[發明專利]一種無牌車計費方法、裝置、電子設備及存儲介質

在審

• 申請號: 202110283298.1
• 申請日: 2021-03-16
• 公開（公告）號: CN113052040A
• 公開（公告）日: 2021-06-29
• 發明（設計）人: 劉星博;李想;王秋子;郭南南;胡振沛;陳偉鵬;劉博;王震
• 申請（專利權）人: 廣東博智林機器人有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G07B15/02
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 余菲

1.一種無牌車計費方法，其特征在于，所述方法包括：

獲取進場的當前無牌車的第一特征和進場時刻；

計算所述第一特征與已進場無牌車特征的余弦相似度；

比較所述余弦相似度與預設閾值的大小，根據比較結果，對所述當前無牌車進行單獨分組或與余弦相似度最大值對應的已進場無牌車分為一組，并存儲所述當前無牌車進場時刻和所述第一特征到對應的組別當中；

獲取出場無牌車的第二特征和出場時刻，并根據余弦相似度查找與所述第二特征最佳匹配的第一特征，并獲取所述第一特征所在組別當中當前剩余車輛的最晚進場時刻；

將所述最晚進場時刻作為所述出場無牌車的進場計費時刻，基于所述出場時刻和所述進場計費時刻獲取所述出場無牌車的計費時間。

2.根據權利要求1所述的無牌車計費方法，其特征在于，所述比較所述余弦相似度與預設閾值的大小，根據比較結果，對所述當前無牌車進行單獨分組或與余弦相似度最大值對應的已進場無牌車分為一組，并存儲所述當前無牌車進場時刻和所述第一特征到對應的組別當中，包括：

若所述余弦相似度均未超過所述預設閾值，則以所述當前無牌車在進場時生成的臨時身份標識作為其身份標識，并以所述身份標識為鍵建立鍵值對且值存儲所述第一特征和所述進場時刻；

若所述余弦相似度超過預設閾值，則將所述當前無牌車進場時刻和所述第一特征存儲到最大余弦相似度所對應的鍵值對的值中。

3.根據權利要求2所述的無牌車計費方法，其特征在于，所述獲取出場無牌車的第二特征和出場時刻，并根據余弦相似度查找與所述第二特征最佳匹配的第一特征，并獲取所述第一特征所在組別當中當前剩余車輛的最晚進場時刻，包括：

獲取與所述第二特征最佳匹配的第一特征以及與所述第一特征對應的最佳匹配身份標識；

遍歷所述最佳匹配身份標識所在鍵的值，以獲取最晚進場時刻和所述最晚進場時刻對應的匹配鍵值，并將所述匹配鍵值從所述最佳匹配身份標識所在鍵中刪除。

4.根據權利要求1所述的無牌車計費方法，其特征在于，所述獲取所述第一特征所在組別當中當前剩余車輛的最晚進場時刻，包括：

計算所述出場時刻與所述第一特征所在組別當中的所有進場時刻的差值；

若所述差值大于預設時間差，則將所述差值對應的進場時刻作為所述最晚進場時刻。

5.根據權利要求1所述的無牌車計費方法，其特征在于，所述獲取進場的當前無牌車的第一特征和進場時刻，包括：

獲取所述當前無牌車的車輛圖像；

利用目標檢測模型從所述車輛圖像中提取出車臉圖像，所述車臉圖像包括車輛顏色、車輛車標、車輛前部紋理、車燈、保險杠、車牌區域和車輛外形；

利用MobileFaceNets模型對所述車臉圖像進行特征提取，以獲取所述第一特征。

6.根據權利要求1所述的無牌車計費方法，其特征在于，在所述獲取進場的當前無牌車的第一特征和進場時刻的步驟之前，所述方法還包括：

利用自適應學習度量函數CurricularFace進行深度學習模型的訓練，以挖掘困難樣本，所述自適應學習度量函數CurricularFace表示為：

其中，T(cosθ₀)＝cos(θ₀+m)；

t的定義為：

t^(k)＝αr^(k)+(1-α)t^(k-1)；

其中，k表示第k批樣本數據，α為常數，初始時t⁽⁰⁾＝0，r可表示為：

r＝Σcosθ₀。

7.根據權利要求1所述的無牌車計費方法，其特征在于，所述方法還包括：

利用高分辨率相機獲取車輛信息，所述車輛信息包括擋風玻璃范圍內的年檢標簽、灰塵、車內擺件和裝飾；

利用偏振相機和紅外相機分別獲取車內景及車內人臉圖像，以獲取無牌車特征。