CN117612115A - 一种基于高速公路的车辆识别方法 - Google Patents
一种基于高速公路的车辆识别方法 Download PDFInfo
- Publication number
- CN117612115A CN117612115A CN202410094965.5A CN202410094965A CN117612115A CN 117612115 A CN117612115 A CN 117612115A CN 202410094965 A CN202410094965 A CN 202410094965A CN 117612115 A CN117612115 A CN 117612115A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- illumination intensity
- passing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005286 illumination Methods 0.000 claims abstract description 251
- 238000003062 neural network model Methods 0.000 claims abstract description 89
- 238000012549 training Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种基于高速公路的车辆识别方法,属于交通管理技术领域,用于解决车辆图像识别结果不准确的问题,方法包括:确定当前省份中高速公路入口位置与高速公路出口位置之间的通行区域;在预设周期内,获取通行区域在未来时长内针对每一天的气象信息,以提取通行区域的多种天气状况参数;根据每种天气状况参数,确定通行区域的光照补偿系数;根据光照补偿系数对通行区域的标准光照强度进行补偿,得到通行区域在未来时长内的目标光照强度;根据目标光照强度,对通用神经网络模型进行更新,得到区域神经网络模型;获取通行车辆在通行区域的车辆图像,根据区域神经网络模型对车辆图像进行识别。提高车辆图像识别结果的准确率。
Description
技术领域
本申请涉及交通管理技术领域,尤其涉及一种基于高速公路的车辆识别方法。
背景技术
传统的高速公路管理和监控系统主要依赖于人工巡逻和手动收费,存在效率低下、容易出错和误判等问题。随着人工智能和计算机视觉技术的发展,基于图像识别的自动化管理系统成为可能,并逐步实现了自动化收费。
目前,基于深度学习的车辆图像识别方法,可以实现对车辆类型、车辆颜色和车牌号码等信息的识别,但这些技术往往无法应对光照变化和天气因素对车辆图像识别的影响,导致车辆图像识别结果不准确。
发明内容
本申请实施例提供一种基于高速公路的车辆识别方法,用于解决高速公路上车辆识别准确率低的问题。
本申请实施例采用下述技术方案:
一方面,本申请实施例提供了一种基于高速公路的车辆识别方法,该方法包括:确定当前省份中高速公路入口位置与高速公路出口位置之间的通行区域;在预设周期内,获取所述通行区域在未来时长内针对每一天的气象信息;根据所述气象信息,提取所述通行区域的多种天气状况参数;每种天气状况参数分别包括在未来时长内针对每一天的状况参数值;根据每种天气状况参数,确定所述通行区域的光照补偿系数;确定所述通行区域的标准光照强度;根据所述光照补偿系数对所述标准光照强度进行补偿,得到所述通行区域在所述未来时长内的目标光照强度;根据所述目标光照强度,对预先构建的通用图像识别神经网络模型进行更新,得到所述通行区域的区域图像识别神经网络模型;获取通行车辆在所述通行区域的车辆图像,根据所述区域图像识别神经网络模型对所述车辆图像进行识别。
一个示例中,所述根据每种天气状况参数,确定所述通行区域的光照补偿系数,具体包括:获取通行区域的多种样本天气状况参数以及所述通行区域在每种样本天气状况参数下的对应样本补偿光照强度;确定用于描述每种样本天气状况参数与对应样本补偿光照强度之间的初始关系模型;根据每种样本天气状况参数与对应样本补偿光照强度,对所述初始关系模型的未知参数进行拟合,得到每种样本天气状况参数下的对应目标关系模型;若所述通行区域包括多个地区,针对每个地区,对每种天气状况参数在未来时长内的多个状况参数值进行求取平均值,得到每个地区针对每种天气状况参数的状况参数值;将每个地区针对每种状况参数的参数值进行求取平均值,得到所述通行区域针对每种天气状况参数的状况参数值;将通行区域针对每种天气状况参数的状况参数值分别输入各自的对应目标关系模型,得到每种天气状况参数的补偿光照强度;对所述每种天气状况参数的补偿光照强度进行求取均值,得到所述通行区域的补偿光照强度;在预先构建的映射关系表中,对所述补偿光照强度进行匹配,得到所述通行区域的光照补偿系数;在补偿光照强度小于预设阈值时,所述光照补偿系数大于0且小于1,在补偿光照强度大于或等于预设阈值时,所述光照补偿系数大于1。
一个示例中,所述确定用于描述样本天气状况参数与样本补偿光照强度之间的初始关系模型,具体包括:根据云量与对应样本补偿光照强度之间呈现负相关关系,确定用于描述云量与对应样本补偿光照强度之间的线性模型;根据降雨量与对应样本补偿光照强度之间呈现指数关系,确定用于描述降雨量与对应样本补偿光照强度之间的指数模型;根据雾霾指数与对应样本补偿光照强度之间呈现对数关系,确定用于描述雾霾指数与对应样本补偿光照强度之间的对数模型。
一个示例中,所述线性模型的表达式如下:其中,/>为云量的对应样本补偿光照强度,/>为云量,/>为常数参数,/>为常数参数;所述指数模型的表达式如下:/>其中,/>为降雨量的对应样本补偿光照强度,/>为降雨量,c为常数参数,/>为常数参数;所述对数模型的表达式如下:/>其中,为雾霾指数的对应样本补偿光照强度,/>为雾霾指数,e为常数参数,f为常数参数。
一个示例中,所述确定所述通行区域的标准光照强度,具体包括:获取所述通行区域的日出时间和日落时间;在所述日出时间与所述日落时间之间的第一时间段内,确定所述通行区域的第一标准光照强度;在所述日落时间之后以及所述日出时间之前的第二时间段内,确定所述通行区域的第二标准光照强度;所述第一标准光照强度高于所述第二标准光照强度;所述根据所述光照补偿系数对所述标准光照强度进行补偿,得到所述通行区域在所述未来时长内的目标光照强度,具体包括:将所述光照补偿系数与所述第一标准光照强度进行相乘,得到所述通行区域在所述未来时长内的第一目标光照强度;将所述光照补偿系数与所述第二标准光照强度进行相乘,得到所述通行区域在所述未来时长内的第二目标光照强度。
