通过所述特征融合模型进行特征融合处理，得到车辆预约信息；

基于所述车辆预约信息和所述待识别车辆信息，通过所述车辆识别模型进行匹配识别，得到车辆识别结果；

基于所述车辆识别结果，执行入口站的车辆放行操作，以及执行车辆在出口站的车辆放行操作和通行计费操作。

2.如权利要求1所述的一种道路车辆的预约通行方法，其特征在于，所述基于多维度预约信息样本、所述多维度预约信息样本的车辆信息样本和所述多维度预约信息样本的车辆识别结果标签，对预设的第二待训练模型和预设的第一待训练模型进行联合训练，得到特征融合模型和车辆识别模型的步骤，包括：

基于所述多维度预约信息样本，通过预设的第二待训练模型进行特征融合处理，得到预测车辆预约信息，其中，所述第二待训练模型是所述特征融合模型的初始待训练模型；

基于所述预测车辆预约信息和所述多维度预约信息样本的车辆信息样本，通过预设的第一待训练模型进行识别处理，得到预测车辆识别结果，其中，所述第一待训练模型是所述车辆识别模型的初始待训练模型；

将所述预测车辆识别结果与所述车辆信息样本的车辆识别结果标签进行差异计算，得到误差结果；

基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准；

若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回基于所述多维度预约信息样本，通过预设的第二待训练模型进行特征融合处理，得到预测车辆预约信息的步骤，直到所述误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到特征融合模型和车辆识别模型。

3.如权利要求1所述的一种道路车辆的预约通行方法，其特征在于，所述多维度预约信息包括道路车辆的预约通行时间、车型信息、车牌信息以及颜色信息。

4.一种道路车辆的预约通行装置，其特征在于，所述一种道路车辆的预约通行装置包括：

样本获取模块，用于获取车辆信息样本、所述车辆信息样本的多维度预约信息样本以及所述车辆信息样本的车辆识别结果标签；

时间标签获取模块，用于获取所述车辆信息样本的时间标签；

时间权重确定模块，用于基于所述时间标签，确定所述车辆信息样本的时间权重，其中，所述时间权重与不同时间下的光线强度呈负相关，光线强度越大，时间权重越小，光线强度越小，时间权重越大；

擦除模块，用于对所述多维度预约信息样本进行随机维度车辆信息的擦除处理，得到擦除后的车辆信息样本；

联合训练模块，用于基于擦除后的车辆信息样本、所述车辆信息样本的多维度预约信息样本、所述车辆信息样本的车辆识别结果标签以及所述车辆信息样本的时间权重，对预设的第二待训练模型和预设的第一待训练模型进行联合训练，得到特征融合模型和车辆识别模型，其中，所述第二待训练模型是所述特征融合模型的初始待训练模型，所述第一待训练模型是所述车辆识别模型的初始待训练模型；

获取模块，用于获取车辆的多维度预约信息和待识别车辆信息；

融合模块，用于基于所述多维度预约信息，通过所述特征融合模型进行特征融合处理，得到车辆预约信息；

识别模块，用于基于所述车辆预约信息和所述待识别车辆信息，通过所述车辆识别模型进行匹配识别，得到车辆识别结果；

执行模块，用于基于所述车辆识别结果，执行入口站的车辆放行操作，以及执行车辆在出口站的车辆放行操作和通行计费操作。

5.一种道路车辆的预约通行设备，其特征在于，所述一种道路车辆的预约通行设备包括：存储器、处理器以及存储在存储器上的用于实现所述一种道路车辆的预约通行方法的程序，

所述存储器用于存储实现一种道路车辆的预约通行方法的程序；

所述处理器用于执行实现所述一种道路车辆的预约通行方法的程序，以实现如权利要求1至3中任一项所述一种道路车辆的预约通行方法的步骤。

6.一种存储介质，其特征在于，所述存储介质上存储有实现一种道路车辆的预约通行方法的程序，所述实现一种道路车辆的预约通行方法的程序被处理器执行以实现如权利要求1至3中任一项所述一种道路车辆的预约通行方法的步骤。