CN107578483A - 一种电子不停车收费交易方法、服务器及*** - Google Patents

Abstract

本发明涉及一种电子不停车收费交易方法，包括：通过摄像头获取所述摄像头覆盖区域内的图像，并基于深度学习识别所述覆盖区域内待交易车辆的位置；通过路侧单元获取所述路侧单元交易区域内的车载单元位置；根据所述待交易车辆的位置和所述车载单元的位置确定所述待交易车辆是否安装有车载单元；判断各所述待交易车辆中的当前交易车辆是否安装有车载单元，若有，则和所述当前交易车辆上安装的车载单元完成交易。本发明将视频深度学习与射频无线定位技术的融合应用于电子不停车收费***中，避免了跟车干扰和邻道干扰引起的误扣费现象。

Description

一种电子不停车收费交易方法、服务器及***

技术领域

本发明涉及智能交通(Intelligent Transportation System，简称ITS)领域，尤其涉及一种电子不停车收费交易方法、服务器及***。

背景技术

电子不停车收费技术是一种新兴的收费技术，是通过车辆上安装的车载单元与ETC(Electronic Toll Collection，电子不停车收费)专用车道内的路侧单元(Road SideUnit，简称RSU)进行通信，实现不停车收费，具有免停车快速通过、免除现金交易、简化收费管理、降低环境污染等优点，是智能交通(ITS)的重要应用领域之一。目前ETC***，通过RSU与车载单元(On Board Unit，简称OBU)进行通信，实现有标签车辆定位，但无法实现对无标签车辆的定位，必须配合地感线圈检测统计无标签车辆个数。采用地感线圈存在着，例如：线圈布设费用较高、线圈不易调整且兼容性较差，对车流量大，通行车辆速度较快的情况检测位置精度不高等诸多不足。所以导致ETC***抗干扰能力较差，无法有效的解决旁道干扰和跟车干扰现象引起的ETC交易时扣费错误及逃费问题。

发明内容

为解决上述问题，本发明提供一种电子不停车收费交易方法，包括：

视频识别步骤：通过摄像头获取所述摄像头覆盖区域内的图像，并基于深度学习识别所述覆盖区域内待交易车辆的位置；

射频识别步骤：通过路侧单元获取所述路侧单元交易区域内的车载单元位置，所述交易区域和所述覆盖区域至少部分重合；

判断步骤：根据所述待交易车辆的位置和所述车载单元的位置确定所述待交易车辆是否安装有车载单元，并确定各所述待交易车辆的先后顺序；

交易步骤：判断各所述待交易车辆中的当前交易车辆是否安装有车载单元，若有，则和所述当前交易车辆上安装的车载单元完成交易。

进一步的，所述视频识别步骤具体为：

对所述覆盖区域的图像进行标定，建立所述覆盖区域图像中的位置和现实位置的对应关系；

将所述覆盖区域的图像输入预设训练模型，获得待交易车辆的位置范围，根据所述位置范围求得所述待交易车辆的位置，其中所述待交易车辆的位置为现实位置。

进一步的，所述对所述覆盖区域的图像进行标定，建立所述覆盖区域图像中的位置和现实位置的对应关系步骤具体为：

选取至少4个所述覆盖区域内的点作为标定点；

获取所述至少4个标定点在所述覆盖区域图像中的位置和现实位置；

通过相机标定法得到所述覆盖区域图像中的位置和现实位置的转化参数。

进一步的，在所述视频识别步骤之前，还包括建立预设训练模型步骤，所述建立预设训练模型步骤具体为基于Region CNN算法、faster R-CNN方法、YOLO网络或SSD深度学习框架建立所述预设训练模型。

进一步的，所述基于SSD深度学习框架建立所述预设训练模型具体为：

预先采集覆盖区域内的图像生成复数个训练图像数据，其中所述图像数据包括正样本和负样本；

对所述训练图像数据进行预处理，其中预处理为对所述训练图像数据中的车辆进行框定和/或标注；

对复数个预处理过的所述训练图像数据进行深度学习训练，即点对点损失函数的计算以及反向传播计算的更新，最终得到获得所述预设训练模型。

进一步的，所述将所述覆盖区域的图像输入预设训练模型，获得待交易车辆的位置范围，根据所述位置范围求得所述待交易车辆的位置步骤具体为：

将所述覆盖区域的图像输入所述预设训练模型，得到所述待交易车辆在所述覆盖区域图像中的位置范围和预测结果的分数值prob，当分数值prob不小于预设值时，则根据所述位置范围计算所述待交易车辆的位置。

