一种基于车辆匹配的高速公路稽查方法、设备及介质与流程

1.本技术涉及智能交通技术领域，尤其涉及一种基于车辆匹配的高速公路稽查方法、设备及介质。


背景技术：

2.智能交通，能够为交通参与者提供多样性的服务，是未来交通系统的发展方向，在这种趋势下，etc(electronic toll collection，电子不停车收费)系统得到广泛应用。
3.目前，在etc系统中，通过rsu(road side unit，路侧天线单元)与车辆上的obu进行微波通信，获取obu反馈的信息中携带的车牌和车型特征，实现对车辆进行不停车智能收费。
4.但是，在新的收费体制下，高速公路收费稽核业务也逐渐面临一些难题，如逃漏通行费、追缴难度大等问题，导致管理效率低。


技术实现要素：

5.本技术实施例提供一种基于车辆匹配的高速公路稽查方法、设备及介质，用于解决在etc系统中，高速公路收费稽核业务管理效率低的问题。
6.本技术实施例采用下述技术方案：
7.一方面，本技术实施例提供了一种基于车辆匹配的高速公路稽查方法，该方法包括：确定电子不停车收费etc系统的车辆结构化模型；通过所述车辆结构化模型对etc车道的车辆进行识别，确定所述车辆的特征信息，以及第一进站时间；根据所述特征信息在人工收费系统中检索，确定所述人工收费系统包括所述特征信息，以及第二进站时间；对比所述第一进站时间与所述第二进站时间，将最晚进站时间所对应的进站信息确定为所述车辆的进站信息，以根据所述进站信息对所述车辆进行收费。
8.一个示例中，所述通过所述车辆结构化模型对etc车道的车辆进行识别，确定所述车辆的特征信息，具体包括：通过所述车辆结构化模型对所述etc车道的车辆进行识别，确定所述车辆的检测区域；对所述检测区域中像素的邻域内的灰度通道，与背景图片的灰度通道进行计算，确定归一化相关系数；若所述归一化相关系数的数值与1的差值小于预设阈值，确定所述像素为阴影；将所述阴影进行消除，确定所述车辆的车型信息。
9.一个示例中，所述若所述归一化相关系数的数值与1的差值小于预设阈值，确定所述像素为阴影之后，所述方法还包括：将所述像素输入混合高斯模型；若所述像素与所述混合高斯模型的高斯分布匹配成功，完成对所述像素为阴影的验证。
10.一个示例中，确定所述混合高斯模型，具体包括：获取样本检测区域；对所述样本检测区域中每个像素建立一个初始混合高斯模型；根据所述每个像素被标记为所述样本检测区域时的数值，分别对所述初始混合高斯模型进行更新，得到若干更新混合高斯模型；在所述若干更新混合高斯模型中，确定具有最大权重的高斯分布所对应的更新混合高斯模型；将所述更新混合高斯模型确定为所述混合高斯模型。
11.一个示例中，所述通过所述车辆结构化模型对etc车道的车辆进行识别，确定所述车辆的特征信息，具体包括：通过所述车辆结构化模型对所述etc车道的车辆进行识别，确定所述车辆的车牌位置；根据所述车牌位置，选取所述车牌位置的上方的区域；所述上方的区域包括不大于预设距离阈值的区域；根据所述区域，确定所述车辆的车身颜色。
12.一个示例中，所述根据所述区域，确定所述车辆的颜色，具体包括：确定所述车辆不包括彩色车；将所述区域等分n份，并计算各区域在s通道中的方差，得到所述各区域的s方差；将不大于预设方差阈值的s方差所对应的区域，确定为识别区域；对所述识别区域进行颜色识别，确定所述识别区域的颜色；对所述识别区域的颜色进行投票，确定所述车辆的车身颜色。
13.一个示例中，所述对比所述第一进站时间与所述第二进站时间，将最晚进站时间所对应的进站信息确定为所述车辆的进站信息之后，所述方法还包括：在预设时间段内，确定所述车辆对应的相同车牌车辆；所述相同车牌车辆与所述车辆的车牌号相同；将所述车辆的特征信息与所述相同车牌车辆的特征信息进行比对，得到各特征信息的比对结果；通过相似度对所述比对结果进行排序，确定比对结果队列；根据所述比对结果队列，对比所述车辆与所述相同车牌车辆的行驶速度以及时空关系，以识别出不同路线行驶中的车牌号相同的车辆。
