开云优惠体育网页版入口

专利名称：一种车辆双模识别数据智能处理方法及系统

专利类型：实用新型专利

专利申请号：CN202411331565.8

专利申请（专利权）人：河北万巷互联开云优惠体育网页版入口有限公司
权利人地址：河北省石家庄市裕华区祥泰路66号中冶盛世国际广场C区B座501室

专利发明（设计）人：岳立军,岳卓一,赵少寒

专利摘要：本申请涉及数据处理技术领域，提供一种车辆双模识别数据智能处理方法及系统。方法包括：获取停车场设计分布信息，调取历史监控视频和车辆出入场记录，利用感知器捕捉车辆动作和环境特征，生成动作特征序列和环境特征集合；基于记录进行双模识别分析，获得车牌和ETC识别评分集合；进行语义相似聚类识别，获得场景语义特征聚类簇；利用聚类簇对识别评分集合进行场景权重配置，获得双模识别权重集合；采集实时场景语义特征，根据权重配置数据识别处理单元；对出入场车辆进行双模数据采集和智能处理，获得出入场认证结果。以解决现有双模识别数据智能处理中忽略车辆出入场景及车辆动作类别，导致误识别率高、车牌识别出错的技术问题。

主权利要求：
1.一种车辆双模识别数据智能处理方法，其特征在于，所述方法包括：
获取目标停车场的设计分布信息，其中，所述设计分布信息包括K个出入口；
调取所述K个出入口在预设历史窗口内的K个历史监控视频和K个车辆出入场记录集合，利用局部场景感知器对所述K个历史监控视频进行长时序车辆动作捕捉和环境特征捕捉，生成K个车辆动作特征序列集合和K个环境特征集合，其中，所述K个车辆动作特征序列集合和所述K个环境特征集合一一对应；
基于所述K个车辆出入场记录集合进行双模识别指标分析，获得K个车牌识别评分集合和K个ETC识别评分集合；
根据所述K个车辆动作特征序列集合和所述K个环境特征集合进行语义相似聚类识别，获得K个场景语义特征聚类簇，每个场景语义特征聚类簇包括多个场景语义特征聚类集合，每个场景语义特征包括车辆动作?环境特征；
利用所述K个场景语义特征聚类簇对所述K个车牌识别评分集合和所述K个ETC识别评分集合进行场景权重配置分析，获得K个场景双模识别权重集合；
采集所述目标停车场的所述K个出入口的K个实时场景语义特征，并根据所述K个实时场景语义特征和所述K个场景双模识别权重集合配置K个数据识别处理单元；
对所述K个出入口的K个出入场车辆进行双模数据采集，获得K个双模识别数据，利用所述K个数据识别处理单元对所述K个双模识别数据进行智能处理，获得K个出入场认证结果。
2.如权利要求1所述的一种车辆双模识别数据智能处理方法，其特征在于，调取所述K个出入口在预设历史窗口内的K个历史监控视频和K个车辆出入场记录集合，利用局部场景感知器对所述K个历史监控视频进行长时序车辆动作捕捉和环境特征捕捉，生成K个车辆动作特征序列集合和K个环境特征集合，包括：以所述K个车辆出入场记录集合中K个车辆出入场时段对所述K个历史监控视频进行检索，获得K个车辆出入场监控视频；
调用所述局部场景感知器中动作捕捉单元对所述K个车辆出入场监控视频按照预设提取频率进行动作捕捉，获得所述K个车辆动作特征序列集合；
调用所述局部场景感知器中环境捕捉单元对所述K个车辆出入场监控视频进行环境特征捕捉，获得所述K个环境特征集合。
3.如权利要求1所述的一种车辆双模识别数据智能处理方法，其特征在于，基于所述K个车辆出入场记录集合进行双模识别指标分析，获得K个车牌识别评分集合和K个ETC识别评分集合，包括：获取双模识别指标集合，其中，所述双模识别指标集合包括识别速度、识别准确度和内存占用率；
基于所述识别速度、识别准确度和内存占用率对所述K个车辆出入场记录集合进行双模指标特征值提。竦肒个车牌识别指标特征值集合和K个ETC识别指标特征值集合；
调用识别评分网络层对所述K个车牌识别指标特征值集合和K个ETC识别指标特征值集合分别进行分析，获得所述K个车牌识别评分集合和所述K个ETC识别评分集合。
4.如权利要求1所述的一种车辆双模识别数据智能处理方法，其特征在于，包括：构建语义相似识别公式，其中，所述语义相似识别公式为：
为语义相似度， 为
车辆动作特征序列在进行语义相似聚类识别时所占的权重值， 为环境特征在进行语义相似聚类识别时所占的权重值， 为车辆动作特征序列中车辆动作特征的数量， 为进行语义相似聚类识别的第一车辆动作特征序列中第i个车辆动作特征， 为进行语义相似聚类识别的第二车辆动作特征序列中第i个车辆动作特征， 为进行语义相似聚类识别的第一环境特征， 为进行语义相似聚类识别的第二环境特征。
5.如权利要求4所述的一种车辆双模识别数据智能处理方法，其特征在于，包括：分别从K个车辆动作特征序列集合中不放回随机抽取K个第一车辆动作特征序列，基于车辆动作特征序列与环境特征的映射关系，对所述K个环境特征集合进行检索，获得K个第一环境特征；
再次从所述K个车辆动作特征序列集合中不放回随机抽取K个第二车辆动作特征序列，基于车辆动作特征序列与环境特征的映射关系，对所述K个环境特征集合进行检索，获得K个第二环境特征；
