摘要：自取消全国高速公路省界收费站、联网收费系统并网切换以来，高速公路ETC用户通行量急剧增加，然而，用户端设备故障、不规范使用通行介质等因素极易造成通行费的漏收。同时，ETC门架车牌抓拍系统作为收费系统的重要稽查手段，捕获率、识别精准率因受天气环境、光线角度等因素影响，难以满足收费系统对车牌识别的精度要求。本文针对如何充分利用、挖掘ETC门架上的视频车辆抓拍数据进行了深入分析，探究并开发自由流收费视频车辆判别系统，为收费系统提供较高捕获率、识别精准率的视频车辆抓拍数据，为运营单位提供具有较高价值的稽查数据，有效减少通行费损失，具有显著的经济效益。
高速公路联网收费系统通过OBU或CPC卡，与ETC天线进行无线数据交互，完成通行费的计费，实现自由流分段计费和收费。ETC门架系统天线数据交互使用5.8GHZ频段通讯，频段频率较高，无线信号易被屏蔽，影响数据通讯。OBU刻意屏蔽、拆卸OBU、OBU损毁、CPC卡损毁、天线故障等，也易造成门架无交易或交易失败。这些情况主要发生在用户端上，不受收费系统约束和控制，往往导致通行费损失，因此，亟需强大的稽核系统作为强力支撑。作为目前收费系统的重要稽查手段，ETC门架车牌抓拍系统的捕获率、识别精准率因受天气环境、光线角度等因素的影响，难以满足收费系统对车牌识别的精度要求，因此需要进一步利用、挖掘ETC门架上的视频车辆抓拍数据，提高车牌识别数据准确性，为收费系统提供较高价值的稽核数据，有效减少通行费损失。
一、系统现状 二、自由流收费视频车辆判别系统 （一）设备冗余对视频抓拍系统性能的影响 ETC门架系统建设，各省份依据自己的具体情况，主要有以下四种方案，采用单门架单排摄像机、单门架双排摄像机，双门架系统，第一个门架安装两排摄像机、第二个门架安装一排或二排摄像机。 （1）单门架单排摄像机对过路车辆有一次抓拍机会，抓拍角度、前后车辆遮挡、光线明暗变化等因素对车辆的捕获率、识别精准率都会造成不可逆转的影响，摄像机捕获率和识别精准率一般在70%到99%之间波动。单门架单排摄像头如图1所示。 图1 单门架单排摄像头示意图 （2）相对单排摄像机而言，单门架双排摄像机增加了一次对过路车辆抓拍机会，并改善了抓拍角度、前后车辆遮挡、光线明暗变化对车辆捕获率、识别精准率的影响。可利用算法，提高部分数据的可信度，系统的捕获率可提高到90%以上。但不宜建立数学分析运算，因此对识别精准率改善不明显。单门架双排摄像头如图2所示。 图2 单门架双排摄像头示意图 （3）双门架三排摄像机，相对单排摄像机而言，对路过车辆增加了两次抓拍机会，再加上两排门架之间间隔一般在500米以上，因此，对路过车辆抓拍角度逆光反射的影响，以及遮挡、雨雪、雾霾等因素造成的无法抓拍或识别错误的影响，有明显改善。系统的捕获率和识别的精准率都得到明显提升，系统的捕获率和精准率都可提高到97%到99.9%之间。此外，三个抓拍数据，为数学分析计算提供了可能。因此系统再辅以适当的算法，识别精准率可提高到99%到99.9%之间。双门架三排摄像头如图3所示。 图3 双门架三排摄像头示意图 （4）双门架四排摄像机时，相对单排摄像机而言，对路过车辆增加了三次抓拍机会。四排摄像机从不同角度、不同时间对路过车辆进行抓拍，弥补了单个摄像头受光线、角度、遮挡、雨雪等因素造成性能下降的不足。同时，由于提供了四组抓拍数据，为数学分析运算，提供了足够的依据，系统的性能得到了充分的提高，性能指标稳定可靠，捕获率和识别精准率都可提高到99%以上。双门架四排摄像头如图4所示。 图4 双门架四排摄像头示意图 （二）数据分析运算方法对视频抓拍系统性能的影响 1、视频抓拍系统的捕获率分析 采用单门架或者采用双门架、安装一排或二排或三排或四排摄像头，不管采用哪种组合方式，一旦确定了组合方式，视频抓拍系统的捕获率就基本已经确定，假设单个摄像头的捕获率为90%，那么多排摄像头时的捕获率如下所示。 一排摄像头捕获率：C1=90%。 二排摄像头捕获率：C2=C1+（1-C1）×90%=99%。 