Nothing Special   »   [go: up one dir, main page]

CN111178291A - 一种停车支付系统以及停车支付方法 - Google Patents

一种停车支付系统以及停车支付方法 Download PDF

Info

Publication number
CN111178291A
CN111178291A CN201911415697.8A CN201911415697A CN111178291A CN 111178291 A CN111178291 A CN 111178291A CN 201911415697 A CN201911415697 A CN 201911415697A CN 111178291 A CN111178291 A CN 111178291A
Authority
CN
China
Prior art keywords
license plate
image
vehicle
parking
payment
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
Application number
CN201911415697.8A
Other languages
English (en)
Other versions
CN111178291B (zh
Inventor
冯彦刚
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.)
Beijing Zhumengyuan Technology Co ltd
Original Assignee
Beijing Zhumengyuan Technology 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 Beijing Zhumengyuan Technology Co ltd filed Critical Beijing Zhumengyuan Technology Co ltd
Priority to CN201911415697.8A priority Critical patent/CN111178291B/zh
Publication of CN111178291A publication Critical patent/CN111178291A/zh
Application granted granted Critical
Publication of CN111178291B publication Critical patent/CN111178291B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
    • G07B15/063—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems using wireless information transmission between the vehicle and a fixed station
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/085—Payment architectures involving remote charge determination or related payment systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • 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
    • G06V20/625—License plates

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Accounting & Taxation (AREA)
  • Multimedia (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Traffic Control Systems (AREA)
  • Devices For Checking Fares Or Tickets At Control Points (AREA)

Abstract

本发明公开了一种停车支付系统，通过车主终端在停车平台进行注册、登录平台账户并开通指定车牌号码的ETC支付功能；收费系统包括车牌识别摄像机、控制服务器，车牌识别摄像机监控车道上车辆的运动状况，发现车辆即将进入停车区域时车牌识别摄像机抓拍车头，获取车辆图像并对车辆和车牌进行图像识别，生成车牌号码并发送给控制服务器；控制服务器根据车辆停留时间计算停车时长并生成停车费的支付订单，控制服务器将车牌号码和支付订单发送给停车平台进行ETC支付；停车平台根据车牌号码与平台账户进行匹配，判断该车牌号码对应的平台账户是否开通了ETC支付功能，判断该车牌号码是否在ETC黑名单中。

