CN117373259A - 高速公路车辆逃费行为识别方法、装置、设备和存储介质 - Google Patents

高速公路车辆逃费行为识别方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN117373259A
CN117373259A CN202311669880.7A CN202311669880A CN117373259A CN 117373259 A CN117373259 A CN 117373259A CN 202311669880 A CN202311669880 A CN 202311669880A CN 117373259 A CN117373259 A CN 117373259A
Authority
CN
China
Prior art keywords
target vehicle
vehicle
data
information
target
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.)
Granted
Application number
CN202311669880.7A
Other languages
English (en)
Other versions
CN117373259B (zh
Inventor
钟宁
于镭英
吕中志
冉茂军
王亚
苏开春
万忠金
兰兵
范立春
刘康星
易翔
李友博
杨天鹏
吴俊�
周琦昂
徐春兰
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.)
Sichuan Chengnan Expressway Co ltd
Sichuan Beidou Yunlian Technology Co ltd
Original Assignee
Sichuan Chengnan Expressway Co ltd
Sichuan Beidou Yunlian 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 Sichuan Chengnan Expressway Co ltd, Sichuan Beidou Yunlian Technology Co ltd filed Critical Sichuan Chengnan Expressway Co ltd
Priority to CN202311669880.7A priority Critical patent/CN117373259B/zh
Publication of CN117373259A publication Critical patent/CN117373259A/zh
Application granted granted Critical
Publication of CN117373259B publication Critical patent/CN117373259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • 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
    • G06V20/50—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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)

Abstract

本申请公开了一种高速公路车辆逃费行为识别方法、装置、设备和存储介质，识别方法包括获取采集的目标车辆相关的车辆信息资源集；其中，所述车辆信息资源集包括车辆的图像信息；对所述车辆信息资源集的数据进行处理，生成所述目标车辆的特征数据；根据所述特征数据，获得所述目标车辆的异常行为数据；根据所述目标车辆的异常行为数据，确认所述目标车辆的逃费行为。本申请通过对收集到的车辆信息资源集进行数据化处理，生成车辆的特征数据，并进一步通过特征数据计算获得车辆的异常行为数据、识别确认车辆的逃费行为，有效提高了高速公路逃费识别核查效率，降低了人力成本。

Description

高速公路车辆逃费行为识别方法、装置、设备和存储介质
技术领域
本申请涉及智慧交通技术领域，尤其涉及一种高速公路车辆逃费行为识别方法、装置、设备和存储介质。
背景技术
随着高速公路规模的不断扩大，家庭汽车购买占比的不断提升，高速公路违法逃费查处难度不断增大。现有的高速公路公司的逃费查处方式仍然是通过视频监控翻查寻找，需要耗费专门的人力物力进行。同时，目前逃费行为呈多样化趋势，在不同的时间、区段、车型以及驾驶员的行为等因素影响下存在诸多现象，从而导致查处效率低。
发明内容
本申请的主要目的在于提供一种高速公路车辆逃费行为识别方法、装置、电子设备和存储介质，旨在解决目前高速公路逃费查处效率低的技术问题。
为实现上述目的，本申请提供如下技术方案：
一种高速公路车辆逃费行为识别方法，所述高速公路车辆逃费行为识别方法包括：
获取采集的目标车辆相关的车辆信息资源集；其中，所述车辆信息资源集包括车辆的图像信息；
对所述车辆信息资源集的数据进行处理，生成所述目标车辆的特征数据；
根据所述特征数据，获得所述目标车辆的异常行为数据；
根据所述目标车辆的异常行为数据，确认所述目标车辆的逃费行为。
在一些实施方式中，所述车辆信息资源集还包括所述目标车辆的费用管理信息，所述车辆的图像信息包括所述目标车辆沿途的图像数据；
所述对所述车辆信息资源集的数据进行处理，生成所述目标车辆的特征数据步骤，包括：
根据所述目标车辆沿途的图像数据生成所述目标车辆的特征数据；其中，所述目标车辆的特征数据为行驶轨迹；
所述根据所述特征数据，获得所述目标车辆的异常行为数据步骤，包括：
根据所述目标车辆的行驶轨迹，获得所述目标车辆的第一异常行为数据；
所述根据所述目标车辆的异常行为数据，确认所述目标车辆的逃费行为步骤，包括：
根据所述目标车辆的第一异常行为数据，确认所述目标车辆为第一逃费行为。
在一些实施方式中，所述根据所述目标车辆沿途的图像数据生成所述目标车辆的特征数据的步骤，包括：
从车辆的图像信息中筛选所述目标车辆沿途的图像数据；其中，所述目标车辆沿途的图像数据包括沿途的若干个数据生成位置以及与每个数据生成位置一一对应的数据生成时间；
根据数据生成时间、数据生成位置生成所述目标车辆的行驶轨迹；
所述根据所述目标车辆的行驶轨迹，获得所述目标车辆的第一异常行为数据的步骤，包括：
根据所述目标车辆的行驶轨迹并结合所述目标车辆的费用管理信息，获得所述目标车辆的第一异常行为数据；其中，所述目标车辆的第一异常行为数据为所述目标车辆的行驶轨迹与所述目标车辆的费用管理信息不匹配信息；
根据所述目标车辆的第一异常行为数据，确认所述目标车辆为第一逃费行为的步骤，包括：
根据第一判断规则处理所述目标车辆的第一异常行为数据，确认所述目标车辆为第一逃费行为。
在一些实施方式中，所述车辆的图像信息包括所述目标车辆在每个停车点的入口图像信息和出口图像信息；
所述对所述车辆信息资源集的数据进行处理，生成所述目标车辆的特征数据步骤，包括：
根据所述目标车辆在每个停车点的入口图像信息和出口图像信息生成所述目标车辆的特征数据；其中，所述目标车辆的特征数据为表示目标车辆是否有拖挂的比值N；
所述根据所述特征数据，获得所述目标车辆的异常行为数据步骤，包括：
根据所述比值N，获得所述目标车辆的第二异常行为数据；
