CN110598758A - 训练建模方法、车辆收费方法、管理***及存储介质 - Google Patents

训练建模方法、车辆收费方法、管理***及存储介质 Download PDF

Info

Publication number
CN110598758A
CN110598758A CN201910782795.9A CN201910782795A CN110598758A CN 110598758 A CN110598758 A CN 110598758A CN 201910782795 A CN201910782795 A CN 201910782795A CN 110598758 A CN110598758 A CN 110598758A
Authority
CN
China
Prior art keywords
license plate
vehicle
information
image data
parking lot
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.)
Pending
Application number
CN201910782795.9A
Other languages
English (en)
Inventor
许洪斌
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.)
WEILONG JINYI TECHNOLOGY (SHENZHEN) Co Ltd
Original Assignee
WEILONG JINYI TECHNOLOGY (SHENZHEN) 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 WEILONG JINYI TECHNOLOGY (SHENZHEN) Co Ltd filed Critical WEILONG JINYI TECHNOLOGY (SHENZHEN) Co Ltd
Priority to CN201910782795.9A priority Critical patent/CN110598758A/zh
Publication of CN110598758A publication Critical patent/CN110598758A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
    • G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
    • G07B15/02—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points taking into account a variable factor such as distance or time, e.g. for passenger transport, parking systems or car rental systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)

Abstract

本发明涉及了一种停车场车辆特征训练建模方法、车辆收费方法、管理***及存储介质，该停车场车辆特征训练建模方法包括：获取停车场入口处的第一图像数据，识别第一车牌信息，并获取第一特征信息，加入在场记录；获取停车场出口处的第二图像数据，识别第二车牌信息，并判断能否与在场记录中的一个第一车牌信息匹配成功，在匹配成功时，获取第二特征信息；判断与第二特征信息相似度最高的第一特征信息对应的第一车牌信息与第二特征信息对应的第二车牌信息是否相同；若不相同，则对通用车辆模型进行训练，以建立专用车辆模型。实施本发明的技术方案，通过对通用车辆模型进行不断修正，可建立准确的专用车辆模型，以提高特征匹配的准确率。