Description

一种停车支付系统以及停车支付方法
技术领域
本发明涉及ETC支付技术领域，具体涉及一种停车支付系统及其支付方法。
背景技术
ETC支付原本是使用在高速道路收费上的不停车支付方式，考虑到不停车支付的高效性和便利性，ETC支付正在不断向其他场景扩展，比如停车费支付、加油费支付等。目前停车场引入ETC支付的两种方式如下：
(1)停车场的出、入口均设置ETC天线(RSU)，
车辆入场ETC天线(RSU)与车上的ETC电子标签(OBU)交互，获取设备ID、车牌号等信息，记录车辆入场时间；
车辆出场ETC天线(RSU)与车上的ETC电子标签(OBU)交互，获取设备ID、车牌号等信息，记录车辆出场时间，同时，停车场管理系统统计收费，扣费；
(2)停车场的入口设置摄像头车牌识别，出口设置ETC天线(RSU)
车辆入场，摄像头识别车牌号，记录车场入场时间；
车辆出场，车辆出场ETC天线(RSU)与车上的ETC电子标签(OBU)交互，获取车牌号，记录车辆出场时间，停车场管理系统统计收费，
综上可知，当前使用ETC支付的前提条件有两个：
1)在车辆收费的地方(出场口)必须安装ETC天线(RSU)，即RSU(用于读取车辆上安装的ETC电子标签即OBU)；
2)车辆上安装了ETC电子标签(OBU)。
以停车场收费为例，当前的ETC支付方式如下：
1)车辆到达停车场出口处；
2)出口摄像头识别车辆车牌号码、出口ETC天线(RSU)读取OBU获取设备ID等信息；
3)停车场控制服务器生成支付订单；
4)停车场控制服务器根据支付订单控制ETC天线(RSU)对OBU进行扣费操作；
5)停车场控制服务器根据ETC天线(RSU)返回的扣费接口向ETC清分系统上传扣费结果；
6)ETC清分系统根据扣费结果进行扣费操作。
当前的ETC支付方式需要在业务场景中(比如停车场出口处)安装ETC天线(RSU)，而ETC天线(RSU)的价格非常高昂，严重影响了ETC支付在高速收费之外的场景的推广。而且ETC天线(RSU)的授权卡必须和ETC清分系统是同一主体，这也限制了ETC支付的通用性。现有技术的ETC支付流程如图1所示。
此外，目前的ETC天线在路内场景下安装会带来的误识别问题，识别到未停车的车辆，即路过车辆；安装ETC天线成本较高；而且路内收费很容易造成逃费、欠费的情况。
车辆识别和车牌识别技术是收费系统中非常关键的技术，车辆识别技术是一些其它研究方向的基础，同样也是车牌识别技术非常重要的基础，是后续进行车牌识别的重要前提，通过对运动车辆的识别能够获取运动车辆的一些重要数据信息。车牌识别技术能够实现对受监控车辆的牌照号码进行检测并进行后续处理。该技术在很大程度上依赖于图像处理、模式识别、计算机视觉等目前比较重要和流行的技术，通过分析和处理采集设备获取的车辆视频或图像，提取相应的车牌号码，尤其是在停车场收费管理中发挥重要作用。但是目前缺少针对车辆识别和车牌识别的有效算法和手段。
发明内容
本发明的目的就在于为了解决上述问题而提出了一种停车支付系统及其停车支付方法。
为实现上述目的，本发明提供了以下技术方案：
一种停车支付系统，其包括收费系统、车主终端、停车平台、ETC清分系统，
通过车主终端在停车平台进行注册、登录平台账户并开通指定车牌号码的ETC支付功能；
收费系统包括车牌识别摄像机、控制服务器，
其中，车牌识别摄像机监控车道上车辆的运动状况，发现车辆即将进入停车区域时车牌识别摄像机抓拍车头，获取车辆图像并对车辆和车牌进行图像识别，生成车牌号码并发送给控制服务器；
控制服务器根据车辆停留时间计算停车时长并生成停车费的支付订单，控制服务器将车牌号码和支付订单发送给停车平台进行ETC支付；
停车平台根据车牌号码与平台账户进行匹配，判断该车牌号码对应的平台账户是否开通了ETC支付功能，判断该车牌号码是否在ETC黑名单中。
其中，停车平台将车牌号码和支付订单信息发送给ETC清分系统进行扣费操作，停车平台发出ETC支付成功的信息给控制服务器。
其中，ETC清分系统根据业务订单从车主的ETC账户中或者ETC关联的银行卡中扣费到相应的收费款方账户，ETC清分系统保存了包括车牌号码在内的车辆信息、车主信息、ETC电子标签信息、ETC关联账户信息。
其中，停车区域为停车场，收费系统还包括通道闸机，当停车场入口车牌识别摄像机发生抓拍车头的视频触发时，则判断车辆到达停车场入口，启动车辆和车牌图像识别，获取车辆图像并对车辆和车牌进行图像识别，生成车牌号码并发送给控制服务器，进行通过验证后，控制通道闸机开启；
当停车场出口车牌识别摄像机发生抓拍车头的视频触发时，则判断车辆到达停车场出口，启动车牌图像识别，获取车辆图像并对车辆和车牌进行图像识别，生成车牌号码并发送给控制服务器，进行通过验证后，控制通道闸机开启。
一种停车支付方法，包括如下步骤：
步骤1，车主通过车主终端在停车平台进行注册、登录平台账户并开通指定车牌号码的ETC支付功能；
步骤2，车辆即将进入停车区域时，车牌识别摄像机获取车辆和车牌图像，并对车辆和车牌进行图像识别，生成车牌号码并发送给控制服务器；
步骤3，车辆即将离开停车区域时，车牌识别摄像机获取车辆图像，并对车辆和车牌进行图像识别，生成车牌号码并发送给控制服务器，控制服务器根据进入和离开的信息生成停车费支付订单，将车牌号码和停车费支付订单发送给停车平台；
步骤4，停车平台根据车牌号码与平台账户进行匹配，判断该车牌号码对应的平台账户是否开通了ETC支付功能，如果没有开通，则发送ETC支付失败信息给控制服务器；如果开通，停车平台会再判断该车牌号码是否在ETC黑名单中，如果在，则发送ETC支付失败信息给控制服务器；如果没在，则进入下一步骤；
步骤5，停车平台将车牌号码和支付订单信息发送给ETC清分系统进行扣费操作，停车平台发出ETC支付成功的信息给控制服务器；
步骤6，停车平台发送扣费成功信号至控制服务器。
其中，停车区域为停车场，当停车场入口车牌识别摄像机发生抓拍车头的视频触发时，则判断车辆到达停车场入口，启动车辆和车牌图像识别，车牌识别摄像机拍摄目标物体并将其转化为图像信号，然后传输给图像处理部分，进行通过验证后，控制通道闸机开启；
当停车场出口车牌识别摄像机发生抓拍车头的视频触发时，则判断车辆到达停车场出口，启动车辆和车牌图像识别，车牌识别摄像机拍摄目标物体并将其转化为图像信号，然后传输给图像处理部分，进行通过验证后，控制通道闸机开启。
其中，停车平台通过ETC清分系统维护ETC黑名单，收费支付过程中无需车主用户操作，自动完成。
有益效果在于：
1、本发明利用了ETC清分系统中存储了车牌号码和车主ETC账户的唯一对应关系这一特性。在相应的业务场景中，业务系统只需要能够获取到车辆的车牌号码即可通过车牌号码和支付订单数据完成ETC支付操作。并且本方案直接通过交通部路网中心的清分系统进行ETC支付操作，可在全国范围内使用；
2、本发明可以应用在很多领域，例如，超市/加油站/车辆保养等商户，只要接入结算系统，即可直接采用ETC支付相应的超市/加油/汽车保养等费用。通过手机号即可实现消费，取决于ETC的唯一识别标识是以车牌号为准还是以手机号为准。或者两者均可。
3、本发明利用清分系统中保存的车牌号码与ETC关联账户之间的唯一对应关系，以及交通部路网中心能够清分所有ETC电子标签设备的能力，重新设计了ETC支付的方式。
4、本发明的业务场景中无需安装ETC天线(RSU)设备，直接采用车牌付费，降低了成本，更有利于ETC支付在非高速费场景下的推广；ETC支付直接对接交通部路网中心，确保本技术方案可以在全国范围内通用。
5、本发明避免了ETC天线在路内场景下安装带来的误识别问题(识别到未停车的车辆，即路过车辆)。
6、本发明节省了安装ETC天线的费用，有利于降低成本以及ETC停车的大范围推广。
7、本发明路内停车因为车位开放的原因，很容易造成逃费、欠费的情况，通过基于车牌号码的ETC支付可以实现车辆离开车位后即可马上完成扣费，降低了逃费和欠费的概率，保证了缴费率。
8、本发明使用PBAS算法、BLOB匹配法对车辆目标进行匹配和识别，实现了对运动车辆图像快速准确的识别，从而为车牌的获取提供有效的依据；
9、本发明使用Robert算子进行边缘检测有效地消除了噪声并保留了车牌图像的原始信息；使用SVM支持向量机判断图中是否存在车牌，提高车牌图像处理速度和准确性；使用粗定位和精确定位结合的方式实现车牌定位，避免了车牌的颜色和形式多样化、悬挂位置不确定性、严重污损、光和环境因素等导致的牌照位置不确定；使用Hough变换对倾斜的车牌进行校正，提高倾斜车牌检测和校正的准确性和鲁棒性；使用模板匹配和神经网络匹配两种匹配方式结合实现车牌字符的识别，有效保证了车牌字符识别的准确性。
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。
图1是现有技术中收费系统示意图；
图2是本发明的收费系统构成示意图；
图3是本发明的收费支付方法流程图；
图4是本发明的所述路内泊位的收费系统示意图；
图5是本发明的停车场泊位的收费系统示意图；
图6是本发明的车辆识别流程图；
图7是本发明的车牌识别流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
一种停车支付系统，其包括收费系统、车主终端、停车平台、ETC清分系统，
通过车主终端在停车平台进行注册、登录平台账户并开通指定车牌号码的ETC支付功能；
收费系统包括车牌识别摄像机、控制服务器，
车牌识别摄像机监控车道上车辆的运动状况，发现车辆即将进入停车区域时车牌识别摄像机抓拍车头，获取车辆图像并对车辆和车牌进行图像识别，生成车牌号码并发送给控制服务器；
控制服务器根据车辆停留时间计算停车时长并生成停车费的支付订单，控制服务器将车牌号码和支付订单发送给停车平台进行ETC支付；
停车平台根据车牌号码与平台账户进行匹配，判断该车牌号码对应的平台账户是否开通了ETC支付功能，判断该车牌号码是否在ETC黑名单中；
停车平台将车牌号码和支付订单信息发送给ETC清分系统进行扣费操作，停车平台发出ETC支付成功的信息给控制服务器；
ETC清分系统根据业务订单从车主的ETC账户中或者ETC关联的银行卡中扣费到相应的收费款方账户，ETC清分系统保存了包括车牌号码在内的车辆信息、车主信息、ETC电子标签信息、ETC关联账户信息。
每一个ETC电子标签的发行方都有自己的清分系统，但是也都只能对自己发行的ETC电子标签设备进行清分操作，而交通部路网中心的清分系统是可以对所有ETC电子标签设备进行清分操作的。
其中，停车区域为所述路内泊位,所述路内泊位的停车时长获取方式以及车牌号码的获取方式包括以下两种方式：
3)车辆检测器+手持PDA方式
通过车辆检测器检测车辆进入和离开所述路内泊位的时间，从而计算出车辆的停车时长，车辆检测器检测泊位上是否有车，并不能识别出车辆的车牌号码。
其中，车辆检测器包括：地磁检测器、超声波检测器、雷达检测器、激光检测器或者其中任意两种的组合。
当车辆进入停车泊位后，收费员会在其停车期间使用手持PDA设备的车牌识别摄像机自动识别登记车辆的车牌号码,手持PDA设备通过4G卡直接把识别结果发送到远程的控制服务器；
通过以上两种操作的配合即可完成对车辆停车时长的计算以及对车牌号码的识别。
4)车牌识别摄像机方式
当车辆进入和离开所述路内泊位时，车牌识别摄像机自动检测到车辆进入或者离开泊位的状态并识别车辆的车牌号码；
车牌识别摄像机通常固定安装在立柱上，一个摄像机对应1～10个泊位，常见的车牌识别摄像机包括：高位摄像机(安装位置在6米左右的高度)、中位摄像机(安装在3米左右的高度)、视频桩(1米左右的立柱)、低位摄像机(安装在马路边石上)。
其中，所述路内泊位的收费系统在本地没有服务器，车牌识别摄像机通过物联网卡、4G卡、光纤直接把识别结果发送到远程的控制服务器，控制服务器为云端服务器，由云端服务器生成支付订单。