一个示例中,所述根据所述目标光照强度,对预先构建的通用图像识别神经网络模型进行更新,得到所述通行区域的区域图像识别神经网络模型,具体包括:获取所述通行区域在历史周期内的历史车辆图像,以及所述历史车辆图像的识别标注信息;根据图像拍摄时间,对所述历史车辆图像进行划分,得到所述第一时间段内的第一历史车辆图像,以及所述第二时间段内的第二历史车辆图像;根据所述第一目标光照强度,对所述第一历史车辆图像的亮度进行调整,得到第一目标历史车辆图像;根据所述第二目标光照强度,对所述第二历史车辆图像的亮度进行调整,得到第二目标历史车辆图像;根据所述第一目标历史车辆图像以及所述第一目标历史车辆图像的识别标注信息,对所述通用图像识别神经网络模型进行训练,得到第一目标图像识别神经网络模型;根据所述第二目标历史车辆图像以及所述第二目标历史车辆图像的识别标注信息,对所述通用图像识别神经网络模型进行训练,得到第二目标图像识别神经网络模型;根据所述第一目标图像识别神经网络模型与所述第二目标图像识别神经网络模型,得到所述通行区域的区域图像识别神经网络模型。
一个示例中,所述根据所述区域图像识别神经网络模型对所述车辆图像进行识别,具体包括:确定所述车辆图像的拍摄时间;判断所述拍摄时间是否处于所述第一时间段内;若是,则调用第一目标图像识别神经网络模型,对所述车辆图像进行识别;若否,则调用第二目标图像识别神经网络模型,对所述车辆图像进行识别。
一个示例中,所述方法还包括:获取通行车辆在高速公路入口位置的车辆驶入图像;将所述车辆驶入图像输入所述区域图像识别神经网络模型,得到所述通行车辆的驶入车辆特征;所述驶入车辆特征包括车辆类型、车辆颜色、车牌号码;在车辆画像数据库中,对所述驶入车辆特征进行匹配;若匹配成功,将匹配的车辆画像确定为所述通行车辆的目标车辆画像;在所述目标车辆画像中,获取所述通行车辆的历史通行记录;判断所述历史通行记录中是否具有包括所述高速公路入口位置的目标通行记录;若是,则根据所述目标通行记录,预测所述通行车辆在本次通行的高速公路出口位置,得到理论预测出口位置;为所述通行车辆建立本次通行的车辆图像序列,将所述车辆驶入图像输出至所述车辆图像序列,将所述理论预测出口位置与所述驶入车辆特征确定为所述车辆图像序列的序列标签。
一个示例中,所述将所述理论预测出口位置与所述驶入车辆特征确定为所述车辆图像序列的序列标签之后,所述方法还包括:接收所述通行车辆在收费自助车道的收费请求;获取所述通行车辆在高速公路出口位置的车辆驶出图像;根据所述区域图像识别神经网络模型对所述车辆驶出图像进行识别,得到所述通行车辆的驶出车辆特征;所述驶出车辆特征包括车辆类型、车辆颜色、车牌号码;根据所述驶出车辆特征,查找所述通行车辆的车辆图像序列;若查找成功,则判断所述高速公路出口位置与所述理论预测出口位置是否一致;若是,则根据所述高速公路出口位置与所述高速公路入口位置、所述车辆驶出图像的时间戳与所述车辆驶入图像的时间戳,确定所述通行车辆的收费金额。
一个示例中,所述方法还包括:若所述高速公路出口位置与所述理论预测出口位置不一致,则将所述车辆驶出图像发送至管理用户终端;接收所述管理用户终端上传的驶出标注特征;将所述驶出标注特征与所述驶出车辆特征进行比对;若比对一致,则确定所述车辆驶出图像与所述车辆驶入图像识别正确;若比对不一致,则确定所述车辆驶出图像与所述车辆驶入图像识别错误。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
通过获取通行区域在未来时长内的气象信息,并提取多种天气状况参数,可以了解不同天气条件下通行区域的光照强度、能见度等影响图像识别的因素。
此外,根据天气状况参数,确定光照补偿系数,以便在不同天气条件下对图像进行准确识别。
此外,通过确定通行区域的光照补偿系数,可以根据不同天气条件下的光照强度对标准光照强度进行补偿。这有助于在不同光照条件下提高图像的可见度和质量,从而增加图像识别的准确性。
此外,根据目标光照强度,对预先构建的通用图像识别神经网络模型进行更新,得到适应不同光照条件的区域图像识别神经网络模型,实现了基于区域特点,为各区域个性化定制图像识别神经网络模型,可以提高模型的泛化能力和适应性,使其在不同天气条件下对车辆图像进行更准确的识别。
综上所述,通过综合考虑气象参数、光照补偿和更新图像识别模型等因素,可以提高通行区域车辆图像的识别准确性。
附图说明
为了更清楚地说明本申请的技术方案,下面将结合附图来对本申请的部分实施例进行详细说明,附图中:
图1为本申请实施例提供的一种基于高速公路的车辆识别方法的流程示意图;
图2为本申请实施例提供的一种基于高速公路的车辆识别设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
下面参照附图来对本申请的一些实施例进行详细说明。
图1为本申请实施例提供的一种基于高速公路的车辆识别方法的流程示意图。该流程中的某些输入参数或者中间结果允许人工干预调节,以帮助提高准确性。
本申请实施例涉及的分析方法的实现可以为终端设备,也可以为服务器,本申请对此不作特殊限制。为了方便理解和描述,以下实施例均以服务器为例进行详细描述。
需要说明的是,该服务器可以是单独的一台设备,可以是有多台设备组成的系统,即,分布式服务器,本申请对此不做具体限定。
图1中的流程包括以下步骤:
S101:确定当前省份中高速公路入口位置与高速公路出口位置之间的通行区域。
其中,预先为每个省份生成高速公路路况数据库,从高速公路路况数据库中,提取高速公路入口位置与高速公路出口位置,从而得到每个省份的多条通行区域。
S102:在预设周期内,获取所述通行区域在未来时长内针对每一天的气象信息。
其中,通过气象网站获取通行区域在未来时长内的气象信息,气象信息包括降雨量、雾霾指数、云量、温度、湿度、潜在的雷暴和强风所发出的警报以及相应的警报级别等。
比如,预设周期为一周,未来时长内是指未来一周内,则以每一周作为周期,获取通行区域在未来一周内中每一天的气象信息。需要说明的是,通行区域可能包括A城市的a地区、B城市的b地区。
S103:根据所述气象信息,提取所述通行区域的多种天气状况参数。
其中,多种天气状况参数包括降雨量、雾霾指数、云量等参数值。
需要说明的是,由于不同的时间段内,天气状况参数是动态变化的。因此,每种天气状况参数分别包括在未来时长内针对每一天的状况参数值。
比如,a地区的降雨量在未来一周内的状况参数值包括、/>、/>、/>、/>、/>、/>,即,未来一周内中每一天的降雨量。b地区的降雨量在未来一周内的状况参数值包括/>、/>、/>、/>、/>、/>、/>。
S104:根据每种天气状况参数,确定所述通行区域的光照补偿系数。
在车辆通行过程中,光照强度的变化会对驾驶员的视线和可见性产生影响。因此,在不同的天气状况参数下,为了保证驾驶员的安全与舒适性,可以根据实际情况的天气状况参数,对光照强度进行补偿调整。
在本申请的一些实施例中,需要预先构建每种天气状况参数分别与各自补偿光照强度之间的关系模型,构建的过程如下:
首先,获取通行区域的多种样本天气状况参数以及通行区域在每种样本天气状况参数下的对应样本补偿光照强度。
其中,样本天气状况参数包括降雨量、雾霾指数、云量。样本补偿光照强度是指样本天气状况参数对光线的强度或能量的影响程度。
需要说明的是,样本天气状况参数与样本补偿光照强度可以通过人工实测得到。
然后,确定用于描述每种样本天气状况参数与对应样本补偿光照强度之间的初始关系模型。
其中,选择适合的数学模型来描述各自样本天气状况参数和光照条件之间的关系,要根据具体情况和数据的特点进行确定,基于此,确定初始关系模型的过程如下:
