车辆特征信息存储方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了一种车辆特征信息存储方法，应用于智能交通技术领域，用于在基于车辆信息对车辆进行稽查的场景下，提高存储车辆信息的效率。本发明专利技术提供的方法包括：采集目标车辆至少两个车辆图片，并对每个所述车辆图片进行特征提取，得到每个所述车辆图片中包含的车辆特征；将每个所述车辆特征进行标准化处理，得到标准化车辆特征；将每个所述车辆特征、所述标准化车辆特征作为深度自编码网络的输入，并基于所述深度自编码网络进行编码处理，得到所述车辆对应的自编码信息；将所述自编码信息存储至所述车辆的车载电子标签。至所述车辆的车载电子标签。至所述车辆的车载电子标签。

【技术实现步骤摘要】
车辆特征信息存储方法、装置、计算机设备及存储介质


[0001]本专利技术涉及智能交通
，尤其涉及一种车辆特征信息存储方法、装置、计算机设备及存储介质。

技术介绍

[0002]中国高速公路ETC(ElectronicTollCollection，电子不停车收费系统)技术及其应用得到了快速发展，已经由传统模式走向自由流模式。高速公路电子收费技术的发展聚焦在自由流路径识别和自由流收费应用。采用自由流路径标识的方式大大缩减了车辆通车时间，提高了通车效率，减少了拥堵情况的发生。
[0003]但采用自由流路径标识的方式时，往往会产生逃费问题，高速公路网点上常见的逃费方式有换卡逃费、大车小标、单车多卡等，为了解决逃费问题，需要通过车辆信息进行稽查和辅证，因此涉及到车辆信息的存储，以便在后续通过存储的车辆信息，对涉事车辆进行甄选确认。
[0004]现有技术针对采集设备获取到的车辆信息进行存储，对应的解决方案主要有以下几种：
[0005](1)利用通行卡存储车辆图片
[0006](2)将车辆图片存储在车载电子标签中
[0007]综上所述，上述方法(1)对通行卡的存储空间要求较大，且存储空间大的通行卡成本较高；上述方法(2)中车载电子标签空间有限，为便于查验，采集的图像往往为分辨率较高图像，这使得车载电子标签空间能够存储图像的数量较少，同时，写入时间也较长，综上，现有的用于车辆信息存储的方式，存在存储效率较低的问题。因而，亟需一种高效进行车辆信息存储的方法。