其中，停车区域为停车场，收费系统还包括通道闸机，当停车场入口车牌识别摄像机发生抓拍车头的视频触发时，则判断车辆到达停车场入口，启动车辆和车牌图像识别，获取车辆图像并对车辆和车牌进行图像识别，生成车牌号码并发送给控制服务器，进行通过验证后，控制通道闸机开启；
当停车场出口车牌识别摄像机发生抓拍车头的视频触发时，则判断车辆到达停车场出口，启动车牌图像识别，获取车辆图像并对车辆和车牌进行图像识别，生成车牌号码并发送给控制服务器，进行通过验证后，控制通道闸机开启。
其中，当发生抓拍车头的视频触发时，则判断车辆到达停车场入口，启动车辆和车牌图像识别，计算机输出指令启动，图像采集卡实时传送给计算机当前车辆和车牌的图片，在光源提供照明的条件下，摄像机拍摄目标物体并将其转化为图像信号，最后通过图像采集卡传输给图像处理部分,进行通过验证后，控制通道闸机开启；
抓拍车尾的视频触发时，则判断车辆到达停车场出口，启动车牌图像识别，计算机输出指令启动，图像采集卡实时传送给计算机当前车辆图片，在光源提供照明的条件下，摄像机拍摄目标物体并将其转化为图像信号，最后通过图像采集卡传输给图像处理部分,进行通过验证后，控制通道闸机开启。
其中，控制服务器设置在本地的路外封闭式的停车场，车牌识别摄像机把识别结果发给控制服务器，由控制服务器生成支付订单。
其中，控制服务器为设置在远程的云端服务器，车牌识别摄像机把识别结果直接发给云端服务器，由云端服务器生成支付订单(这种模式的缺点是：如果网络有问题就无法正常收费了)。
一种停车支付方法，包括如下步骤：
步骤1，车主通过车主终端在停车平台进行注册、登录平台账户并开通指定车牌号码的ETC支付功能；
步骤2，车辆即将进入停车区域时，车牌识别摄像机获取车辆和车牌图像，并对车辆和车牌进行图像识别，生成车牌号码并发送给控制服务器；
步骤3，车辆即将离开停车区域时，车牌识别摄像机获取车辆图像，并对车辆和车牌进行图像识别，生成车牌号码并发送给控制服务器，控制服务器根据进入和离开的信息生成停车费支付订单，将车牌号码和停车费支付订单发送给停车平台；
步骤4，停车平台根据车牌号码与平台账户进行匹配，判断该车牌号码对应的平台账户是否开通了ETC支付功能，如果没有开通，则发送ETC支付失败信息给控制服务器；如果开通，停车平台会再判断该车牌号码是否在ETC黑名单中，如果在，则发送ETC支付失败信息给控制服务器；如果没在，则进入下一步骤；
步骤5，停车平台将车牌号码和支付订单信息发送给ETC清分系统进行扣费操作，停车平台发出ETC支付成功的信息给控制服务器；
步骤6，停车平台发送扣费成功信号至控制服务器。
其中，停车区域为停车场，当停车场入口车牌识别摄像机发生抓拍车头的视频触发时，则判断车辆到达停车场入口，启动车辆和车牌图像识别，车牌识别摄像机拍摄目标物体并将其转化为图像信号，然后传输给图像处理部分，进行通过验证后，控制通道闸机开启；
当停车场出口车牌识别摄像机发生抓拍车头的视频触发时，则判断车辆到达停车场出口，启动车辆和车牌图像识别，车牌识别摄像机拍摄目标物体并将其转化为图像信号，然后传输给图像处理部分，进行通过验证后，控制通道闸机开启。
其中，停车平台通过ETC清分系统维护ETC黑名单，收费支付过程中无需车主用户操作，自动完成。
其中，车辆图像识别的具体过程如下：
车辆图像识别提高了对车辆目标识别的稳定适应性,
步骤1.1、视频阵列，
对视频进行处理，获取视频阵列；
步骤1.2、原始图像预处理，
采用了经典的高斯滤波算法对视频阵列图像进行噪声的滤除，高斯滤波器在对噪声进行滤除的同时，对视频阵列图像进行了一定程度上的模糊，通过控制高斯滤波器窗口的大小控制对图像的模糊程度。
通过摄像头采集而来的视频图像中会存在着一些噪声干扰如高斯噪声、图像中的一些污点，在采集、传输和处理等图像相关的处理过程中都有可能使图像上的噪声增强，需要对视频进行预处理，减少噪声的影响并对其进行过滤处理是图像预处理技术中重要环节。
步骤1.3、车辆目标检测，
车辆目标检测采用PBAS算法，进行车辆的背景和前景图像的预处理，步骤1.3.1、建立背景模型，
PBAS算法的背景建模方法针对视频阵列图像的前N帧图像中的梯度幅值和像素大小作为其背景模型；
步骤1.3.2、通过分割决策进行前景检测，
决定某个像素是属于前景还是背景，在PBAS算法中背景模型B(xi)是由背景像素值构成，
B(xi)＝{B1(xi),...,Bk(xi),...,BN(xi)},
当前第k帧的像素点xi的像素值Bk(xi)与其他N-1帧背景部位的像素值之差的均值小于预定阈值T(xi)，则该像素点xi属于背景点；
步骤1.3.3、背景模板的更新，
通过随机的方式确定被代替的样本数据，对像素邻域的数据样本也采取随机选取的方式进行更新，更新率自动进行变化调整，对邻域样本数据集合的更新采用的是邻域新的像素值，而不是用新像素值本身。
背景是不断变化，背景很容易受到光照变化、树叶、影子及一些运动背景目标的影响，因此对背景模板的更新是很有必要的
步骤1.3.4、判断阈值更新，
阈值R(xi)应该随着背景区域变化的频繁程度而变化，背景越复杂阈值越高，背景越简单阈值越低，背景变化的估算为
Figure BDA0002351129640000131
阈值T(xi)进行动态的自适应变化，
Figure BDA0002351129640000132
其中，Tinc/dec，Tinc/dec为固定参数值；
步骤1.4、前景目标预处理
对前景目标图像执行中值滤波算法，对一个可变宽度的滑动窗口内中图像像素灰度值按照一定的规则和方式排序，用其中的像素计算出来的中值替换原有中心像素的灰度值。
中值滤波算法那滤除的效果表现在抑制和滤除随机噪声的同时，还能有效保护边缘少受模糊，尽可能的保留了图像中的边缘有效信息。中值滤波还可以用来对尖峰脉冲数据信息进行滤除。该算法如此有效的原因在于滤波后的数据保留的原图像的变化趋势，同时去除了尖峰脉冲图像数据对后续分析产生的影响。
步骤1.5、车辆目标识别；
对车辆目标提取出前景目标和背景目标后，对车辆目标进行识别，识别算法采用BLOB(binarylargeobject)匹配法实现，通过车辆检测算法得到二值图像，通过相同像素为一个连通域的方法，提取出运动车辆的BLOB，并通过计算得到BLOB的中心、面积、位置信息和矩的数据信息，采用轮廓识别对车辆进行识别，当车辆到达感兴趣的目标区域时，将车辆识别出来的图像保存到本地，具体为：
步骤1.5.1、对二值图像进行线性变换，线性变换的公式可以表示为dst(x,y,k)＝scale×src(x,y,k)+shift，其中，dst(x,y,k)表示第k帧目标像素值，src(x,y,k)表示源像素值，scale表示斜率，shift表示截距；
(1)当scale＞1时，增加图像中像素间的对比度；
图像中的像素值在进行线性变换图像处理后都会增大，因此处理后的图像与原始图像相比，整体的图像显示效果被增强。
(2)当scale＝1时，调节图像的亮度；
(3)当0＜scale＜1时，其效果与scale＞1刚好相反，图像中各像素的对比度和整体显示的效果都会被削弱；
(4)当scale＜0时，原始图像与处理后相比，较亮的区域亮度变暗，而较暗的区域则会变亮。
步骤1.5.2、对线性变换后的图像采用形态学操作进行滤除噪声，保留最符合条件的连通域，指从图像中提取包括边界、凸壳以及骨架数据信息在内的图像分量，使用先腐蚀后膨胀的开运算进行图像处理，对图像上细小的噪声进行消除，同时对图像的边界进行平滑。
步骤1.5.3、提取BLOB特征，对BLOB编号，
BLOB特征包括：区域面积和形心位置，其中，
(1)区域面积为块区域中像素的个数，对提取出来的二值图像进行扫描，用区域面积的概念对目标区域像素的大小进行标注和度量，面积用S()进行表示即该区域块中像素的个数，即
Figure BDA0002351129640000151
Ri(x,y)为第i个BLOB块区域，f(x,y)为二值函数；
(2)形心位置通过对目标区域形心的获取，对形心数据信息进行相关的识别算法处理能够获得车辆目标的历史位置和识别以后的位置信息，
Ri(x,y)的形心位置为(x0,y0)，则，
Figure BDA0002351129640000152
其中，M10，M00和M00为BLOB块的矩；
步骤1.5.4、利用BLOB特征对车辆目标进行匹配和识别，当编号的BLOB块与邻近图像的BLOB特征相匹配时，将其标记为track组，并对track组区域进行编号，从而实现车辆目标识别。
车牌识别，
步骤2.1、车牌图片预处理；
步骤2.1.1、图像灰度化处理，
由于直接从图像采集设备得到的图像颜色分辨率高，包含的信息数据量大，极占存储空间会使图像处理时CPU的执行速度变慢，为了方便后续的图像分析处理，常将彩色图像转换为灰度图像，以加快系统处理速度。
灰度化处理就是使彩色的红(R)、绿(G)、蓝(B)三个分量相等的过程，使用是加权平均值法，根据R,G,B不同的比重，选择合适的权值，并取R,G,B三个值的加权和平均，即
Figure BDA0002351129640000161
其中，f(x,y)是灰度图像函数，Wr是点(x,y)处R分量R(x,y)的权值，Wg是点(x,y)处G分量G(x,y)的权值，Wb是点(x,y)处B分量B(x,y)的权值；
其中，由于人眼对红、绿、蓝三种颜色的敏感度不同，敏感度最高的是绿色，所以G的比重最小，取Wr＝0.11；敏感度最低是蓝色，所以B的比重最大，取Wg＝0.59；对红色的敏感度居中，取Wr＝0.30，这样得到的灰色图像效果最佳；
步骤2.1.2、图像增强，
使用直方图均衡进行增强图像，直方图均衡化处理是把原灰度图像中灰度值比较集中的区域的值均匀地散开到整个灰度范围内，把灰度图像的像素值重新进行分配，使得一定范围内的像素值比较均匀的分布；
步骤2.1.3、二值化，
图像二值化是将图像上的像素点的灰度置成黑色或白色，整个图像就变成了黑白效果图，通过设定适当的阈值将256个灰色等级的图像转换成可以反映图像整体或局部特征的二值图像，二值图像的像素值只有0和255，不再像彩色图像一样涉及到像素的多级值，二值化处理后会使后续进一步的处理变得简单很多，而且数据的处理和压缩量都会变小。这样在实用系统中，处理的速度高、成本低、信息量大的图像处理的花销将大大减小。
车牌图像具有前景字符和背景牌照两部分，车牌上的光散射均匀的时候，使用全局阈值法通过设置全局阈值来分离背景和字符，
车牌上的光散射不均匀的时候，车牌二值化不能用全局阈值来设置,使用本地阈值法进行图像二值化处理，使用本地阈值法通过设置本地阈值来分离背景和字符。
其中，设原灰度图像函数表示为f(x,y)，二值化后的图像函数表示为g(x,y)，T为用来区分对象和背景的本地阈值，二值化的数学表达过程表示如下：
Figure BDA0002351129640000171
步骤2.1.4、边缘检测，
边缘检测是图像处理的关键手段，其是实现背景和前景的分离的有效方式，其从复杂背景中找到数字区域。传统的边缘检测器从图像的高频(噪声)分量提取边缘信息。形态是另一个重要的图像处理理论，它有效地消除了噪声并保留了图像的原始信息。
使用Robert算子进行边缘检测，Roberts算子是将任意一对互相垂直方向上的差分看成求梯度的近似方法，采用对角方向相邻两像素值之差代替梯度值；
假设灰度图像函数f(x,y)为具有整数像素坐标的输入，其梯度定义为：
Figure BDA0002351129640000181
用下面差分来近似表示上述微分的过程，其中(x+1,y+1)是(x,y)斜向上的像素点，则
Figure BDA0002351129640000182
简化得到：
Figure BDA0002351129640000183
Figure BDA0002351129640000185
上述两式的模版形式为：
Figure BDA0002351129640000184