所述根据所述目标车辆的异常行为数据，确认所述目标车辆的逃费行为步骤，包括：
根据所述目标车辆的第二异常行为数据，确认所述目标车辆为第二逃费行为。
在一些实施方式中，所述根据所述目标车辆在每个停车点的入口图像信息和出口图像信息生成所述目标车辆的特征数据的步骤，包括：
从车辆的图像信息中筛选所述目标车辆在每个停车点的入口图像信息和出口图像信息；
基于目标检测算法，截取每个入口图像信息和每个出口图像信息中的所述目标车辆画面；
对所述目标车辆的截取画面进行像素化处理，获取所述目标车辆的车头在截取画面中所占的像素点数n1和所述目标车辆的整车在截取画面中的所占像素点数n2；
计算每个入口图像信息和每个出口图像信息中n1、n2的比值N；
所述根据所述比值N，获得所述目标车辆的第二异常行为数据的步骤，包括：
根据所述目标车辆在每个停车点的入口图像信息和出口图像信息中的比值N，获得所述目标车辆的第二异常行为数据；其中，所述第二异常行为数据为根据所述目标车辆在每个停车点的入口图像信息和出口图像信息中的比值N判断的运行状态不匹配信息；
根据所述目标车辆的第二异常行为数据，确认所述目标车辆为第二逃费行为的步骤，包括：
根据第二判断规则处理所述目标车辆的第二异常行为数据，确认所述目标车辆为第二逃费行为。
在一些实施方式中，所述车辆信息资源集还包括所述目标车辆的费用管理信息；所述车辆的图像信息包括所有经过固定位置的车辆的图像数据；
所述对所述车辆信息资源集的数据进行处理，生成所述目标车辆的特征数据步骤，包括：
根据所有经过固定位置的车辆的图像数据生成所述目标车辆的特征数据；其中，所述目标车辆的特征数据为类别状态；
所述根据所述特征数据，获得所述目标车辆的异常行为数据步骤，包括：
根据所述目标车辆的类别状态，获得所述目标车辆的第三异常行为数据；
所述根据所述目标车辆的异常行为数据，确认所述目标车辆的逃费行为步骤，包括：
根据所述目标车辆的第三异常行为数据，确认所述目标车辆为第三逃费行为。
在一些实施方式中，所述根据所有经过固定位置的车辆的图像数据生成所述目标车辆的特征数据的步骤，包括：
从车辆的图像信息中筛选符合预设条件的经过固定位置的所述目标车辆图像数据；
基于目标检测算法和图像识别技术在筛选出的所述目标车辆图像数据中检测所述目标车辆的特征信息；
根据所述目标车辆的特征信息，按预设分类规则对所述目标车辆分类；
所述根据所述目标车辆的类别状态，获得所述目标车辆的第三异常行为数据的步骤，包括：
根据所述目标车辆的类别状态和所述目标车辆的费用管理信息，获得所述目标车辆的第三异常行为数据；其中，所述第三异常行为数据为所述目标车辆的费用管理信息与类别状态不匹配信息；
根据所述目标车辆的第三异常行为数据，确认所述目标车辆为第三逃费行为的步骤，包括：
根据第三判断规则处理所述目标车辆的第三异常行为数据，确认所述目标车辆为第三逃费行为。
在一些实施方式中，所述目标车辆为同一车道的所有车辆；所述车辆信息资源集还包括所述目标车辆的登记车辆信息，所述车辆的图像信息包括所述目标车辆的实际车辆信息；
所述对所述车辆信息资源集的数据进行处理，生成所述目标车辆的特征数据步骤，包括：
根据所述目标车辆的登记车辆信息和实际登记信息生成所述目标车辆的特征数据；其中，所述目标车辆的特征数据为表示目标车辆存在信息异常的计数值；
所述根据所述特征数据，获得所述目标车辆的异常行为数据步骤，包括：
根据所述计数值，获得所述目标车辆的第四异常行为数据；
所述根据所述目标车辆的异常行为数据，确认所述目标车辆的逃费行为步骤，包括：
根据所述目标车辆的第四异常行为数据，确认所述目标车辆为第四逃费行为。
在一些实施方式中，所述根据所述目标车辆的登记车辆信息和实际登记信息生成所述目标车辆的特征数据的步骤，包括：
根据所述目标车辆的实际车辆信息和登记车辆信息，以预设匹配规则在所述目标车辆的实际车辆信息和登记车辆信息之间匹配；其中，所述目标车辆的特征数据为每个实际车辆信息和每个登记车辆信息的匹配失败计数值；
所述根据所述计数值，获得所述目标车辆的第四异常行为数据的步骤，包括：
根据所述目标车辆的实际车辆信息和登记车辆信息的匹配失败计数值，筛选所述目标车辆的实际车辆信息和登记车辆信息中匹配失败计数值的最大值以及与最大值所对应的车辆信息；其中，所述第四异常行为数据为所述目标车辆中匹配失败计数值中的最大值；
所述根据所述目标车辆的第四异常行为数据，确认所述目标车辆为第四逃费行为的步骤，包括：
根据第四判断规则以及所述目标车辆的实际车辆信息和登记车辆信息中匹配失败计数值的最大值，确认对应的目标车辆为第四逃费行为。
再一方面，本申请实施例提供了一种高速公路车辆逃费行为识别装置，包括：
获取模块，用于获取采集的目标车辆相关的车辆信息资源集；
处理模块，用于处理所述车辆信息资源集的数据并生成所述目标车辆的特征数据；
计算模块，用于根据所述特征数据，计算并获得所述目标车辆的异常行为数据；
确认模块，用于根据所述目标车辆的异常行为数据，确认所述目标车辆的逃费行为。
再一方面，本申请提供了一种电子设备，包括处理器，以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现如前所述的高速公路车辆逃费行为识别方法。
再一方面，本申请还提供了一种存储介质，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现能够实现如前所述的高速公路车辆逃费行为识别方法。
本申请实施例提出的一种高速公路逃费行为识别方法，基于对目标车辆相关的车辆信息资源集的数据进行处理，生成目标车辆的特征数据；并根据特征数据，获得目标车辆的异常行为数据；最后根据目标车辆的异常行为数据，确认目标车辆的逃费行为。本申请通过图像处理手段，获得目标车辆的图像数的特征数据，进一步通过特征数据导出车辆的异常行为数据并根据异常行为数据判断逃费行为，相比现有的人工识别方式，本申请的识别方法完全实现智能化识别，提高了识别车辆逃费行为的效率，大大降低了人工成本。
附图说明
图1为本申请高速公路车辆逃费行为识别方法一种实施例的流程示意图；
图2为本申请高速公路车辆逃费行为识别方法中识别第一逃费行为的实施例的流程示意图：
图3为本申请高速公路车辆逃费行为识别方法中识别第二逃费行为的实施例的流程示意图：
图4为本申请高速公路车辆逃费行为识别方法中识别第三逃费行为的实施例的流程示意图：
图5为本申请高速公路车辆逃费行为识别方法中识别第四逃费行为的实施例的流程示意图：
图6为本申请高速公路车辆逃费行为识别装置一实施例的功能模块示意图；
图7为本申请一电子设备实施例的结构示意图；
图8为本申请一存储介质实施例的结构示意图；
图9为本申请高速公路车辆逃费行为识别方法一实施例中应用场景示意图；
本申请目的的实现、功能特点及优点将结合实施例，参照附图作进一步说明。
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，所描述的实施例仅是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，本领域普通技术人员在没有做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。
本发明中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其他实施例相结合。