利用语义相似识别公式对所述K个第一车辆动作特征序列、K个第一环境特征、K个第二车辆动作特征序列和K个第二环境特征进行识别，获得K个第一语义相似度；
当所述K个第一语义相似度大于等于预设语义相似度阈值时，将所述K个第二车辆动作特征序列和所述K个第二环境特征融合为K个第二车辆动作－环境特征，并添加进K个第一场景语义特征聚类集合；
经过多次语义相似聚类识别，获得所述K个场景语义特征聚类簇。
6.如权利要求1所述的一种车辆双模识别数据智能处理方法，其特征在于，包括：以所述K个场景语义特征聚类簇为索引，对所述K个车牌识别评分集合和所述K个ETC识别评分集合进行同场景检索，获得K个车牌识别评分簇和K个ETC识别评分簇；
提取所述K个场景语义特征聚类簇中第一场景语义特征聚类簇的第一场景语义特征聚类集合，基于所述第一场景语义特征聚类集合获取第一车牌识别评分聚类集合和第一ETC识别评分聚类集合；
分别对第一车牌识别评分聚类集合和第一ETC识别评分聚类集合进行集中评分筛。竦玫谝怀蹬剖侗鸺衅婪趾偷谝籈TC识别集中评分；
基于所述第一车牌识别集中评分和所述第一ETC识别集中评分进行分析，获得所述第一场景语义特征聚类集合的第一场景双模识别权重；
根据所述K个场景语义特征聚类簇、K个车牌识别评分簇和所述K个ETC识别评分簇进行场景权重配置分析，获得所述K个场景双模识别权重集合。
7.如权利要求6所述的一种车辆双模识别数据智能处理方法，其特征在于，包括：将所述第一车牌识别集中评分比上所述第一车牌识别集中评分和第一ETC识别集中评分的总和的比值，作为第一车牌识别权重，并将第一ETC识别集中评分比上所述第一车牌识别集中评分和第一ETC识别集中评分的总和的比值，作为第一ETC识别权重；
将所述第一车牌识别权重和所述第一ETC识别权重作为所述第一场景语义特征聚类集合的第一场景双模识别权重。
8.一种车辆双模识别数据智能处理系统，其特征在于，用于实施权利要求1至7中任意一项所述一种车辆双模识别数据智能处理方法的步骤，包括：设计分布信息获取模块：获取目标停车场的设计分布信息，其中，所述设计分布信息包括K个出入口；
动作特征捕捉模块：调取所述K个出入口在预设历史窗口内的K个历史监控视频和K个车辆出入场记录集合，利用局部场景感知器对所述K个历史监控视频进行长时序车辆动作捕捉和环境特征捕捉，生成K个车辆动作特征序列集合和K个环境特征集合，其中，所述K个车辆动作特征序列集合和所述K个环境特征集合一一对应；
双模识别指标分析模块：基于所述K个车辆出入场记录集合进行双模识别指标分析，获得K个车牌识别评分集合和K个ETC识别评分集合；
语义相似聚类识别模块：根据所述K个车辆动作特征序列集合和所述K个环境特征集合进行语义相似聚类识别，获得K个场景语义特征聚类簇，每个场景语义特征聚类簇包括多个场景语义特征聚类集合，每个场景语义特征包括车辆动作－环境特征；
场景权重配置分析模块：利用所述K个场景语义特征聚类簇对所述K个车牌识别评分集合和所述K个ETC识别评分集合进行场景权重配置分析，获得K个场景双模识别权重集合；
数据识别处理单元配置模块：采集所述目标停车场的所述K个出入口的K个实时场景语义特征，并根据所述K个实时场景语义特征和所述K个场景双模识别权重集合配置K个数据识别处理单元；
智能处理模块：对所述K个出入口的K个出入场车辆进行双模数据采集，获得K个双模识别数据，利用所述K个数据识别处理单元对所述K个双模识别数据进行智能处理，获得K个出入场认证结果。 说明书 : 一种车辆双模识别数据智能处理方法及系统技术领域[0001] 本申请涉及计算机科学技术领域，具体涉及数据处理技术领域，尤其涉及一种车辆双模识别数据智能处理方法及系统。背景技术[0002] 随着智慧城市建设的推进，汽车保有量的不断增加，停车场智能管理系统逐渐普及，车辆出入场的识别效率成为提升用户体验的关键。现有的停车场管理系统通常依赖于车牌图像识别和ETC识别这两种主要技术。然而，这些系统在实际应用中常常仅关注车牌图像和ETC数据本身，忽略了车辆出入场景及车辆动作类别的复杂性和多样性。这种缺陷导致了多个问题。这种局限性导致系统在面对复杂场景时，如车辆只是路过停车场或在门口短暂停留，却错误地将其识别为入场车辆，从而引发误识别问题。此外，车牌识别技术也常因车辆角度、反光等环境因素而失效，导致识别错误，进一步降低了系统的可靠性。发明内容[0003] 本申请通过提供了一种车辆双模识别数据智能处理方法及系统，旨在解决现有双模识别数据智能处理中忽略车辆出入场景及车辆动作类别，导致误识别率高、车牌识别出错的技术问题，实现了通过综合车辆动作特征、环境特征及双模识别评分，结合场景语义特征聚类簇进行权重配置分析，提高车辆出入场识别的准确率和效率，降低等待时间，并减少误识别情况的效果。[0004] 鉴于上述问题，本申请提供了一种车辆双模识别数据智能处理方法及系统。