一方面,云量和对应样本补偿光照强度呈负相关。即,确定云量和对应样本补偿光照强度之间的线性模型,线性模型的表达式如下:
其中,为云量的对应样本补偿光照强度,/>为云量,/>为常数参数,/>为常数参数。
需要说明的是,a和b是线性模型中的参数。通过拟合数据,可以估计出a和b的值。
另一方面,当降雨量增加时,光照强度可能会迅速下降,通过指数模型来描述这种关系。即,降雨量与对应样本补偿光照强度之间呈现指数关系,确定用于描述降雨量与对应样本补偿光照强度之间的指数模型,指数模型的表达式如下:
其中,为降雨量的对应样本补偿光照强度,/>为降雨量,c为常数参数,/>为常数参数。
需要说明的是,c和d是指数模型中的参数。通过拟合数据,可以估计出c和d的值。
另一方面,雾霾指数增加时,光照强度可能会得到一定程度的抑制,通过对数模型来描述这种关系。即,根据雾霾指数与对应样本补偿光照强度之间呈现对数关系,确定用于描述雾霾指数与对应样本补偿光照强度之间的对数模型,对数模型的表达式如下:
其中,为雾霾指数的对应样本补偿光照强度,/>为雾霾指数,e为常数参数,f为常数参数。
需要说明的是, e和f是指数模型中的参数。通过拟合数据,可以估计出e和f的值。
基于此,根据每种样本天气状况参数与对应样本补偿光照强度,对初始关系模型的未知参数进行拟合,得到每种样本天气状况参数下的对应目标关系模型。
拟合的过程,比如,降雨量在未来一周内的状况参数值包括、/>、/>、/>、/>、/>、/>,每个状况参数值分别对应的样本补偿光照强度为/>、/>、/>、/>、/>、/>、/>。从而通过将多组数据分别代入降雨量的线性模型,最后求解,得到线性模型的a参数和b参数。
基于此,在构建关系模型之后,需要确定每种天气状况参数针对通行区域的补偿光照强度。
具体地,若通行区域包括多个地区,则针对每个地区,对每种天气状况参数在未来时长内的多个状况参数值进行求取平均值,得到每个地区针对每种天气状况参数的状况参数值。
然后,将每个地区针对每种状况参数的参数值进行求取平均值,得到通行区域针对每种天气状况参数的状况参数值。
基于此,将通行区域针对每种天气状况参数的状况参数值分别输入各自的对应目标关系模型,得到每种天气状况参数的补偿光照强度。
然后,对每种天气状况参数的补偿光照强度进行求取均值,得到所述通行区域的补偿光照强度。
最后,在预先构建的映射关系表中,对补偿光照强度进行匹配,得到所述通行区域的光照补偿系数。
需要说明的是,映射关系表包括不同补偿光照强度分别对应的光照补偿系数,在补偿光照强度小于预设阈值时,光照补偿系数大于0且小于1,在补偿光照强度大于或等于预设阈值时,光照补偿系数大于1。
其中,在补偿光照强度小于预设阈值时,说明补偿光照强度对光照条件呈现负影响,即,导致通行区域的光照强度相对更暗,并且,补偿光照强度与预设阈值的差值越大,光照补偿系数在[0-1]的取值区间中,数值越小。反之,在补偿光照强度大于或等于预设阈值时,说明补偿光照强度对光照条件呈现正影响,即,导致通行区域的光照强度相对可以更明亮,并且,此时,补偿光照强度与预设阈值的差值越大,光照补偿系数在大于1的前提条件下,数值越大。
S105:确定所述通行区域的标准光照强度。
在本申请的一些实施例中,由于通行区域在白天和夜晚之间的光照强度差别非常大,并且无论在什么地区,白天的光照强度相对强,夜晚的光照强度相对弱。也就是说,在日出和日落之间的时间段内,可以认为通行区域有足够的光照条件,而在日落之后以及日出之前的时间段内,通行区域可能会比较暗。此外,主要由于天气状况的不同,导致每个地区在白天或者夜晚的光照强度具有差异性。
基于此,首先,获取通行区域的日出时间和日落时间。然后,在日出时间与日落时间之间的第一时间段内,确定通行区域的第一标准光照强度。然后,在日出时间之前以及日落时间之后的第二时间段内,确定通行区域的第二标准光照强度。其中,第一标准光照强度高于第二标准光照强度。
需要说明的是,由于通行区域处于一个省份,故,日出时间和日落时间是一致的。因此,构建省份的光照强度映射表,该光照强度映射表包括与第一时间段内具有映射关系的第一标准光照强度,与第二时间段内具有映射关系的第二标准光照强度。
需要说明的是,本领域技术人员可以根据实际检测得到第一标准光照强度与第二标准光照强度。
S106:根据所述光照补偿系数对所述标准光照强度进行补偿,得到所述通行区域在所述未来时长内的目标光照强度。
其中,补偿的过程如下:
将光照补偿系数与第一标准光照强度进行相乘,得到通行区域在未来时长内的第一目标光照强度。
将光照补偿系数与第二标准光照强度进行相乘,得到通行区域在未来时长内的第二目标光照强度。
S107:根据所述目标光照强度,对预先构建的通用图像识别神经网络模型进行更新,得到所述通行区域的区域图像识别神经网络模型。
在本申请的一些实施例中,首先,获取通行区域在历史周期内的历史车辆图像,以及历史车辆图像的识别标注信息。需要说明的是,识别标注信息可以包括车辆类型、车辆颜色、车牌号码。
然后,根据图像拍摄时间,对历史车辆图像进行划分,得到第一时间段内的第一历史车辆图像,以及第二时间段内的第二历史车辆图像。
然后,根据第一目标光照强度,对第一历史车辆图像的亮度进行调整,得到第一目标历史车辆图像。
也就是说,将第一历史车辆图像的亮度调整至第一目标光照强度。
此外,根据第二目标光照强度,对第二历史车辆图像的亮度进行调整,得到第二目标历史车辆图像。
也就是说,将第二历史车辆图像的亮度调整至第二目标光照强度。
然后,根据第一目标历史车辆图像以及第一目标历史车辆图像的识别标注信息,对通用图像识别神经网络模型进行训练,得到第一目标图像识别神经网络模型。
此外,根据第二目标历史车辆图像以及第二目标历史车辆图像的识别标注信息,对通用图像识别神经网络模型进行训练,得到第二目标图像识别神经网络模型。
最后,根据第一目标图像识别神经网络模型与第二目标图像识别神经网络模型,得到通行区域的区域图像识别神经网络模型。
需要说明的是,构建通用图像识别神经网络模型的过程如下:
首先,获取通行区域的样本车辆图像,样本车辆图像涵盖不同车辆类型、不同车辆角度和光照条件等。
然后,对样本车辆图像进行预处理,包括图像缩放、灰度化、归一化等操作,以提高模型的处理效率和准确性。同时,对样本车辆图像进行标注,标注车辆类型、车辆颜色、车牌号码等,用于模型的训练和验证。
然后,选择适合目标任务的神经网络模型架构,例如,卷积神经网络,CNN在图像识别任务中表现出色,可以提取图像特征并识别对象。可以使用预训练模型如VGG16、ResNet等作为特征提取器,提取图像数据中的高级特征。
然后,构建整个神经网络模型框架,该框架包括特征提取层、全连接层和输出层。
然后,将样本车辆图像作为训练样本,将样本车辆图像的识别标注信息作为样本标签,对神经网络模型框架进行有监督训练,直至神经网络模型收敛,得到通用图像识别神经网络模型。
S108:获取通行车辆在所述通行区域的车辆图像,根据所述区域图像识别神经网络模型对所述车辆图像进行识别。
在本申请的一些实施例中,首先,确定车辆图像的拍摄时间。然后,判断拍摄时间是否处于第一时间段内。