高速公路收费管理工作在现实中因车辆司机的行为产生了诸多困难，为了偷逃或减少高速公路应缴费用，产生了多种形式的逃费行为，目前常见的逃费行为可以大致分为以下几类：一、对依据行驶里程计算费用的偷逃漏缴。如车辆在接近出口收费站之前，与其他从距离出口收费站较近的入口进入高速公路的车辆进行合作，进行CPC（Compound PassCard）卡交换，从而实现以较短距离付费，使车辆能够以较低费用行驶较长的路程；二、利用缴费规则漏洞，规避相应费用。如挂式货车在服务区停车并将车挂抛在服务区，以无拖挂状态驶出高速公路，然后从最近的收费站返回并将车挂带下高速，以逃避应支付的交通费用；三、篡改行车信息实现逃费。如使用伪造或非法获得的车牌在高速公路通行，造成在收费管理系统中录入的车辆信息与实际通行信息不符或是在通过收费站时以跟车闯关等形式躲避收费管理系统的信息录入，从而规避收费或躲避监管；四、冒用不符的资质实现逃费。如部分营运车辆与非营运车辆在外观上相似，并利用该特点以非营运车辆身份缴费，使应缴费用降低；或在节假日期间利用不易区分车辆类型的特点、冒充普通车辆享受节假日免费政策等车型与缴费资格不符的逃费方式；这几类逃费行为目前主要还是依靠人工通过高速公路摄像头的监控画面进行识别核查，效率低下，误差率高，手段单一，因此需要提出一种适合目前高速公路实际运行情况的车辆逃费行为识别方法。
图1是本发明高速公路车辆逃费行为识别方法的基础实施例流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该高速公路车辆逃费行为识别方法包括步骤：
步骤S1，获取采集的目标车辆相关的车辆信息资源集。
其中，车辆信息资源集是指所有与目标车辆相关数据的集合，可以以文本、数字、符号、图形、视频、图像等形式呈现，如录入收费管理系统中的车辆牌照信息文本、类型信息文本等或包含有车辆外观及其他有效信息如车牌、限载等信息的动态视频画面和定格画面。本实施例中的车辆信息资源集主要是以车辆的图像信息呈现的，图像信息可以是来自高速公路沿路的监控摄像头、收费闸口车辆识别探头以及区间测速路段的监控抓拍系统等所获取的包含目标车辆的视频或照片。目标车辆可以是高速路段上任意时间范围内的所有车辆，也可以是针对某一时段、类型，甚至是限定车辆信息如车牌号的特定车辆。
步骤S2，对所述车辆信息资源集的数据进行处理，生成所述目标车辆的特征数据。
车辆信息资源集的数据来源还包括高速公路收费管理系统的数据信息，如在每个收费闸口识别录入的车辆信息，车辆信息包括车牌信息、登记信息等；对车辆信息资源集的数据处理方式包括筛选、识别、分类以及基于特定算法或技术进行的图像画面处理等以获取特征数据为目的的处理手段；特征数据指目标车辆所特有、可以据以表征或判断目标车辆是否具有逃费行为的数据，通过对车辆信息资源的数据进行加工处理后获得，并作为目标车辆的异常行为数据获取和判断基础。
步骤S3，根据所述特征数据，获得所述目标车辆的异常行为数据。
目标车辆的异常行为数据基于特征数据获取，其获得方式包括通过特征数据直接判断、通过特征数据结合经验规则或数学计算判断等，异常行为数据可以包括所有通过特征数据能够反映的可能逃费行为，如：“跑长买短”行为产生的行驶里程与缴纳费用不匹配，“货车中途甩挂”行为产生的甩挂前后图像数据的车头、全车交并比值不匹配，“冒用通行资格”行为产生的实际运行状态与缴纳费用不匹配和“篡改通行信息”行为产生的相关指标数据异常等。
步骤S4，根据所述目标车辆的异常行为数据，确认所述目标车辆的逃费行为。
目标车辆的逃费行为的确认前提是目标车辆的异常行为数据，确认方式为以预设规则分类区分逃费行为，预设规则可以是通过经验数据总结得出，也可以是基于生活常识设定，还可以是对各类逃费行为进行数据标记和机器学习所生成的算法模型。
在本实施例中，基于获得的目标车辆相关的车辆信息资源集的数据——目标车辆的图像信息，根据相应的处理方式处理并特征数据，再以特征数据通过直接判断或间接判断方式获得异常行为数据，进而通过异常行为数据确认和识别逃费行为，可以大大提高当前人工识别视图信息核查逃费行为的效率，同时也能提高核查的准确率；相对于其他只能识别单一逃费行为的技术，可以根据不同逃费行为特点，定义不同的特征数据以及异常行为数据从而识别不同的逃费行为，因此也具有更为普遍的应用场景，完善了智慧交通体系并提高运营成熟度。
下面在本申请前述实施例的基础上，结合高速公路逃费的实际场景，提供四种可选的实施方式说明本申请的高速公路逃费行为识别方法。
作为一种可选的实施方式，基于前述基础实施例并参见图2，所述步骤S1包括，步骤S1-10，获取采集的目标车辆的相关车辆信息资源集；其中，所述车辆信息资源集还包括所述目标车辆的费用管理信息，所述车辆的图像信息包括所述目标车辆沿途的图像数据。
目标车辆的费用管理信息是目标车辆登记录入高速公路收费管理系统的信息，如在收费闸口登记录入的车辆信息，在收费闸口登记录入的车辆信息可以包括车牌信息、车型信息、货车载重信息等等，又如目标车辆在高速公路行驶的起点、终点位置、实缴费用以及实缴费用的计算标准或规则等信息；目标车辆沿途的图像数据是由沿途的监控探头和区间测速摄像头记录，每个监控探头和摄像头具有唯一的地理坐标（即本实施方式中的数据生成位置），记录的监控画面也具有时间属性，筛选得到的目标车辆沿途的图像数据为包含目标车辆的监控视频的帧画面。
所述步骤S2包括：
步骤S2-10，从车辆的图像信息中筛选所述目标车辆沿途的图像数据；其中，所述目标车辆沿途的图像数据包括沿途的若干个数据生成位置以及与每个数据生成位置一一对应的数据生成时间。
步骤S2-11，根据数据生成时间、数据生成位置生成所述目标车辆的行驶轨迹；其中，所述目标车辆的行驶轨迹为所述目标车辆的特征数据。
生成目标车辆的行驶轨迹的具体过程为：
1、在高速公路管辖范围内的路段标记目标车辆沿途的图像数据的生成位置；
2、按照数据生成时间的先后顺序依次沿高速公路路段连接（时间上）相邻的生成位置，形成目标车辆的行驶轨迹。
进一步地，步骤S3包括：
步骤S3-10，根据所述目标车辆的行驶轨迹并结合所述目标车辆的费用管理信息，获得所述目标车辆的异常行为数据；其中，所述目标车辆的第一异常行为数据为目标车辆的行驶轨迹与目标车辆的费用管理信息不匹配信息。
具体地，在获取目标车辆的行驶轨迹后，可以以该行驶轨迹为准根据管辖区域内不同路段收费规则计算应缴费用，目标车辆的费用管理信息中包含目标车辆的实缴费用；对比应缴费用与实缴费用，判断是否匹配，若不匹配，则将应缴费用与实缴费用的数据信息以及不匹配特征作为异常行为数据记录或标记。
进一步地，步骤S4包括：
步骤S4-10，根据第一判断规则处理所述目标车辆的第一异常行为数据，确认所述目标车辆为第一逃费行为。
识别确认的第一逃费行为主要为缩短实际行驶里程的逃费行为，如“跑长买短”的逃费行为。通过模拟获得的行驶轨迹，可以推算目标车辆的实际行驶里程，从而通过第一异常行为数据确认是否存在第一逃费行为。
第一判断规则具体为：判断应缴费用与实缴费用是否超出合理误差。其中，合理误差根据逃费核查目的以及高速公路政策等多方面因素确定，设置过小会浪费核查资源，设置过大会扩大损失。
可选地，合理误差为应缴费用的10%。
特别说明：由于目前高速公路管理按管辖范围划分，目标车辆的行驶情况各异，对应用上述高速公路逃费行为识别方法在特定情况下造成一定困难，故此处进一步说明在非管辖范围内出入高速公路情况中应用本实施方式的方法：
情况1：目标车辆从其他高速进，从管辖范围出。行驶轨迹起点为该管辖区域内高接高（两条高速公路管线范围相交处）交通摄像头第一次拍到该车的位置。然后根据管辖区域内不同路段收费规则计算应收费用，对比实收费用是否大于应收费用的90%，若大于，则认为正常缴费，若小于，判定该车具有“跑长买短”或其他缩短里程方式可能的第一逃费行为；