Description

训练建模方法、车辆收费方法、管理***及存储介质
技术领域
本发明涉及智能交通(Intelligent Transportation System，ITS)领域，尤其涉及一种停车场车辆特征训练建模方法、车辆收费方法、管理***及存储介质。
背景技术
随着停车场出入口识别技术的发展，车辆识别准确率已经有了很大的提高，主流的识别的方式目前有车牌识别、刷卡识别等，其中，刷卡识别用户体验较差已经渐渐退出了市场，而车牌识别准确率也到达了瓶颈，很难再有所提高。随着城市车辆的日益增长，停车场管理方也迫切需要提高出入口识别准确率以减少出入口识别错误造成的收费问题以及拥堵压力，提高停车场出入口的车辆识别准确率是目前亟待解决的问题。
发明内容
本发明要解决的技术问题在于，针对现有技术中的停车场出入口的车辆识别准确率低的缺陷，提供一种停车场车辆特征训练建模方法、车辆收费方法、管理***及存储介质。
本发明解决其技术问题所采用的技术方案是：构造一种停车场车辆特征训练建模方法，包括：
驶入步骤：获取停车场入口处的入场车辆的第一图像数据，根据所述第一图像数据识别所述入场车辆的第一车牌信息，并将所述第一图像数据输入至通用车辆模型，而且，根据所述通用车辆模型的输出结果获取所述入场车辆的第一特征信息，并将所述第一车牌信息和所述第一特征信息加入在场记录；
驶出步骤：获取停车场出口处的出场车辆的第二图像数据，根据所述第二图像数据识别所述出场车辆的第二车牌信息，并判断所述第二车牌信息能否与所述在场记录中的一个第一车牌信息匹配成功，而且，在匹配成功时，将所述第二图像数据输入至所述通用车辆模型，且根据所述通用车辆模型的输出结果获取所述出场车辆的第二特征信息；
特征匹配步骤：确定所述第二特征信息与所述在场记录的每个第一特征信息的相似度，并判断所述相似度最高的第一特征信息对应的第一车牌信息与所述第二特征信息对应的第二车牌信息是否相同，若不相同则进入特征训练步骤；
特征训练步骤：将所述第一图像数据和所述第二图像数据作为训练样本，并根据所述训练样本对所述通用车辆模型进行训练，以建立专用车辆模型。
优选地，特征匹配步骤中，如果所述相似度最高的第一特征信息对应的第一车牌信息与所述第二特征信息对应的第二车牌信息不相同，所述方法还包括：
记录不相同的次数，并计算特征匹配的准确率，而且，判断所述训练样本的总数量是否达到预设数量，和/或，判断所述特征匹配的准确率是否达到预设值，并在所述训练样本的总数量达到预设数量，和/或，所述特征匹配的准确率达到预设值时，将当前的专用车辆模型作为最终的专用车辆模型。
优选地，确定所述第二特征信息与所述在场记录的每个第一特征信息的相似度，包括：
根据余弦相似度算法，确定所述第二特征信息与所述在场记录的每个第一特征信息的相似度。
优选地，所述驶入步骤还包括：
根据所述第一图像数据判断所述入场车辆是否属于准入车辆，若是，再根据所述第一图像数据识别所述入场车辆的第一车牌信息。
优选地，所述第一图像数据包括多个入场图像，而且，
将所述第一图像数据输入至通用车辆模型，且根据所述通用车辆模型的输出结果获取所述入场车辆的第一特征信息，包括：
根据图像噪声估计算法对所述多个入场图像进行筛选，并将筛选后的入场图像输入至通用车辆模型，且根据所述通用车辆模型的输出结果获取所述入场车辆的第一特征信息；
和/或，
所述第二图像数据包括多个出场图像，而且，
将所述第二图像数据输入至通用车辆模型，且根据所述通用车辆模型的输出结果获取所述出场车辆的第二特征信息，包括：
根据图像噪声估计算法对所述多个出场图像进行筛选，并将筛选后的出场图像输入至通用车辆模型，且根据所述通用车辆模型的输出结果获取所述出场车辆的第二特征信息。
本发明还构造一种停车场的车辆收费方法，包括：
获取停车场入口处的入场车辆的第一图像数据，根据所述第一图像数据识别所述入场车辆的第一车牌信息，并将所述第一图像数据输入至专用车辆模型，且根据所述专用车辆模型的输出结果获取所述入场车辆的第一特征信息，并将所述第一车牌信息和所述第一特征信息加入在场记录，其中，所述专用车辆模型是根据以上停车场车辆特征训练建模方法获取的；
获取停车场出口处的出场车辆的第二图像数据，根据所述第二图像数据识别所述出场车辆的第二车牌信息，并判断所述第二车牌信息能否与所述在场记录中的一个第一车牌信息匹配成功，而且，在匹配不成功时，将所述第二图像数据输入至所述专用车辆模型，且根据所述专用车辆模型的输出结果获取所述出场车辆的第二特征信息；
确定所述第二特征信息与所述在场记录的每个第一特征信息的相似度，并判断所述相似度最高的第一特征信息；
根据所述第一特征信息和所述第二特征信息获取驶入/驶出时间，并根据所述驶入/驶出时间计算停车费用，以对相关账户进行扣费。
本发明还构造一种停车场管理***，包括处理器，所述处理器在执行所存储的计算机程序时实现以上所述的停车场车辆特征训练建模方法的步骤，和/或，以上所述的停车场的车辆收费方法的步骤。
本发明还构造一种存储介质，存储有计算机程序，所述计算机程序在被处理器执行时实现以上所述的停车场车辆特征训练建模方法的步骤，和/或，以上所述的停车场的车辆收费方法的步骤。