14.一个示例中，所述对比所述第一进站时间与所述第二进站时间，将最晚进站时间所对应的进站信息确定为所述车辆的进站信息之后，所述方法还包括：根据所述特征信息，在车辆档案库中检索所述车辆；若所述车辆存在于所述车辆档案库，确定所述车辆在所述车辆档案库中的历史特征信息；将所述特征信息与所述历史特征信息进行比较；若不一致，将所述车辆确定为大车小标嫌疑车辆，并在所述etc系统中进行告警。
15.一个示例中，所述根据所述比对结果队列，对比所述车辆与所述相同车牌车辆的行驶速度以及时空关系，以识别出不同路线行驶中的车牌号相同的车辆，具体包括：若所述比对结果队列的相似度值的平均值不小于预设相似度阈值；并所述行驶速度的差值不小于预设差值阈值，所述车辆与所述相同车牌车辆的时空关系不同；将所述车辆与所述相同车牌车辆确定为所述不同路线行驶的车牌号相同的车辆。
16.另一方面，本技术实施例提供了一种基于车辆匹配的高速公路稽查设备，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：确定电子不停车收费etc系统的车辆结构化模型；通过所述车辆结构化模型对etc车道的车辆进行识别，确定所述车辆的特征信息，以及第一进站时间；根据所述特征信息在人工收费系统中检索，确定所述人工收费系统包括所述特征信息，以及第二进站时间；对比所述第一进站时间与所述第二进站时间，将最晚进站时间所对应的进站信息确定为所述车辆的进站信息，以根据所述进站信息对所述车辆进行收费。
17.另一方面，本技术实施例提供了一种基于车辆匹配的高速公路稽查非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：确定电子不停车收费etc系统的车辆结构化模型；通过所述车辆结构化模型对etc车道的车辆进行识别，确定所述车辆的特征信息，以及第一进站时间；根据所述特征信息在人工收费系统中检索，确定所述人工收费系统包括所述特征信息，以及第二进站时间；对比所述第一进站
时间与所述第二进站时间，将最晚进站时间所对应的进站信息确定为所述车辆的进站信息，以根据所述进站信息对所述车辆进行收费。
18.本技术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：
19.本技术实施例通过对比etc系统与人工收费系统的进站时间，将最晚进站时间所对应的进站信息确定为车辆的进站信息，根据进站信息对车辆进行收费，能够自动允许产生一次有效进站信息，并且以最后一次进站信息为准，从而可以避免etc卡和现金卡互倒逃费的现象，提高高速公路稽查的管理效率。
附图说明
20.为了更清楚地说明本技术的技术方案，下面将结合附图来对本技术的部分实施例进行详细说明，附图中：
21.图1为本技术实施例提供的一种基于车辆匹配的高速公路稽查方法的流程示意图；
22.图2为本技术实施例提供的一种基于车辆匹配的高速公路稽查设备的结构示意图。
具体实施方式
23.为使本技术的目的、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技术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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
24.本技术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，本技术对此不作特殊限制。为了方便理解和描述，以下实施例均以终端设备为例进行详细描述。
25.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，本技术对此不做具体限定。
26.下面参照附图来对本技术的一些实施例进行详细说明。
27.图1为本技术实施例提供的一种基于车辆匹配的高速公路稽查方法的流程示意图，具体包括以下步骤：
28.s101：确定电子不停车收费etc系统的车辆结构化模型。
29.在本技术的一些实施中，车辆结构化模型部署于各个边缘端对高速公路上行驶车辆进行实时分析，并且服务器建立车辆档案库，并对最初驶入高速公路的车辆存储至车辆档案库。