若是,则调用第一目标图像识别神经网络模型,对车辆图像进行识别。
若否,则调用第二目标图像识别神经网络模型,对车辆图像进行识别。
在本申请的一些实施例中,通行车辆在高速公路上通行的过程中,根据区域图像识别神经网络模型对车辆图像进行识别的过程如下:
首先,获取通行车辆在高速公路入口位置的车辆驶入图像。
需要说明的是,在通行车辆驶入高速公路时,高速公路入口位置的图像拍摄设备将车辆驶入图像立即上传至服务器。
此外,拍摄设备具备GPS功能,可以直接获取到图像的GPS坐标。这些GPS坐标表示了车辆驶入图像拍摄的位置信息,包括经度和纬度。通过读取车辆驶入图像的GPS信息,可以获取到车辆驶入图像的准确位置。
然后,将车辆驶入图像输入区域图像识别神经网络模型,得到通行车辆的驶入车辆特征。
即,通过第一目标图像识别神经网络模型或者第二目标图像识别神经网络模型,对车辆驶入图像进行识别。
需要说明的是,驶入车辆特征包括车辆类型、车辆颜色、车牌号码。
在本申请的一些实施例中,如果车辆识别发生错误,则存在两种情况,一种是神经网络模型本身存在错误,不存在能够将A识别为A的能力,而是将A识别为B,此时,神经网络模型在识别A时,就会将A识别为B。一种是神经网络模型存在能够将A识别为A的能力,由于图像质量不佳的影响,导致出现将A识别为B的偶然情况。
基于此,尽管本申请构建了更精确识别的区域图像识别神经网络模型,继续验证车辆识别的准确性,防止出现识别错误的情况。比如,车辆类型识别错误,而不同的车辆类型将具有不同的收费标准,将导致收费金额错误,或者车牌号码识别错误,导致无法进行收费、高速公路的车辆通行记录发生错乱的情况。
基于此,由于高速公路和城市道路不同,通常是人们具有出差、旅游、回家的需求,且与当前居住处不属于一个市区,才会行驶高速公路。在此过程中,人们从异地定居处往返回家的路线往往是确定的。也就是说,在通行车辆行驶高速公路时,具有历史出行习惯特点,因此,采取预先预测通行车辆的高速公路出口位置,并将通行车辆的理论预测出口位置与实际的高速公路出口位置进行比对,由于是基于驶入车辆特征,得到理论预测出口位置,因此,在比对一致时,则能够说明车辆驶入图像、车辆驶出图像识别正确。
基于此,在车辆画像数据库中,对驶入车辆特征进行匹配。
需要说明的是,为省份构建车辆画像数据库,在车辆画像数据库中,包括多个通行车辆的车辆画像,该车辆画像包括车辆类型、车辆颜色、车牌号码、车辆车主信息、车辆历史通行记录、车辆的停车次数、车辆违规行为。
其中,车辆画像可以通过对通行车辆在高速公路上每次的行驶数据进行统计分析得到,可以定期根据通行车辆的历史行驶数据,对该通行车辆的车辆画像进行更新。
若匹配成功,将匹配的车辆画像确定为通行车辆的目标车辆画像。
需要说明的是,在车辆类型、车辆颜色、车牌号码均匹配成功时,则确定驶入车辆特征匹配成功。
然后,在目标车辆画像中,获取通行车辆的历史通行记录。
然后,判断历史通行记录中是否具有包括高速公路入口位置的目标通行记录。
若是,则根据目标通行记录,预测通行车辆在本次通行的高速公路出口位置,得到理论预测出口位置。
在本申请的一些实施例中,预测通行车辆在本次通行的高速公路出口位置的过程如下:
若目标通行记录具有一条,则将该目标通行记录中的高速公路出口位置确定为理论预测出口位置。
若目标通行记录具有多条,则对目标通行记录进行分组,每个通行记录组合中的高速公路出口位置相同。
然后,确定每个通行记录组合中的通行次数。
然后,判断是否具有一个通行次数最高的第一通行记录组合。
若是,则将第一通行记录组合中的高速公路出口位置确定为理论预测出口位置。
若否,则说明具有两个或两个以上的第二通行记录组合,第二通行记录组合之间的通行次数相等,且每个第二通行记录组合的通行次数比其他通行记录组合要高,此时,将第二通行记录组合中的高速公路出口位置确定为理论预测出口位置。即,此时具有多个理论预测出口位置。
在预测高速公路出口位置之后,为通行车辆建立本次通行的车辆图像序列,将车辆驶入图像输出至车辆图像序列,将理论预测出口位置以及驶入车辆特征确定为通行车辆对应车辆图像序列的序列标签。
需要说明的是,若在车辆画像数据库中,对驶入车辆特征匹配失败,说明通行车辆为第一次行驶在该省份的高速公路,不具有历史通行记录,则直接将驶入车辆特征确定为通行车辆对应车辆图像序列的序列标签。
需要说明的是,通行车辆在驶入高速公路之后,将在高速公路上进行行驶,公路上的图像拍摄设备将在不同位置获取通行车辆的车辆行驶图像,并定期上传至服务器,服务器对车辆行驶图像进行识别,得到行驶车辆特征,通过将行驶车辆特征与序列标签中的驶入车辆特征进行对比,查找通行车辆的车辆图像序列,从而将车辆行驶图像输出至对应车辆图像序列。
需要说明的是,在具有无法查找到对应车辆图像序列的行驶车辆特征时,该行驶车辆特征和多个驶入车辆特征相比较均是不一致的,则说明该行驶车辆特征的车辆行驶图像识别可能发生错误,或者该行驶车辆特征的车辆行驶图像存在无法识别的情况,导致该行驶车辆特征不完整。
此时,将该行驶车辆特征的车辆行驶图像发送至管理用户终端,由人工进行识别车辆特征,得到第一行驶标注特征。
然后,根据第一行驶标注特征与每个序列标签中的驶入车辆特征进行对比。
若对比成功,则将该行驶车辆特征的车辆行驶图像输出至对比一致的车辆图像序列。
若仍然对比失败,则说明已经存在的驶入车辆特征存在识别错误的可能性,也可能该行驶车辆特征的通行车辆的驶入车辆图像发生丢失,从而未存在相应的车辆图像序列。
基于此,确定第一行驶标注特征与每个驶入车辆特征之间的相似度。
若具有相似度超过预设相似阈值的驶入车辆特征,则将超过预设相似阈值的驶入车辆特征确定为待验证驶入车辆特征,将待验证驶入车辆特征的车辆驶入图像发送至管理用户终端,由人工进行识别车辆特征,得到第二行驶标注特征。
若第二行驶标注特征与待验证驶入车辆特征一致,则说明待验证驶入车辆特征验证通过,若不一致,则说明待验证驶入车辆特征验证失败,将待验证驶入车辆特征更新为第二行驶标注特征。
即,通过无法查找到车辆图像序列的行驶车辆特征,能够对车辆驶入图像的驶入车辆特征进行更正。
需要说明的是,若不具有相似度超过预设相似阈值的驶入车辆特征,则说明第一行驶标注特征的通行车辆,存在丢失车辆驶入图像的情况,并且不具有车辆图像序列,此时,第一行驶标注特征的车辆行驶图像通常为刚进入高速公路行驶不久拍摄图像,此时,在车辆画像数据库中,对第一行驶标注特征进行匹配。
若匹配成功,从匹配的车辆画像中,获取车辆车主信息。
需要说明的是,若匹配失败,则从车辆管理部门,查找车牌号码对应的车辆车主信息。
然后,向车辆车主信息发送高速公路入口位置、驶入时间等填写信息,从而获取到第一行驶标注特征的通行车辆所对应高速公路驶入信息,为该通行车辆创建车辆图像序列,并通过匹配的车辆画像,确定该通行车辆的理论预测出口位置。
在本申请的一些实施例中,通行车辆在收费站驶出高速公路,需要根据通行车辆的行驶路径计算通行车辆的通行费用。
基于此,接收通行车辆在收费自助车道的收费请求,获取通行车辆在高速公路出口位置的车辆驶出图像。
需要说明的是,在通行车辆驶出高速公路时,高速公路出口位置的图像拍摄设备将车辆驶出图像立即上传至服务器。