本发明还构造一种停车场管理***，包括：
图像获取模块，用于获取停车场入口处的入场车辆的第一图像数据；及获取停车场出口处的出场车辆的第二图像数据；
车牌识别模块，用于根据所述第一图像数据识别所述入场车辆的第一车牌信息，并将所述第一车牌信息加入在场记录；及根据所述第二图像数据识别所述出场车辆的第二车牌信息，而且，判断所述第二车牌信息能否与所述在场记录中的一个第一车牌信息匹配成功；
特征识别模块，用于将所述第一图像数据输入至通用车辆模型，且根据所述通用车辆模型的输出结果获取所述入场车辆的第一特征信息，并将所述第一特征信息加入在场记录；及在所述第二车牌信息能与所述在场记录中的一个第一车牌信息匹配成功时，将所述第二图像数据输入至通用车辆模型，且根据所述通用车辆模型的输出结果获取所述出场车辆的第二特征信息；
特征匹配模块，用于确定所述第二特征信息与所述在场记录的每个第一特征信息的相似度，并判断所述相似度最高的第一特征信息对应的第一车牌信息与所述第二特征信息对应的第二车牌信息是否相同，若不相同则进入特征训练模块；
特征训练模块，用于将所述第一图像数据和所述第二图像数据作为训练样本，并根据所述训练样本对所述通用车辆模型进行训练，以建立专用车辆模型。
优选地，如果所述相似度最高的第一特征信息对应的第一车牌信息与所述第二特征信息对应的第二车牌信息不相同，所述停车场管理***还包括：
统计模块，用于记录不相同的次数，并计算特征匹配的准确率，而且，判断所述训练样本的总数量是否达到预设数量，和/或，判断所述特征匹配的准确率是否达到预设值，并在所述训练样本的总数量达到预设数量，和/或，所述特征匹配的准确率达到预设值时，将当前的专用车辆模型作为最终的专用车辆模型。
优选地，还包括计费模块，而且，
所述特征识别模块，还用于将所述第一图像数据输入至专用车辆模型，且根据所述专用车辆模型的输出结果获取所述入场车辆的第一特征信息；及在所述第二车牌信息与所述在场记录中的任一个第一车牌信息都匹配不成功时，将所述第二图像数据输入至专用车辆模型，且根据所述专用车辆模型的输出结果获取所述出场车辆的第二特征信息；
所述特征匹配模块，还用于确定所述第二特征信息与所述在场记录的每个第一特征信息的相似度，并判断所述相似度最高的第一特征信息；
所述计费模块，用于根据所述第一特征信息和所述第二特征信息获取驶入/驶出时间，并根据所述驶入/驶出时间计算停车费用，以对相关账户进行扣费。
本发明所提供的技术方案，在停车场运营的前期(自动训练建模阶段)，能够针对不同停车场环境特点，自动高效的对停车场自身的个性化环境和来车方向、角度等特征进行深度学习，并剔除掉停车场个性化环境特征，从而对通用车辆模型进行不断修正，可建立准确的专用车辆模型，以提高特征匹配的准确率。
进一步地，在建立了专用车辆模型后，特征匹配的准确率显著提高，因此，在对入场车辆和出场车辆进行匹配时，可将车牌匹配与特征匹配两种匹配模式相结合，在车牌匹配模式失效时，采用特征匹配模式，这种双模联动的方式可达到精准匹配的目的，从而完成车辆的精准收费和放行，真正搭建了无人值守的停车场场景，而且，大大提高停车场出入口通行效率。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例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是本发明停车场车辆特征训练建模方法实施例一的流程图；
图2是本发明停车场的车辆收费方法实施例一的流程图；
图3是本发明停车场管理***实施例一的逻辑结构图；
图4是本发明停车场管理***实施例二的逻辑结构图。
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，所描述的实施例仅仅是本发明一部分实施例，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。
首先说明的是，随着人工智能的发展，虽然有的停车场的出入口车辆识别已经开始引入车辆特征识别的方式，但是，目前一般是通过各种渠道搜集大量的图片，然后采用通用的数据样本进行训练，并建立一个基本的通用车辆模型，然后将该通用模型应用在各个停车场中。但在实际应用中发现，各个停车场的环境各不相同，车道角度、宽度等都没有统一标准，虽然该通用车辆模型具有一定的匹配度，但是实际效果并不佳，因此，该通用车辆模型无法很好地满足不同停车场的使用，进而使得车辆的特征提取和匹配的准确率不高。
图1是本发明停车场车辆特征训练建模方法实施例一的流程图，该实施例的停车场车辆特征训练建模方法包括以下步骤：
驶入步骤S11：获取停车场入口处的入场车辆的第一图像数据，根据所述第一图像数据识别所述入场车辆的第一车牌信息，并将所述第一图像数据输入至通用车辆模型，而且，根据所述通用车辆模型的输出结果获取所述入场车辆的第一特征信息，并将所述第一车牌信息和所述第一特征信息加入在场记录，优选地，也会将第一图像数据加入在场记录；