[0005] 本申请公开的第一个方面，提供了一种车辆双模识别数据智能处理方法，所述方法包括：获取目标停车场的设计分布信息，其中，所述设计分布信息包括K个出入口；调取所述K个出入口在预设历史窗口内的K个历史监控视频和K个车辆出入场记录集合，利用局部场景感知器对所述K个历史监控视频进行长时序车辆动作捕捉和环境特征捕捉，生成K个车辆动作特征序列集合和K个环境特征集合，其中，所述K个车辆动作特征序列集合和所述K个环境特征集合一一对应；基于所述K个车辆出入场记录集合进行双模识别指标分析，获得K个车牌识别评分集合和K个ETC识别评分集合；根据所述K个车辆动作特征序列集合和所述K个环境特征集合进行语义相似聚类识别，获得K个场景语义特征聚类簇，每个场景语义特征聚类簇包括多个场景语义特征聚类集合，每个场景语义特征包括车辆动作－环境特征；利用所述K个场景语义特征聚类簇对所述K个车牌识别评分集合和所述K个ETC识别评分集合进行场景权重配置分析，获得K个场景双模识别权重集合；采集所述目标停车场的所述K个出入口的K个实时场景语义特征，并根据所述K个实时场景语义特征和所述K个场景双模识别权重集合配置K个数据识别处理单元；对所述K个出入口的K个出入场车辆进行双模数据采集，获得K个双模识别数据，利用所述K个数据识别处理单元对所述K个双模识别数据进行智能处理，获得K个出入场认证结果。[0006] 本申请公开的另一个方面，提供了一种车辆双模识别数据智能处理系统，所述系统包括：设计分布信息获取模块，所述设计分布信息获取模块用于获取目标停车场的设计分布信息，其中，所述设计分布信息包括K个出入口；动作特征捕捉模块，所述动作特征捕捉模块用于调取所述K个出入口在预设历史窗口内的K个历史监控视频和K个车辆出入场记录集合，利用局部场景感知器对所述K个历史监控视频进行长时序车辆动作捕捉和环境特征捕捉，生成K个车辆动作特征序列集合和K个环境特征集合，其中，所述K个车辆动作特征序列集合和所述K个环境特征集合一一对应；双模识别指标分析模块，所述双模识别指标分析模块用于基于所述K个车辆出入场记录集合进行双模识别指标分析，获得K个车牌识别评分集合和K个ETC识别评分集合；语义相似聚类识别模块，所述语义相似聚类识别模块用于根据所述K个车辆动作特征序列集合和所述K个环境特征集合进行语义相似聚类识别，获得K个场景语义特征聚类簇，每个场景语义特征聚类簇包括多个场景语义特征聚类集合，每个场景语义特征包括车辆动作－环境特征；场景权重配置分析模块，所述场景权重配置分析模块用于利用所述K个场景语义特征聚类簇对所述K个车牌识别评分集合和所述K个ETC识别评分集合进行场景权重配置分析，获得K个场景双模识别权重集合；数据识别处理单元配置模块，所述数据识别处理单元配置模块用于采集所述目标停车场的所述K个出入口的K个实时场景语义特征，并根据所述K个实时场景语义特征和所述K个场景双模识别权重集合配置K个数据识别处理单元；智能处理模块，所述智能处理模块用于对所述K个出入口的K个出入场车辆进行双模数据采集，获得K个双模识别数据，利用所述K个数据识别处理单元对所述K个双模识别数据进行智能处理，获得K个出入场认证结果。[0007] 本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：[0008] 上述一种车辆双模识别数据智能处理方法，该方法首先收集停车场K个出入口的设计分布信息，再调取这些出入口在预设历史窗口内的监控视频和车辆出入记录，利用局部场景感知器捕捉车辆的动作特征和环境特征。随后，对车辆出入记录进行双模识别分析，即进行车牌识别和ETC识别，得到每种识别方式的评分，这有助于了解不同识别技术在不同条件下的表现。之后，通过对车辆动作特征和环境特征的组合进行语义相似聚类，创建K个场景语义特征聚类簇，每个簇内包含多个相似场景的特征集合。这样可以识别出不同场景下车辆出入的典型特征。然后，基于这些聚类簇，为每个出入口的车辆识别评分分配场景权重，调整对车牌识别和ETC识别的信任度，提高识别的准确性。最后，实时采集当前出入口的场景特征，并据此配置相应的数据识别处理单元。当有车辆进出时，通过双模数据采集并利用配置好的处理单元进行智能处理，从而快速准确地完成车辆出入的认证。整个过程旨在通过融合多种信息和智能分析，提升停车场的管理效率和车辆出入的识别准确性。[0009] 上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。附图说明[0010] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，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。[0011] 图1为一个实施例中一种车辆双模识别数据智能处理方法的流程示意图。[0012] 图2为一个实施例中一种车辆双模识别数据智能处理系统架构图。[0013] 附图标记说明：设计分布信息获取模块1，动作特征捕捉模块2，双模识别指标分析模块3，语义相似聚类识别模块4，场景权重配置分析模块5，数据识别处理单元配置模块6，智能处理模块7。具体实施方式[0014] 本申请实施例通过提供一种车辆双模识别数据智能处理方法及系统，解决现有双模识别数据智能处理中忽略车辆出入场景及车辆动作类别，导致误识别率高、车牌识别出错的技术问题。