然后,根据区域图像识别神经网络模型对车辆驶出图像进行识别,得到通行车辆的驶出车辆特征。其中,驶出车辆特征包括车辆类型、车辆颜色、车牌号码。
然后,根据驶出车辆特征,查找通行车辆的车辆图像序列。即,根据驶出车辆特征与序列标签中的驶入车辆特征进行匹配。
若查找成功,则判断高速公路出口位置与理论预测出口位置是否一致。即,驶出车辆特征与序列标签中的驶入车辆特征一致时,则确认查找成功。
若高速公路出口位置与理论预测出口位置一致,则根据高速公路出口位置与高速公路入口位置、车辆驶出图像的时间戳与车辆驶入图像的时间戳,确定通行车辆的收费金额。
需要说明的是,若具有两个高速公路出口位置,则任何一个高速公路出口位置与理论预测出口位置一致时,则根据高速公路出口位置与高速公路入口位置、车辆驶出图像的时间戳与车辆驶入图像的时间戳,确定通行车辆的收费金额。
在本申请的一些实施例中,若高速公路出口位置与理论预测出口位置不一致时,说明也可能是通行车辆的本次通行与之前历史通行记录不相关的情况。但是,也需要验证是否由于车辆驶入图像、车辆行驶图像、车辆驶出图像的识别存在错误,才导致不一致。
比如,区域图像识别神经网络模型一直将车辆驶入图像的车牌号码中的某个数字识别错误,比如,C通行车辆的车牌号码为001,D通行车辆的车牌号码为002,且C通行车辆与D通行车辆之间的车辆类型、车辆颜色均相同,区域图像识别神经网络模型不具备将001识别为001的能力,而是将001识别为002,则C通行车辆的车辆驶入图像、车辆行驶图像、车辆驶出图像中的车牌号码均会被识别为002,此时的理论预测出口位置,则实际上是基于D通行车辆的历史通行记录所预测得到,故,C通行车辆的高速公路出口位置与理论预测出口位置具有很大可能性存在不一致。
基于此,将车辆驶出图像发送至管理用户终端,接收管理用户终端上传的驶出标注特征。
然后,将驶出标注特征与驶出车辆特征进行比对。
若比对一致,则确定车辆驶出图像与车辆驶入图像识别正确。
若比对不一致,则确定车辆驶出图像与车辆驶入图像识别错误。
在本申请的一些实施例中,若根据驶出车辆特征,无法查找通行车辆的车辆图像序列,即,查找失败,则说明由于图像质量不佳的影响,导致车辆驶出图像可能无法识别,或者识别存在错误。
基于此,将车辆驶出图像发送至管理用户终端,得到驶出更正标注特征,然后,根据驶出更正标注特征,查找通行车辆的车辆图像序列。
若仍然未查找成功,则说明区域图像识别神经网络模型可能一直将车辆驶入图像的车牌号码中的某个数字识别错误,但是,车辆驶出图像无法识别,或者识别成其他错误数字。比如,区域图像识别神经网络模型一直将车辆驶入图像与车辆行驶图像中的001识别为002,但针对车辆驶出图像,由于图像质量不佳的原因,将001识别为003。
基于此,若仍然未查找成功,则根据驶出更正标注特征中的车牌号码从车辆管理部门获取车辆车主信息,向车辆车主信息发送填写高速公路驶入信息。
需要说明的是,若查找成功,则确定车辆驶入图像、车辆行驶图像识别正确。
综上所述,通过获取通行区域在未来时长内的气象信息,并提取多种天气状况参数,可以了解不同天气条件下通行区域的光照强度、能见度等影响图像识别的因素。
此外,根据天气状况参数,确定光照补偿系数,以便在不同天气条件下对图像进行准确识别。
此外,通过确定通行区域的光照补偿系数,可以根据不同天气条件下的光照强度对标准光照强度进行补偿。这有助于在不同光照条件下提高图像的可见度和质量,从而增加图像识别的准确性。
此外,根据目标光照强度,对预先构建的通用图像识别神经网络模型进行更新,得到适应不同光照条件的区域图像识别神经网络模型,实现了基于区域特点,为各区域个性化定制图像识别神经网络模型,可以提高模型的泛化能力和适应性,使其在不同天气条件下对车辆图像进行更准确的识别。
通过综合考虑气象参数、光照补偿和更新图像识别模型等因素,可以提高通行区域车辆图像的识别准确性。
进一步地,通过获取通行区域的多种样本天气状况参数以及对应的样本补偿光照强度,并建立初始关系模型。然后通过对样本数据进行拟合,得到每种天气状况参数下的目标关系模型。这样可以根据实际的天气状况参数,准确地计算出补偿光照强度,以满足通行区域不同天气条件下的光照需求。
此外,如果通行区域包括多个地区,通过对每个地区的状况参数值进行平均,可以更好地考虑区域差异和综合天气情况。这有助于提供更准确的补偿光照强度,以适应各个地区在不同天气状况下的需求。
此外,通过对每种天气状况参数的补偿光照强度进行求取均值,可以获得通行区域的平均补偿光照强度。这有助于提供统计平均的光照补偿效果,以满足整个通行区域的光照需求。
此外,弹性光照补偿系数:根据补偿光照强度与预设阈值的关系,确定了光照补偿系数的取值范围。当补偿光照强度小于预设阈值时,适用介于0和1之间的补偿系数;当补偿光照强度高于或等于预设阈值时,适用大于1的补偿系数。这样,光照补偿系数根据实际情况进行调整,以适应不同光照强度的补偿需求。
更进一步地,综合考虑不同天气因素:通过使用不同的关系模型,可以综合考虑不同的天气因素对光照补偿的影响。云量、降雨量和雾霾指数是影响光照强度的重要因素,通过针对不同因素的关系模型,可以更全面地考虑和处理不同天气条件下的光照需求。
个性化的光照补偿:基于不同的关系模型,可以根据具体的天气参数,个性化地进行光照补偿。对于每种天气参数,使用对应的模型进行补偿,可以根据不同的天气状况提供个性化的、符合实际需求的光照补偿策略。
综上所述,根据云量、降雨量和雾霾指数与补偿光照强度之间的关系,采用不同的模型描述,可以提供更准确、更精细和更个性化的光照补偿效果,从而提高车辆图像识别的准确性和可靠性。
更进一步地,考虑日出和日落时间:通过获取通行区域的日出时间和日落时间,可以准确地分割一天的时间段,以便在不同的时间段内确定不同的标准光照强度。考虑日出和日落时间可以更好地适应不同光照条件下的实际需求。
分割标准光照强度时间段:通过确定第一时间段和第二时间段,可以在不同时间段内确定不同的标准光照强度。第一时间段通常是在日出时间到日落时间之间,而第二时间段通常是在日落时间之后及日出时间之前。这有助于根据实际情况提供不同时间段内的光照需求。
不同标准光照强度:通过确定第一标准光照强度和第二标准光照强度,可以根据不同时间段内的光照条件提供不同的标准光照强度。第一标准光照强度通常较高,适用于日出和日落期间,而第二标准光照强度通常较低,适用于日落后和日出前的时间段。
光照补偿计算:根据光照补偿系数对标准光照强度进行补偿,可以得到通行区域在未来时长内的目标光照强度。通过将光照补偿系数与第一标准光照强度和第二标准光照强度进行相乘,可以得到第一目标光照强度和第二目标光照强度。这样可以根据不同时间段的光照条件提供具体的光照补偿方案。
综上所述,通过考虑日出和日落时间,分割标准光照强度时间段,并根据光照补偿系数进行补偿计算,可以根据不同时间段内的光照条件提供具体的目标光照强度,以满足通行区域的光照需求。这有助于提高车辆图像识别的准确性和可靠性。
更进一步地,通过获取通行区域的历史车辆图像和识别标注信息,可以建立起一个完整的训练集,并根据图像拍摄时间划分出不同时间段的历史车辆图像。