驶出步骤S12：获取停车场出口处的出场车辆的第二图像数据，根据所述第二图像数据识别所述出场车辆的第二车牌信息，并判断所述第二车牌信息能否与所述在场记录中的一个第一车牌信息匹配成功，而且，在匹配成功时，将所述第二图像数据输入至所述通用车辆模型，且根据所述通用车辆模型的输出结果获取所述出场车辆的第二特征信息；
特征匹配步骤S13：确定所述第二特征信息与所述在场记录的每个第一特征信息的相似度，并判断所述相似度最高的第一特征信息对应的第一车牌信息与所述第二特征信息对应的第二车牌信息是否相同，若不相同则进入特征训练步骤；
特征训练步骤S14：将所述第一图像数据和所述第二图像数据作为训练样本，并根据所述训练样本对所述通用车辆模型进行训练，以建立专用车辆模型。
在该实施例中，需说明的是：
首先，由于目前停车场的出入口处都设置有摄像头，当感应到车辆进/出场时，均会对车辆进行图像拍摄，从而获取到出入口处的图像数据。
其次，关于车辆的车牌信息识别，其实现方式包括但不局限于：传统图像处理的机器学习的方法、深度学习方法等等，目前市场上存在成熟的车牌识别模型，其识别准确率在99.5％左右，在此不做赘述。关于车辆的特征信息识别，其实现方式是：预先在停车场管理***中导入一通用车辆模型(基础模型)，该通用车辆模块是通过对标准车道建模而获取的，包括但不局限：VGG、ResNet、SE-ResNet、SSD、YOLO、CornetNet等。虽然前期使用该通用车辆模型进行车辆特征识别的效果不佳，但也还是具有一定的匹配度。当获取到出入口处车辆的图像数据后，可将相应图像数据输入至该通用车辆模型，然后根据该通用车辆模型的输出就可获取到相应车辆的特征信息。
最后，在需要对第一图像数据和第二图像数据进行训练时，应先剔除环境特征、标注车辆轮廓部分，再提取车辆的特征，然后才对车辆的特征自动进行训练，从而建立专用车辆模型。
实施该实施例的技术方案，在停车场运营的前期(自动训练建模阶段)，能够针对不同停车场环境特点，自动高效的对停车场自身的个性化环境和来车方向、角度等特征进行深度学习，并剔除掉停车场个性化环境特征，从而对通用车辆模型进行不断修正，可建立准确的专用车辆模型，以提高特征匹配的准确率。
进一步地，在驶出步骤S12中，若判断出场车辆的第二车牌信息不能与在场记录中的任一个第一车牌信息匹配成功，即，车牌匹配不成功，则可转原有人工处理方式，本次不做车辆的特征匹配。
进一步地，在特征匹配步骤S13中，若判断出与出场车辆的第二特征信息的相似度最高的第一特征信息对应的第一车牌信息与所述第二特征信息对应的第二车牌信息相同，即，出场车辆的第二特征信息能与在场记录中的一个第一特征信息相匹配，且与车牌匹配的结果相一致，说明本次模型准确，无需对第一图像数据和第二图像数据进行训练，只需要更新特征匹配的次数即可。
在一个可选实施例中，特征匹配步骤S13中，如果所述相似度最高的第一特征信息对应的第一车牌信息与所述第二特征信息对应的第二车牌信息不相同，则本发明的停车场车辆特征训练建模方法还包括：
记录不相同的次数，并计算特征匹配的准确率，而且，判断所述训练样本的总数量是否达到预设数量，和/或，判断所述特征匹配的准确率是否达到预设值，并在所述训练样本的总数量达到预设数量，和/或，所述特征匹配的准确率达到预设值时，将当前的专用车辆模型作为最终的专用车辆模型。
在该实施例中，通过判断训练样本的总数量，和/或，通过判断特征匹配的准确率，来确定建模是否完成，优选地，只有在训练样本的总数量及特征匹配的准确率均达到要求时才确定建模完成。当训练样本逐渐增加到足够大之后，其特征匹配准确率会越来越高，达到设定的样本值数量以及准确率后(该值可设定)时，便认为自动训练建模完成。当然在其它实施例中，也可通过判断训练期限是否届满来确定建模完成，训练期限例如为两个月。应理解，还可以通过其他人为设定条件来判断建模是否完成，上述例子仅仅用于举例，不应构成具体限定。
在一个可选实施例中，驶入步骤S11还包括：
根据所述第一图像数据判断所述入场车辆是否属于准入车辆，若是，再根据所述第一图像数据识别所述入场车辆的第一车牌信息。
在该实施例中，在获取到停车场入口处的入场车辆的第一图像数据后，先判断其是否属于准入车辆，例如，可通过对第一图像数据进行车型的识别，由于车辆的车型包括但不局限以下几种：小汽车、小货车、超高车、两轮摩托车、三轮摩托车、自行车、三轮自行车，而且，在对车辆的车型进行识别时，可将第一图像数据送入预先建立的车型模型中，便可直接得到车辆车型，其中，该车型模块例如为基于SqueezeNet基础网络模型，而且，可根据caffe框架通过对样本数据(例如，4000张停车场出入口所采集的车型数据集)进行训练而获得。接着，再判断所识别出的车型是否属于准入进场的车型，只有在属于准入车辆时，才开始识别其第一车牌信息，并放行车辆。如果所识别出的车型属于禁止入场的车型，可给以公示信息提醒车主禁止入场。
在一个可选实施例中，在确定所述第二特征信息与所述在场记录的每个第一特征信息的相似度，包括：
根据余弦相似度(Cosine Similarity)算法，确定所述第二特征信息与所述在场记录的每个第一特征信息的相似度。
在该实施例中，采用余弦相似度算法来计算出场车辆的第二特征信息和入场车辆的第一特征信息的相似度，而且，通过设置合理的相似度阈值来确定两个特征信息是否匹配。