Roberts算子在斜向边缘的检测效果要低于在垂直边缘和水平边缘的效果，同时在边缘处的定位也比较准，但对于具有陡峭的低噪声的图像效果最好，倾斜的效果不理想，容易造成漏检，会产生一些伪边缘。因此，该算子，该算子适用于边缘明显且噪声较少的图像分割。
步骤2.2、车牌判断，
车牌图片预处理后，需要判断图中是否存在车牌，采用SVM支持向量机实现，具体过程如下：
步骤2.2.1、生成训练数据，
训练数据的车辆图片来源是来自互联网和本地拍摄，将筛选的车辆图片送入车牌定位算法中产生矩形图块；
步骤2.2.2、分类，
矩形图块分为车牌图块和非车牌图块，并打上标签，将其中的70％构成训练数据，其余30％构成测试数据；
步骤2.2.3、训练，
SVM通过70％的训练数据进行训练，得到对照模板；
步骤2.2.4、测试，
对照模板与30％的测试数据进行对照，如果识别率高于90％，则构成参考模板，否则返回步骤2.2.1，从新进行训练；
步骤2.2.5、判断，
预处理后的车牌图片与参考模板进行对照，判断其是否为车牌图像，如果不是，则取下一个视频阵列图像，重新判断，如果是，则进入下一步骤；
步骤2.3、车牌定位,
车牌定位技术一直是车牌识别技术不可或缺的一个步骤，也是非常关键的一步，其位置性能直接关系到车牌识别系统速率，也影响识别系统的速度。同时它是一个经典的问题。由于中国车牌的颜色和形式多样化，在牌照位置的过程中存在许多困难：悬挂位置的不确定性、严重的许可证污损、光和环境因素等。
步骤2.3.1、车牌粗定位,
原始灰度图像函数f(x,y)具有以下特征：牌照的灰色背景和字母字符之间的对比度大；牌照区域中的水平灰度变化频繁；车牌悬挂在车底，这个位置是整个图像的底部。
根据上述特征，使用沿水平方向的一阶差分运算，这可以使具有频繁灰度级变化的区域突出。一阶差分是：
f'(x,y)＝f(x,y)-f(x,y+1)
其中，x＝1,2,...,n，y＝1,2,...,m，m和n是图像的高度和宽度，二值化处理图像，使得其可以车牌区域更突出并去除大部分背景干扰；
进行向下水平扫描，因为牌照由7个字符组成，通常，每行的边缘点在水平区域上大于14。根据中国牌照特征和试验结果，确定边缘点为15，找到合格的牌平面，在水平方向剪切原始灰度图像的子图像,获取初步的车牌定位图像；
步骤2.3.2、车牌精确定位，
在粗略定位之后，牌照区域通常包括车辆边界，需要基于粗定位进行精确定位。
目前中国车辆牌照有四类，蓝色背景为白色字符，黄色背景为黑色字符，白色背景为黑色或红色字符，黑色背景为白色字符；由于车牌区域布满了整个图片的大部分，可以依据车牌颜色和颜色固有特性来精确定位牌照位置。
实际上，车牌的最高频率是蓝色背景车牌中的白色字符，后面是黄色背景车牌中的黑色字符，白色背景中的黑色或红色字符，黑色背景车牌中的白色字符。因此，首先确定蓝色背景车牌中白色字符的精确定位，如果有蓝色区域，但是找不到满足该区域的要求，根据频率从高到低在黑色字符在黄色背景，黑色字符在白色背景和白色字符在黑色背景车牌区域定位判断。
准确定位的详细过程如下：
步骤2.3.2.1、根据二值化后的图像函数g(x,y)生成二进制灰度图像m(x,y)，
Figure BDA0002351129640000211
步骤2.3.2.2、识别候选区域：识别每个候选区域，然后根据降序从最大区域进入步骤2.3.2.3。
步骤2.3.2.3、确定几何结构特征：计算所选候选区域的长宽比R，如果R∈[5,2]，进入步骤2.3.2.4，否则，更换候选区域；
步骤2.3.2.4、确定统计字母-频率特性：计算所选候选区域的平均跳跃频率L的水平方向的灰度值，如果L∈[15,5]，则牌照位置是选定的候选区域，许可证板的背景颜色是灰度代表的颜色；否则，返回步骤2.3.2.3以处理下一个候选区域。
步骤2.4、车牌校正；
检测车牌位置是否倾斜，如果车牌是倾斜的，直接影响到车牌分割和最终的识别准确率，需要做图像的旋转校正。
对于倾斜的车牌图像，为了保证车牌的完整性，有时我们不得不让倾斜的图像带有部分背景杂质。在不同环境条件下拍摄得到的图片质量各不相同，有的背景亮度大，有的暗淡无光，有的还受噪声的干扰，因此，这些不确定的因素直接影响到图片的处理效果，对设计的各种算法造成干扰。
采用Hough变换的方法进行倾斜度校正，提高倾斜车牌检测和校正的准确性和鲁棒性，求解车牌的倾斜检测和校正的步骤为：
步骤2.4.1、从图像第i(i＝1,2,...,n)列开始，从上到下检索，知道找到第一个值为“1”的点，记为(xi,yi)；
步骤2.4.2、i＝i+1，重复步骤2.4.1，直到i＝n，到达车牌图像的宽度，则对宽度为n的车牌有n个点，得到一组直线方程：
y＝px+q，
其中，p为直线斜率，q为直线截距，p的范围在[-20,20]之间，对n个点作Hough变换，参数空间根据阵列累计值，发现共线点最多子点集，点集的线性斜率表示为上边界的斜率ps,同理可求出下边界的斜率px，然后求出平均值
Figure BDA0002351129640000221
根据求得的倾斜度p0，对车牌做倾斜校正；
步骤2.5、字符分割；
经过校正之后，得到规整的车牌图像，需要分割出单个的字符，并对其做归一化，使之与模板库的字符大小相同，利用车牌本身特征，在车牌图像中，边框作为边界，由于是矩形，横向和纵向上都是“1”，亮点个数远多于图像中的其他部分，以此作为分割依据来准确的分割出单个字符；
具体实现步骤如下：
步骤2.5.1：先将二值化车牌图像的每一列做累加运算，结果存于数组C[]中；
步骤2.5.2：判断第一个字符的位置，C[j]不为0，并以j作为第一个字符的左边界；
步骤2.5.3：继续向右寻找C[j]为0的列，作为第一个字符的右边界；
步骤2.5.4：循环7次，直至分割出所有字符。
步骤2.6、字符规范化,
字符规范化就是把分割后得到的字符图像变换成统一大小的图片,
假设归一化之前单个字符图片的尺寸为m0×n0，归一化后变为m×n，图像在x轴方向压缩比为
Figure BDA0002351129640000232
在y轴方向压缩比为
Figure BDA0002351129640000233
原图中点(x,y)与之对应于新图中的点(x',y')的关系为：
x'＝fx×x，
y'＝fy×y，
则新图中的点(x',y')处的灰度值为：
f'(x',y')＝f'(x'/fx,y'/fy)，
在原图中，点(x'/fx,y'/fy)落在以下四点之间:
P1:([x'/fx],[y'/fy])，P2:([x'/fx]+1,[y'/fy])，P3:([x'/fx],[y'/fy]+1)，P4:([x'/fx]+1,[y'/fy]+1)，
其中，[]为取证运算。
则，
Figure BDA0002351129640000231
Δx，Δy表示f(x,y)和f'(x',y')之间的位置变化量。
步骤2.7、字符识别；
模板匹配法进行自负识别，将分割出来的单个字符做归一化处理，使其与模板尺寸大小相同，并使其与模板字符相减，如果相等，相应的位上必然为0，因此再根据结果中0的个数多少判断出与字符最相近的字符模板，并把该字符作为匹配字符，以此作为识别输出的结果。
模板匹配法的最大优点就是实现比较简单，尤其是分割出来的字符图像很规整的情况下，识别率很高。
具体步骤为：
步骤2.7.1、建立自动识别码表，本文的码表为：0-9，A-Z，苏豫陕鲁京闽辽浙粤；
步骤2.7.2、由于车牌第一位是汉字，因此该部分直接从汉字部分开始匹配；
步骤2.7.3、车牌的第三位固定位A-Z之间的字母，可以在A-Z中循环匹配；
步骤2.7.4、第三位到第七位是字母或则数字，需要与所有的字母、数字模板逐一匹配：
步骤2.7.5、7个字符匹配完成后输出对应的结果。
其中，步骤2.7.2的汉字匹配采用神经网络匹配，
所有层都包含可训练的参数(权值)，输入是32×32像素图像，大于最大字符数据库(以28×28字段为中心的至多20×20像素)，最后卷积层的接收场在32×32输入的中心形成20×20区域；
在以下卷积层中标记为Cx，子采样层被标记为Sx，其中x是层索引；
每个层(即卷积层和下采样层)有多个特征可训练系数，一个特征MAP负责提取输入的一种特征，另外一个特征MAP是由多个神经元组成；
C1层是具有6个大小为28×28的特征图的卷积层，每个特征映射中的每个神经单元连接到输入层中的5×5邻域，映射到C1层的大小为28×28，C1层有6个滤波器，C1层的可训练参数的个数为：
(5×5+1)×6＝156，
与输入层的连接个数为：
156×(28×28)＝122304，
S2层是具有6个大小为14×14的特征图的子采样层，每个特征图中的每个神经单元与C1中的对应特征图中的2×2邻域相连接，S2层具有12个可训练参数和5580个连接；
卷积层与子采样层卷积，对C1层的四个输入求和，乘以可训练系数并且添加偏差得到的结果再通过激活函数传递到S2层，S2层中的特征图数目是C1层中特征图的数目1/4，其中行和列的各占一半；
C3层为具有16个大小为10×10的特征图的卷积层，每个特征图的每个单元在S2层的特征图的子集中的相同位置处连接到多个5×5邻域，C3层具有1516个可训练的参数和151600连接，通过5×5的卷积核与上一层进行卷积，然后得到含有10×10个神经元的特征MAP，因为C3层有16种不同的卷积核，对应16个特征MAP；
每个C3层特征图与S2层特征图组合连接，5×5的卷积核与S2层进行卷积得到16个特征MAP；
S4层是具有16个大小为5×5的特征图的子采样层，每个特征图中的每个单元连接到C3层中的对应特征图中的2×2邻域，S4层有32个可训练参数，S4层与上一层之间的可训练连接数有2000个；
C5层是具有240个特征映射的卷积层，与S2层到C3层的连接方式不同，C5层的每个单元与S4的所有特征图上的5×5邻域都相连接，S4层和C5层的特征图大小都是5×5，它们之间的连接方式是完全连接；
F6层有84个单元，与上一层(C5)之间是完全连接，F6层中计算输入向量和加权向量之间的点积，偏差被添加到该向量；
然后将用于单元i的表示为αi的该加权和通过sigmoid()激活函数产生由xi表示的单元i的状态：
xi＝sigmoid(αi),
压缩函数tanh()是一个按比例缩小的双曲正切函数：
F(αi)＝A×tanh(S×αi)，
其中，A是函数幅度，S为确定其在原点处的斜率函数F(αi)与+A和-A处的水平渐近线，其为奇数；
输出层由欧几里得径向基函数单元RBF组成，有72个神经元，每个神经元对应一个字符类别，每类一个单元，每个有84个输入。每个RBF单元yi的输出计算如下：
yi＝∑i(xj-wij)×2i，
其中，wij为偏差，
其中，步骤2.7.3和步骤2.7.4的字母匹配和数字匹配采用模板匹配，
挑选搜索图像的一部分用作模板，定义搜索子图像为Si,j(m,n)，(m,n)表示搜索图像中的每个像素的坐标，定义模板为T(mt,nt)，(mt,nt)表示模板中每个像素的坐标，在搜索图像中的每个(m,n)点上移动模板T(mt,nt)的中心(或原点)，并且计算Si,j(m,n)系数和T(mt,nt)在模板跨越的整个区域上的相似性：
搜索范围是：1＜＜i＜＜W-m，1＜＜h＜＜H-n
其中，W，H为车牌图像的宽和高，
通过比较T(mt,nt)和Si,j(m,n)的相似性，完成模板匹配过程，得出匹配程度D(i,j)，
Figure BDA0002351129640000271
M，N为模板的宽高；
展开得到
Figure BDA0002351129640000272
当匹配程度D(i,j)的值最小时，找到了目标。
模板匹配算法的操作相当简单，适合简单字符的快速寻找匹配。
以上所述实施方式仅表达了本发明的一种实施方式，但并不能因此而理解为对本发明范围的限制。应当指出，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (15)