情况2：短时间内，目标车辆从管辖范围进，其他高速出或目标车辆从其他高速进，管辖范围出。首先判断该车辆是否从高接高驶离管辖范围，若没有，则是正常通行或者情况1；若有，则开始计时，当超过5小时后，该车仍然没有回到管辖范围，则认为该车已经从管辖范围外的收费口驶出高速，在五小时内再次出现在该条高速，则该车的行驶轨迹起点为入口收费站。然后根据管辖区域内不同路段收费规则计算应收费用，对比实收费用是否大于应收费用的90%，若大于，则认为正常缴费，若小于，判定该车具有“跑长买短”的逃费行为；
在本实施例中通过对目标车辆的沿途的图像数据进行筛分和信息读取处理，综合目标车辆在时间和空间上的数据信息生成运动轨迹且可信度高，以此模拟出目标车辆的实际行驶轨迹并计算其应缴费用，根据应缴费用和实缴费用不匹配时所定义的第一异常行为数据，判断目标车辆是否具有如“跑长买短”或其他缩短实际行驶里程的第一逃费行为，实现对此类逃费行为的确认识别。
作为另一种可选的实施方式，基于前述基础实施例并参见图3，所述步骤S1包括，步骤S1-20，获取采集的目标车辆相关的车辆信息资源集；其中，所述车辆信息资源集包括车辆的图像信息，所述车辆的图像信息包括所述目标车辆在每个停车点的入口图像信息和出口图像信息。在本实施方式中，目标车辆为拖挂货车，入口图像信息和出口图像信息为包含目标车辆完整车身的帧画面，并以定格画面的图片形式显示在处理视图容器中，处理视图容器可以是监控显示器。本实施方式中的停车点主要是针对高速公路的服务区，服务区的入口、出口处及前后一段区间通常也设置有监控探头和测速探头可获取目标车辆在停车点的入口图像信息和出口图像信息。
所述步骤S2包括：
步骤S2-20，从车辆的图像信息中筛选所述目标车辆在每个停车点的入口图像信息和出口图像信息；
步骤S2-21，基于目标检测算法，截取每个入口图像信息和每个出口图像信息中的所述目标车辆画面；
截取目标车辆画面的过程如下：在包含目标车辆完整车身的入口图像信息中或出口图像信息中，以能够容纳目标车辆在二维图像中边缘轮廓构成的多边形为最小包围框，对包含目标车辆的入口图像信息（的帧画面）或出口图像信息（的帧画面）进行截取。
可选地，目标检测算法可以是基于YOLOv8目标检测技术而应用在高速公路监控系统中的，通过调取任意监控设备的视图画面并结合该目标检测技术实现对包含目标车辆的图像信息的数据化处理。
步骤S2-22，对所述目标车辆的截取画面进行像素化处理，获取所述目标车辆的车头在截取画面中所占的像素点数n1和所述目标车辆的整车在截取画面中的所占像素点数n2；
步骤S2-23，计算每个入口图像信息和每个出口图像信息中n1、n2的比值N；其中，每个入口图像信息和每个出口图像信息中的比值N为所述目标车辆的特征数据；
通过检测目标车辆的车头部分面积的像素点n1和整车面积内的像素点n2，并以每个入口图像信息和每个出口图像信息中的比值N为特征数据，计算比值N以及通过比值N大小判断目标车辆是否有拖挂。
具体地，有拖挂车辆与无拖挂车辆在入口图像信息或出口图像信息的帧画面中所占面积存在差异，在经本实施方式中目标检测算法截取处理后的画面中体现得更为明显，主要原因在于拖挂部分会延长车身从而增大整车在画面中所占面积。
通过比值N判断目标车辆是否有拖挂则是通过设定比较值与比值N进行比较而实现，若比值N大于比较值，则判断为无挂车辆；若比值N小于比较值，则判断为有挂车辆。其中，比较值的设定以经验数据为依据，通常而言，无拖挂车辆的车头与全车在二维图像中的面积交并比大于0.8。
进一步地，步骤S3包括：
步骤S3-20，根据所述目标车辆在每个停车点的入口图像信息和出口图像信息中的比值N，获得所述目标车辆的第二异常行为数据；其中，所述第二异常行为数据为根据所述目标车辆在每个停车点的入口图像信息和出口图像信息中的比值N判断的运行状态不匹配信息；
通过步骤S2获得目标车辆在每个停车点的入口图像信息和出口图像信息中的比值N并判断有无拖挂后，进一步比较拖挂信息是否不匹配，存在在入口图像信息中有拖挂，在出口图像信息中无拖挂的异常情况，如存在异常情况，则将比值N数据以及根据比值N判断的拖挂信息不匹配信息作为第二异常行为数据。
需要说明的是，在判断拖挂信息是否匹配时，不以同一停车点的比值N数据为限，可以结合多个停车点产生的比值N数据综合评价，以避免漏判某一停车点比值N数据所体现的拖挂信息而导致识别失误。
进一步地，步骤S4包括：
步骤S4-20，根据第二判断规则处理所述目标车辆的第二异常行为数据，确认所述目标车辆为第二逃费行为。
其中，第二判断规则可以是在公知常识及经验的前提下，根据比值N判断有无拖挂进而判断识别是否存在第二逃费行为。识别确认的第二逃费行为主要为中途卸挂，利用缴费的现场局限性减少费用缴纳的逃费行为，该行为实现逃费目的的具体过程在前已作说明，此处不再赘述。
在本实施例中，通过对目标车辆行驶过程中的特殊图像信息——卸挂点的图像画面处理，借助交并比的数学概念模型，使有无卸挂行为以数据形式判断从而确认第二逃费行为，相较于肉眼判断具有更高效率和准确性。
需要说明的是，交并比概念应用于本实施例中，其参数选取并不以车头和车身为限，应理解能够表征车辆整体在画面中前后异常的参数均可以作为产生特殊数据的变量，如车身长度与包围框参数的设计和选取，也能通过IOU理论实现特征数据生成。
作为一种可选的实施方式，基于前述基础实施例并参见图4，所述步骤S1包括，步骤S1-30，获取采集的目标车辆相关的车辆信息资源集；其中，所述车辆信息资源集包括所述目标车辆的费用管理信息；所述车辆的图像信息包括所有经过固定位置的车辆的图像数据；目标车辆的费用管理信息含义及内容已在前述实施方式中解释，在本实施方式中主要为目标车辆的缴费信息；经过固定位置的车辆图像数据是指类似区间测速路段内所有车辆的连续行驶画面，具体为可呈现于处理视图容器中的视频画面。
所述步骤S2包括：
步骤S2-30，从车辆的图像信息中筛选符合预设条件的经过固定位置的所述目标车辆图像数据；
具体地，预设条件可以是车牌信息中的车牌底色为黄色（即具有核载质量标准的运营车辆）。
步骤S2-31，基于目标检测算法和图像识别技术在筛选出的所述目标车辆图像数据中检测所述目标车辆的特征信息；
其中，目标检测算法可以是YOLOv8目标检测程序和DeepSORT检测追踪程序，图像识别技术可以是OCR图像识别程序或基于深度学习生成的智能算法；目标车辆的特征信息包括检测到的目标车辆车轴数和字符信息，从目标车辆图像数据中检测目标车辆的特征信息具体过程演示如下：
在处理视图容器中设定车辆的车牌检测区域、车牌识别区域和车轴计数区域，各区域位置规范如图9所示；
具体地，基于YOLOv8模型检测车轮，并运用DeepSORT目标追踪技术追踪车轮，当车轮经过车轴计数区域后车轴（单边检测一个车轮即表示一轴）数量加1，并截图保存，time_t=0（time_t表示车轴计数区没有车轮的时间）；
当车牌识别到的车牌颜色为非黄牌车，time_T=0.5s（time_T表示车轴计数区域最长没有车轮经过的时间），若为黄牌车time_T=2s。当time_t大于time_T，停止车轮检测和车轮跟踪，上传车辆车轴信息及其图片，车轴数置零，重新启动车牌检测；
对上传的车辆图片进行OCR文字识别，检测车门及车身上的文字信息，并判断其中是否包含“载、准、核量、准量、乘、人、入、载、核、质量”等关键字信息；
若不含上述关键字信息，默认核载人数和总质量为0表示普通车辆，非运营车辆；若包含上述关键字，检索该段文字中存在的数字信息即为核载人数或车辆总质量；