三排摄像头捕获率：C3=C2+（1-C2）×90%=99.9%。 四排摄像头捕获率：C4=C3+（1-C3）×90%=99.99%。 从以上计算可以看出，单个摄像头的捕获率在90%，而四排摄像头时的捕获率，理论计算可以高达99.99%以上。多排摄像头提升捕获率效果显著。 2、视频抓拍系统的识别精准率分析 采用多排摄像头，一辆路过的车辆会产生多组抓拍数据，受各种因素的影响，会出现数据漏抓、完全正确的数据、有误的数据等各种数据组合。但可以把这些数据当做一个整体，相互佐证，互为影响，以此确认系统数据的正确性。当有误数据出现时，可以采用不同的数学分析运算，来校正数据，提炼出正确的抓拍数据，以期提高系统的识别精准率。以下对不同的门架摄像头安装设置、抓拍成功次数、抓拍数据进行分析。 假设过路车辆的车牌为：浙GQD312。 （1）一组抓拍数据（或单门架单排摄像头设置） 抓拍的数据可能是以下的其中之一。 识别正确：浙GQD312。 识别有误：浙G0D312。 数据的可信度，有可能是正确的，也有可能是有误，此时，系统无法确认，把这组数据定义为，可信度4级。 （2）二组抓拍数据（或单门架双排摄像头设置） 抓拍的数据可能是以下组合的其中之一。 2次识别都正确：如浙GQD312、浙GQD312。 其中1次识别有误：如浙GQD312、浙G0D312。 2次识别都有误：如浙GQDB12、浙G0D312。 数据可信度：2次识别都正确，系统可认为数据正确，把这组数据定义为，可信度1级。1次、2次有误时，系统无法确认数据的正确性，把这组数据定义为，可信度3级。 （3）三组抓拍数据（或双门架三排摄像头设置） 抓拍的数据可能是以下组合的其中之一。 3次识别都正确：如浙GQD312、浙GQD312、浙GQD312。 其中1次识别有误：如浙G0D312、浙GQD312、浙GQD312。 其中2次识别有误：如浙G0D312、浙GQ0B12、浙GQD312。 3次识别都有误：如浙G0D312、浙GQ0312、浙GQDB12。 数据可信度：3次都正确或者2次都正确，系统可以确认数据的正确性，把这组数据定义为，可信度1级。2次以上数据有误，系统无法确认数据的正确性，把这组数据定义为，可信度2级。 （4）四组抓拍数据（或双门架四排摄像头设置） 抓拍的数据可能是以下组合的其中之一。 4次识别都正确：如浙GQD312、浙GQD312、浙GQD312、浙GQD312。 其中1次有误：如浙G0D312、浙GQD312、浙GQD312、浙GQD312。 其中2次有误：如浙G0D312、浙GQ0312、浙GQD312、浙GQD312。 其中3次有误：如浙G0D312、浙GQ0312、浙GQDB12、浙GQD312。 4次识别都有误：如浙G0D312、浙GQ0312、浙GQDB12、浙GQD317。 数据可信度：4次、3次、2次正确，系统可以确认数据的正确性，把这组数据定义为，可信度1级。3次、4次有误，系统无法确认数据的准确性，把这组数据定义为，可信度2级。 由以上分析可知，可信度1级的数据为系统确认正确的数据。可信度2级、3级、4级的数据，为系统无法确认的有误数据。有误数据直接影响系统的识别精准率。通过数理统计分析，建立数据模型，将可信度2级、3级、4级数据，最大程度转化为1级可信度数据，减小有误数据数量，可提高系统数据识别的精准率。 （三）视频抓拍系统核心数据分析模型 图5 多层数据处理结构示意图 根据对多门架多排摄像头设置的视频抓拍系统数据的分析，构建一个由一级、二级、三级堆栈处理层、人工智能处理层、相邻拟合处理层所组成的多层数据处理结构的分析模型，结构如图5所示，将自由流视频抓拍数据，经数学分析模型处理，可实现对数据的纠错、清洗去重、数据重构、数据提炼，输出高可靠、高精准、纯净的车辆抓拍数据。视频抓拍系统核心数据分析模型如图6所示。 图6 视频抓拍系统核心数据分析模型示意图 核心数学分析模型主要由三个堆栈处理层所组成，一级堆栈堆砌了1级可信度数据，二级堆栈堆砌了2、3级可信度数据，三级堆栈堆砌了4级可信度数据。