30.其中，边缘端包括通过etc系统识别车辆的各监控端，比如，收费站、服务区、微波车检、合流区、匝道出入口以及路段高清相机等。
31.需要说明的是，车辆结构化模型可以是现有车辆特征的识别算法，在此不作具体限定。
32.s102：通过车辆结构化模型对etc车道的车辆进行识别，确定车辆的特征信息，以及第一进站时间。
33.在本技术的一些实施中，当车辆驶入etc车道后，多维车辆特征识别系统的车头图
像抓拍单元自动抓拍识别车头照片，车侧图像抓拍单元实时扫描车侧面图像，通过车型识别匹配算法判断车侧轮轴数以及车侧长度来区别车型，车尾图像抓拍单元抓拍车尾图像，过车完成后通过队列算法进行向量匹配、时间匹配，对三组抓拍图像进行识别，得到车辆的特征信息。其中，车辆的特征信息包括车牌号、车牌位置、车牌颜色、车型、车身颜色等。比如，车牌颜色包括黄色车牌与蓝色车牌，车型包括小型车以及大型车等，车身颜色包括彩色车、黑白灰色车。
34.当然，在车辆驶入etc车道进站时，etc系统也会记录该车辆的进站时间(在此称为第一进站时间)，进站时间和特征信息存储在相应的档案库中，通过特征信息即可在档案库中检索到第一进站时间。
35.s103：根据特征信息在人工收费系统中检索，确定人工收费系统包括特征信息，以及第二进站时间。
36.在本技术的一些实施中，由于存在etc卡和现金卡互倒逃费的现象。比如，如果装有obu设备的车辆，从a站etc车道刷卡成功后，故意倒出，从人工车道正常领取现金卡驶入，出口用现金卡正常缴费驶出。返程时从b站领取现金卡驶入，出口时利用etc卡内滞留信息在距a站相近的c站驶出高速，达到了跑长买短目的通过etc进站后，然后退出，并在人工收费通道进行领取ic卡，从而进行逃费。
37.因此etc系统与人工收费系统联网，然后服务器在得到车辆的特征信息后，在人工收费系统中检索是否包括车辆的特征信息，若不包括车辆的特征信息，则将车辆当前在etc系统中记录的进站信息，作为车辆在高速公路行驶的进站信息。
38.当然，在车辆驶入人工收费车道进站时，人工收费系统也会记录该车辆的进站时间(在此称为第二进站时间)，进站时间和特征信息存储在相应的档案库中，通过特征信息即可在档案库中检索到第二进站时间。
39.s104：对比第一进站时间与第二进站时间，将最晚进站时间所对应的进站信息确定为车辆的进站信息，以根据进站信息对车辆进行收费。
40.在本技术的一些实施中，当前车辆在高速公路行驶时，由于人工收费系统与etc系统同时具有车辆的进站信息，因此服务器需要对比车辆在etc系统与人工收费系统中的进站时间，将最晚进站时间作为车辆的进站时间，以根据进站信息对车辆进行收费。即车辆以最后一次进站信息为准，并且自动提示删除前次进站信息。
41.需要说明的是，虽然本技术实施例是参照图1来对步骤s101至步骤s104依次进行介绍说明的，但这并不代表步骤s101至步骤s104必须按照严格的先后顺序执行。本技术实施例之所以按照图1中所示的顺序对步骤s101至步骤s104依次进行介绍说明，是为了方便本领域技术人员理解本技术实施例的技术方案。换句话说，在本技术实施例中，步骤s101至步骤s104之间的先后顺序可以根据实际需要进行适当调整。
42.通过图1的方法，本技术实施例通过对比etc系统与人工收费系统的进站时间，将最晚进站时间所对应的进站信息确定为车辆的进站信息，以根据进站信息对车辆进行收费，能够自动允许产生一次有效进站信息，并且以最后一次进站信息为准，从而可以避免etc卡和现金卡互倒逃费的现象，提高了高速公路稽查的管理效率。
43.基于图1的方法，本技术实施例还提供了该方法的一些具体实施方案和扩展方案，下面继续进行说明。
44.在本技术的一些实施中，在确定车辆的车型时，若直接通过车辆结构化模型识别的检测区域确定车辆的车型，会忽略图像场景的的复杂性，使得导致车辆的长度估计不准确。也就是说，由于图像场景的的复杂性，会导致检测区域中包括阴影。
45.需要说明的是，目标图片包括背景区域与检测区域，检测区域是指车辆轮廓所占的区域。