关于余弦相似度算法，说明如下：余弦相似度又称为余弦相似性，是通过计算两个向量的夹角余弦值来评估他们的相似度。余弦相似度将向量根据坐标值绘制到向量空间中，其中最常见的二维空间。然后通过测量两个向量的夹角的余弦值来度量它们之间的相似性。0度角的余弦值是1，而其他任何角度的余弦值都不大于1，并且其最小值是-1。从而两个向量之间的角度的余弦值确定两个向量是否大致指向相同的方向。两个向量有相同的指向时，余弦相似度的值为1；两个向量夹角为90°时，余弦相似度的值为0；两个向量指向完全相反的方向时，余弦相似度的值为-1。这结果是与向量的长度无关的，仅仅与向量的指向方向相关。余弦相似度通常用于正空间，因此给出的值为0到1之间。
两个向量间的余弦值可以通过使用欧几里得点积公式求出：
A·B＝||A||||B||cosθ
其中，A、B为两个向量，||A||为A的绝对值，||B||为B的绝对值，θ为向量A、B的夹角。
对于给定的两个属性向量A和B，其余弦相似度由点积和向量长度给出，如下所示：
其中，Ai表示向量A的各个分量，Bi表示向量A的各个分量，给出的相似性范围从-1到1，其中，-1意味着两个向量指向的方向正好截然相反，1表示它们的指向是完全相同的，0通常表示它们之间是独立的，而在这之间的值则表示中间的相似性或相异性。
另外，对于文本匹配，属性向量A和B通常是文档中的词频向量。余弦相似性，可以被看作是在比较过程中把文件长度正规化的方法。在信息检索的情况下，由于一个词的频率(TF-IDF权)不能为负数，所以这两个文档的余弦相似性范围从0到1。并且，两个词的频率向量之间的角度不能大于90°。余弦值的范围在[-1,1]之间，值越趋近于1，代表两个向量的方向越接近；越趋近于-1，他们的方向越相反；接近于0，表示两个向量近乎于正交。
在通过余弦相似度来确定出场车辆的第二特征信息与入场车辆的第一特征信息的相似度时，由于获取到的车辆特征为一个double型长文本数据，那么余弦相似度算法，正好可用于计算文本的余弦夹角相似度，将两个文本根据他们数据，建立两个向量，计算这两个向量的余弦值，就可以知道两个文本在统计学方法中的相似度情况。
进一步地，为提高车牌识别和特征识别的准确率，当车辆到达出入口时，会对相应车辆多次进行图像的抓拍，然后从多张图像中筛选图片质量最好几张图像，再针对筛选后的图像进行特征识别。
基于此，在一个可选实施例中，第一图像数据包括多个入场图像，第二图像数据包括多个出场图像。而且，
驶入步骤S11还包括：
根据图像噪声估计算法对所述多个入场图像进行筛选，并将筛选后的入场图像输入至通用车辆模型，且根据所述通用车辆模型的输出结果获取所述入场车辆的第一特征信息；
驶出步骤S12包括：
根据图像噪声估计算法对所述多个出场图像进行筛选，并将筛选后的出场图像输入至通用车辆模型，且根据所述通用车辆模型的输出结果获取所述出场车辆的第二特征信息。
在该实施例中，关于噪声估计算法，说明如下：
为了保证训练所使用图像的质量，使用了对噪声估计算法(Filter-BasedApproach Using Arithmetic Averaging)，对质量较差的图片进行过滤，噪声估计采用模型，对该模型做下简单介绍。该类型算法模型是基于因为图像边缘结构具有很强的二阶差分特性，所以图像对Laplacian Mask(拉普拉斯掩模)的噪声统计器是敏感的，算法通过两个Laplacian Mask组成的kernel来进行卷积操作。其中，拉普拉斯掩模，是指根据拉普拉斯算子建立的具有水平和垂直等多个梯度方向的滤波矩阵，用于检测影像各方向的边缘特征。典型的矩阵形式为3×3维。实际应用中可以根据影像边缘的强度和宽度选择阵元的权和维数，保持阵元的总和为零。
然后直接通过对图像的一次卷积即：
其中，W、H分别为图像的宽、高，I(x,y)为图像每个像素值，LA为普拉斯算子，作为卷积核。
但是上式对每个像素进行了一次乘方，对其进行改进后，通过以下公式一次计算出来，该算法得到的结果整体表现良好。
进一步地，由于在停车场运营前期已经根据停车场的车道角度、宽度等环境特征，对通用车辆模型进行不断修正而建立了专用车辆模型，此时，特征匹配的准确率显著提高，因此，在专用车辆模型建立后，在对入场车辆和出场车辆进行匹配时，可将车牌匹配与特征匹配两种匹配模式相结合，在车牌匹配模式失效时，采用特征匹配模式，这种双模联动的方式可达到精准匹配的目的，从而完成车辆的精准收费和放行，真正搭建了无人值守的停车场场景，而且，大大提高停车场出入口通行效率。
图2是本发明停车场的车辆收费方法实施例一的流程图，该实施例的车辆收费方法包括：
步骤S21.获取停车场入口处的入场车辆的第一图像数据，根据所述第一图像数据识别所述入场车辆的第一车牌信息，并将所述第一图像数据输入至专用车辆模型，且根据所述专用车辆模型的输出结果获取所述入场车辆的第一特征信息，并将所述第一车牌信息和所述第一特征信息加入在场记录，其中，所述专用车辆模型是根据上述停车场车辆特征训练建模方法获取的；