进一步的，所述识别步骤包括：

确认步骤：若任一待交易车辆的位置包括所述车载单元的位置，则判断所述待交易车辆安装有车载单元；

依次根据所述交易区域内的各车载单元分别执行所述确认步骤，确定所述交易区域和所述摄像头覆盖区域重合范围内的各待交易车辆是否安装有车载单元；

根据所述车载单元的位置和/或所述待交易车辆的位置确定所述待交易车辆的先后顺序。

再一个方面，本发明还公开了一种高速公路电子不停车收费交易服务器，包括：

视频识别模块，用于通过摄像头获取所述摄像头覆盖区域内的图像，并基于深度学习识别所述覆盖区域内待交易车辆的位置；

射频识别模块，用于通过路侧单元获取所述路侧单元交易区域内的车载单元位置，所述交易区域和所述覆盖区域至少部分重合；

判断模块，用于根据所述待交易车辆的位置和所述车载单元的位置确定所述待交易车辆是否安装有车载单元，并确定各所述待交易车辆的先后顺序；

交易模块，用于判断各所述待交易车辆中的当前交易车辆是否安装有车载单元，若有，则和所述当前交易车辆上安装的车载单元完成交易。

另一个方面，本发明还提供了一种高速公路电子不停车收费交易服务器，包括处理器和存储器，所述存储器用于存储程序指令，以使所述处理器加载所述程序指令，完成如上所述的方法步骤。

再一个方面，还提供了一种高速公路电子不停车收费交易***，包括摄像头、路侧单元，其中摄像头的覆盖范围和所述路侧单元的交易区域至少部分重合，所述摄像头和所述路侧单元分别和如上所述的服务器相连。

实施本发明的技术方案，能够将视频深度学习与射频无线定位技术的融合应用于电子不停车收费***中，避免了跟车干扰和邻道干扰引起的误扣费现象，确保***更加高效、经济、准确的工作。

附图说明

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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。附图中：

图1是应用场景示意图；

图2是本发明一种高速公路电子不停车收费交易方法的流程图。

具体实施方式

本发明应用于如图1所示的ETC***，该***包括摄像头2、路侧单元3和服务器1，其中服务器1可以是和摄像头2、路侧单元3分别连接的工控机。摄像头2和路侧单元3采用龙门架设置在ETC车道上方，摄像头2用于拍摄其覆盖区域内的图像(图中虚线表示的扇形区域)并传输给服务器1；路侧单元3在服务器1的控制下与交易区域内(图中虚线表示的椭圆形区域)的车载单元(图中未示出，其中OBU1和OBU2为安装有车载单元的车辆)通信，并对车载单元进行定位，获取车载单元内的车辆信息。当OBU1车辆成为行进方向上最靠前的尚未完成交易的待交易车辆时，路侧单元3与OBU1车辆携带的车载单元完成交易，并放行完成交易的OBU1车辆。其中交易区域是指路侧单元可以完成车载单元通信的区域，尚未完成交易既包括尚未完成ETC交易，也未完成人工等其他交易。该***除可以用于高速公路ETC车道外，在城市自由流等领域也有应用前景。

实施例1，基于上述***，本发明提供一种高速公路电子不停车收费交易方法，包括：

视频识别步骤：通过摄像头2获取所述摄像头2覆盖区域内的图像，并基于深度学习识别所述覆盖区域内待交易车辆的位置；容易理解的，服务器1和摄像头2连接，接收摄像头2拍摄的覆盖区域的图像，当ETC车道上有待交易车辆时，摄像头拍摄到待交易车辆，然后由服务器1基于深度学习识别出图像中的待交易车辆，并计算出待交易车辆的现实位置。

射频识别步骤：通过路侧单元3获取所述路侧单元交易区域内的车载单元位置，所述交易区域和所述覆盖区域至少部分重合；可以理解的，交易区域和摄像头的覆盖区域由于产生的设备不同，因此一般不会完全重合。在本实施例中，交易区域和覆盖区域重合部分包括ETC车道一部分，该ETC车道的一部分至少包括路侧单元3和车载单元完成交易所对应的位置。容易理解的，重合部分还可以包括较长的ETC车道，用于拍摄和定位若干辆待交易车辆。为了保证车载单元位置获取的准确性，路侧单元3可以为相控阵路侧单元。