步骤S2-32，根据所述目标车辆的特征信息，按预设分类规则对所述目标车辆分类；其中，所述目标车辆的类别状态为所述目标车辆的特征数据；
根据前述步骤检测到的目标车辆的车轴数、是否包含关键字符信息对比预设分类规则进行分类，可确定目标车辆的所属类别为载货车辆还是载客车辆、核准质量类别、核载人员类别等，目标车辆的类别状态作为特征数据，并可以进一步地索引与目标车辆的类别状态对应的缴费标准。
进一步地，步骤S3包括：
步骤S3-30，根据所述目标车辆的类别状态和所述目标车辆的费用管理信息，获得所述目标车辆的第三异常行为数据；其中，所述第三异常行为数据为所述目标车辆的费用管理信息与类别状态的不匹配信息。
具体地，确定目标车辆的类别状态后，如确定车型类别后，根据对应的缴费标准计算目标车辆的应缴费用，并判断其应缴费用与费用管理信息中记录的实缴费用以及实缴费用计算标准是否匹配，若不匹配，将应缴费用与实缴费用的数据信息以及不匹配特征作为第三异常行为数据。
进一步地，步骤S4包括：
步骤S4-30，根据第三判断规则所述目标车辆的第三异常行为数据，确认所述目标车辆为第三逃费行为。
识别确认的第三逃费行为主要为冒用不符资质实现的逃费行为，如部分营运车辆与非营运车辆车型基本相似但未按规定进行相应登记导致的实际运行与实际缴费的车型不符。
识别确认第三逃费行为除较为直观的数据不匹配实现外，还可以通过增设的判断条件以适应不同需求。如在节假日期间，冒用不符资质实现逃费现象频发，以载客车辆为例，根据国家高速公路节假日免费政策：重大节日期间，对于7座及以下的小型客车免费。对核载人数7座以上的，仍需正常缴费。在根据所述目标车辆的第三异常行为数据确认第三逃费行为时，可以以当前日期是否属于节假日为一个额外判断条件，对部分载客车辆是否存在冒用7座及以下资质实现逃费进行识别确认。
在本实施方式中，通过筛选符合预设条件的目标车辆的图像数据，并进一步地通过目标检测算法以及图像识别技术从目标车辆的图像数据中检测特征信息从而实现对目标车辆类别确认；通过目标车辆被确认的类别，获取目标车辆的类别后可以计算其应缴费用及计算标准，与目标车辆的费用管理信息进行比对，通过判断是否匹配确认目标车辆是否存在冒用不符资质实现的逃费行为。
作为一种可选的实施方式，基于前述基础实施例并参见图5，步骤S1包括，步骤S1-40，获取采集的目标车辆相关的车辆信息资源集；其中，所述目标车辆为同一车道的所有车辆；所述车辆信息资源集还包括所述目标车辆的登记车辆信息，所述车辆的图像信息包括所述目标车辆的实际车辆信息；在本实施方式中，登记车辆信息可以是目标车辆的登记在收费管理系统中的登记车牌，实际车辆信息可以是基于深度学习算法检测到的实际运行中的实际车牌，其同样可以通过前述实施例中的Yolo目标检测算法以及OCR文字识别技术实现。
所述步骤S2包括：
步骤S2-40，根据所述目标车辆的实际车辆信息和登记车辆信息，以预设匹配规则在所述目标车辆的实际车辆信息和登记车辆信息之间匹配；其中，每个实际车辆信息和每个登记车辆信息的匹配失败计数值为所述特征数据；
具体地，将同一车道上的所有通过的车辆信息（以缴费通过收费闸口为例）按照登记车牌和实际车牌的类别分为两组队列，并将两组队列中每个车牌信息逐一与另一队列中的车牌信息进行匹配，若有队列中有新增的车牌信息，同样执行前述匹配过程。其中，预设匹配规则为，当车牌（或新增车牌）信息与另一队列中所有车牌匹配结束，存在相同或达到预定匹配度的另一车牌信息，则将两队列中的该车牌信息均移除；当车牌（或新增车牌）信息与另一队列中所有车牌匹配结束，不存在另一车牌信息与之相同或达到预定匹配度，则对与之匹配的队列中所有车牌信息的匹配失败次数计数。反之亦然。其中，车牌信息的具体匹配规则（或匹配度的判断规则）可以为：1、首先判定两个车牌长度是否相同，若不相同说明两个车牌不一致；2、若相同，判定两个车牌对应位置的字符是否相同，若不相同的字符数量小于等于2，则认为两个车牌相同，大于2，则认为两个车牌不相同。
举例说明：将当前车道已缴费车辆的登记车牌放入队列A，将同一车道深度学习识别的实际车牌放入队列B，两个队列中每条数据存在先后顺序，并且都有自己对应的计数器（记录匹配失败计数值）；当A中新增一个车牌时，将这个车牌按照先进优先的顺序与B中的所有车牌进行匹配，若匹配成功则从两个队列中移除该车牌；若全部匹配完仍然没有匹配成功，那么将队列B中所有车牌的计数器加1；当B中新增一个车牌时，将这个车牌按照先进优先的顺序与A中的所有车牌进行匹配，若匹配成功则从两个队列中移除该车牌；若全部匹配完仍然没有匹配成功，那么将队列A中所有车牌的计数器加1；
进一步地，步骤S3包括：
步骤S3-40，根据所述目标车辆的实际车辆信息和登记车辆信息的匹配失败计数值，筛选所述目标车辆的实际车牌和登记车牌中匹配失败计数值的最大值以及与最大值所对应的车牌信息；其中，所述目标车辆的实际车辆信息和登记车辆信息中匹配失败计数值的最大值为所述第四异常行为数据；
具体地，可以理解，在上述两队列进行匹配过程中，理想状态下正常运行车辆的登记车牌与实际车牌应当可以匹配成功且顺序一致；但在发生套牌、伪造车牌的车牌不符情况或跟车闯关行为时，两队列匹配过程中产生的异常数据——匹配失败计数值出现频率将增大，并可以作为车辆存在异常行为的一个指标。
需要说明的是，匹配过程中，两队列可以同时进行并双向匹配，以提高匹配效率，减小匹配误差和负荷。
进一步地，步骤S4包括：
步骤S4-40，根据第四判断规则以及所述目标车辆的实际车辆信息和登记车辆信息中匹配失败计数值的最大值，也即所述第四异常行为数据，确认对应的目标车辆为第四逃费行为。
第四逃费行为主要为车牌不符、跟车闯关的逃费行为，其主要是通过篡改收费系统中的登记信息导致登记信息与实际情况不一致而实现逃费；预设规则依据经验数据分析，以匹配失败计数值分布区间为特征对目标车辆的逃费行为进行分类计算并确认为是属于车牌不符、跟车闯关或临时牌照中的哪种情况。
接前述举例继续说明本实施方式中的第四判断规则：
若A.max(队列A中车牌计数器最大值)大于6，B.max(队列B中车牌计数器最大值)大于6，那么判定队列A中计数器最大的这个车牌对应的车辆存在车牌不符的第四逃费行为；
若B.max大于10，但是A.max小于6，那么判定B.max对应的这个车牌的车辆存在跟车闯关的第四逃费行为；
若A.max大于10，但是B.max小于6，那么该车可能是临时牌照无法从视频中识别车牌，作为无牌车处理。
需要说明的是，上述的计数值判断规则仅作为一种解释说明，其中列举具体数字也是用于体现不同类型的第四逃费行为在异常指标上的特征，不作为本申请技术特征的限定而存在。实际使用中，第四判断规则的比对标准，如数值范围可以根据实际需要以及经验总结等因素作为参考而进行调整。
在本实施例中针对车牌不符、跟车闯关等行为导致特征数据发生变化，设计登记信息与实际信息数据进行对比匹配的方式，寻找总结异常指标（即对比匹配结果），进而结合经验数据总结不同异常指标分别对应哪种具体的逃费行为，从而通过一种双向交叉匹配的模式，快速高效地核查出异常车辆并确认其逃费行为。
需要说明的是，前述几种实施方式并非必须完全独立才能运行，各类逃费行为的识别方法可以被设计在一个程序内，但需要以相应的触发条件执行不同类别的车辆逃费行为识别步骤，可以理解，作为运行逻辑相同的逃费行为识别方法，可以集成化设计为实体装置或设备，增强应用的功能性、匹配智慧交通需求。
基于前述的高速公路逃费行为识别方法，本申请实施例还提供一种高速公路逃费行为识别装置，图6为本申请提供的一种高速公路逃费行为识别装置的结构框图，如图6所示，该装置包括获取模块1、处理模块2、计算模块3和确认模块4。