1.一种停车支付系统，其包括收费系统、车主终端、停车平台、ETC清分系统，
通过所述车主终端在所述停车平台进行注册、登录平台账户并开通指定车牌号码的ETC支付功能；
所述收费系统包括车牌识别摄像机、控制服务器，
其中，所述车牌识别摄像机监控车道上车辆的运动状况，发现车辆即将进入停车区域时所述车牌识别摄像机抓拍车头，获取车辆图像并对车辆和车牌进行图像识别，生成车牌号码并发送给所述控制服务器；
所述控制服务器根据车辆停留时间计算停车时长并生成停车费的支付订单，所述控制服务器将车牌号码和支付订单发送给所述停车平台进行ETC支付；
所述停车平台根据车牌号码与所述平台账户进行匹配，判断该车牌号码对应的所述平台账户是否开通了ETC支付功能，判断该车牌号码是否在ETC黑名单中。
2.根据权利要求1所述一种具有车牌识别功能的停车支付系统，其特征在于：所述停车平台将车牌号码和支付订单信息发送给所述ETC清分系统进行扣费操作，所述停车平台发出ETC支付成功的信息给所述控制服务器。
3.根据权利要求1所述一种停车支付系统，其特征在于：所述ETC清分系统根据业务订单从车主的ETC账户中或者ETC关联的银行卡中扣费到相应的收费款方账户，所述ETC清分系统保存了包括车牌号码在内的车辆信息、车主信息、ETC电子标签信息、ETC关联账户信息。
4.根据权利要求1所述一种停车支付系统，其特征在于：所述停车区域为路内泊位,所述路内泊位的车牌号码的获取以及停车时长获取方式包括以下两种方式：
1)车辆检测器检测车辆进入停车泊位，所述车牌识别摄像机为手持PDA设备的车牌识别摄像机，收费员在停车期间使用手持PDA设备的车牌识别摄像机自动识别登记车辆的车牌号码，所述车辆检测器检测车辆进入和离开所述路内泊位的时间，从而计算出车辆的停车时长，；
2)当车辆进入和离开所述路内泊位时，所述车牌识别摄像机自动识别车辆的车牌号码并检测车辆进入和离开所述路内泊位的时间。
5.根据权利要求4所述一种停车支付系统，其特征在于：第1)种方式的所述车辆检测器包括：地磁检测器、超声波检测器、雷达检测器、激光检测器或者其中任意两种的组合。
6.根据权利要求4所述一种停车支付系统，其特征在于：第2)种方式的一个所述车牌识别摄像机对应1～10个泊位，所述车牌识别摄像机包括：安装高度为6米的高位摄像机、安装高度为3米的中位摄像机、高度为1米的视频桩、安装在马路边石上的低位摄像机。
7.根据权利要求4所述一种停车支付系统，其特征在于：所述路内泊位的收费系统在本地没有服务器，车辆检测器通过物联网卡直接把识别结果发送到远程的控制服务器，手持PDA设备通过4G卡直接把识别结果发送到远程的控制服务器，车牌识别摄像机通过物联网卡、4G卡、光纤直接把识别结果发送到远程的控制服务器，控制服务器为云端服务器，由云端服务器生成支付订单。
8.根据权利要求1所述一种停车支付系统，其特征在于：所述停车区域为停车场，所述收费系统还包括通道闸机，当所述停车场入口所述车牌识别摄像机发生抓拍车头的视频触发时，则判断车辆到达所述停车场入口，启动车辆和车牌图像识别，获取车辆图像并对车辆和车牌进行图像识别，生成车牌号码并发送给所述控制服务器，进行通过验证后，控制所述通道闸机开启；
当所述停车场出口所述车牌识别摄像机发生抓拍车头的视频触发时，则判断车辆到达所述停车场出口，启动车牌图像识别，获取车辆图像并对车辆和车牌进行图像识别，生成车牌号码并发送给所述控制服务器，进行通过验证后，控制所述通道闸机开启。
9.根据权利要求8所述一种停车支付系统，其特征在于：所述控制服务器设置在本地的路外封闭式的所述停车场，所述车牌识别摄像机把识别结果发给所述控制服务器，由所述控制服务器生成支付订单。
10.根据权利要求9所述一种停车支付系统，其特征在于：所述控制服务器为设置在远程的云端服务器，所述车牌识别摄像机把识别结果直接发给所述云端服务器，由所述云端服务器生成支付订单。
11.一种采用权利要求1-10任意一项所述的停车支付系统进行的停车支付方法，包括如下步骤：
步骤1，车主通过所述车主终端在所述停车平台进行注册、登录所述平台账户并开通指定车牌号码的ETC支付功能；
步骤2，车辆即将进入所述停车区域时，所述车牌识别摄像机获取车辆和车牌图像，并对车辆和车牌进行图像识别，生成车牌号码并发送给所述控制服务器；
步骤3，车辆即将离开所述停车区域时，所述车牌识别摄像机获取车辆图像，并对车辆和车牌进行图像识别，生成车牌号码并发送给所述控制服务器，所述控制服务器根据进入和离开的信息生成停车费支付订单，将车牌号码和停车费支付订单发送给所述停车平台；
步骤4，所述停车平台根据车牌号码与所述平台账户进行匹配；
步骤5，所述停车平台将车牌号码和支付订单信息发送给所述ETC清分系统进行扣费操作，所述停车平台发出ETC支付成功的信息给所述控制服务器；
步骤6，所述停车平台发送扣费成功信号至所述控制服务器。
12.根据权利要求11所述的停车支付方法，其特征在于步骤4中还包括，判断该车牌号码对应的所述平台账户是否开通了ETC支付功能，如果没有开通，则发送ETC支付失败信息给所述控制服务器；如果开通，所述停车平台会再判断该车牌号码是否在ETC黑名单中，如果在，则发送ETC支付失败信息给所述控制服务器；如果没在，则进入下一步骤。
13.根据权利要求11所述的停车支付方法，其特征在于：所述停车平台通过所述ETC清分系统维护ETC黑名单，停车支付过程中无需车主用户操作，自动完成。
14.根据权利要求11所述的停车支付方法，其特征在于：步骤2的车辆图像识别的具体过程如下：
步骤1.1、视频阵列，
对视频进行处理，获取视频阵列；
步骤1.2、原始图像预处理，
采用了经典的高斯滤波算法对视频阵列图像进行噪声的滤除，高斯滤波器在对噪声进行滤除的同时，对视频阵列图像进行了一定程度上的模糊，通过控制高斯滤波器窗口的大小控制对图像的模糊程度；
步骤1.3、车辆目标检测，
车辆目标检测采用PBAS算法，进行车辆的背景和前景图像的预处理，
步骤1.3.1、建立背景模型，
PBAS算法的背景建模方法针对视频阵列图像的前N帧图像中的梯度幅值和像素大小作为其背景模型；
步骤1.3.2、通过分割决策进行前景检测，
决定某个像素是属于前景还是背景，在PBAS算法中背景模型B(xi)是由背景像素值构成，
B(xi)＝{B1(xi),...,Bk(xi),...,BN(xi)},
当前第k帧的像素点xi的像素值Bk(xi)与其他N-1帧背景部位的像素值之差的均值小于预定阈值T(xi)，则该像素点xi属于背景点；
步骤1.3.3、背景模板的更新，
通过随机的方式确定被代替的样本数据，对像素邻域的数据样本也采取随机选取的方式进行更新，更新率自动进行变化调整，对邻域样本数据集合的更新采用的是邻域新的像素值，而不是用新像素值本身；
步骤1.3.4、判断阈值更新，
阈值R(xi)应该随着背景区域变化的频繁程度而变化，背景越复杂阈值越高，背景越简单阈值越低，背景变化的估算为
Figure FDA0002351129630000051
阈值T(xi)进行动态的自适应变化，
Figure FDA0002351129630000061
其中，Tinc/dec，Tinc/dec为固定参数值；
步骤1.4、前景目标预处理
对前景目标图像执行中值滤波算法，对一个可变宽度的滑动窗口内中图像像素灰度值按照一定的规则和方式排序，用其中的像素计算出来的中值替换原有中心像素的灰度值；
步骤1.5、车辆目标识别；
对车辆目标提取出前景目标和背景目标后，对车辆目标进行识别，识别算法采用BLOB匹配法实现，通过车辆检测算法得到二值图像，通过相同像素为一个连通域的方法，提取出运动车辆的BLOB，并通过计算得到BLOB的中心、面积、位置信息和矩的数据信息，采用轮廓识别对车辆进行识别，当车辆到达感兴趣的目标区域时，将车辆识别出来的图像保存到本地，具体为：
步骤1.5.1、对二值图像进行线性变换，线性变换的公式可以表示为dst(x,y,k)＝scale×src(x,y,k)+shift，其中，dst(x,y,k)表示第k帧目标像素值，src(x,y,k)表示源像素值，scale表示斜率，shift表示截距；
(1)当scale＞1时，增加图像中像素间的对比度；
图像中的像素值在进行线性变换图像处理后都会增大，因此处理后的图像与原始图像相比，整体的图像显示效果被增强。
(2)当scale＝1时，调节图像的亮度；
(3)当0＜scale＜1时，其效果与scale＞1刚好相反，图像中各像素的对比度和整体显示的效果都会被削弱；
(4)当scale＜0时，原始图像与处理后相比，较亮的区域亮度变暗，而较暗的区域则会变亮。
步骤1.5.2、对线性变换后的图像采用形态学操作进行滤除噪声，保留最符合条件的连通域，指从图像中提取包括边界、凸壳以及骨架数据信息在内的图像分量，使用先腐蚀后膨胀的开运算进行图像处理，对图像上细小的噪声进行消除，同时对图像的边界进行平滑；
步骤1.5.3、提取BLOB特征，对BLOB编号，
BLOB特征包括：区域面积和形心位置，其中，
(1)区域面积为块区域中像素的个数，对提取出来的二值图像进行扫描，用区域面积的概念对目标区域像素的大小进行标注和度量，面积用S()进行表示即该区域块中像素的个数，即
Figure FDA0002351129630000071
Ri(x,y)为第i个BLOB块区域，f(x,y)为二值函数；
(2)形心位置通过对目标区域形心的获取，对形心数据信息进行相关的识别算法处理能够获得车辆目标的历史位置和识别以后的位置信息，
Ri(x,y)的形心位置为(x0,y0)，则，
Figure FDA0002351129630000072
其中，M10，M00和M00为BLOB块的矩；
步骤1.5.4、利用BLOB特征对车辆目标进行匹配和识别，当编号的BLOB块与邻近图像的BLOB特征相匹配时，将其标记为track组，并对track组区域进行编号，从而实现车辆目标识别。
15.根据权利要求11所述的停车支付方法，其特征在于：步骤2的车牌图像识别的具体过程如下：
步骤2.1、车牌图片预处理；
步骤2.1.1、图像灰度化处理，
灰度化处理就是使彩色的红(R)、绿(G)、蓝(B)三个分量相等的过程，使用是加权平均值法，根据R,G,B不同的比重，选择合适的权值，并取R,G,B三个值的加权和平均，即
Figure FDA0002351129630000081
其中，f(x,y)是灰度图像函数，Wr是点(x,y)处R分量R(x,y)的权值，Wg是点(x,y)处G分量G(x,y)的权值，Wb是点(x,y)处B分量B(x,y)的权值；
其中，由于人眼对红、绿、蓝三种颜色的敏感度不同，敏感度最高的是绿色，所以G的比重最小，取Wr＝0.11；敏感度最低是蓝色，所以B的比重最大，取Wg＝0.59；对红色的敏感度居中，取Wr＝0.30，这样得到的灰色图像效果最佳；
步骤2.1.2、图像增强，
使用直方图均衡进行增强图像，直方图均衡化处理是把原灰度图像中灰度值比较集中的区域的值均匀地散开到整个灰度范围内，把灰度图像的像素值重新进行分配，使得像素值均匀分布；
步骤2.1.3、二值化，
车牌图像具有前景字符和背景牌照两部分，车牌上的光散射均匀的时候，使用全局阈值法通过设置全局阈值来分离背景和字符，
其中，设原灰度图像函数表示为f(x,y)，二值化后的图像函数表示为g(x,y)，T为用来区分对象和背景的本地阈值，二值化的数学表达过程表示如下：