自由流视频抓拍数据流经第一堆栈处理层，系统调用一级堆栈入栈数据处理模块，并遍历一级堆栈的所有数据，如有相同或拟似相同的，清洗入栈数据并结束入栈数据处理；如果都没有，触发二级堆栈入栈数据处理模块。 自由流视频抓拍数据流经第二堆栈处理层，遍历二级堆栈的所有数据，如有相同数据，就将该入栈数据分拣到一级堆栈最底部的第一个数据单元中，同时清洗掉二级堆栈相应记录，结束入栈数据处理；如有拟似数据，就将数据入栈，结束入栈数据处理；如果既没有相同数据，也没有拟似数据，触发三级堆栈入栈数据处理模块。 自由流视频抓拍数据流经第三堆栈处理层，遍历三级堆栈的所有数据，如有相同数据，就将该入栈数据分拣到一级堆栈最底部的第一个数据单元，同时清洗掉三级堆栈的记录数据，结束入栈数据处理；如果有拟似数据，就将入栈数据、三级堆栈的拟似数据，分拣到二级堆栈最底部的数据单元中，清洗掉三级堆栈的拟似记录，结束入栈数据处理；如果既没有相同的，也没有拟似的，就将数据入栈，结束入栈数据处理。 自由流视频抓拍数据同时触发了一级堆栈出栈数据处理模块，输出1级可信度的抓拍数据。 自由流数据也触发了二级堆栈出栈数据处理模块，当有出栈数据时，检查二级堆栈出栈数据，如果有3组数据，就对3组的车牌数据进行表决，获取一个新的车牌数据。通过表决，可以校正错误的数据位，标识这个新的数据为2级可信度车牌数据，同时清洗掉该3个出栈数据。如果只有2组数据，就通过比对摄像机提供的可信度进行评估，可信度高的标识为3级可信度抓拍数据，清洗掉另一个数据，结束二级堆栈出栈数据处理。 自由流视频抓拍数据同时触发了三级堆栈出栈数据处理模块，当有出栈数据时，标识该数据为4级可信度抓拍数据，结束三级堆栈出栈数据处理。 从视频抓拍系统核心数据分析模型的计算过程可以清楚地知道，1级可信度数据是完全正确的数据，2级可信度数据为良好的数据，3、4级可信度数据为不及格的有误数据。进一步分析可知，在一个双排四摄像头设置的门架系统中，产生4级可信度数据的图像，最大可能是被遮挡的车辆图像。遮挡部分车牌数据，是用摄像头猜想数据填入的，某个摄像头的模糊图像数据，也是摄像头猜想填入的。由于和正确的数据产生较大的差距而演变成4级可信度，而实际正确的车牌已经被其他摄像头捕获并被识别。因此实际统计时，应剔除4级可信度数据，最终影响识别精准率的只有3级可信度的数据。经过三个堆栈处理层的处理，实现了数据的清洗、纠错和重构。 （四）人工智能AI 经视频抓拍系统核心数据分析模型处理，还存在一部分2级、3级、4级可信度的抓拍数据，通过进一步采用人工智能AI技术，对已经记录保存的抓拍图像进行人工智能识别，获取一个新的识别数据，结合原有数据，再次经视频抓拍系统核心数据分析模型处理，提升数据可信度到1级，最大程度地减少低信用级别数据量，进一步提高系统的识别精度。 （五）相邻拟合补漏 如果在一个虚拟点，车辆没有被捕获，即出现漏拍，则采用相邻虚拟点的数据，进行拟合运算，加以距离、行驶时间等因素综合判断补漏，进一步提高系统的捕获率。 三、视频车辆判别系统的应用测试 浙江省某高速公路的7个ETC门架已安装和实施本文所述的视频车辆判别系统，并投入运行，获取了大量测试数据，测试原理和测试结果如下所示。 （一）测试原理 1、捕获率测试原理 假设系统有4排摄像头，每排有3个摄像机，取S个样本，样本是由视频车辆判别系统提供的，那么，针对这些样本，可以分析出每排摄像头捕获到的次数M，由此可得，每排摄像头的捕获率C=M/S。四排摄像机，就有4个排捕获率，C1、C2、C3、C4。 然后，按照数理统计计算方法，就可得出系统的捕获率。 车辆经第一排摄像头时的捕获率：SC1=C1 （1） 车辆经第二排摄像头时的捕获率：SC2=SC1+（1-SC1）×C2 （2） 车辆经第三排摄像头时的捕获率：SC3=SC2+（1-SC2）×C3 （3） 车辆经第四排摄像头时的捕获率：SC4=SC3+（1-SC3）×C4 （4） 系统总捕获率：SC=SC4 （5） 2、识别精准率测试原理 假设系统有4排摄像头，每排有3个摄像机，取S个样本，每个摄像头对样本精准匹配数量A，模糊匹配数量V，各摄像头精准率D=A/（A+V）。 （1）各摄像头精准率 D11=A11/（A11+V11） （6） D12=A12/（A12+V12） （7） D13=A13/（A13+V13） （8） D21=A21/（A21+V21） （9） D22=A22/（A22+V22） （10） D23=A23/（A23+V23） （11） D31=A31/（A31+V31） （12） D32=A32/（A32+V32） （13） D33=A33/（A33+V33） （14） D41=A41/（A41+V41） （15） D42=A42/（A42+V42） （16） D43=A43/（A43+V43） （17） （2）按数理统计方法，计算可得每排的识别精准率如下所示。 第一排摄像头整体识别精准率D1=（D11×D12×D13）1/3 （18） 第二排摄像头整体识别精准率D2=（D21×D22×D23）1/3 （19） 第三排摄像头整体识别精准率D3=（D31×D32×D33）1/3 （20） 第四排摄像头整体识别精准率D4=（D41×D42×D43）1/3 （21） （3）按数理统计方法，进一步计算可得系统的识别精准率如下所示。 经第一排摄像头后的精准率：DS1=D1×C1 （22） 经第二排摄像头后的精准率：DS2=DS1+（1-DS1）×C2×D （23） 经第三排摄像头后的精准率：DS3=DS2+（1-DS2）×C3×D3 （24） 经第四排摄像头后的精准率：DS4=DS3+（1-DS3）×C4×D4 （25） （4）系统的识别精准率：DS=DS4 （26） （二）数据测试 基于以上对数学分析模型和数理统计方法的分析，开发了一款测试软件，视频车辆抓拍数据经数学分析模型分析、人工智能处理后，再通过数理统计语言，展示数据统计、数据分布以及即时数据变化，以验证研究应用效果。下文对其中一个虚拟点从当天0点开始到当天测试时间之间的整点测试数据，进行展示和分析。视频车辆判别系统软件测试及数据统计，如图7所示。 图7 视频车辆判别系统软件测试及数据统计展示图 1、数据统计 从数据统计展示图可以得出以下数据。 （1）上行流量：11874。 1级可信度数据：11828。2级可信度数据：21。3级可信度数据：25。 （2）下行流量：14126。 1级可信度数据：14078。2级可信度数据：12。3级可信度数据：36。 （3）根据数学分析模型，通过统计数据可以计算得出： 上行方向识别精准率为99.79%；下行方向识别精准率为99.74%。 从纠错数据统计结果可知，系统对上行数据应纠错46条，纠错成功21条，纠错成功率45.65%；对下行数据应纠错48条，纠错成功12条，纠错成功率25%。 2、数据分布 数据分布展示区，展示了一个虚拟点流量、车速、捕获率、识别精准率随时间变化的分布情况，如图8所示。由图可见，在测试时间段内，捕获率在99.99%到100%之间波动，识别精准率在99.98%到100%之间波动。捕获率、识别精准率是采用数理统计分析语言展示的数字分布，实际统计计算数值和其相比存在一定的统计误差，实际统计的数值比数据分布展示的略低0.24%，符合实际情况，也在允许的、可接受的误差范围内。 图8 数据分布展示图 3、即时数据 即时数据展示区，展示了当时每个摄像头的识别精准度、每排摄像头的识别精准率、每排摄像头的捕获率，以及一个虚拟点当时的总捕获率、总识别精准率。即时数据展示区，可为管理者即时展示视频各设备性能、组合设备性能，以及一个虚拟点整体设备性能，为管理人员展示了设备工作状况，为设备的维护保养提供直观的指导依据。即时数据展示如图9所示。 图9 即时数据展示示意图 四、结束语 作者：袁毅（宁波招商公路交通科技有限公司） （原文刊载于2020年第7期《中国交通信息化》）