技术实现思路

[0008]本专利技术提供一种车辆特征信息存储方法、装置、计算机设备及存储介质，以在需要车辆信息验证车辆信息的场景下，提高存储车辆信息的效率。
[0009]一种车辆特征信息存储方法，包括：
[0010]采集目标车辆至少两个车辆图片，并对每个该车辆图片进行特征提取，得到每个该车辆图片中包含的车辆特征；
[0011]将每个该车辆特征进行标准化处理，得到标准化车辆特征；
[0012]将每个该车辆特征、该标准化车辆特征作为深度自编码网络的输入，并基于该深度自编码网络进行编码处理，得到该车辆对应的自编码信息；
[0013]将该自编码信息存储至该车辆的车载电子标签。
[0014]一种车辆特征信息存储装置，包括：
[0015]车辆特征提取模块，用于采集目标车辆至少两个车辆图片，并对每个该车辆图片进行特征提取，得到每个该车辆图片中包含的车辆特征；
[0016]标准化车辆特征生成模块，用于将每个该车辆特征进行标准化处理，得到标准化车辆特征；
[0017]自编码信息生成模块，用于将每个该车辆特征、该标准化车辆特征作为深度自编码网络的输入，并基于该深度自编码网络进行编码处理，得到该车辆对应的自编码信息；
[0018]自编码信息存储模块，用于将该自编码信息存储至该车辆的车载电子标签。
[0019]一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述车辆特征信息存储方法的步骤。
[0020]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述车辆特征信息存储方法的步骤。
[0021]上述车辆特征信息存储方法、装置、计算机设备及存储介质，通过对采集到的车辆图片进行特征提取，提取到的特征用于区分车辆，并通过深度自编码网络对提取到的特征进行编码，得到车辆特征的自编码信息，并将自编码信息存储在车辆的车载电子标签中。自编码信息中包含了用于区分车辆的车辆特征信息，且自编码信息所需的存储空间极小，且编码信息的写入速度相较于包其他含车辆信息的数据形式更快，因此可以提高车辆信息的存储效率。
附图说明
[0022]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0023]图1是本专利技术一实施例中车辆特征信息存储方法的一应用环境示意图；
[0024]图2是本专利技术一实施例中车辆特征信息存储方法的一流程图；
[0025]图3是本专利技术一实施例中车辆特征信息存储装置的结构示意图；
[0026]图4是本专利技术一实施例中计算机设备的一示意图。
具体实施方式
[0027]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0028]本申请提供的车辆特征信息存储方法，可应用在如图1的应用环境中，其中，客户端通过网络与服务器进行通信，客户端具体可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
[0029]在一实施例中，如图2所示，提供一种车辆特征信息存储方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤S101至S104：
[0030]S101，采集目标车辆至少两个车辆图片，并对每个该车辆图片进行特征提取，得到
每个该车辆图片中包含的车辆特征。
[0031]具体地，通过可见光传感摄像头对通过高速收费站的车辆进行拍摄，以获得车辆在不同角度下的多个车辆图片，通过车辆图片对车辆身份信息进行确认，具体可以通过对车辆图片进行特征提取，得到用以对车辆身份信息进行表征的特征(例如车辆颜色、车辆尺寸、车辆型号和角点信息等)，并将得到的特征以向量的形式进行存储得到车辆特征向量，参与后续的数据处理。车辆特征包含了用以区分车辆的关键点，对车辆图片提取车辆特征，可以在保留区分车辆身份的前提下减少所要处理的数据量，提高了处理效率减少处理时间。
[0032]在本实施例中，作为一种优选方式，步骤S101包括如下步骤S1011至步骤S1012：
[0033]S1011，采用深度学习的方式，对该车辆图片进行目标车辆检测，确定目标车辆在该车辆图片中的目标区域。
[0034]S1012，对该目标区域进行特征提取，获得目标车辆特征向量，并将该目标车辆特征向量作为该车辆图片中包含的车辆特征。
[0035]本实施例中，以本方法应用在高速收费站为例，需要通过车辆信息对车辆进行稽查验证，以防止出现车辆逃费的情况。
[0036]具体的，采用深度学习的方式，通过RPN(Region Proposal Network,区域生成网络)生成候选框，用以选中潜在的目标车辆，以候选框的区域作为目标区域，并通过CNN(Convolutional Neural Networks，卷积神经网络)提取候选框内的目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆特征信息存储方法，其特征在于，包括：采集目标车辆至少两个车辆图片，并对每个所述车辆图片进行特征提取，得到每个所述车辆图片中包含的车辆特征；将每个所述车辆特征进行标准化处理，得到标准化车辆特征；将每个所述车辆特征、所述标准化车辆特征作为深度自编码网络的输入，并基于所述深度自编码网络进行编码处理，得到所述车辆对应的自编码信息；将所述自编码信息存储至所述车辆的车载电子标签。2.根据权利要求1所述的车辆特征信息存储方法，其特征在于，所述对每个所述车辆图片进行特征提取，得到每个所述车辆图片中包含的车辆特征的步骤包括：采用深度学习的方式，对所述车辆图片进行目标车辆检测，确定目标车辆在所述车辆图片中的目标区域；对所述目标区域进行特征提取，获得目标车辆特征向量，并将所述目标车辆特征向量作为所述车辆图片中包含的车辆特征。3.根据权利要求1所述的车辆特征信息存储方法，其特征在于，在所述对每个所述车辆图片进行特征提取，得到每个所述车辆图片中包含的车辆特征之前，所述车辆特征信息存储方法包括：将若干样本图片输入到深度学习模型中进行特征提取，得到初始特征，所述初始特征包含M个不同类别的子特征，其中，每个所述样本图像对应一个车辆标识信息，M为大于1的正整数；针对每种类别的子特征，计算相同车辆标识信息对应的所述子特征的特征距离的概率密度函数分布，得到第一密度分布，并计算不同车辆标识信息对应的所述子特征的特征距离的概率密度函数分布，得到第二密度分布；根据所述第一密度分布和所述第二密度分布，确定分类错误区间；基于所述分类错误区间，对所述不同类别的子特征进行筛选，确定待提取子特征。4.根据权利要求1所述的车辆特征信息存储方法，其特征在于，所述将每个所述车辆特征进行标准化处理，得到标准化车辆特征的步骤包括：通过预设的聚类方式，将每个所述车辆图片对应的所述车辆特...

【专利技术属性】
技术研发人员：杨耿，李钦，赖红，
申请(专利权)人：深圳信息职业技术学院，
类型：发明
国别省市：