判断步骤：根据所述待交易车辆的位置和所述车载单元的位置确定所述待交易车辆是否安装有车载单元，并确定各所述待交易车辆的先后顺序；当待交易车辆为多辆时，在行车方向上以当前交易车辆为首，依次记录各待交易车辆的先后次序。

交易步骤：判断各所述待交易车辆中的当前交易车辆是否安装有车载单元，若有，则和所述当前交易车辆上安装的车载单元完成交易。识别出各待交易车辆的先后次序和是否安装有车载单元后，如果判断当前交易车辆安装有车载单元，则服务器1控制路侧单元3和车辆上的车载单元进行交易，扣费后放行当前交易车辆，容易理解的，在每个当前交易车辆完成交易后，其它待交易车辆依次行进，其中行进方向上最靠前的尚未完成交易的待交易车辆即为当前交易车辆。如果判断其没有安装车载单元，则采用人工扣费，或警示其驶出ETC车道。更进一步的，在上述功能之外，由于路侧单元3在和车载单元交易过程中会获取车载单元本身的ID和车载单元中记录的车辆信息，进一步的摄像头采集的图像也可以解析出部分车辆信息，因此也可以用来对收费进行验证，防止误收费。

本发明利用视频深度学习对待交易车辆进行检测，同时结合路侧单元3无线定位，其中深度学习算法对ETC车道上的待交易车辆实时识别定位，既包括有车载单元的待交易车辆，也包括无车载单元的待交易车辆。通过深度学习识别定位结果，可以精准的确定ETC车道上的待交易车辆队列中每一辆车的位置关系，并且结合路侧单元3无线定位的结果，可以判断出待交易车辆队列中的每辆车有无车载单元情况。能够高效解决车流量增大引发的跟车干扰问题及在同向多车道应用中出现邻道干扰的问题。

实施例2，在视频深度学习和路侧单元3无线定位两种方法获得的定位结果中，深度学习结果属于图像中的位置，而路侧单元3的结果属于现实位置，为了融合两种定位方法的结果，在实施例1的基础上，所述视频识别步骤具体为：

对所述覆盖区域的图像进行标定，建立所述覆盖区域图像中的位置和现实位置的对应关系；

将所述覆盖区域的图像输入预设训练模型，获得待交易车辆的位置范围，根据所述位置范围求得所述待交易车辆的位置，其中所述待交易车辆的位置为现实位置。

容易理解的，现实位置是待交易车辆在ETC车道水平面上的物理位置信息，单位是米；深度学习通过图像进行识别定位获得的待交易车辆位置范围是图像坐标系下的待交易车辆所占用的像素范围，单位是像素。因此需要对摄像头2的图像进行标定，建立其和现实位置的对应关系：

具体的，选取至少4个所述覆盖区域内的点作为标定点；

获取所述至少4个标定点在所述覆盖区域图像中的位置和现实位置；也就是获取所有标定点在图像坐标系中点坐标和现实中的坐标，坐标系的选择只要能完成相应功能即可，在此不做具体限定。

通过相机标定法推导出的标定矩阵计算得到所述覆盖区域图像中的位置和现实位置的转化参数。

通过转化参数，即可以方便在覆盖区域图像中的位置和现实位置进行转换。

实施例3，在实施例2的基础上，在所述视频识别步骤之前，还包括建立预设训练模型步骤，所述建立预设训练模型步骤具体为基于Region CNN(Region-basedConvolutional Neural Network，区域卷积神经网络)算法、faster R-CNN(FasterRegion-based Convolutional Neural Network，快速区域卷积神经网络算法)方法、YOLO(YouOnly Look Once)网络或SSD深度学习框架建立所述预设训练模型。

SSD(Single Deep Nerual Network)深度学习框架的核心是预测物体，以及计算其归属类别的得分。SSD是基于一个向前传播CNN网络，通过输入单帧图像数据，根据深度学习训练模式计算，输出一系列固定大小的边界框，以及每一个边框中包括物体实例的可能性，即分数。通过进行一个非极大值抑制，得到最终的预测结果。SSD方法在检测时间、检测精度上都有比较好的表现。所述选择SSD深度学习框架建立所述预设训练模型，具体为：