Figure FDA0002351129630000091
步骤2.1.4、边缘检测，
使用Robert算子进行边缘检测，Roberts算子是将任意一对互相垂直方向上的差分看成求梯度的近似方法，采用对角方向相邻两像素值之差代替梯度值；
假设灰度图像函数f(x,y)为具有整数像素坐标的输入，其梯度定义为：
Figure FDA0002351129630000092
用下面差分来近似表示上述微分的过程，其中(x+1,y+1)是(x,y)斜向上的像素点，则
Figure FDA0002351129630000093
简化得到：
Figure FDA0002351129630000094
Figure FDA0002351129630000095
上述两式的模版形式为：
Figure FDA0002351129630000096
步骤2.2、车牌判断，
车牌图片预处理后，需要判断图中是否存在车牌，采用SVM支持向量机实现，具体过程如下：
步骤2.2.1、生成训练数据，
训练数据的车辆图片来源是来自互联网和本地拍摄，将筛选的车辆图片送入车牌定位算法中产生矩形图块；
步骤2.2.2、分类，
矩形图块分为车牌图块和非车牌图块，并打上标签，将其中的70％构成训练数据，其余30％构成测试数据；
步骤2.2.3、训练，
SVM通过70％的训练数据进行训练，得到对照模板；
步骤2.2.4、测试，
对照模板与30％的测试数据进行对照，如果识别率高于90％，则构成参考模板，否则返回步骤2.2.1，从新进行训练；
步骤2.2.5、判断，
预处理后的车牌图片与参考模板进行对照，判断其是否为车牌图像，如果不是，则取下一个视频阵列图像，重新判断，如果是，则进入下一步骤；
步骤2.3、车牌定位,
步骤2.3.1、车牌粗定位,
原始灰度图像函数f(x,y)具有以下特征：牌照的灰色背景和字母字符之间的对比度大；牌照区域中的水平灰度变化频繁；车牌悬挂在车底，这个位置是整个图像的底部。
根据上述特征，使用沿水平方向的一阶差分运算，这可以使具有频繁灰度级变化的区域突出。一阶差分是：
f'(x,y)＝f(x,y)-f(x,y+1)
其中，x＝1,2,...,n，y＝1,2,...,m，m和n是图像的高度和宽度，二值化处理图像，使得其可以车牌区域更突出并去除大部分背景干扰；
进行向下水平扫描，因为牌照由7个字符组成，通常，每行的边缘点在水平区域上大于14。根据中国牌照特征和试验结果，确定边缘点为15，找到合格的牌平面，在水平方向剪切原始灰度图像的子图像,获取初步的车牌定位图像；
步骤2.3.2、车牌精确定位，
准确定位的详细过程如下：
步骤2.3.2.1、根据二值化后的图像函数g(x,y)生成二进制灰度图像m(x,y)，
Figure FDA0002351129630000111
步骤2.3.2.2、识别候选区域：识别每个候选区域，然后根据降序从最大区域进入步骤2.3.2.3。
步骤2.3.2.3、确定几何结构特征：计算所选候选区域的长宽比R，如果R∈[5,2]，进入步骤2.3.2.4，否则，更换候选区域；
步骤2.3.2.4、确定统计字母-频率特性：计算所选候选区域的平均跳跃频率L的水平方向的灰度值，如果L∈[15,5]，则牌照位置是选定的候选区域，许可证板的背景颜色是灰度代表的颜色；否则，返回步骤2.3.2.3以处理下一个候选区域。
步骤2.4、车牌校正；
采用Hough变换的方法进行倾斜度校正，求解车牌的倾斜检测和校正的步骤为：
步骤2.4.1、从图像第i(i＝1,2,...,n)列开始，从上到下检索，知道找到第一个值为“1”的点，记为(xi,yi)；
步骤2.4.2、i＝i+1，重复步骤2.4.1，直到i＝n，到达车牌图像的宽度，则对宽度为n的车牌有n个点，得到一组直线方程：
y＝px+q，
其中，p为直线斜率，q为直线截距，p的范围在[-20,20]之间，对n个点作Hough变换，参数空间根据阵列累计值，发现共线点最多子点集，点集的线性斜率表示为上边界的斜率ps,同理可求出下边界的斜率px，然后求出平均值
Figure FDA0002351129630000121
根据求得的倾斜度p0，对车牌做倾斜校正；
步骤2.5、字符分割；
经过校正之后，得到规整的车牌图像，需要分割出单个的字符，并对其做归一化，使之与模板库的字符大小相同，利用车牌本身特征，在车牌图像中，边框作为边界，由于是矩形，横向和纵向上都是“1”，亮点个数远多于图像中的其他部分，以此作为分割依据来准确的分割出单个字符；
具体实现步骤如下：
步骤2.5.1：先将二值化车牌图像的每一列做累加运算，结果存于数组C[]中；
步骤2.5.2：判断第一个字符的位置，C[j]不为0，并以j作为第一个字符的左边界；
步骤2.5.3：继续向右寻找C[j]为0的列，作为第一个字符的右边界；
步骤2.5.4：循环7次，直至分割出所有字符；
步骤2.6、字符规范化,
字符规范化就是把分割后得到的字符图像变换成统一大小的图片,
假设归一化之前单个字符图片的尺寸为m0×n0，归一化后变为m×n，图像在x轴方向压缩比为
Figure FDA0002351129630000131
在y轴方向压缩比为
Figure FDA0002351129630000132
原图中点(x,y)与之对应于新图中的点(x',y')的关系为：
x'＝fx×x，
y'＝fy×y，
则新图中的点(x',y')处的灰度值为：
f'(x',y')＝f'(x'/fx,y'/fy)，
在原图中，点(x'/fx,y'/fy)落在以下四点之间:
P1:([x'/fx],[y'/fy])，P2:([x'/fx]+1,[y'/fy])，P3:([x'/fx],[y'/fy]+1)，P4:([x'/fx]+1,[y'/fy]+1)，
其中，[]为取证运算。
则，
Figure FDA0002351129630000133
Δx，Δy表示f(x,y)和f'(x',y')之间的位置变化量。
步骤2.7、字符识别；
模板匹配法进行自负识别，将分割出来的单个字符做归一化处理，使其与模板尺寸大小相同，并使其与模板字符相减，如果相等，相应的位上必然为0，因此再根据结果中0的个数多少判断出与字符最相近的字符模板，并把该字符作为匹配字符，以此作为识别输出的结果。
模板匹配法的最大优点就是实现比较简单，尤其是分割出来的字符图像很规整的情况下，识别率很高。
具体步骤为：
步骤2.7.1、建立自动识别码表，本文的码表为：0-9，A-Z，苏豫陕鲁京闽辽浙粤；
步骤2.7.2、由于车牌第一位是汉字，因此该部分直接从汉字部分开始匹配；
步骤2.7.3、车牌的第三位固定位A-Z之间的字母，可以在A-Z中循环匹配；
步骤2.7.4、第三位到第七位是字母或则数字，需要与所有的字母、数字模板逐一匹配：
步骤2.7.5、7个字符匹配完成后输出对应的结果。
其中，步骤2.7.2的汉字匹配采用神经网络匹配，
所有层都包含可训练的参数(权值)，输入是32×32像素图像，大于最大字符数据库(以28×28字段为中心的至多20×20像素)，最后卷积层的接收场在32×32输入的中心形成20×20区域；
在以下卷积层中标记为Cx，子采样层被标记为Sx，其中x是层索引；
每个层(即卷积层和下采样层)有多个特征可训练系数，一个特征MAP负责提取输入的一种特征，另外一个特征MAP是由多个神经元组成；
C1层是具有6个大小为28×28的特征图的卷积层，每个特征映射中的每个神经单元连接到输入层中的5×5邻域，映射到C1层的大小为28×28，C1层有6个滤波器，C1层的可训练参数的个数为：
(5×5+1)×6＝156，
与输入层的连接个数为：
156×(28×28)＝122304，
S2层是具有6个大小为14×14的特征图的子采样层，每个特征图中的每个神经单元与C1中的对应特征图中的2×2邻域相连接，S2层具有12个可训练参数和5580个连接；
卷积层与子采样层卷积，对C1层的四个输入求和，乘以可训练系数并且添加偏差得到的结果再通过激活函数传递到S2层，S2层中的特征图数目是C1层中特征图的数目1/4，其中行和列的各占一半；
C3层为具有16个大小为10×10的特征图的卷积层，每个特征图的每个单元在S2层的特征图的子集中的相同位置处连接到多个5×5邻域，C3层具有1516个可训练的参数和151600连接，通过5×5的卷积核与上一层进行卷积，然后得到含有10×10个神经元的特征MAP，因为C3层有16种不同的卷积核，对应16个特征MAP；
每个C3层特征图与S2层特征图组合连接，5×5的卷积核与S2层进行卷积得到16个特征MAP；
S4层是具有16个大小为5×5的特征图的子采样层，每个特征图中的每个单元连接到C3层中的对应特征图中的2×2邻域，S4层有32个可训练参数，S4层与上一层之间的可训练连接数有2000个；
C5层是具有240个特征映射的卷积层，与S2层到C3层的连接方式不同，C5层的每个单元与S4的所有特征图上的5×5邻域都相连接，S4层和C5层的特征图大小都是5×5，它们之间的连接方式是完全连接；
F6层有84个单元，与上一层(C5)之间是完全连接，F6层中计算输入向量和加权向量之间的点积，偏差被添加到该向量；
然后将用于单元i的表示为αi的该加权和通过sigmoid()激活函数产生由xi表示的单元i的状态：
xi＝sigmoid(αi),
压缩函数tanh()是一个按比例缩小的双曲正切函数：
F(αi)＝A×tanh(S×αi)，
其中，A是函数幅度，S为确定其在原点处的斜率函数F(αi)与+A和-A处的水平渐近线，其为奇数；
输出层由欧几里得径向基函数单元RBF组成，有72个神经元，每个神经元对应一个字符类别，每类一个单元，每个有84个输入。每个RBF单元yi的输出计算如下：
yi＝∑i(xj-wij)×2i，
其中，wij为偏差，
其中，步骤2.7.3和步骤2.7.4的字母匹配和数字匹配采用模板匹配，
挑选搜索图像的一部分用作模板，定义搜索子图像为Si,j(m,n)，(m,n)表示搜索图像中的每个像素的坐标，定义模板为T(mt,nt)，(mt,nt)表示模板中每个像素的坐标，在搜索图像中的每个(m,n)点上移动模板T(mt,nt)的中心(或原点)，并且计算Si,j(m,n)系数和T(mt,nt)在模板跨越的整个区域上的相似性：
搜索范围是：1＜＜i＜＜W-m，1＜＜h＜＜H-n
其中，W，H为车牌图像的宽和高，
通过比较T(mt,nt)和Si,j(m,n)的相似性，完成模板匹配过程，得出匹配程度D(i,j)，
Figure FDA0002351129630000171
M，N为模板的宽高；
展开得到：
Figure FDA0002351129630000172
当匹配程度D(i,j)的值最小时，找到了目标。
CN201911415697.8A 2019-12-31 2019-12-31 一种停车支付系统以及停车支付方法 Active CN111178291B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911415697.8A CN111178291B (zh) 2019-12-31 2019-12-31 一种停车支付系统以及停车支付方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911415697.8A CN111178291B (zh) 2019-12-31 2019-12-31 一种停车支付系统以及停车支付方法