[0015] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。[0016] 需要说明的是，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。[0017] 实施例一，如图1所示，本申请提供了一种车辆双模识别数据智能处理方法，所述方法包括：[0018] 获取目标停车场的设计分布信息，其中，所述设计分布信息包括K个出入口。[0019] 在本申请实施例中，系统终端首先了解并获取目标停车场的设计分布信息，包括目标停车场内K个出入口的数量和位置布局。这些出入口是车辆进出停车场的通道，了解它们的具体数量和位置对于后续的监控、识别和管理至关重要。[0020] 调取所述K个出入口在预设历史窗口内的K个历史监控视频和K个车辆出入场记录集合，利用局部场景感知器对所述K个历史监控视频进行长时序车辆动作捕捉和环境特征捕捉，生成K个车辆动作特征序列集合和K个环境特征集合，其中，所述K个车辆动作特征序列集合和所述K个环境特征集合一一对应。[0021] 在一个实施例中，为了精准进行停车场的管理，系统终端针对目标停车场的K个出入口，在预设的历史时间窗口内，调取相应的K个历史监控视频和K个车辆出入场记录集合。这是为了获取足够的数据样本，以便进行后续的分析和处理。随后，利用局部场景感知器对这些历史监控视频进行分析。这个过程中，不仅捕捉了车辆的长时序动作特征，如行驶轨迹、速度变化等，还同时捕捉了车辆出入场时间范围内的环境特征。这些环境特征包括但不限于光照条件、天气状况以及其他可能影响车辆识别的环境因素。通过这一分析过程，系统终端生成K个车辆动作特征序列集合和K个环境特征集合，且这两个集合是一一对应的，即每个出入口对应一个车辆动作特征序列集合，车辆动作特征序列集合与车辆进出时的环境特征集合对应。这代表每个出入口的车辆动作特征都与其对应的环境特征紧密相关，为后续的识别处理提供了丰富的上下文信息。[0022] 进一步，本申请提供了调取所述K个出入口在预设历史窗口内的K个历史监控视频和K个车辆出入场记录集合，利用局部场景感知器对所述K个历史监控视频进行长时序车辆动作捕捉和环境特征捕捉，生成K个车辆动作特征序列集合和K个环境特征集合，包括：[0023] 以所述K个车辆出入场记录集合中K个车辆出入场时段对所述K个历史监控视频进行检索，获得K个车辆出入场监控视频；调用所述局部场景感知器中动作捕捉单元对所述K个车辆出入场监控视频按照预设提取频率进行动作捕捉，获得所述K个车辆动作特征序列集合；调用所述局部场景感知器中环境捕捉单元对所述K个车辆出入场监控视频进行环境特征捕捉，获得所述K个环境特征集合。[0024] 优选的，系统终端根据K个车辆出入场记录集合中记录的每个车辆出入场时段，从K个历史监控视频库中检索出对应的车辆出入场监控视频，获得与车辆实际出入场时间完全匹配的监控视频片段。随后，利用局部场景感知器中的动作捕捉单元，按照预设的提取频率对检索到的K个车辆出入场监控视频进行动作捕捉，其中，预设提取频率可以是每秒、每半秒，是根据业务需求设定的。这一过程中，系统终端通过局部场景感知器中的动作捕捉单元能够识别并记录车辆行驶过程中的各种动作特征，如速度变化、转向动作、停车位置等，从而生成K个车辆动作特征序列集合。与此同时，系统终端还调用局部场景感知器中的环境捕捉单元，对同一批监控视频进行环境特征捕捉。这一步骤旨在收集车辆出入场时周围的环境信息，如光线强度、天气状况、道路状况等。这些信息对于理解车辆出入场时的真实场景至关重要，因为它们可能会影响车辆识别的准确性。通过调用局部场景感知器中的环境捕捉单元，系统终端可以获得K个环境特征集合，为后续的车辆识别和管理提供了数据支持。[0025] 基于所述K个车辆出入场记录集合进行双模识别指标分析，获得K个车牌识别评分集合和K个ETC识别评分集合。[0026] 在一个实施例中，在进行了车辆出入场监控视频的检索、动作捕捉和环境特征捕捉后，系统终端基于得到的K个车辆出入场记录集合进行了双模识别指标分析。其中，双模识别涉及车牌识别和ETC识别。系统终端首先利用现有的车牌识别算法，对K个车辆出入场记录中的车牌信息进行识别，并根据识别评分网络层生成相应的评分。这些车牌识别评分反映了车牌识别算法在不同场景下的表现情况，形成K个车牌识别评分集合。同时，利用现有的ETC识别技术，对K个车辆出入场记录中的ETC信息进行识别，并同样根据识别评分网络层生成相应的评分。这些ETC识别评分反映了ETC识别技术在车辆出入场过程中的准确性和稳定性，形成K个ETC识别评分集合。通过这一双模识别指标分析过程，系统终端不仅获得了车牌识别和ETC识别在各自领域的性能表现，还为后续的数据处理提供参考依据。[0027] 进一步，本申请提供了基于所述K个车辆出入场记录集合进行双模识别指标分析，获得K个车牌识别评分集合和K个ETC识别评分集合，包括：[0028] 获取双模识别指标集合，其中，所述双模识别指标集合包括识别速度、识别准确度和内存占用率；基于所述识别速度、识别准确度和内存占用率对所述K个车辆出入场记录集合进行双模指标特征值提。