基于視頻圖像車型識別的門架稽核系統的設計與研究

杜浩然

（紐卡斯爾大學， 紐卡斯爾 NE17RU）

0 引言

全國高速公路省界收費站取消后，按照《深化收費公路制度改革取消高速公路省界收費站實施方案》，高速公路車輛通行計費的三元素為計費模塊、費率參數、路徑參數[1]。這三個元素信息的準確與否直接決定了最終通行費計費是否正確。費率參數包含各收費單元的各車型計費標準，準確的通行車輛車型和軸數是費率參數的決定因素。路徑參數包含所有的門架收費單元，最終體現為車輛本次路網通行的通行路徑，準確的通行路徑是路徑參數的決定因素。

由于客觀因素和主觀因素可能導致通行車輛路徑還原不完整或不準確。其中客觀因素主要包括RSU設備、牌識設備、標簽的故障和損壞的原因，入出口車牌/車型（軸數）不符、丟卡、壞卡等原因導致標簽交易和牌識路徑無法完整融合還原車輛通行路徑；主觀因素主要包括人為屏蔽OBU 或CPC 卡、更換車牌、倒換通行介質、U/J 行駛等方式進行惡意逃費，從而導致實際的車輛通行路徑無法正確融合出來。

由此在通行計費方面具體表現為：車輛“車型（軸數）”信息的改變將造成“大車小標”“貨車客標”等車型不符的少收通行費行為；部分特殊情況下，存在一些ETC 車輛或CPC 車輛在經過ETC 門架時沒得到有效記錄，造成“跑長買短”等涉及改變通行路徑的少收通行費行為。

針對車輛通行費用的稽核，主要方式是事后稽核，即由稽核人員后期基于現有的數據篩查分析疑似逃費車輛，實現通行費用追繳。這種事后稽核方式，由于人工分析的效率較低，無法實現全量稽核；無法對稽核數據進行全面分析，缺乏對本地區逃費整體情況的定量分析及預估，導致對于稽核業務的加強及系統建設比較盲目；稽核證據在“車型表達”方面獲取過程繁瑣且不夠直觀，不利于證據鏈補全[2]。

通過在現有的ETC 門架上加設一套基于視頻圖像技術車型識別的、高采集率的門架稽核系統，對通行車輛的“車型（軸數）”進行實時采集，將更好地解決這些問題。

1 系統技術方案

系統技術方案主要包含數據采集、數據傳輸、數據匯集與分析、平臺對接四個部分，構架示意圖見圖1。

圖1 系統技術方案構架示意圖

門架數據分析終端接收到門架車型識別設備的抓拍數據和門架RSU 計費交易結果數據后，經過數據預處理、數據融合、數據分析等手段，分析出大車小標、計費缺失、一車多簽、反向行駛等核心數據，并支持將這些結果數據及圖片推送至第三方業務平臺。數據采集具體包括車輛信息采集和交易數據獲取。車輛信息采集由牌識設備將車頭圖、車尾圖、車牌等信息傳輸給車型識別設備，再由車型識別設備進行統一整合后，將車頭圖、車側圖、車尾圖等車輛信息數據傳輸至門架數據分析終端。在普通門架場景，門架RSU 設備產生交易數據后，將交易數據信息傳遞給部站的門架服務器，門架數據分析終端支持第三方軟件對接，支持自動獲取和人工導入兩種方式獲取交易數據[3]。

其中，車型識別采用視頻圖像車型識別技術。當前識別車型的主要技術形式有視頻車型識別技術、稱重輪軸識別技術、激光車型識別技術。這些技術產品已在高速公路應用多年，使用場景大多數為單車道低速環境。

視頻圖像處理過程中涉及到對視頻圖像數據的獲取、處理、傳輸、顯示和回放等過程，最為主要的是視頻圖像的處理技術，該技術的發展主要體現在以下五個環節：

1）光電感知環節：隨著圖像傳感器技術和制程工藝的進步，300 萬以上像素的高分辨率、120 fps 以上的先進圖像傳感器大規模工業應用，在高速公路快速通行場景下的圖像效果得到了更為直觀的改善。

2）WDR 寬動態環節：寬動態功能適用在光照對比強烈的場景，這類場景在高速公路最為常見，在夜晚汽車的遠光燈與周圍環境就形成了強烈對比，極易造成車輛目標不可見、不可辨的情況。在圖像傳感器廠家對傳感器光電轉換環節的多次曝光HDR 技術迭代推動下，再輔以CPU 芯片的ISP 圖像處理環節中WDR 效果調優，當前WDR 寬動態技術在高速公路夜晚環境下可以達到比較好的使用效果。

3）視頻圖像降噪環節：噪聲是圖像和視頻中常見的失真類型，噪聲太大會直接影響信息的有效傳遞，傳統的圖像單幀降噪技術和視頻多幀降噪技術的發展已趨向瓶頸期，在ITS 行業的設備終端使用硬件和軟件實現，降噪效果基本可用[4]。