其中，获取模块1用于获取采集的目标车辆相关的车辆信息资源集；处理模块2用于处理所述车辆信息资源集的数据并生成所述目标车辆的特征数据；计算模块3用于根据所述特征数据，计算并获得所述目标车辆的异常行为数据；确认模块4用于根据所述目标车辆的异常行为数据，确认所述目标车辆的逃费行为。
本申请实施例还提供了一种高速公路逃费行为识别设备，图7为本申请实施例提供的一种高速公路逃费行为识别设备的结构示意图，如图7所示，该高速公路逃费行为识别设备可以包括：处理器51以及与所述处理器通信连接的存储器52；该存储器52用于存储计算机程序；该处理器51用于执行该存储器52上存储的计算机程序，使得该处理器51执行上述任一实施例所述的方法。具体地，存储器52和处理器51可以通过总线连接。其中，处理器61还可以称为CPU（Central Processing Unit，中央处理单元）。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列（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。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。
图8为本申请一实施例的存储介质的结构示意图。本申请实施例的存储介质6存储有能够实现上述所有方法的程序指令61，其中，该程序指令61可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（Processor）执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请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，均同理包括在本申请的专利保护范围内。

Claims (12)

1.一种高速公路车辆逃费行为识别方法，其特征在于，所述高速公路车辆逃费行为识别方法包括：
获取采集的目标车辆相关的车辆信息资源集；其中，所述车辆信息资源集包括车辆的图像信息；
对所述车辆信息资源集的数据进行处理，生成所述目标车辆的特征数据；
根据所述特征数据，获得所述目标车辆的异常行为数据；
根据所述目标车辆的异常行为数据，确认所述目标车辆的逃费行为。
2.根据权利要求1所述的高速公路车辆逃费行为识别方法，其特征在于，所述车辆信息资源集还包括所述目标车辆的费用管理信息，所述车辆的图像信息包括所述目标车辆沿途的图像数据；
所述对所述车辆信息资源集的数据进行处理，生成所述目标车辆的特征数据步骤，包括：
根据所述目标车辆沿途的图像数据生成所述目标车辆的特征数据；其中，所述目标车辆的特征数据为行驶轨迹；
所述根据所述特征数据，获得所述目标车辆的异常行为数据步骤，包括：
根据所述目标车辆的行驶轨迹，获得所述目标车辆的第一异常行为数据；
所述根据所述目标车辆的异常行为数据，确认所述目标车辆的逃费行为步骤，包括：
根据所述目标车辆的第一异常行为数据，确认所述目标车辆为第一逃费行为。
3.根据权利要求2所述的高速公路车辆逃费行为识别方法，其特征在于，
所述根据所述目标车辆沿途的图像数据生成所述目标车辆的特征数据的步骤，包括：
从车辆的图像信息中筛选所述目标车辆沿途的图像数据；其中，所述目标车辆沿途的图像数据包括沿途的若干个数据生成位置以及与每个数据生成位置一一对应的数据生成时间；
根据数据生成时间、数据生成位置生成所述目标车辆的行驶轨迹；
所述根据所述目标车辆的行驶轨迹，获得所述目标车辆的第一异常行为数据的步骤，包括：
根据所述目标车辆的行驶轨迹并结合所述目标车辆的费用管理信息，获得所述目标车辆的第一异常行为数据；其中，所述目标车辆的第一异常行为数据为所述目标车辆的行驶轨迹与所述目标车辆的费用管理信息不匹配信息；
根据所述目标车辆的第一异常行为数据，确认所述目标车辆为第一逃费行为的步骤，包括：
根据第一判断规则处理所述目标车辆的第一异常行为数据，确认所述目标车辆为第一逃费行为。
4.根据权利要求1所述的高速公路车辆逃费行为识别方法，其特征在于，所述车辆的图像信息包括所述目标车辆在每个停车点的入口图像信息和出口图像信息；
所述对所述车辆信息资源集的数据进行处理，生成所述目标车辆的特征数据步骤，包括：
根据所述目标车辆在每个停车点的入口图像信息和出口图像信息生成所述目标车辆的特征数据；其中，所述目标车辆的特征数据为表示目标车辆是否有拖挂的比值N；
所述根据所述特征数据，获得所述目标车辆的异常行为数据步骤，包括：
根据所述比值N，获得所述目标车辆的第二异常行为数据；
所述根据所述目标车辆的异常行为数据，确认所述目标车辆的逃费行为步骤，包括：
根据所述目标车辆的第二异常行为数据，确认所述目标车辆为第二逃费行为。
5.根据权利要求4所述的高速公路车辆逃费行为识别方法，其特征在于，
所述根据所述目标车辆在每个停车点的入口图像信息和出口图像信息生成所述目标车辆的特征数据的步骤，包括：
从车辆的图像信息中筛选所述目标车辆在每个停车点的入口图像信息和出口图像信息；
基于目标检测算法，截取每个入口图像信息和每个出口图像信息中的所述目标车辆画面；
对所述目标车辆的截取画面进行像素化处理，获取所述目标车辆的车头在截取画面中所占的像素点数n1和所述目标车辆的整车在截取画面中的所占像素点数n2；
计算每个入口图像信息和每个出口图像信息中n1、n2的比值N；
所述根据所述比值N，获得所述目标车辆的第二异常行为数据的步骤，包括：
根据所述目标车辆在每个停车点的入口图像信息和出口图像信息中的比值N，获得所述目标车辆的第二异常行为数据；其中，所述第二异常行为数据为根据所述目标车辆在每个停车点的入口图像信息和出口图像信息中的比值N判断的运行状态不匹配信息；
根据所述目标车辆的第二异常行为数据，确认所述目标车辆为第二逃费行为的步骤，包括：
根据第二判断规则处理所述目标车辆的第二异常行为数据，确认所述目标车辆为第二逃费行为。
6.根据权利要求1所述的高速公路车辆逃费行为识别方法，其特征在于，所述车辆信息资源集还包括所述目标车辆的费用管理信息；所述车辆的图像信息包括所有经过固定位置的车辆的图像数据；
所述对所述车辆信息资源集的数据进行处理，生成所述目标车辆的特征数据步骤，包括：
根据所有经过固定位置的车辆的图像数据生成所述目标车辆的特征数据；其中，所述目标车辆的特征数据为类别状态；
所述根据所述特征数据，获得所述目标车辆的异常行为数据步骤，包括：
根据所述目标车辆的类别状态，获得所述目标车辆的第三异常行为数据；
所述根据所述目标车辆的异常行为数据，确认所述目标车辆的逃费行为步骤，包括：
根据所述目标车辆的第三异常行为数据，确认所述目标车辆为第三逃费行为。
7.根据权利要求6所述的高速公路车辆逃费行为识别方法，其特征在于，
所述根据所有经过固定位置的车辆的图像数据生成所述目标车辆的特征数据的步骤，包括：
从车辆的图像信息中筛选符合预设条件的经过固定位置的所述目标车辆图像数据；
基于目标检测算法和图像识别技术在筛选出的所述目标车辆图像数据中检测所述目标车辆的特征信息；
根据所述目标车辆的特征信息，按预设分类规则对所述目标车辆分类；
所述根据所述目标车辆的类别状态，获得所述目标车辆的第三异常行为数据的步骤，包括：
根据所述目标车辆的类别状态和所述目标车辆的费用管理信息，获得所述目标车辆的第三异常行为数据；其中，所述第三异常行为数据为所述目标车辆的费用管理信息与类别状态不匹配信息；