竦肒个车牌识别指标特征值集合和K个ETC识别指标特征值集合；调用识别评分网络层对所述K个车牌识别指标特征值集合和K个ETC识别指标特征值集合分别进行分析，获得所述K个车牌识别评分集合和所述K个ETC识别评分集合。[0029] 可选的，为了了解车牌识别和ETC识别的表现情况，系统终端首先获取双模识别指标集合，这个双模识别指标集合是预先定义的，包括识别速度、识别准确度和内存占用率。其中，识别速度衡量从捕获车辆图像到完成识别过程所需的时间。快速识别对于提高出入口流量管理效率至关重要。识别准确度评估识别结果与实际车牌或ETC信息的匹配程度。高准确度可以减少错误识别导致的后续问题。内存占用率反映车牌识别算法或ETC识别技术在执行时占用的系统内存资源量。低内存占用有助于减少系统负担，提高系统整体性能。在确定了双模识别指标集合后，系统终端根据这个双模识别指标集合从K个车辆出入场记录集合中提取与车牌识别相关的速度、准确度和内存占用率等特征值，得到K个车牌识别指标特征值集合。同样，从每个记录中提取与ETC识别相关的速度、准确度和内存占用率等特征值，得到K个ETC识别指标特征值集合。为了量化这两种识别方式的性能，系统终端调用一个预先构建的识别评分网络层。这个网络层是一个神经网络模型，它利用深度学习技术来分析提取到的特征值集合，计算输入的特征值集合的评分。在构建识别评分网络层时，系统终端根据从历史日志中收集大量的车辆出入场记录，包括车牌识别和ETC识别的结果，构建样本识别指标特征值集，再根据专家评估和历史数据对比为样本识别指标特征值集中的每组样本识别指标特征值进行评分标识，得到样本识别评分。随后，使用多层感知机（MLP）构建一个识别评分网络层的网络结构，包括输入层、隐藏层、输出层等，再将样本识别指标特征值集和样本识别评分进行划分，得到训练集、验证集和测试集。之后，使用随机数初始化识别评分网络层的权重和偏置，并使用训练集中的多组识别指标特征值对初始化的识别评分网络层进行训练，通过识别评分网络层的各层进行计算，得到预测识别评分。再使用均方误差MSE计算预测识别评分与样本识别评分之间的差异。根据损失函数的梯度，通过反向传播算法更新识别评分网络层的权重和偏置，以最小化损失。在每个训练轮次结束时，使用验证集评估当前识别评分网络层的性能，计算验证集上的准确率、召回率等。如果验证集上的性能指标在连续多个epochs内没有显著改善，则提前停止训练以防止过拟合。在训练结束后，使用测试集评估训练好的识别评分网络层的性能，包括识别评分的准确率等指标，并根据评估结果对识别评分网络层进行必要的调整和优化，如调整模型结构、参数等，以提高识别评分网络层的性能。当测试通过后，系统终端将当前的识别评分网络层进行输出。识别评分网络层通过对输入的K个车牌识别指标特征值集合进行分析，根据学习到的知识，为每个车牌识别记录生成一个评分，生成K个车牌识别评分集合，以量化其性能。类似地，对ETC识别指标特征值集合进行分析，生成K个ETC识别评分集合，为后续的语义相似聚类识别提供数据支持。[0030] 根据所述K个车辆动作特征序列集合和所述K个环境特征集合进行语义相似聚类识别，获得K个场景语义特征聚类簇，每个场景语义特征聚类簇包括多个场景语义特征聚类集合，每个场景语义特征包括车辆动作－环境特征。[0031] 在一个实施例中，系统终端对K个车辆动作特征序列集合和K个环境特征集合进行多次随机抽。袢《嘧樘卣餍蛄泻投杂Φ亩喔龌肪程卣。随后，使用语义相似识别公式多组特征序列和对应的多组环境特征进行综合分析，计算它们两两之间的相似度，并与预设阈值进行比较，以获取K个场景语义特征聚类簇。每个聚类簇代表了一类相似的车辆出入场景，这些场景在车辆动作和环境特征上呈现出相似的特点。而每个聚类簇内部，又包含了多个具体的场景语义特征聚类集合，这些集合进一步细化了该类场景的具体特征。每个场景语义特征则是车辆动作和环境特征的结合状态，它描述了在一个特定场景下，车辆是如何与周围环境互动的。例如，在晴朗的白天，车辆以某个速度进入停车场。通过这样的聚类识别过程，系统终端能够更好地理解和分类不同的车辆出入场景，为后续的场景权重配置提供有力的支持。[0032] 进一步，本申请提供了语义相似识别公式，包括：[0033] 构 建 语 义 相 似 识 别 公式 ，其 中 ，所 述 语 义 相 似 识 别 公 式 为 ：。[0034] 优选的，语义相似识别公式旨在量化两个场景之间的相似程度，涉及对车辆动作特征和环境特征的综合考量，语义相似识别公式具体如下：；其中， 为两个场景之间的语义相似度，值越高表示两个场景越相似。 为车辆动作特征序列在进行语义相似聚类识别时所占的权重值，这个权重反映了车辆动作特征在决定两个场景相似度时的重要性。 为环境特征在进行语义相似聚类识别时所占的权重值，这个权重表示环境特征对相似度计算的贡献程度。 为车辆动作特征序列中车辆动作特征的数量。 为进行语义相似聚类识别的第一车辆动作特征序列中第i个车辆动作特征。 与 相对应，为进行语义相似聚类识别的第二车辆动作特征序列中第i个车辆动作特征。 