步骤S22.获取停车场出口处的出场车辆的第二图像数据，根据所述第二图像数据识别所述出场车辆的第二车牌信息，并判断所述第二车牌信息能否与所述在场记录中的一个第一车牌信息匹配成功，而且，在匹配不成功时，将所述第二图像数据输入至所述专用车辆模型，且根据所述专用车辆模型的输出结果获取所述出场车辆的第二特征信息；
步骤S23.确定所述第二特征信息与所述在场记录的每个第一特征信息的相似度，并判断所述相似度最高的第一特征信息；
步骤S24.根据所述第一特征信息和所述第二特征信息获取驶入/驶出时间，并根据所述驶入/驶出时间计算停车费用，以对相关账户进行扣费。
在该实施例中，步骤S22中，若第二车牌信息能与所述在场记录中的一个第一车牌信息匹配成功，则认为车牌匹配成功，此时，在步骤S24中，可根据第一车牌信息和第二车牌信息获取驶入/驶出时间，然后进行计费和扣费。若第二车牌信息不能与所述在场记录中的任一个第一车牌信息匹配成功，则认为车牌匹配不成功，说明车牌识别错误，进而可采用车辆特征匹配通行。
实施本发明实施例，在建立了专用车辆模型后，特征匹配的准确率显著提高，因此，在对入场车辆和出场车辆进行匹配时，可将车牌匹配与特征匹配两种匹配模式相结合，在车牌匹配模式失效时，采用特征匹配模式，这种双模联动的方式可达到精准匹配的目的，从而完成车辆的精准收费和放行，真正搭建了无人值守的停车场场景，而且，大大提高停车场出入口通行效率。
本发明还构造一种停车场管理***，包括处理器和存储有计算机程序的存储器，所述处理器在执行所存储的计算机程序时实现以上所述的停车场车辆特征训练建模方法的步骤，和/或，以上所述的停车场的车辆收费方法的步骤。
本发明还构造一种存储介质，存储有计算机程序，所述计算机程序在被处理器执行时实现以上所述的停车场车辆特征训练建模方法的步骤，和/或，以上所述的停车场的车辆收费方法的步骤。
图3是本发明停车场管理***实施例一的逻辑结构图，该实施例的停车场管理***包括：图像获取模块11、车牌识别模块12、特征识别模块13、特征匹配模块14和特征训练模块15。其中，图像获取模块11用于获取停车场入口处的入场车辆的第一图像数据；及获取停车场出口处的出场车辆的第二图像数据；车牌识别模块12用于根据所述第一图像数据识别所述入场车辆的第一车牌信息，并将所述第一车牌信息加入在场记录；及根据所述第二图像数据识别所述出场车辆的第二车牌信息，而且，判断所述第二车牌信息能否与所述在场记录中的一个第一车牌信息匹配成功；特征识别模块13用于将所述第一图像数据输入至通用车辆模型，且根据所述通用车辆模型的输出结果获取所述入场车辆的第一特征信息，并将所述第一特征信息加入在场记录；及在所述第二车牌信息能与所述在场记录中的一个第一车牌信息匹配成功时，将所述第二图像数据输入至通用车辆模型，且根据所述通用车辆模型的输出结果获取所述出场车辆的第二特征信息；特征匹配模块14用于确定所述第二特征信息与所述在场记录的每个第一特征信息的相似度，优选根据余弦相似度算法确定相似度，并判断所述相似度最高的第一特征信息对应的第一车牌信息与所述第二特征信息对应的第二车牌信息是否相同，若不相同，则执行特征训练模块；特征训练模块，用于将所述第一图像数据和所述第二图像数据作为训练样本，并根据所述训练样本对所述通用车辆模型进行训练，以建立专用车辆模型。
进一步地，如果所述相似度最高的第一特征信息对应的第一车牌信息与所述第二特征信息对应的第二车牌信息不相同，本发明的停车场管理***还包括统计模块16，该统计模块16用于记录不相同的次数，并计算特征匹配的准确率，而且，判断所述训练样本的总数量是否达到预设数量，和/或，判断所述特征匹配的准确率是否达到预设值，并在所述训练样本的总数量达到预设数量，和/或，所述特征匹配的准确率达到预设值时，将当前的专用车辆模型作为最终的专用车辆模型。
图4是本发明停车场管理***实施例二的逻辑结构图，该实施例的停车场管理***包括：图像获取模块11、车牌识别模块12、特征识别模块13、特征匹配模块14、特征训练模块15、统计模块16和计费模块17。而且，在该实施例中，在专用车辆模型建立后，特征识别模块13还用于将所述第一图像数据输入至专用车辆模型，且根据所述专用车辆模型的输出结果获取所述入场车辆的第一特征信息；及在所述第二车牌信息与所述在场记录中的任一个第一车牌信息都匹配不成功时，将所述第二图像数据输入至专用车辆模型，且根据所述专用车辆模型的输出结果获取所述出场车辆的第二特征信息；特征匹配模块14还用于确定所述第二特征信息与所述在场记录的每个第一特征信息的相似度，并判断所述相似度最高的第一特征信息；计费模块17用于根据所述第一特征信息和所述第二特征信息获取驶入/驶出时间，并根据所述驶入/驶出时间计算停车费用，以对相关账户进行扣费。
进一步地，还包括准入判断模块，该准入判断模块用于根据所述第一图像数据判断所述入场车辆是否属于准入车辆，优选地，通过对第一图像数据进行车型的识别来判断入场车辆是否为准入车辆。而且，车牌识别模块用于在判断出为准入车辆时，才根据所述第一图像数据识别所述入场车辆的第一车牌信息。
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 (11)