预先采集覆盖区域内的图像生成复数个训练图像数据，其中所述图像数据包括正样本和负样本；可以理解的，训练图像数据的多少直接影响计算的准确性，因此不应过少，在此选择正样本2000张和负样本1000张，正样本为包含待交易车辆的样本，负样本为不包含待交易车辆的样本。

对所述训练图像数据进行预处理，其中预处理为对所述训练图像数据中的车辆进行框定和/或标注；

对复数个预处理过的所述训练图像数据进行深度学习训练，即点对点损失函数的计算以及反向传播计算的更新，最终得到获得所述预设训练模型。

进一步的，所述将所述覆盖区域的图像输入预设训练模型，获得待交易车辆的位置范围，根据所述位置范围求得所述待交易车辆的位置步骤具体为：

将所述覆盖区域的图像输入所述预设训练模型，得到所述待交易车辆在所述覆盖区域图像中的位置范围和预测结果的分数值prob，当分数值prob不小于预设值时，则根据所述位置范围计算所述待交易车辆的位置。

可以理解的，将实时采集的每一帧图像作为输入，通过预设训练模型计算，即可得到图像中待交易车辆在的图像中的位置范围,表示为位置范围在图像中右下角坐标和左上角坐标(单位像素)，以及该预测结果的分数值prob，分数值prob越大说明是车辆的可能性就越大，一般分数prob≥0.68时(满分为1.0分)，就认为是待交易车辆。SSD方法可以同时把该图像中的所有待交易车辆都进行识别、定位检测，然后根据获得的所有待交易车辆的位置范围通过转化参数最终求得所有述待交易车辆在ETC车道上的待交易车辆位置。

进一步的，所述判断步骤包括：

确认步骤：若任一待交易车辆的位置包括所述车载单元的位置，则判断所述待交易车辆安装有车载单元；可以理解的，车载单元的位置是路侧单元3利用DSRC(DedicatedShort Range Communication，简称DSRC)技术与通信区域内的车载单元进行通信，获取的车载单元位置，其中车载单元的位置为点值。而图像中的车辆位置经预设训练模型识别的是一个范围值，即位置范围，而车载单元是安装在待交易车辆上的，所以如果车载单元位置的点值如果落入了待交易车辆的位置范围，则说明待交易车辆上安装了车载单元。

依次根据所述交易区域内的各车载单元分别执行所述确认步骤，确定所述交易区域和所述摄像头覆盖区域重合范围内的各待交易车辆是否安装有车载单元；

根据所述车载单元的位置和/或所述待交易车辆的位置确定所述待交易车辆的先后顺序。

可以理解的，除了上述将图像位置转换成现实位置外，还可以统一将待交易车辆和车载单元的位置转化为图像中的位置，本质相同，具体的，还可以获得转化参数后，将路侧单元3RSU无线定位获得现实位置(单位，米)转为图像中的位置(单位，像素)，最终通过两种不同方法分别获得待交易车辆和车载单元在图像中的位置，同步在数据融合模块中，通过计算每一辆车位置相对于路侧单元3和车载单元完成交易所对应的位置的距离远近，就可以判断各待交易车辆出在ETC车道上位置关系。

实施例4，本发明还公开了一种高速公路电子不停车收费交易服务器1，包括：

视频识别模块，用于通过摄像头2获取所述摄像头2覆盖区域内的图像，并基于深度学习识别所述覆盖区域内待交易车辆的位置；

射频识别模块，用于通过路侧单元3获取所述路侧单元3交易区域内的车载单元位置，所述交易区域和所述覆盖区域至少部分重合；

判断模块，用于根据所述待交易车辆的位置和所述车载单元的位置确定所述待交易车辆是否安装有车载单元，并确定各所述待交易车辆的先后顺序；

交易模块，用于判断各所述待交易车辆中的当前交易车辆是否安装有车载单元，若有，则和所述当前交易车辆上安装的车载单元完成交易。

另一个方面，本发明还提供了一种高速公路电子不停车收费交易服务器1，包括处理器和存储器，所述存储器用于存储程序指令，以使所述处理器加载所述程序指令，完成如实施例1-3所述的方法步骤。

再一个方面，如图1所示，本发明还提供了一种高速公路电子不停车收费交易***，包括摄像头2、路侧单元3，其中摄像头2的覆盖范围和所述路侧单元3的交易区域至少部分重合，所述摄像头2和所述路侧单元3分别和如上所述的服务器1相连。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何纂改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (10)