为进行语义相似聚类识别的第一环境特征， 与 相对应，为进行语义相似聚类识别的第二环境特征。系统终端根据车辆动作特征序列计算各个车辆动作之间的相似度，同时计算环境特征之间的相似度。车辆动作特征的相似度通过比较特征序列中的每一个动作特征来确定，而环境特征相似度则是通过比较不同环境特征向量来计算。随后，这些相似度分别乘以对应的权重系数，以反映车辆动作和环境特征在总体语义相似度中的重要性。最后，将加权后的车辆动作特征相似度和环境特征相似度加总，得到最终的语义相似度值。这个结果用于进一步识别和分析车辆的行为及其所处的场景，确定K个场景语义特征聚类簇。[0035] 进一步，本申请提供了获得所述K个场景语义特征聚类簇，包括：[0036] 分别从K个车辆动作特征序列集合中不放回随机抽取K个第一车辆动作特征序列，基于车辆动作特征序列与环境特征的映射关系，对所述K个环境特征集合进行检索，获得K个第一环境特征；再次从所述K个车辆动作特征序列集合中不放回随机抽取K个第二车辆动作特征序列，基于车辆动作特征序列与环境特征的映射关系，对所述K个环境特征集合进行检索，获得K个第二环境特征；利用语义相似识别公式对所述K个第一车辆动作特征序列、K个第一环境特征、K个第二车辆动作特征序列和K个第二环境特征进行识别，获得K个第一语义相似度；当所述K个第一语义相似度大于等于预设语义相似度阈值时，将所述K个第二车辆动作特征序列和所述K个第二环境特征融合为K个第二车辆动作－环境特征，并添加进K个第一场景语义特征聚类集合；经过多次语义相似聚类识别，获得所述K个场景语义特征聚类簇。[0037] 可选的，系统终端从K个出入口的车辆动作特征序列集合中不放回地随机抽取K个第一车辆动作特征序列。这代表每次抽取都是独立的，且同一个序列不会被重复抽。倮贸盗径魈卣餍蛄杏牖肪程卣髦涞挠成涔叵，对K个环境特征集合进行检索，找到与这K个第一车辆动作特征序列相对应的环境特征，即K个第一环境特征。重复上述步骤，抽取K个第二车辆动作特征序列，并检索得到K个第二环境特征。随后，使用预先定义的语义相似识别公式，对K组特征进行识别，计算它们之间的语义相似度，得到K个第一语义相似度。其中，每组特征包括一个第一车辆动作特征序列、一个第一环境特征、一个第二车辆动作特征序列和一个第二环境特征。对于每个第一语义相似度，如果该第一语义相似度大于或等于预设语义相似度阈值，那么系统终端判断对应的第二车辆动作特征序列和第二环境特征在语义上与第一组特征足够相似，可以被视为同一类场景的一部分。因此，将这个第二车辆动作特征序列和对应的第二环境特征融合为K个第二车辆动作－环境特征，每个第二车辆动作－环境特征对应一个出入口，并将它们添加到预先为每个出入口设置的第一场景语义特征聚类集合中。重复上述过程多次，每次迭代都可能更新现有的聚类集合或创建新的聚类集合（如果之前还没有与该特征足够相似的聚类集合存在）。经过足够多的迭代后，每个停车场出入口的特征都将被分配到最合适的聚类集合中，形成K个场景语义特征聚类簇。对于某些出入口的特征非常独特，且无法与其他出入口聚类的，作为一个单独的场景语义特征聚类簇。这些聚类簇有助于更好地理解和分析不同停车场出入口的车辆出入场景。[0038] 利用所述K个场景语义特征聚类簇对所述K个车牌识别评分集合和所述K个ETC识别评分集合进行场景权重配置分析，获得K个场景双模识别权重集合。[0039] 在一个实施例中，系统终端利用通过语义相似聚类识别得到的K个场景语义特征聚类簇，对K个车牌识别评分集合和K个ETC识别评分集合进行场景权重配置分析，其目的是根据不同停车场出入口的特点，为车牌识别和ETC识别这两种识别方式分配合适的权重，以提高整体识别的准确性和效率。具体来说，系统终端根据每个场景语义特征聚类簇中车辆动作特征和环境特征的模式，对K个车牌识别评分集合和K个ETC识别评分集合进行同场景检索。因为不同的模式可能会影响到车牌识别和ETC识别的效果。例如，在光照条件较差的夜晚或雨天，车牌识别的准确性可能会下降，而ETC识别则可能受这些环境影响较小。相反，在交通流量大、车辆快速通过的出入口，ETC识别的速度优势可能会更加明显。通过这些特征模式对识别评分进行集中评分分析，为每个聚类簇中的场景定制不同的识别权重。这些权重反映了在该场景下，车牌识别和ETC识别哪种方式更为重要或更有优势。最终，系统终端得到K个场景双模识别权重集合，每个集合都包含了一组针对特定场景的车牌识别和ETC识别权重。通过这种方式，当车辆通过停车场出入口时，系统终端可以根据当前场景的特征，自动调整车牌识别和ETC识别的权重，以实现更快速、更准确的车辆识别认证，提高停车场管理效率、优化用户体验。[0040] 进一步，本申请提供了获得所述K个场景双模识别权重集合，包括：[0041] 以所述K个场景语义特征聚类簇为索引，对所述K个车牌识别评分集合和所述K个ETC识别评分集合进行同场景检索，获得K个车牌识别评分簇和K个ETC识别评分簇；提取所述K个场景语义特征聚类簇中第一场景语义特征聚类簇的第一场景语义特征聚类集合，基于所述第一场景语义特征聚类集合获取第一车牌识别评分聚类集合和第一ETC识别评分聚类集合；分别对第一车牌识别评分聚类集合和第一ETC识别评分聚类集合进行集中评分筛。