此外,根据第一目标光照强度和第二目标光照强度,调整第一历史车辆图像和第二历史车辆图像的亮度,以使其符合目标光照强度,这样可以减少光照对图像识别的影响。
利用第一目标历史车辆图像和第一目标历史车辆图像的识别标注信息,对通用图像识别神经网络模型进行训练,得到一个专门的第一目标图像识别神经网络模型。
同样地,利用第二目标历史车辆图像和第二目标历史车辆图像的识别标注信息,对通用图像识别神经网络模型进行训练,得到一个专门用的第二目标图像识别神经网络模型。
最后,根据第一目标图像识别神经网络模型和第二目标图像识别神经网络模型,可以建立一个综合模型,即,通行区域的区域图像识别神经网络模型。可以更准确地识别通行区域的图像。
更进一步地,通过使用区域图像识别神经网络模型对驶入车辆图像进行识别,可以得到通行车辆的驶入车辆特征,如车辆类型、车辆颜色和车牌号码。这样可以提高车辆识别的准确性,避免误识别和错漏。
目标车辆的确定性提高:通过在车辆画像数据库中对驶入车辆特征进行匹配,可以确定匹配的车辆画像为通行车辆的目标车辆画像。这样可以更准确地确定目标车辆,避免混淆和误判。
对车辆图像识别结果进行验证:通过分析目标车辆的历史通行记录,并判断是否存在包括高速公路入口位置的目标通行记录,可以预测通行车辆在本次通行中的高速公路出口位置。这样可以提高预测的准确性,以及对车辆图像识别结果进行验证。
车辆图像序列的建立和标注:为通行车辆建立本次通行的车辆图像序列,将驶入车辆图像作为序列的第一帧,并将理论预测出口位置与驶入车辆特征确定为序列的标签。这样可以建立起完整的车辆图像序列,并对序列进行标注,为后续的分析和处理提供便利。
更进一步地,通过接收通行车辆的收费请求并获取车辆驶出图像,可以实现自助收费的流程,减少人工干预和减少排队等候时间,提高通行车辆的通行效率。
车辆特征识别准确性提高:通过使用区域图像识别神经网络模型对车辆驶出图像进行识别,可以得到通行车辆的车辆特征,如车辆类型、车辆颜色和车牌号码。这样可以提高识别的准确性,避免误判和错漏。
目标通行车辆的确定性提高:通过根据驶出车辆特征查找通行车辆的车辆图像序列,可以确定通行车辆的历史图像序列。这样可以更准确地确定目标通行车辆,避免混淆和误判。
需要说明的是,虽然本申请实施例是参照图1来对步骤S101至步骤S108依次进行介绍说明的,但这并不代表步骤S101至步骤S108必须按照严格的先后顺序执行。本申请实施例之所以按照图1中所示的顺序对步骤S101至步骤S108依次进行介绍说明,是为了方便本领域技术人员理解本申请实施例的技术方案。换句话说,在本申请实施例中,步骤S101至步骤S108之间的先后顺序可以根据实际需要进行适当调整。
基于同样的思路,本申请的一些实施例还提供了上述方法对应的设备和非易失性计算机存储介质。
图2为本申请实施例提供的一种基于高速公路的车辆识别设备的结构示意图,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
确定当前省份中高速公路入口位置与高速公路出口位置之间的通行区域;
在预设周期内,获取所述通行区域在未来时长内针对每一天的气象信息;
根据所述气象信息,提取所述通行区域的多种天气状况参数;每种天气状况参数分别包括在未来时长内针对每一天的状况参数值;
根据每种天气状况参数,确定所述通行区域的光照补偿系数;
确定所述通行区域的标准光照强度;
根据所述光照补偿系数对所述标准光照强度进行补偿,得到所述通行区域在所述未来时长内的目标光照强度;
根据所述目标光照强度,对预先构建的通用图像识别神经网络模型进行更新,得到所述通行区域的区域图像识别神经网络模型;
获取通行车辆在所述通行区域的车辆图像,根据所述区域图像识别神经网络模型对所述车辆图像进行识别。
本申请的一些实施例提供的一种基于高速公路的车辆识别非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
确定当前省份中高速公路入口位置与高速公路出口位置之间的通行区域;
在预设周期内,获取所述通行区域在未来时长内针对每一天的气象信息;
根据所述气象信息,提取所述通行区域的多种天气状况参数;每种天气状况参数分别包括在未来时长内针对每一天的状况参数值;
根据每种天气状况参数,确定所述通行区域的光照补偿系数;
确定所述通行区域的标准光照强度;
根据所述光照补偿系数对所述标准光照强度进行补偿,得到所述通行区域在所述未来时长内的目标光照强度;
根据所述目标光照强度,对预先构建的通用图像识别神经网络模型进行更新,得到所述通行区域的区域图像识别神经网络模型;
获取通行车辆在所述通行区域的车辆图像,根据所述区域图像识别神经网络模型对所述车辆图像进行识别。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,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、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请技术原理之内所作的任何修改、等同替换、改进等,均应落入本申请的保护范围之内。
Claims (10)
1.一种基于高速公路的车辆识别方法,其特征在于,所述方法包括:
确定当前省份中高速公路入口位置与高速公路出口位置之间的通行区域;
在预设周期内,获取所述通行区域在未来时长内针对每一天的气象信息;
根据所述气象信息,提取所述通行区域的多种天气状况参数;每种天气状况参数分别包括在未来时长内针对每一天的状况参数值;
根据每种天气状况参数,确定所述通行区域的光照补偿系数;
确定所述通行区域的标准光照强度;
根据所述光照补偿系数对所述标准光照强度进行补偿,得到所述通行区域在所述未来时长内的目标光照强度;
根据所述目标光照强度,对预先构建的通用图像识别神经网络模型进行更新,得到所述通行区域的区域图像识别神经网络模型;
获取通行车辆在所述通行区域的车辆图像,根据所述区域图像识别神经网络模型对所述车辆图像进行识别。
2.根据权利要求1所述的方法,其特征在于,所述根据每种天气状况参数,确定所述通行区域的光照补偿系数,具体包括:
获取通行区域的多种样本天气状况参数以及所述通行区域在每种样本天气状况参数下的对应样本补偿光照强度;
确定用于描述每种样本天气状况参数与对应样本补偿光照强度之间的初始关系模型;
根据每种样本天气状况参数与对应样本补偿光照强度,对所述初始关系模型的未知参数进行拟合,得到每种样本天气状况参数下的对应目标关系模型;
若所述通行区域包括多个地区,针对每个地区,对每种天气状况参数在未来时长内的多个状况参数值进行求取平均值,得到每个地区针对每种天气状况参数的状况参数值;
将每个地区针对每种状况参数的参数值进行求取平均值,得到所述通行区域针对每种天气状况参数的状况参数值;
将通行区域针对每种天气状况参数的状况参数值分别输入各自的对应目标关系模型,得到每种天气状况参数的补偿光照强度;
对所述每种天气状况参数的补偿光照强度进行求取均值,得到所述通行区域的补偿光照强度;