1.一种停车场车辆特征训练建模方法，其特征在于，包括：
驶入步骤：获取停车场入口处的入场车辆的第一图像数据，根据所述第一图像数据识别所述入场车辆的第一车牌信息，并将所述第一图像数据输入至通用车辆模型，而且，根据所述通用车辆模型的输出结果获取所述入场车辆的第一特征信息，并将所述第一车牌信息和所述第一特征信息加入在场记录；
驶出步骤：获取停车场出口处的出场车辆的第二图像数据，根据所述第二图像数据识别所述出场车辆的第二车牌信息，并判断所述第二车牌信息能否与所述在场记录中的一个第一车牌信息匹配成功，而且，在匹配成功时，将所述第二图像数据输入至所述通用车辆模型，且根据所述通用车辆模型的输出结果获取所述出场车辆的第二特征信息；
特征匹配步骤：确定所述第二特征信息与所述在场记录的每个第一特征信息的相似度，并判断所述相似度最高的第一特征信息对应的第一车牌信息与所述第二特征信息对应的第二车牌信息是否相同，若不相同则进入特征训练步骤；
特征训练步骤：将所述第一图像数据和所述第二图像数据作为训练样本，并根据所述训练样本对所述通用车辆模型进行训练，以建立专用车辆模型。
2.根据权利要求1所述的停车场车辆特征训练建模方法，其特征在于，特征匹配步骤中，如果所述相似度最高的第一特征信息对应的第一车牌信息与所述第二特征信息对应的第二车牌信息不相同，所述方法还包括：
记录不相同的次数，并计算特征匹配的准确率，而且，判断所述训练样本的总数量是否达到预设数量，和/或，判断所述特征匹配的准确率是否达到预设值，并在所述训练样本的总数量达到预设数量，和/或，所述特征匹配的准确率达到预设值时，将当前的专用车辆模型作为最终的专用车辆模型。
3.根据权利要求1所述的停车场车辆特征训练建模方法，其特征在于，确定所述第二特征信息与所述在场记录的每个第一特征信息的相似度，包括：
根据余弦相似度算法，确定所述第二特征信息与所述在场记录的每个第一特征信息的相似度。
4.根据权利要求1所述的停车场车辆特征训练建模方法，其特征在于，所述驶入步骤还包括：
根据所述第一图像数据判断所述入场车辆是否属于准入车辆，若是，再根据所述第一图像数据识别所述入场车辆的第一车牌信息。
5.根据权利要求1所述的停车场车辆特征训练建模方法，其特征在于，所述第一图像数据包括多个入场图像，而且，
将所述第一图像数据输入至通用车辆模型，且根据所述通用车辆模型的输出结果获取所述入场车辆的第一特征信息，包括：
根据图像噪声估计算法对所述多个入场图像进行筛选，并将筛选后的入场图像输入至通用车辆模型，且根据所述通用车辆模型的输出结果获取所述入场车辆的第一特征信息；
和/或，
所述第二图像数据包括多个出场图像，而且，
将所述第二图像数据输入至通用车辆模型，且根据所述通用车辆模型的输出结果获取所述出场车辆的第二特征信息，包括：
根据图像噪声估计算法对所述多个出场图像进行筛选，并将筛选后的出场图像输入至通用车辆模型，且根据所述通用车辆模型的输出结果获取所述出场车辆的第二特征信息。
6.一种停车场的车辆收费方法，其特征在于，包括：
获取停车场入口处的入场车辆的第一图像数据，根据所述第一图像数据识别所述入场车辆的第一车牌信息，并将所述第一图像数据输入至专用车辆模型，且根据所述专用车辆模型的输出结果获取所述入场车辆的第一特征信息，并将所述第一车牌信息和所述第一特征信息加入在场记录，其中，所述专用车辆模型是根据权利要求1-5任一项所述的停车场车辆特征训练建模方法获取的；
获取停车场出口处的出场车辆的第二图像数据，根据所述第二图像数据识别所述出场车辆的第二车牌信息，并判断所述第二车牌信息能否与所述在场记录中的一个第一车牌信息匹配成功，而且，在匹配不成功时，将所述第二图像数据输入至所述专用车辆模型，且根据所述专用车辆模型的输出结果获取所述出场车辆的第二特征信息；
确定所述第二特征信息与所述在场记录的每个第一特征信息的相似度，并判断所述相似度最高的第一特征信息；
根据所述第一特征信息和所述第二特征信息获取驶入/驶出时间，并根据所述驶入/驶出时间计算停车费用，以对相关账户进行扣费。
7.一种停车场管理***，包括处理器，其特征在于，所述处理器在执行所存储的计算机程序时实现权利要求1-5任一项所述的停车场车辆特征训练建模方法的步骤，和/或，权利要求6所述的停车场的车辆收费方法的步骤。
8.一种存储介质，存储有计算机程序，其特征在于，所述计算机程序在被处理器执行时实现权利要求1-5任一项所述的停车场车辆特征训练建模方法的步骤，和/或，权利要求6所述的停车场的车辆收费方法的步骤。
9.一种停车场管理***，其特征在于，包括：
图像获取模块，用于获取停车场入口处的入场车辆的第一图像数据；及获取停车场出口处的出场车辆的第二图像数据；
车牌识别模块，用于根据所述第一图像数据识别所述入场车辆的第一车牌信息，并将所述第一车牌信息加入在场记录；及根据所述第二图像数据识别所述出场车辆的第二车牌信息，而且，判断所述第二车牌信息能否与所述在场记录中的一个第一车牌信息匹配成功；
特征识别模块，用于将所述第一图像数据输入至通用车辆模型，且根据所述通用车辆模型的输出结果获取所述入场车辆的第一特征信息，并将所述第一特征信息加入在场记录；及在所述第二车牌信息能与所述在场记录中的一个第一车牌信息匹配成功时，将所述第二图像数据输入至通用车辆模型，且根据所述通用车辆模型的输出结果获取所述出场车辆的第二特征信息；
特征匹配模块，用于确定所述第二特征信息与所述在场记录的每个第一特征信息的相似度，并判断所述相似度最高的第一特征信息对应的第一车牌信息与所述第二特征信息对应的第二车牌信息是否相同，若不相同则进入特征训练模块；
特征训练模块，用于将所述第一图像数据和所述第二图像数据作为训练样本，并根据所述训练样本对所述通用车辆模型进行训练，以建立专用车辆模型。
10.根据权利要求9所述的停车场管理***，其特征在于，如果所述相似度最高的第一特征信息对应的第一车牌信息与所述第二特征信息对应的第二车牌信息不相同，所述停车场管理***还包括：
统计模块，用于记录不相同的次数，并计算特征匹配的准确率，而且，判断所述训练样本的总数量是否达到预设数量，和/或，判断所述特征匹配的准确率是否达到预设值，并在所述训练样本的总数量达到预设数量，和/或，所述特征匹配的准确率达到预设值时，将当前的专用车辆模型作为最终的专用车辆模型。
11.根据权利要求9所述的停车场管理***，其特征在于，还包括计费模块，而且，
所述特征识别模块，还用于将所述第一图像数据输入至专用车辆模型，且根据所述专用车辆模型的输出结果获取所述入场车辆的第一特征信息；及在所述第二车牌信息与所述在场记录中的任一个第一车牌信息都匹配不成功时，将所述第二图像数据输入至专用车辆模型，且根据所述专用车辆模型的输出结果获取所述出场车辆的第二特征信息；
所述特征匹配模块，还用于确定所述第二特征信息与所述在场记录的每个第一特征信息的相似度，并判断所述相似度最高的第一特征信息；
所述计费模块，用于根据所述第一特征信息和所述第二特征信息获取驶入/驶出时间，并根据所述驶入/驶出时间计算停车费用，以对相关账户进行扣费。
CN201910782795.9A 2019-08-23 2019-08-23 训练建模方法、车辆收费方法、管理***及存储介质 Pending CN110598758A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910782795.9A CN110598758A (zh) 2019-08-23 2019-08-23 训练建模方法、车辆收费方法、管理***及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910782795.9A CN110598758A (zh) 2019-08-23 2019-08-23 训练建模方法、车辆收费方法、管理***及存储介质