竦玫谝怀蹬剖侗鸺衅婪趾偷谝籈TC识别集中评分；基于所述第一车牌识别集中评分和所述第一ETC识别集中评分进行分析，获得所述第一场景语义特征聚类集合的第一场景双模识别权重；根据所述K个场景语义特征聚类簇、K个车牌识别评分簇和所述K个ETC识别评分簇进行场景权重配置分析，获得所述K个场景双模识别权重集合。[0042] 优选的，系统终端使用K个场景语义特征聚类簇作为索引，从车牌识别评分集合和ETC识别评分集合中检索出与每个聚类簇相对应的评分数据，得到K个车牌识别评分簇和K个ETC识别评分簇，每个簇都包含了与特定场景语义特征聚类簇相关联的评分数据。随后，随机选择其中一个场景语义特征聚类簇作为第一场景语义特征聚类簇，并从这个聚类簇中，随机提取一个聚类集合作为第一场景语义特征聚类集合，这个集合包含了与该场景相关的某种车辆动作特征和环境特征，是对第一场景语义特征聚类簇的细分。之后，基于第一场景语义特征聚类集合，筛选出与之相关的车牌识别评分和ETC识别评分，分别形成第一车牌识别评分聚类集合和第一ETC识别评分聚类集合。再对这两个评分聚类集合进行集中评分筛。醇扑闼堑钠骄、中位数或其他统计量，以获得第一车牌识别集中评分和第一ETC识别集中评分。这些集中评分代表了在该特定场景下，车牌识别和ETC识别的整体性能。获得第一车牌识别集中评分和第一ETC识别集中评分后，系统终端进行权重分析，确定在该场景下，车牌识别和ETC识别哪种方式更为可靠或重要，并计算出第一场景双模识别权重。这个权重将用于指导在该场景下如何平衡车牌识别和ETC识别的使用。最后，重复上述步骤，对K个场景语义特征聚类簇都进行类似的分析和权重配置。这样，得到K个场景双模识别权重集合，每个集合都包含了针对特定场景的车牌识别和ETC识别权重。这些权重集合将用于优化整个车辆识别过程的性能，使其在不同场景下都能达到最佳的识别效果。[0043] 进一步，本申请提供了获得所述第一场景语义特征聚类集合的第一场景双模识别权重，包括：[0044] 将所述第一车牌识别集中评分比上所述第一车牌识别集中评分和第一ETC识别集中评分的总和的比值，作为第一车牌识别权重，并将第一ETC识别集中评分比上所述第一车牌识别集中评分和第一ETC识别集中评分的总和的比值，作为第一ETC识别权重；将所述第一车牌识别权重和所述第一ETC识别权重作为所述第一场景语义特征聚类集合的第一场景双模识别权重。[0045] 可选的，系统终端将第一车牌识别集中评分与第一车牌识别集中评分和第一ETC识别集中评分的总和进行比值计算。这个比值反映了车牌识别在该场景下的相对重要性或性能表现。同样地，将第一ETC识别集中评分与上述总和进行比值计算，得到ETC识别在该场景下的相对重要性或性能表现。通过计算得到的比值，系统终端分别确定第一车牌识别权重和第一ETC识别权重。这两个权重之和等于1或接近1。随后，系统终端将第一车牌识别权重和第一ETC识别权重作为第一场景语义特征聚类集合的第一场景双模识别权重。这代表，在未来的车辆识别过程中，当检测到与第一场景语义特征聚类集合相似的场景时，将根据这两个权重来平衡使用车牌识别或ETC识别，以提高整体识别的准确性和效率。[0046] 采集所述目标停车场的所述K个出入口的K个实时场景语义特征，并根据所述K个实时场景语义特征和所述K个场景双模识别权重集合配置K个数据识别处理单元。[0047] 在一个实施例中，系统终端对目标停车场的K个出入口进行实时监控，并采集这些出入口的实时场景语义特征，包括车辆流量、光线条件、天气状况、时间信息等，它们共同构成了每个出入口的实时场景描述。随后，根据得到的K个场景双模识别权重集合，为每个出入口的实时场景语义特征匹配对应的权重值。这些权重值反映了在不同场景下，车牌识别和ETC识别技术的相对重要性和可信度。基于上述匹配到的权重值，系统终端会对K个数据识别处理单元进行配置。这些处理单元负责处理来自各个出入口的车辆识别数据，包括车牌识别和ETC识别信息。配置时，系统终端会调整每个处理单元的参数，以优先或平衡地使用车牌识别和ETC识别，确保在特定场景下能够获得最准确、最可靠的识别结果。通过这样的配置，能够根据不同出入口的实时场景变化，动态调整识别策略，从而优化整体的车辆识别性能。例如，在光线较差或车辆流量较大的出入口，会赋予ETC识别更高的权重；而在光线良好且车辆行驶速度较慢的出入口，则会为车牌识别赋予更高的权重。总结来说，这个过程是通过实时采集目标停车场出入口的场景语义特征，并根据预先分析得到的场景双模识别权重集合，来动态配置和优化数据识别处理单元，以提高车辆识别的准确性和效率。[0048] 对所述K个出入口的K个出入场车辆进行双模数据采集，获得K个双模识别数据，利用所述K个数据识别处理单元对所述K个双模识别数据进行智能处理，获得K个出入场认证结果。[0049] 在一个实施例中，在目标停车场的K个出入口，系统终端对出入场的车辆进行双模数据采集，即同时收集车辆的车牌信息和ETC信息。