Publications (2)

Publication Number Publication Date
CN111178291A true CN111178291A (zh) 2020-05-19
CN111178291B CN111178291B (zh) 2021-01-12

Family

ID=70652349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911415697.8A Active CN111178291B (zh) 2019-12-31 2019-12-31 一种停车支付系统以及停车支付方法

Country Status (1)

Country Link
CN (1) CN111178291B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111710053A (zh) * 2020-05-16 2020-09-25 山东高速信息工程有限公司 一种基于etc的涉车场所收费装置及方法
CN111882752A (zh) * 2020-07-23 2020-11-03 支付宝(杭州)信息技术有限公司 支付方法、支付系统及业务系统
CN111915751A (zh) * 2020-09-10 2020-11-10 广州德中科技有限公司 一种路侧停车收费方法、装置、设备和存储介质
CN111915750A (zh) * 2020-08-26 2020-11-10 云南昆船数码科技有限公司 一种路边停车收费系统及其收费方法
CN111951600A (zh) * 2020-07-20 2020-11-17 领翌技术(横琴)有限公司 停车位与车辆识别信息自动匹配方法及停车系统
CN112070081A (zh) * 2020-08-20 2020-12-11 广州杰赛科技股份有限公司 一种基于高清视频的智能化车牌识别方法
CN112348979A (zh) * 2020-09-16 2021-02-09 深圳市顺易通信息科技有限公司 一种etc无感支付停车费方法及相关设备
CN112687109A (zh) * 2020-11-19 2021-04-20 泰州锐比特智能科技有限公司 应用云存储的变道提醒系统及方法
CN112907832A (zh) * 2021-01-19 2021-06-04 浙江大华技术股份有限公司 加油事件的处理方法、视频处理装置及存储介质
CN112991809A (zh) * 2021-02-03 2021-06-18 齐娟 一种城市级数字泊车管理系统
CN113365224A (zh) * 2021-06-03 2021-09-07 星觅(上海)科技有限公司 一种车辆通行异常的检测方法、装置、设备及存储介质
CN113487752A (zh) * 2021-07-01 2021-10-08 西安建筑科技大学 一种无人值守停车系统
CN113689628A (zh) * 2021-07-08 2021-11-23 北京北大千方科技有限公司 基于etc技术的加油支付方法、系统、装置、电子设备及介质
CN114283525A (zh) * 2022-01-05 2022-04-05 青岛特来电新能源科技有限公司 一种基于etc的车辆充电费用支付方法、系统及存储介质
CN114495302A (zh) * 2021-12-27 2022-05-13 深圳市小马控股有限公司 车辆扣费方法和装置、计算机设备、存储介质
CN114882642A (zh) * 2021-03-26 2022-08-09 北京华夏易通行科技有限公司 一种etc充电扣费技术
US20220292836A1 (en) * 2021-03-10 2022-09-15 FlashParking, Inc. Method and system for vehicle authentication
CN117496607A (zh) * 2023-11-07 2024-02-02 武汉无线飞翔科技有限公司 一种基于etc计费的智能停车场管理方法及系统

Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004084121A1 (ja) * 2003-03-17 2004-09-30 Fujitsu Limited 車両識別方法及び装置
US20110164823A1 (en) * 2007-09-05 2011-07-07 ELECTRONICS AND TELECOMMUNICATIONS RESEARCH INSTITUTE of Daejeon,Republic of Korea Video object extraction apparatus and method
CN102231242A (zh) * 2011-06-13 2011-11-02 黄卫 一种路侧停车智能化管理的系统和方法
CN103426311A (zh) * 2013-06-27 2013-12-04 深圳市捷顺科技实业股份有限公司 一种手持机和车辆管理系统
WO2014110629A1 (en) * 2013-01-17 2014-07-24 Sensen Networks Pty Ltd Automated vehicle recognition
CN104766384A (zh) * 2015-04-25 2015-07-08 吕曦轩 一种基于车牌识别技术的不停车联网收费系统
CN105447917A (zh) * 2015-12-11 2016-03-30 四川长虹电器股份有限公司 基于图像识别技术的高速公路自助收费系统
CN205540964U (zh) * 2016-04-07 2016-08-31 浙江同兴技术股份有限公司 一种全视频识别的停车收费系统
US20160275481A1 (en) * 2013-08-13 2016-09-22 Neology, Inc. Systems and methods for managing an account
CN106485801A (zh) * 2016-12-30 2017-03-08 伟龙金溢科技（深圳）有限公司 基于etc和车牌识别的车辆管理方法、装置及其系统
CN106600722A (zh) * 2016-11-14 2017-04-26 南京积图网络科技有限公司 一种收费服务装置、方法及系统
CN106952352A (zh) * 2017-03-23 2017-07-14 腾讯科技（深圳）有限公司 一种不停车收费方法和车辆收费系统
CN107610252A (zh) * 2017-08-16 2018-01-19 齐鲁交通信息有限公司 基于移动端应用和车牌识别的高速公路通行费移动支付系统及方法
CN108053504A (zh) * 2018-01-22 2018-05-18 智慧互通科技有限公司 一种基于多支付方式的停车场出入口管理系统和方法
CN108198256A (zh) * 2017-12-29 2018-06-22 北京工业大学 基于etc技术的路侧智能停车收费系统
CN108550194A (zh) * 2018-02-23 2018-09-18 北京是捷科技有限公司 一种基于etc的路边停车收费方法及系统
CN108665569A (zh) * 2018-05-14 2018-10-16 佛山市洁宇信息科技有限公司 一种车辆不停车收费支付系统及其方法
CN109271904A (zh) * 2018-09-03 2019-01-25 东南大学 一种基于像素自适应分割和贝叶斯模型的黑烟车检测方法
CN208548054U (zh) * 2018-08-07 2019-02-26 沈阳静态交通投资建设管理有限公司 路内停车场识别系统
CN109544694A (zh) * 2018-11-16 2019-03-29 重庆邮电大学 一种基于深度学习的增强现实系统虚实混合建模方法
CN109903582A (zh) * 2019-03-15 2019-06-18 北京筑梦园科技有限公司 一种路边停车管理方法、存储介质、处理器及系统
CN109948474A (zh) * 2019-03-04 2019-06-28 成都理工大学 Ai热成像全天候智能监控方法
CN209281637U (zh) * 2019-02-18 2019-08-20 河北省交通规划设计院 融合etc技术的lte-v车路协同设备
CN110310378A (zh) * 2019-07-24 2019-10-08 广东艾科智泊科技股份有限公司 一种基于双鉴的开放式停车场停车计费方法及系统
CN110415367A (zh) * 2019-07-31 2019-11-05 中国工商银行股份有限公司 车辆移动支付系统及方法