Publications (1)

Publication Number Publication Date
CN110598758A true CN110598758A (zh) 2019-12-20

Family

ID=68855515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910782795.9A Pending CN110598758A (zh) 2019-08-23 2019-08-23 训练建模方法、车辆收费方法、管理***及存储介质

Country Status (1)

Country Link
CN (1) CN110598758A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560752A (zh) * 2020-12-23 2021-03-26 杭州趣链科技有限公司 基于联邦学习的车牌识别训练方法、装置及相关设备
CN113469101A (zh) * 2021-07-13 2021-10-01 广联达科技股份有限公司 一种车辆重识别的方法、装置、设备及可读存储介质
CN113920596A (zh) * 2021-10-17 2022-01-11 绿城科技产业服务集团有限公司 面向无人值守停车场的车牌识别数据再匹配方法及***
CN116935659A (zh) * 2023-09-12 2023-10-24 四川遂广遂西高速公路有限责任公司 一种高速服务区卡口车辆稽核***及其方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021375A (zh) * 2014-05-29 2014-09-03 银江股份有限公司 一种基于机器学习的车型识别方法
CN105575130A (zh) * 2016-02-25 2016-05-11 浙江宇视科技有限公司 一种无人值守停车实现方法及装置
CN106778777A (zh) * 2016-11-30 2017-05-31 成都通甲优博科技有限责任公司 一种车辆匹配方法及***
CN206470954U (zh) * 2017-02-20 2017-09-05 厦门中诚国信电子科技有限公司 一种停车场智能道闸***
CN107704833A (zh) * 2017-10-13 2018-02-16 杭州电子科技大学 一种基于机器学习的前方车辆检测与跟踪方法
CN107730617A (zh) * 2017-02-04 2018-02-23 西安艾润物联网技术服务有限责任公司 无牌车辆收费方法和装置
CN108388888A (zh) * 2018-03-23 2018-08-10 腾讯科技（深圳）有限公司 一种车辆识别方法、装置和存储介质
US20180268238A1 (en) * 2017-03-14 2018-09-20 Mohammad Ayub Khan System and methods for enhancing license plate and vehicle recognition
CN109377572A (zh) * 2018-12-12 2019-02-22 杭州华云科技有限公司 一种无人值守云停车的管理控制方法及管理装置
CN109657596A (zh) * 2018-12-12 2019-04-19 天津卡达克数据有限公司 一种基于深度学习的车辆外观部件识别方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021375A (zh) * 2014-05-29 2014-09-03 银江股份有限公司 一种基于机器学习的车型识别方法
CN105575130A (zh) * 2016-02-25 2016-05-11 浙江宇视科技有限公司 一种无人值守停车实现方法及装置
CN106778777A (zh) * 2016-11-30 2017-05-31 成都通甲优博科技有限责任公司 一种车辆匹配方法及***
CN107730617A (zh) * 2017-02-04 2018-02-23 西安艾润物联网技术服务有限责任公司 无牌车辆收费方法和装置
CN206470954U (zh) * 2017-02-20 2017-09-05 厦门中诚国信电子科技有限公司 一种停车场智能道闸***
US20180268238A1 (en) * 2017-03-14 2018-09-20 Mohammad Ayub Khan System and methods for enhancing license plate and vehicle recognition
CN107704833A (zh) * 2017-10-13 2018-02-16 杭州电子科技大学 一种基于机器学习的前方车辆检测与跟踪方法
CN108388888A (zh) * 2018-03-23 2018-08-10 腾讯科技（深圳）有限公司 一种车辆识别方法、装置和存储介质
CN109377572A (zh) * 2018-12-12 2019-02-22 杭州华云科技有限公司 一种无人值守云停车的管理控制方法及管理装置
CN109657596A (zh) * 2018-12-12 2019-04-19 天津卡达克数据有限公司 一种基于深度学习的车辆外观部件识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ALGORITHMC: "图像噪声估计算法", 《博客园》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560752A (zh) * 2020-12-23 2021-03-26 杭州趣链科技有限公司 基于联邦学习的车牌识别训练方法、装置及相关设备
CN112560752B (zh) * 2020-12-23 2024-03-26 杭州趣链科技有限公司 基于联邦学习的车牌识别训练方法、装置及相关设备
CN113469101A (zh) * 2021-07-13 2021-10-01 广联达科技股份有限公司 一种车辆重识别的方法、装置、设备及可读存储介质
CN113920596A (zh) * 2021-10-17 2022-01-11 绿城科技产业服务集团有限公司 面向无人值守停车场的车牌识别数据再匹配方法及***
CN116935659A (zh) * 2023-09-12 2023-10-24 四川遂广遂西高速公路有限责任公司 一种高速服务区卡口车辆稽核***及其方法
CN116935659B (zh) * 2023-09-12 2023-12-08 四川遂广遂西高速公路有限责任公司 一种高速服务区卡口车辆稽核***及其方法

Similar Documents

Publication Publication Date Title
CN110598758A (zh) 训练建模方法、车辆收费方法、管理***及存储介质
CN110674688B (zh) 用于视频监控场景的人脸识别模型获取方法、***和介质
US11790499B2 (en) Certificate image extraction method and terminal device
CN104166841A (zh) 一种视频监控网络中指定行人或车辆的快速检测识别方法
CN105787466B (zh) 一种车辆类型的精细识别方法及***
CN112016605B (zh) 一种基于边界框角点对齐和边界匹配的目标检测方法
CN106778659B (zh) 一种车牌识别方法及装置
CN104809452A (zh) 一种指纹识别方法
CN113947766B (zh) 一种基于卷积神经网络的实时车牌检测方法
CN104809453A (zh) 一种基于指纹的认证方法
CN104978567A (zh) 基于场景分类的车辆检测方法
CN109840520A (zh) 一种***关键信息识别方法及***
CN106156777A (zh) 文本图片检测方法及装置
CN113128507B (zh) 一种车牌识别方法、装置、电子设备及存储介质
CN112215190A (zh) 基于yolov4模型的违章建筑检测方法
CN110969164A (zh) 基于深度学习端对端的低照度成像车牌识别方法及装置
CN109784171A (zh) 车辆定损图像筛选方法、装置、可读存储介质及服务器
CN113537211A (zh) 一种基于非对称iou的深度学习车牌框定位方法
CN115880260A (zh) 基站施工的检测方法、装置、设备及计算机可读存储介质
CN112784834A (zh) 一种自然场景下的车牌自动识别方法
Lin et al. A lightweight, high-performance multi-angle license plate recognition model
CN112597995B (zh) 车牌检测模型训练方法、装置、设备及介质
CN112348011B (zh) 一种车辆定损方法、装置及存储介质
CN117333845A (zh) 一种基于改进YOLOv5s的小目标交通标志实时检测方法
CN113486715A (zh) 图像翻拍识别方法、智能终端以及计算机存储介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 12 / F, building a, Tsinghua Information Port R & D building, Keyuan Road, Xili street, Nanshan District, Shenzhen City, Guangdong Province

Applicant after: Weilong Technology (Guangdong) Co.,Ltd.

Address before: 518057 12-storey Building A, Tsinghua Information Port, Keyuan Road, Xili Street, Nanshan District, Shenzhen City, Guangdong Province

Applicant before: WEILONG JINYI TECHNOLOGY (SHENZHEN) Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191220