在预先构建的映射关系表中,对所述补偿光照强度进行匹配,得到所述通行区域的光照补偿系数;在补偿光照强度小于预设阈值时,所述光照补偿系数大于0且小于1,在补偿光照强度大于或等于预设阈值时,所述光照补偿系数大于1。
3.根据权利要求2所述的方法,其特征在于,所述确定用于描述样本天气状况参数与样本补偿光照强度之间的初始关系模型,具体包括:
根据云量与对应样本补偿光照强度之间呈现负相关关系,确定用于描述云量与对应样本补偿光照强度之间的线性模型;
根据降雨量与对应样本补偿光照强度之间呈现指数关系,确定用于描述降雨量与对应样本补偿光照强度之间的指数模型;
根据雾霾指数与对应样本补偿光照强度之间呈现对数关系,确定用于描述雾霾指数与对应样本补偿光照强度之间的对数模型。
4.根据权利要求3所述的方法,其特征在于,所述线性模型的表达式如下:
其中,为云量的对应样本补偿光照强度,/>为云量,/>为常数参数,/>为常数参数;
所述指数模型的表达式如下:
其中,为降雨量的对应样本补偿光照强度,/>为降雨量,c为常数参数,/>为常数参数;
所述对数模型的表达式如下:
其中,为雾霾指数的对应样本补偿光照强度,/>为雾霾指数,e为常数参数,f为常数参数。
5.根据权利要求1所述的方法,其特征在于,所述确定所述通行区域的标准光照强度,具体包括:
获取所述通行区域的日出时间和日落时间;
在所述日出时间与所述日落时间之间的第一时间段内,确定所述通行区域的第一标准光照强度;
在所述日落时间之后以及所述日出时间之前的第二时间段内,确定所述通行区域的第二标准光照强度;所述第一标准光照强度高于所述第二标准光照强度;
所述根据所述光照补偿系数对所述标准光照强度进行补偿,得到所述通行区域在所述未来时长内的目标光照强度,具体包括:
将所述光照补偿系数与所述第一标准光照强度进行相乘,得到所述通行区域在所述未来时长内的第一目标光照强度;
将所述光照补偿系数与所述第二标准光照强度进行相乘,得到所述通行区域在所述未来时长内的第二目标光照强度。
6.根据权利要求5所述的方法,其特征在于,所述根据所述目标光照强度,对预先构建的通用图像识别神经网络模型进行更新,得到所述通行区域的区域图像识别神经网络模型,具体包括:
获取所述通行区域在历史周期内的历史车辆图像,以及所述历史车辆图像的识别标注信息;
根据图像拍摄时间,对所述历史车辆图像进行划分,得到所述第一时间段内的第一历史车辆图像,以及所述第二时间段内的第二历史车辆图像;
根据所述第一目标光照强度,对所述第一历史车辆图像的亮度进行调整,得到第一目标历史车辆图像;
根据所述第二目标光照强度,对所述第二历史车辆图像的亮度进行调整,得到第二目标历史车辆图像;
根据所述第一目标历史车辆图像以及所述第一目标历史车辆图像的识别标注信息,对所述通用图像识别神经网络模型进行训练,得到第一目标图像识别神经网络模型;
根据所述第二目标历史车辆图像以及所述第二目标历史车辆图像的识别标注信息,对所述通用图像识别神经网络模型进行训练,得到第二目标图像识别神经网络模型;
根据所述第一目标图像识别神经网络模型与所述第二目标图像识别神经网络模型,得到所述通行区域的区域图像识别神经网络模型。
7.根据权利要求6所述的方法,其特征在于,所述根据所述区域图像识别神经网络模型对所述车辆图像进行识别,具体包括:
确定所述车辆图像的拍摄时间;
判断所述拍摄时间是否处于所述第一时间段内;
若是,则调用第一目标图像识别神经网络模型,对所述车辆图像进行识别;
若否,则调用第二目标图像识别神经网络模型,对所述车辆图像进行识别。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取通行车辆在高速公路入口位置的车辆驶入图像;
将所述车辆驶入图像输入所述区域图像识别神经网络模型,得到所述通行车辆的驶入车辆特征;所述驶入车辆特征包括车辆类型、车辆颜色、车牌号码;
在车辆画像数据库中,对所述驶入车辆特征进行匹配;
若匹配成功,将匹配的车辆画像确定为所述通行车辆的目标车辆画像;
在所述目标车辆画像中,获取所述通行车辆的历史通行记录;
判断所述历史通行记录中是否具有包括所述高速公路入口位置的目标通行记录;
若是,则根据所述目标通行记录,预测所述通行车辆在本次通行的高速公路出口位置,得到理论预测出口位置;
为所述通行车辆建立本次通行的车辆图像序列,将所述车辆驶入图像输出至所述车辆图像序列,将所述理论预测出口位置与所述驶入车辆特征确定为所述车辆图像序列的序列标签。
9.根据权利要求8所述的方法,其特征在于,所述将所述理论预测出口位置与所述驶入车辆特征确定为所述车辆图像序列的序列标签之后,所述方法还包括:
接收所述通行车辆在收费自助车道的收费请求;
获取所述通行车辆在高速公路出口位置的车辆驶出图像;
根据所述区域图像识别神经网络模型对所述车辆驶出图像进行识别,得到所述通行车辆的驶出车辆特征;所述驶出车辆特征包括车辆类型、车辆颜色、车牌号码;
根据所述驶出车辆特征,查找所述通行车辆的车辆图像序列;
若查找成功,则判断所述高速公路出口位置与所述理论预测出口位置是否一致;
若是,则根据所述高速公路出口位置与所述高速公路入口位置、所述车辆驶出图像的时间戳与所述车辆驶入图像的时间戳,确定所述通行车辆的收费金额。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括:
若所述高速公路出口位置与所述理论预测出口位置不一致,则将所述车辆驶出图像发送至管理用户终端;
接收所述管理用户终端上传的驶出标注特征;
将所述驶出标注特征与所述驶出车辆特征进行比对;
若比对一致,则确定所述车辆驶出图像与所述车辆驶入图像识别正确;
若比对不一致,则确定所述车辆驶出图像与所述车辆驶入图像识别错误。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410094965.5A CN117612115B (zh) | 2024-01-24 | 2024-01-24 | 一种基于高速公路的车辆识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410094965.5A CN117612115B (zh) | 2024-01-24 | 2024-01-24 | 一种基于高速公路的车辆识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117612115A true CN117612115A (zh) | 2024-02-27 |
CN117612115B CN117612115B (zh) | 2024-05-03 |
Family
ID=89960233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410094965.5A Active CN117612115B (zh) | 2024-01-24 | 2024-01-24 | 一种基于高速公路的车辆识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117612115B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110611774A (zh) * | 2019-09-20 | 2019-12-24 | 深圳市梦网百科信息技术有限公司 | 一种路面监控视频光照补偿方法和系统 |