Patent Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004084121A1 (ja) * 2003-03-17 2004-09-30 Fujitsu Limited 車両識別方法及び装置
US20110164823A1 (en) * 2007-09-05 2011-07-07 ELECTRONICS AND TELECOMMUNICATIONS RESEARCH INSTITUTE of Daejeon,Republic of Korea Video object extraction apparatus and method
CN102231242A (zh) * 2011-06-13 2011-11-02 黄卫 一种路侧停车智能化管理的系统和方法
WO2014110629A1 (en) * 2013-01-17 2014-07-24 Sensen Networks Pty Ltd Automated vehicle recognition
CN103426311A (zh) * 2013-06-27 2013-12-04 深圳市捷顺科技实业股份有限公司 一种手持机和车辆管理系统
US20160275481A1 (en) * 2013-08-13 2016-09-22 Neology, Inc. Systems and methods for managing an account
CN104766384A (zh) * 2015-04-25 2015-07-08 吕曦轩 一种基于车牌识别技术的不停车联网收费系统
CN105447917A (zh) * 2015-12-11 2016-03-30 四川长虹电器股份有限公司 基于图像识别技术的高速公路自助收费系统
CN205540964U (zh) * 2016-04-07 2016-08-31 浙江同兴技术股份有限公司 一种全视频识别的停车收费系统
CN106600722A (zh) * 2016-11-14 2017-04-26 南京积图网络科技有限公司 一种收费服务装置、方法及系统
CN106485801A (zh) * 2016-12-30 2017-03-08 伟龙金溢科技（深圳）有限公司 基于etc和车牌识别的车辆管理方法、装置及其系统
CN106952352A (zh) * 2017-03-23 2017-07-14 腾讯科技（深圳）有限公司 一种不停车收费方法和车辆收费系统
CN107610252A (zh) * 2017-08-16 2018-01-19 齐鲁交通信息有限公司 基于移动端应用和车牌识别的高速公路通行费移动支付系统及方法
CN108198256A (zh) * 2017-12-29 2018-06-22 北京工业大学 基于etc技术的路侧智能停车收费系统
CN108053504A (zh) * 2018-01-22 2018-05-18 智慧互通科技有限公司 一种基于多支付方式的停车场出入口管理系统和方法
CN108550194A (zh) * 2018-02-23 2018-09-18 北京是捷科技有限公司 一种基于etc的路边停车收费方法及系统
CN108665569A (zh) * 2018-05-14 2018-10-16 佛山市洁宇信息科技有限公司 一种车辆不停车收费支付系统及其方法
CN208548054U (zh) * 2018-08-07 2019-02-26 沈阳静态交通投资建设管理有限公司 路内停车场识别系统
CN109271904A (zh) * 2018-09-03 2019-01-25 东南大学 一种基于像素自适应分割和贝叶斯模型的黑烟车检测方法
CN109544694A (zh) * 2018-11-16 2019-03-29 重庆邮电大学 一种基于深度学习的增强现实系统虚实混合建模方法
CN209281637U (zh) * 2019-02-18 2019-08-20 河北省交通规划设计院 融合etc技术的lte-v车路协同设备
CN109948474A (zh) * 2019-03-04 2019-06-28 成都理工大学 Ai热成像全天候智能监控方法
CN109903582A (zh) * 2019-03-15 2019-06-18 北京筑梦园科技有限公司 一种路边停车管理方法、存储介质、处理器及系统
CN110310378A (zh) * 2019-07-24 2019-10-08 广东艾科智泊科技股份有限公司 一种基于双鉴的开放式停车场停车计费方法及系统
CN110415367A (zh) * 2019-07-31 2019-11-05 中国工商银行股份有限公司 车辆移动支付系统及方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
尹川: "基于Android系统的车牌识别系统的设计与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
李建华: "基于图像处理技术的车牌识别方法研究与实现", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
沈小军 等: ""互联网+"智慧停车模式助力城市交通规划和发展", 《2019城市发展与规划论文集》 *
王晶: "基于神经网络的车牌识别技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
范福海 等: "基于视频桩的路内停车管理系统框架研究", 《城市交通》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111710053A (zh) * 2020-05-16 2020-09-25 山东高速信息工程有限公司 一种基于etc的涉车场所收费装置及方法
CN111951600B (zh) * 2020-07-20 2022-02-22 领翌技术(横琴)有限公司 停车位与车辆识别信息自动匹配方法及停车系统
CN111951600A (zh) * 2020-07-20 2020-11-17 领翌技术(横琴)有限公司 停车位与车辆识别信息自动匹配方法及停车系统
CN111882752A (zh) * 2020-07-23 2020-11-03 支付宝(杭州)信息技术有限公司 支付方法、支付系统及业务系统
WO2022017180A1 (zh) * 2020-07-23 2022-01-27 支付宝(杭州)信息技术有限公司 支付方法、支付系统及业务系统
US11544970B2 (en) 2020-07-23 2023-01-03 Alipay (Hangzhou) Information Technology Co., Ltd. Payment methods, payment systems and service systems
CN112070081A (zh) * 2020-08-20 2020-12-11 广州杰赛科技股份有限公司 一种基于高清视频的智能化车牌识别方法
CN112070081B (zh) * 2020-08-20 2024-01-09 广州杰赛科技股份有限公司 一种基于高清视频的智能化车牌识别方法
CN111915750A (zh) * 2020-08-26 2020-11-10 云南昆船数码科技有限公司 一种路边停车收费系统及其收费方法
CN111915751B (zh) * 2020-09-10 2022-06-03 广州德中科技有限公司 一种路侧停车收费方法、装置、设备和存储介质
CN111915751A (zh) * 2020-09-10 2020-11-10 广州德中科技有限公司 一种路侧停车收费方法、装置、设备和存储介质
CN112348979A (zh) * 2020-09-16 2021-02-09 深圳市顺易通信息科技有限公司 一种etc无感支付停车费方法及相关设备
CN112687109A (zh) * 2020-11-19 2021-04-20 泰州锐比特智能科技有限公司 应用云存储的变道提醒系统及方法
CN112907832A (zh) * 2021-01-19 2021-06-04 浙江大华技术股份有限公司 加油事件的处理方法、视频处理装置及存储介质
CN112991809A (zh) * 2021-02-03 2021-06-18 齐娟 一种城市级数字泊车管理系统
US20220292836A1 (en) * 2021-03-10 2022-09-15 FlashParking, Inc. Method and system for vehicle authentication
CN114882642A (zh) * 2021-03-26 2022-08-09 北京华夏易通行科技有限公司 一种etc充电扣费技术
CN113365224B (zh) * 2021-06-03 2022-08-05 星觅(上海)科技有限公司 一种车辆通行异常的检测方法、装置、设备及存储介质
CN113365224A (zh) * 2021-06-03 2021-09-07 星觅(上海)科技有限公司 一种车辆通行异常的检测方法、装置、设备及存储介质
CN113487752A (zh) * 2021-07-01 2021-10-08 西安建筑科技大学 一种无人值守停车系统
CN113689628A (zh) * 2021-07-08 2021-11-23 北京北大千方科技有限公司 基于etc技术的加油支付方法、系统、装置、电子设备及介质
CN114495302A (zh) * 2021-12-27 2022-05-13 深圳市小马控股有限公司 车辆扣费方法和装置、计算机设备、存储介质
CN114283525A (zh) * 2022-01-05 2022-04-05 青岛特来电新能源科技有限公司 一种基于etc的车辆充电费用支付方法、系统及存储介质
CN117496607A (zh) * 2023-11-07 2024-02-02 武汉无线飞翔科技有限公司 一种基于etc计费的智能停车场管理方法及系统
CN117496607B (zh) * 2023-11-07 2024-06-07 武汉无线飞翔科技有限公司 一种基于etc计费的智能停车场管理方法及系统

Also Published As

Publication number Publication date
CN111178291B (zh) 2021-01-12

Similar Documents

Publication Publication Date Title
CN111178291B (zh) 一种停车支付系统以及停车支付方法
Panahi et al. Accurate detection and recognition of dirty vehicle plate numbers for high-speed applications
CN109993056B (zh) 一种识别车辆违章行为的方法、服务器及存储介质
Jain et al. Deep automatic license plate recognition system
Al-Ghaili et al. Vertical-edge-based car-license-plate detection method
Comelli et al. Optical recognition of motor vehicle license plates
CN110969160B (zh) 一种基于深度学习的车牌图像校正、识别方法及系统
KR101756849B1 (ko) 노상 무인정산 주차관제 시스템
CN107103317A (zh) 基于图像融合和盲反卷积的模糊车牌图像识别算法
CN110197166B (zh) 一种基于图像识别的车体装载状态识别装置及方法
Tian et al. A two-stage character segmentation method for Chinese license plate
CN103065138A (zh) 一种机动车牌号的识别方法
Prajapati et al. A Review Paper on Automatic Number Plate Recognition using Machine Learning: An In-Depth Analysis of Machine Learning Techniques in Automatic Number Plate Recognition: Opportunities and Limitations
CN112085018A (zh) 基于神经网络的车牌识别系统
Devi et al. An Efficient Hybrid Technique for Automatic License Plate Recognitions
Nguwi et al. Number plate recognition in noisy image
CN109447060A (zh) 一种用于高速公路的车牌智能识别系统及方法
KR101784764B1 (ko) 전기차의 고속도로 통행료 징수 방법
He et al. Combining global and local features for detection of license plates in video
Mohammad et al. An Efficient Method for Vehicle theft and Parking rule Violators Detection using Automatic Number Plate Recognition
Fernandez et al. Raspberry Pi based ANPR for Smart Access
Kothai et al. An Efficient Deep Learning Approach for Automatic License Plate Detection with Novel Feature Extraction
Pu et al. A robust and real-time approach for license plate detection
Nguyen et al. Real-time license plate localization based on a new scale and rotation invariant texture descriptor
Mathews et al. Improved computer vision-based framework for electronic toll collection

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
GR01 Patent grant