根据所述目标车辆的第三异常行为数据，确认所述目标车辆为第三逃费行为的步骤，包括：
根据第三判断规则处理所述目标车辆的第三异常行为数据，确认所述目标车辆为第三逃费行为。
8.根据权利要求1所述的高速公路车辆逃费行为识别方法，其特征在于，所述目标车辆为同一车道的所有车辆；所述车辆信息资源集还包括所述目标车辆的登记车辆信息，所述车辆的图像信息包括所述目标车辆的实际车辆信息；
所述对所述车辆信息资源集的数据进行处理，生成所述目标车辆的特征数据步骤，包括：
根据所述目标车辆的登记车辆信息和实际登记信息生成所述目标车辆的特征数据；其中，所述目标车辆的特征数据为表示目标车辆存在信息异常的计数值；
所述根据所述特征数据，获得所述目标车辆的异常行为数据步骤，包括：
根据所述计数值，获得所述目标车辆的第四异常行为数据；
所述根据所述目标车辆的异常行为数据，确认所述目标车辆的逃费行为步骤，包括：
根据所述目标车辆的第四异常行为数据，确认所述目标车辆为第四逃费行为。
9.根据权利要求8所述的高速公路车辆逃费行为识别方法，其特征在于，
所述根据所述目标车辆的登记车辆信息和实际登记信息生成所述目标车辆的特征数据的步骤，包括：
根据所述目标车辆的实际车辆信息和登记车辆信息，以预设匹配规则在所述目标车辆的实际车辆信息和登记车辆信息之间匹配；其中，所述目标车辆的特征数据为每个实际车辆信息和每个登记车辆信息的匹配失败计数值；
所述根据所述计数值，获得所述目标车辆的第四异常行为数据的步骤，包括：
根据所述目标车辆的实际车辆信息和登记车辆信息的匹配失败计数值，筛选所述目标车辆的实际车辆信息和登记车辆信息中匹配失败计数值的最大值以及与最大值所对应的车辆信息；其中，所述第四异常行为数据为所述目标车辆中匹配失败计数值中的最大值；
所述根据所述目标车辆的第四异常行为数据，确认所述目标车辆为第四逃费行为的步骤，包括：
根据第四判断规则以及所述目标车辆的实际车辆信息和登记车辆信息中匹配失败计数值的最大值，确认对应的目标车辆为第四逃费行为。
10.一种高速公路车辆逃费行为识别装置，其特征在于，所述识别装置包括：
获取模块，用于获取采集的目标车辆相关的车辆信息资源集；
处理模块，用于处理所述车辆信息资源集的数据并生成所述目标车辆的特征数据；
计算模块，用于根据所述特征数据，计算并获得所述目标车辆的异常行为数据；
确认模块，用于根据所述目标车辆的异常行为数据，确认所述目标车辆的逃费行为。
11.一种电子设备，其特征在于，包括处理器，以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现如权利要求1至9中任一项所述的高速公路车辆逃费行为识别方法。
12.一种存储介质，其特征在于，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现能够实现如权利要求1至9中任一项所述的高速公路车辆逃费行为识别方法。
CN202311669880.7A 2023-12-07 2023-12-07 高速公路车辆逃费行为识别方法、装置、设备和存储介质 Active CN117373259B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311669880.7A CN117373259B (zh) 2023-12-07 2023-12-07 高速公路车辆逃费行为识别方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311669880.7A CN117373259B (zh) 2023-12-07 2023-12-07 高速公路车辆逃费行为识别方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN117373259A true CN117373259A (zh) 2024-01-09
CN117373259B CN117373259B (zh) 2024-03-01

Family

ID=89391365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311669880.7A Active CN117373259B (zh) 2023-12-07 2023-12-07 高速公路车辆逃费行为识别方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN117373259B (zh)

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521986A (zh) * 2011-12-05 2012-06-27 沈阳聚德视频技术有限公司 一种套牌车辆自动检测系统及其控制方法
CN103279739A (zh) * 2013-05-10 2013-09-04 浙江捷尚视觉科技有限公司 一种基于车辆特征匹配的套牌检测方法
CN103927881A (zh) * 2014-05-05 2014-07-16 陈昊 射频视频双基识别比对综合机
CN107292974A (zh) * 2017-06-30 2017-10-24 深圳信路通智能技术有限公司 停车计费管理系统和方法
CN108596119A (zh) * 2018-04-28 2018-09-28 江苏本能科技有限公司 射频识别与视频识别匹配方法及系统、设备、存储介质
CN110188591A (zh) * 2019-04-09 2019-08-30 无锡大华锐频科技有限公司 套牌车辆的识别方法、装置、计算机设备和存储介质
CN110516547A (zh) * 2019-07-23 2019-11-29 辽宁工业大学 一种基于加权非负矩阵分解的套牌车辆检测方法
US20200250405A1 (en) * 2017-12-01 2020-08-06 Shenzhen Intellifusion Technologies Co., Ltd. Method and apparatus for detecting fake license plates of vehicles, readable storage medium, and electronic device
CN112685520A (zh) * 2020-12-22 2021-04-20 北京中交兴路信息科技有限公司 根据车辆轨迹判断车辆进出收费站的方法及装置
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
CN113034378A (zh) * 2020-12-30 2021-06-25 香港理工大学深圳研究院 一种区分电动汽车与燃油汽车的方法
CN113470206A (zh) * 2021-07-01 2021-10-01 山东旗帜信息有限公司 一种基于车辆匹配的高速公路稽查方法、设备及介质
CN113920749A (zh) * 2021-09-29 2022-01-11 深圳市捷顺科技实业股份有限公司 一种用于停车场的跟车尾随识别方法、系统及相关装置
US20220207889A1 (en) * 2020-12-29 2022-06-30 Streamax Technology Co., Ltd. Method for recognizing vehicle license plate, electronic device and computer readable storage medium