WO2021063341A1 (zh) * | 2019-09-30 | 2021-04-08 | 华为技术有限公司 | 图像增强方法以及装置 |
WO2022151589A1 (zh) * | 2021-01-18 | 2022-07-21 | 平安科技(深圳)有限公司 | 图像增强方法、装置、设备及存储介质 |
CN115187949A (zh) * | 2022-09-07 | 2022-10-14 | 山东金宇信息科技集团有限公司 | 一种隧道出入口的路面状态检测方法、设备及介质 |
CN115457532A (zh) * | 2022-08-01 | 2022-12-09 | 佛山中科云图智能科技有限公司 | 违停车辆车牌检测方法、装置、存储介质和计算机设备 |
CN116431923A (zh) * | 2023-04-24 | 2023-07-14 | 浪潮智慧科技有限公司 | 一种针对城市道路的交通出行预测方法、设备及介质 |
CN116597343A (zh) * | 2023-04-18 | 2023-08-15 | 江西省交通监控指挥中心 | 基于集成学习算法的高速公路气象识别方法及装置 |
-
2024
- 2024-01-24 CN CN202410094965.5A patent/CN117612115B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110611774A (zh) * | 2019-09-20 | 2019-12-24 | 深圳市梦网百科信息技术有限公司 | 一种路面监控视频光照补偿方法和系统 |
WO2021063341A1 (zh) * | 2019-09-30 | 2021-04-08 | 华为技术有限公司 | 图像增强方法以及装置 |
WO2022151589A1 (zh) * | 2021-01-18 | 2022-07-21 | 平安科技(深圳)有限公司 | 图像增强方法、装置、设备及存储介质 |
CN115457532A (zh) * | 2022-08-01 | 2022-12-09 | 佛山中科云图智能科技有限公司 | 违停车辆车牌检测方法、装置、存储介质和计算机设备 |
CN115187949A (zh) * | 2022-09-07 | 2022-10-14 | 山东金宇信息科技集团有限公司 | 一种隧道出入口的路面状态检测方法、设备及介质 |
CN116597343A (zh) * | 2023-04-18 | 2023-08-15 | 江西省交通监控指挥中心 | 基于集成学习算法的高速公路气象识别方法及装置 |
CN116431923A (zh) * | 2023-04-24 | 2023-07-14 | 浪潮智慧科技有限公司 | 一种针对城市道路的交通出行预测方法、设备及介质 |
Non-Patent Citations (2)
Title |
---|
谢炜;: "基于BP神经网络的公交车到站时间预测", 中国石油大学胜利学院学报, no. 04, 15 December 2016 (2016-12-15) * |
黄新波;张慧莹;张烨;刘新慧;邢晓强;杨璐雅;: "基于改进色差法的复合绝缘子图像分割技术", 高电压技术, no. 08, 28 August 2018 (2018-08-28) * |
Also Published As
Publication number | Publication date |
---|---|
CN117612115B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073923B (zh) | 一种车牌校正方法及装置 | |
US10163038B2 (en) | Error detection in recognition data | |
CN111931627A (zh) | 一种基于多模态信息融合的车辆再识别方法及装置 | |
CN113269070B (zh) | 融合全局和局部特征的行人重识别方法、存储器及处理器 | |
RU2751381C2 (ru) | Способ прогнозирования динамики дорожного движения в системе дорог | |
CN113470206B (zh) | 一种基于车辆匹配的高速公路稽查方法、设备及介质 | |
WO2020007589A1 (en) | Training a deep convolutional neural network for individual routes | |
CN112447041A (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
CN117242489A (zh) | 目标跟踪方法及装置、电子设备、计算机可读介质 | |
CN111144467A (zh) | 一种场景因素获取的实现方法及系统 | |
CN112861567A (zh) | 一种车型分类方法及装置 | |
CN117612115B (zh) | 一种基于高速公路的车辆识别方法 | |
CN117173669A (zh) | 一种基于人工智能的图片识别方法和系统 | |
CN117152513A (zh) | 一种面向夜间场景的车辆边界定位方法 | |
CN111291722A (zh) | 一种基于v2i技术的车辆重识别系统 | |
CN113436356B (zh) | 一种车辆轨迹还原方法、高速通行费确定方法及装置 | |
Haryono et al. | Accuracy in Object Detection Based on Image Processing at the Implementation of Motorbike Parking on the Street | |
CN111723604B (zh) | 车辆套牌检测方法及装置 | |
CN114494986A (zh) | 道路场景识别方法及其装置 | |
CN115424211B (zh) | 一种基于大数据的文明养犬终端运营方法、装置及终端 | |
CN111008672B (zh) | 样本提取方法、装置、计算机可读存储介质和计算机设备 | |
CN117671320A (zh) | 一种基于多模型融合的点云三维目标自动标注方法及系统 | |
CN115205840A (zh) | 一种基于卡口通行轨迹判定车辆号牌识别可信度的方法 | |
CN114092897A (zh) | 道路分类方法与设备 | |
CN117523246A (zh) | 点云标注图像检测方法、存储介质及智能设备 |
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 |