4）AI 圖像識別技術的發展：傳統圖像識別技術主要依靠人工經驗去設計相關規則，只適合處理一些常見有規律的情況，面對更復雜的現實場景效果就會明顯下降甚至不可用。基于深度學習的AI 圖像識別，是通過樣本學習的方式，模擬人類感知過程，提取出圖像中最本質的結構化特征支撐上層決策，其表現主要取決于模型結構的設計和樣本學習數量。對于圖像的處理是深度學習算法最早嘗試應用的領域，也是當下在工業應用更為深廣的領域，發展至今，現在的深度學習網絡模型已經能夠理解和識別一般的自然圖像，這些識別模型不僅大幅提高了圖像識別的精度，同時也避免了特征提取的人工資源大量損耗，使用在線運行效率大大提升。

5）嵌入式算力芯片的發展：嵌入式算力芯片使基于深度學習的AI 圖像識別得到強大的算力支撐，隨著嵌入式算力芯片的成熟，可以在10 W 功耗的芯片上提供與專業GPU 等效的算力，使AI 模型能夠直接部署到前端設備中，在前端就能完成車型結構化信息提取和識別的功能，極大減少了路網系統在傳輸和存儲上壓力。

在以上技術發展的推動下，視頻車型識別技術最終在車型識別技術中脫穎而出，不論是車型和車軸數的識別率，還是車輛高速通行場景的適應性都可以滿足真實的工程使用要求。具體介紹如下：

1）數據傳輸：車輛信息數據與交易數據上傳至門架數據分析終端。

2）數據匯集與分析：由門架數據分析終端完成匯集后，系統再對數據進行預處理、融合以及分析。首先，將接入的采集數據進行多檢去重、清洗、存儲等預處理操作；其次，將車輛信息數據與門架交易數據進行融合，并將兩種數據按照相同門架、車牌顏色、車牌號碼、時間范圍等判定條件進行整合；數據融合后，輸出融合結果數據，系統自動篩選出大車小標、交易缺失、一車多簽、反向行駛、車牌不一致等異常數據。

3）平臺對接：門架數據分析終端完成數據分析后，可在平臺直接查看處理分析后的結果數據，同時系統支持將數據推送至第三方業務平臺。

2 試驗效果分析

試驗選取了一個貨車流量較大的門架，在該ETC門架上加裝視頻車型識別設備及牌識設備；在該門架機柜部署一臺門架數據分析終端。系統穩定運行一定周期后，該服務器獲取的視頻車輛數據和ETC 交易流水數據進行對比分析，可分析出經過該門架的車輛中“大車小標”“交易缺失”等異常數據。

針對每一條異常數據，通過稽核平臺逐條進行核查，可判斷出系統分析出來的異常數據是否存在真正的業務逃費。試驗過程中，不斷優化分析模型及策略，提高了系統的分析準確性。通過這些“異常數據”可以分析出本區域內的“大車小標”“交易缺失”等大致情況。通過試驗驗證，系統可以實現的業務功能包括通行流水、異常數據、特殊車輛采集和流量統計四大部分，業務功能結構如圖2 所示。

圖2 系統業務功能結構

2.1 通行流水

門架數據分析終端接入車型識別設備采集的識別數據與ETC 門架的交易數據，經過數據匯聚、融合計算和智能分析，融合車輛通行數據，可以輕松形成可展示的一車一行一檔多維數據信息。

2.2 異常數據

將融合后的車輛通行信息進行智能分析后得出存在異常的車輛通行記錄：

1）大車小標：實際車型（軸數）與計費車型（軸數）不一致，標記判定為大車小標。同時可將車輛圖片及車輛多維度信息組合起來生成合成圖，提供輔助稽核的有利證據。

2）交易缺失：存在設備識別數據，但無匹配的交易數據，標記判定為交易缺失。對缺失頻次按月進行累加統計，通過此種方式，可以找出缺失頻次高、嫌疑較大的問題車輛。這些車輛可能存在屏蔽計費設備行為。

3）一車多簽：單次通行，存在多個不同編號的通行介質的車輛通行數據，被標記判定為一車多簽。

4）反向行駛：系統將識別數據與門架計費數據進行融合匹配后，把車輛一次通行短時經過了兩個不同方向的門架的數據進行標記，判定為反向行駛異常數據。

5）號牌不一致：識別號牌及顏色與計費號牌及顏色不一致。

2.3 特殊車輛采集

車型識別設備通過車輛多維特征采集、智能算法分析，可精準識別危化品運輸車輛、冷鏈運輸車輛等特殊車輛信息，并匯集成帶車型的特殊車輛數據庫。同時，系統可以檢測出在違禁時段內通行的危化品運輸車輛，并打上標記，提供給客戶查閱。

2.4 流量統計

采集通行車型，生成時段與車型、特殊車輛等多角度的統計流量分析報告，為高速運營分析提供帶車型的精準交調數據。

3 結語

基于視頻圖像技術車型識別的門架稽核系統針對高速公路單點門架能夠提供完整的稽核微系統和流量數據。系統采用分布式架構，易于擴展，當部署點足夠覆蓋完整路段時，可升級為路段稽核方案。同時，由于系統處于收費網絡，且針對通過門架的所有車輛，因此所有數據從前端到應用都應做好安全保密措施，嚴格遵循相關網絡安全規定。