46.因此，服务器通过车辆结构化模型对etc车道的车辆进行识别，确定车辆的检测区域之后，服务器会对检测区域进行优化，即，消除检测区域的阴影。
47.进一步，在目标图片的灰度图上，像素点在被阴影覆盖和未被阴影覆盖时灰度值呈线性关系，即输入的阴影像素和背景像素的灰度值呈线性关系，并且对于不同像素，阴影灰度值和背景灰度值的比值基本保持恒定，从而阴影区域和背景区域的相关系数会接近1。
48.因此，服务器计算检测区域中像素的邻域内的灰度通道，与背景图片的灰度通道的归一化相关系数，如果相关系数的数值与1的差值小于预设阈值，将像素判定为阴影，从而将阴影进行消除，得到车辆的车型信息。也就是说，如果计算出的相关系数值很接近1，则将像素判定为阴影。
49.本技术实施例通过消除检测区域中的阴影区域，能够对检测区域进行优化，提高车型的识别准确率。
50.在本技术的一些实施中，由于阴影的判定可能不够准确，因此需要对阴影的判定进行验证。
51.具体地，由于在一定的时间段内，阴影的颜色是比较稳定的，随时间的变化较小，但是真正的车辆颜色变化很大。也就是说，阴影具有时间维度上的一致性。对于某一个像素，统计其被标记为运行像素时不同通道上值的分布，那么出现频率最大的值对应的是阴影。
52.因此，服务器预先构建混合高斯模型，将判定为阴影的像素输入混合高斯模型，在像素与混合高斯模型的高斯分布匹配时，如果匹配成功，则通过验证，将阴影进行消除，得到车辆的车型信息。
53.其中，在构建混合高斯模型时，获取大量各种车型的车辆侧面抓拍图片作为样本，从而得到样本检测区域，给样本检测区域中的每个像素建立一个初始混合高斯模型，然后采用当前像素被标记为运动区域时的值对各自的混合高斯模型进行更新，得到若干更新混合高斯模型，然后在若干更新混合高斯模型中，将具有最大权重的高斯分布所对应的更新混合高斯模型确定为混合高斯模型。也就是说，对应于阴影的高斯分布在经过一段时间的学习后，将具有最大的权重。
54.本技术实施例通过预先构建混合高斯模型，需要对阴影的判定进行验证，能够进一步提高车型的识别准确率。
55.在本技术的一些实施中，在确定车身颜色时，车身颜色识别的准确度主要依赖于车身颜色的识别区域，但是，在进行区域分割时，可能存在一些干扰，比如挂载物、车窗及车前散热物等，不能保证所选用的区域都为车身颜色区域。
56.因此，服务器通过车辆结构化模型对车头照片进行识别，确定车辆的车牌位置之后，结合车牌位置，得到车身颜色。
57.具体地，服务器选取车牌位置的上方的区域。其中，上方的区域为不大于预设距离
阈值的区域。判断所选的区域是否为彩色，即判断当前车辆是否为彩色车，如果是彩色车，则通过颜色识别算法识别彩色区域颜色，从而得到车身颜色。如果不是彩色车，即黑白灰色车，则将区域等分n份，并计算各区域在s通道中的方差，并选择不大于预设方差阈值的s方差所对应的数个区域作为识别区域，然后对识别区域进行颜色识别，得到识别区域的颜色，最后通过对识别区域的颜色进行投票确定车辆的车身颜色。
58.本技术实施例通过结合车牌位置，得到车身颜色，能够减少干扰物的影响，提高车身颜色的识别准确率。
59.在本技术的一些实施中，为了查出有套牌嫌疑的车辆，服务器在确定车辆对应的进站信息之后，将在预设时间段内，查询相同车牌车辆。其中，相同车牌车辆与当前车辆的车型相同。然后服务器获取相同车牌车辆的特征信息，将车辆的特征信息与相同车牌车辆的特征信息进行比对，把比对结果按照相似度进行排序，输出到比对结果队列，在比对结果队列中，计算若干相似度值的平均值，最后对比车辆与相同车牌车辆的行驶速度以及时空关系。
60.如果平均值不小于预设相似度阈值，并且行驶速度的差值不小于预设差值阈值，并且时空关系不同，则将车辆与车辆确定为不同路线行驶的车牌号相同的车辆。
61.也就是说，在预设时间段内，查询到相同车牌的车辆信息，如果特征信息差别较大，则不可能为同一个车辆。即使特征信息识别准确，结合行驶速度以及时空关系，如果行驶速度与时空关系差别也较大，则也不可能为同一个车辆的，而是在不同路线行驶中行驶的两辆车。