KR20220162204A (ko) * 2021-05-31 2022-12-08 아엠아이테크 주식회사 차량 번호판 인식 시스템 및 인식 방법
CN115691148A (zh) * 2022-09-23 2023-02-03 山东高速股份有限公司 一种基于高速公路的智能收费辅助方法、设备及介质
CN116012962A (zh) * 2022-11-23 2023-04-25 上海城投环城高速建设发展有限公司 一种基于时序队列的etc收费车道交易与牌识的融合方法
CN116229594A (zh) * 2022-12-28 2023-06-06 山东高速集团有限公司 一种基于高速公路的车辆收费监测方法、设备及介质
CN116246470A (zh) * 2023-01-12 2023-06-09 广东利通科技投资有限公司 高速公路门架逃费稽查方法、装置、电子设备及存储介质

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521986A (zh) * 2011-12-05 2012-06-27 沈阳聚德视频技术有限公司 一种套牌车辆自动检测系统及其控制方法
CN103279739A (zh) * 2013-05-10 2013-09-04 浙江捷尚视觉科技有限公司 一种基于车辆特征匹配的套牌检测方法
CN103927881A (zh) * 2014-05-05 2014-07-16 陈昊 射频视频双基识别比对综合机
CN107292974A (zh) * 2017-06-30 2017-10-24 深圳信路通智能技术有限公司 停车计费管理系统和方法
US20200250405A1 (en) * 2017-12-01 2020-08-06 Shenzhen Intellifusion Technologies Co., Ltd. Method and apparatus for detecting fake license plates of vehicles, readable storage medium, and electronic device
CN108596119A (zh) * 2018-04-28 2018-09-28 江苏本能科技有限公司 射频识别与视频识别匹配方法及系统、设备、存储介质
CN110188591A (zh) * 2019-04-09 2019-08-30 无锡大华锐频科技有限公司 套牌车辆的识别方法、装置、计算机设备和存储介质
CN110516547A (zh) * 2019-07-23 2019-11-29 辽宁工业大学 一种基于加权非负矩阵分解的套牌车辆检测方法
CN112685520A (zh) * 2020-12-22 2021-04-20 北京中交兴路信息科技有限公司 根据车辆轨迹判断车辆进出收费站的方法及装置
US20220207889A1 (en) * 2020-12-29 2022-06-30 Streamax Technology Co., Ltd. Method for recognizing vehicle license plate, electronic device and computer readable storage medium
CN113034378A (zh) * 2020-12-30 2021-06-25 香港理工大学深圳研究院 一种区分电动汽车与燃油汽车的方法
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
KR20220162204A (ko) * 2021-05-31 2022-12-08 아엠아이테크 주식회사 차량 번호판 인식 시스템 및 인식 방법
CN113470206A (zh) * 2021-07-01 2021-10-01 山东旗帜信息有限公司 一种基于车辆匹配的高速公路稽查方法、设备及介质
CN113920749A (zh) * 2021-09-29 2022-01-11 深圳市捷顺科技实业股份有限公司 一种用于停车场的跟车尾随识别方法、系统及相关装置
CN115691148A (zh) * 2022-09-23 2023-02-03 山东高速股份有限公司 一种基于高速公路的智能收费辅助方法、设备及介质
CN116012962A (zh) * 2022-11-23 2023-04-25 上海城投环城高速建设发展有限公司 一种基于时序队列的etc收费车道交易与牌识的融合方法
CN116229594A (zh) * 2022-12-28 2023-06-06 山东高速集团有限公司 一种基于高速公路的车辆收费监测方法、设备及介质
CN116246470A (zh) * 2023-01-12 2023-06-09 广东利通科技投资有限公司 高速公路门架逃费稽查方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN117373259B (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
CN105405321B (zh) 高速公路上车辆行驶中的安全预警方法及系统
CN111127897A (zh) 车辆状态检测方法、装置、服务器及稽查系统
CN102809413B (zh) 一种车辆动态称重作弊检测方法及装置
CN105160716B (zh) 一种防止车辆偷逃费的系统及方法
CN106991820B (zh) 违规车辆处理方法及装置
CN112447041B (zh) 识别车辆的营运行为的方法、装置及计算设备
CN106651602A (zh) 一种基于adas智能车载终端的车险管理服务系统
CN114446059A (zh) 一种车载监测路侧停车车辆的系统及方法
CN106710225B (zh) 一种车辆号牌违法的识别方法和监测平台
CN109993138A (zh) 一种车牌检测与识别方法及装置
CN111369801B (zh) 车辆识别方法、装置、设备和存储介质
CN206684779U (zh) 一种基于adas智能车载终端的车险管理服务系统
CN115691148A (zh) 一种基于高速公路的智能收费辅助方法、设备及介质
CN103390145A (zh) 一种目标区域车辆检测方法以及系统
CN110310378A (zh) 一种基于双鉴的开放式停车场停车计费方法及系统
CN204313954U (zh) 一种基于物联网技术的地磅防作弊系统
CN110232827A (zh) 自由流收费车型识别方法、装置及系统
CN116433166A (zh) 高速公路收费异常稽核系统及方法
CN113903180B (zh) 一种高速公路检测车辆超速的方法及系统
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
CN111709286A (zh) 车辆排序及etc交易方法、存储介质、工控机设备及etc系统
CN114693722B (zh) 一种车辆行驶行为检测方法、检测装置及检测设备
CN116026441A (zh) 车辆载重量异常检测方法、装置、设备及存储介质
CN111260806B (zh) 一种路侧停车监测方法
CN115641728A (zh) 一种etc收费稽查方法、系统、电子设备及介质

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