1.一种电子不停车收费交易方法，其特征在于，包括：

视频识别步骤：通过摄像头获取所述摄像头覆盖区域内的图像，并基于深度学习识别所述覆盖区域内待交易车辆的位置；

射频识别步骤：通过路侧单元获取所述路侧单元交易区域内的车载单元位置，所述交易区域和所述覆盖区域至少部分重合；

判断步骤：根据所述待交易车辆的位置和所述车载单元的位置确定所述待交易车辆是否安装有车载单元；

交易步骤：判断各所述待交易车辆中的当前交易车辆是否安装有车载单元，若有，则和所述当前交易车辆上安装的车载单元完成交易。

2.根据权利要求1所述的方法，其特征在于，所述视频识别步骤具体为：

对所述覆盖区域的图像进行标定，建立所述覆盖区域图像中的位置和现实位置的对应关系；

将所述覆盖区域的图像输入预设训练模型，获得待交易车辆的位置范围，根据所述位置范围求得所述待交易车辆的位置，其中所述待交易车辆的位置为现实位置。

3.根据权利要求2所述的方法，其特征在于，所述对所述覆盖区域的图像进行标定，建立所述覆盖区域图像中的位置和现实位置的对应关系步骤具体为：

选取至少4个所述覆盖区域内的点作为标定点；

获取所述至少4个标定点在所述覆盖区域图像中的位置和现实位置；

通过相机标定法得到所述覆盖区域图像中的位置和现实位置的转化参数。

4.根据权利要求2所述的方法，其特征在于，在所述视频识别步骤之前，还包括建立预设训练模型步骤，所述建立预设训练模型步骤具体为基于Region CNN算法、faster R-CNN方法、YOLO网络或SSD深度学习框架建立所述预设训练模型。

5.根据权利要求4所述的方法，其特征在于，所述基于SSD深度学习框架建立所述预设训练模型具体为：

预先采集覆盖区域内的图像生成复数个训练图像数据，其中所述图像数据包括正样本和负样本；

对所述训练图像数据进行预处理，其中预处理为对所述训练图像数据中的车辆进行框定和/或标注；

对复数个预处理过的所述训练图像数据进行深度学习训练，即点对点损失函数的计算以及反向传播计算的更新，最终得到获得所述预设训练模型。

6.根据权利要求5所述的方法，其特征在于，所述将所述覆盖区域的图像输入预设训练模型，获得待交易车辆的位置范围，根据所述位置范围求得所述待交易车辆的位置步骤具体为：

将所述覆盖区域的图像输入所述预设训练模型，得到所述待交易车辆在所述覆盖区域图像中的位置范围和预测结果的分数值prob，当分数值prob不小于预设值时，则根据所述位置范围计算所述待交易车辆的位置。

7.根据权利要求6所述的方法，其特征在于，所述判断步骤包括：

确认步骤：若任一待交易车辆的位置包括所述车载单元的位置，则判断所述待交易车辆安装有车载单元；

依次根据所述交易区域内的各车载单元分别执行所述确认步骤，确定所述交易区域和所述摄像头覆盖区域重合范围内的各待交易车辆是否安装有车载单元；

根据所述车载单元的位置和/或所述待交易车辆的位置确定所述待交易车辆的先后顺序。

8.一种高速公路电子不停车收费交易服务器，其特征在于，包括：

视频识别模块，用于通过摄像头获取所述摄像头覆盖区域内的图像，并基于深度学习识别所述覆盖区域内待交易车辆的位置；

射频识别模块，用于通过路侧单元获取所述路侧单元交易区域内的车载单元位置，所述交易区域和所述覆盖区域至少部分重合；

判断模块，用于根据所述待交易车辆的位置和所述车载单元的位置确定所述待交易车辆是否安装有车载单元；

交易模块，用于判断各所述待交易车辆中的当前交易车辆是否安装有车载单元，若有，则和所述当前交易车辆上安装的车载单元完成交易。

9.一种高速公路电子不停车收费交易服务器，其特征在于，包括处理器和存储器，所述存储器用于存储程序指令，以使所述处理器加载所述程序指令，完成如权利要求1-7任一项所述的方法步骤。

10.一种高速公路电子不停车收费交易***，其特征在于，包括摄像头、路侧单元，其中摄像头的覆盖范围和所述路侧单元的交易区域至少部分重合，所述摄像头和所述路侧单元分别和如权利要求8或9所述的服务器相连。