62.在本技术的一些实施中，为了查出大车小标偷逃费行为，通过采集车辆在进入高速公路后的图像数据进行分析，判断是否有疑似偷逃费行为。
63.因此，服务器在确定车辆对应的进站信息之后，通过特征信息，在车辆档案库中检索该车辆，若车辆存在于车辆档案库，确定车辆在车辆档案库中的历史特征信息，由于通过每一个感知设备时，都会进行分析，因此将每一次分析得到的特征信息与历史特征信息进行比较，若不一致，将车辆确定为大车小标嫌疑车辆，即存在大车小标偷逃费行为，并在etc系统中进行告警。
64.若车辆不存在于车辆档案库，与etc、obu设备中收费车型进行比较，若不一致，将车辆确定为大车小标嫌疑车辆，即存在大车小标偷逃费行为，并在etc系统中进行告警。
65.本技术实施例通过对车辆行驶过程中进行实时监测，每经过一个感知设备，能够对其进行结构化特征分析并与初上高速时的特征信息进行比较，若不一致即存在疑似偷逃费行为。
66.基于同样的思路，本技术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。
67.图2为本技术实施例提供的一种基于车辆匹配的高速公路稽查设备的结构示意图，包括：
68.至少一个处理器；以及，
69.与所述至少一个处理器通信连接的存储器；其中，
70.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：
71.确定电子不停车收费etc系统的车辆结构化模型；
72.通过车辆结构化模型对etc车道的车辆进行识别，确定车辆的特征信息，以及第一进站时间；
73.根据特征信息在人工收费系统中检索，确定人工收费系统包括特征信息，以及第二进站时间；
74.对比第一进站时间与第二进站时间，将最晚进站时间所对应的进站信息确定为车辆的进站信息，以根据进站信息对车辆进行收费。
75.本技术的一些实施例提供的一种基于车辆匹配的高速公路稽查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：确定电子不停车收费etc系统的车辆结构化模型；
76.通过车辆结构化模型对etc车道的车辆进行识别，确定车辆的特征信息，以及第一进站时间；
77.根据特征信息在人工收费系统中检索，确定人工收费系统包括特征信息，以及第二进站时间；
78.对比车辆在etc系统与人工收费系统中的进站时间，将最晚进站时间所对应的进站信息确定为车辆的进站信息，以根据进站信息对车辆进行收费。
79.本技术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。
80.本技术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。
81.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。
82.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。
83.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。
84.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。
85.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。
86.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。
87.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。
88.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。
89.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术技术原理之内所作的任何修改、等同替换、改进等，均应落入本技术的保护范围之内。