车牌信息通过摄像头拍摄并识别得到，而ETC信息则通过车辆上的ETC设备自动传输给系统。这种双模采集方式提高了数据采集的可靠性和准确性。随后，将采集到的K个双模识别数据传输至K个专门配置的数据识别处理单元进行处理。这些处理单元根据设定的参数，结合场景双模识别权重，对车牌识别数据和ETC识别数据进行智能分析，以判断车辆的真实身份和出入场权限。经过智能处理，会输出K个出入场认证结果。这些结果是对每个出入口车辆身份和出入权限的确认，它们将作为车辆进出停车场的依据。这个过程通过双模数据采集和智能处理，实现了对目标停车场K个出入口车辆的高效、准确管理，增强了停车场的安全性和管理效率。[0050] 综上所述，本申请实施例至少具有如下技术效果：[0051] 本申请实施例首先获取目标停车场的设计分布信息，包括出入口的布局，再调取这些出入口在历史窗口内的监控视频和车辆出入场记录，利用局部场景感知器对视频进行长时序车辆动作和环境特征的捕捉，从而生成车辆动作特征序列和环境特征集合。在此基础上，通过双模识别指标分析得到车牌识别评分和ETC识别评分，并进一步通过语义相似聚类识别，构建场景语义特征聚类簇，这些聚类簇综合了车辆动作和环境特征。随后，利用这些聚类簇对车牌识别和ETC识别评分进行场景权重配置分析，生成场景双模识别权重集合。在实际应用中，采集实时场景语义特征，并根据这些特征和预先生成的权重集合，配置数据识别处理单元，最终实现对车辆的双模识别和智能处理，生成准确的出入场认证结果。这些技术效果共同解决了现有双模识别数据智能处理中忽略车辆出入场景及车辆动作类别，导致误识别率高、车牌识别出错的技术问题，实现了通过综合车辆动作特征、环境特征及双模识别评分，结合场景语义特征聚类簇进行权重配置分析，提高车辆出入场识别的准确率和效率，降低等待时间，并减少误识别情况的效果。[0052] 实施例二，基于与前述实施例中一种车辆双模识别数据智能处理方法相同的发明构思，如图2所示，本申请提供了一种车辆双模识别数据智能处理系统，所述系统包括：设计分布信息获取模块1：所述设计分布信息获取模块1用于获取目标停车场的设计分布信息，其中，所述设计分布信息包括K个出入口；动作特征捕捉模块2：所述动作特征捕捉模块2用于调取所述K个出入口在预设历史窗口内的K个历史监控视频和K个车辆出入场记录集合，利用局部场景感知器对所述K个历史监控视频进行长时序车辆动作捕捉和环境特征捕捉，生成K个车辆动作特征序列集合和K个环境特征集合，其中，所述K个车辆动作特征序列集合和所述K个环境特征集合一一对应；双模识别指标分析模块3：所述双模识别指标分析模块3用于基于所述K个车辆出入场记录集合进行双模识别指标分析，获得K个车牌识别评分集合和K个ETC识别评分集合；语义相似聚类识别模块4：所述语义相似聚类识别模块4用于根据所述K个车辆动作特征序列集合和所述K个环境特征集合进行语义相似聚类识别，获得K个场景语义特征聚类簇，每个场景语义特征聚类簇包括多个场景语义特征聚类集合，每个场景语义特征包括车辆动作－环境特征；场景权重配置分析模块5：所述场景权重配置分析模块5用于利用所述K个场景语义特征聚类簇对所述K个车牌识别评分集合和所述K个ETC识别评分集合进行场景权重配置分析，获得K个场景双模识别权重集合；数据识别处理单元配置模块6：所述数据识别处理单元配置模块6用于采集所述目标停车场的所述K个出入口的K个实时场景语义特征，并根据所述K个实时场景语义特征和所述K个场景双模识别权重集合配置K个数据识别处理单元；智能处理模块7：所述智能处理模块7用于对所述K个出入口的K个出入场车辆进行双模数据采集，获得K个双模识别数据，利用所述K个数据识别处理单元对所述K个双模识别数据进行智能处理，获得K个出入场认证结果。[0053] 进一步地，所述动作特征捕捉模块2还用于执行如下方法：[0054] 以所述K个车辆出入场记录集合中K个车辆出入场时段对所述K个历史监控视频进行检索，获得K个车辆出入场监控视频；调用所述局部场景感知器中动作捕捉单元对所述K个车辆出入场监控视频按照预设提取频率进行动作捕捉，获得所述K个车辆动作特征序列集合；调用所述局部场景感知器中环境捕捉单元对所述K个车辆出入场监控视频进行环境特征捕捉，获得所述K个环境特征集合。[0055] 进一步地，所述双模识别指标分析模块3还用于执行如下方法：[0056] 获取双模识别指标集合，其中，所述双模识别指标集合包括识别速度、识别准确度和内存占用率；基于所述识别速度、识别准确度和内存占用率对所述K个车辆出入场记录集合进行双模指标特征值提。竦肒个车牌识别指标特征值集合和K个ETC识别指标特征值集合；调用识别评分网络层对所述K个车牌识别指标特征值集合和K个ETC识别指标特征值集合分别进行分析，获得所述K个车牌识别评分集合和所述K个ETC识别评分集合。[0057] 进一步地，所述语义相似聚类识别模块4还用于执行如下方法：[0058] 构 建 语 义 相 似 识 别 公式 ，其 中 ，所 述 语 义 相 似 识 别 公 式 为 ：其中， 为语义相似度， 为车辆动作特征序列在进行语义相似聚类识别时所占的权重值， 为环境特征在进行语义相似聚类识别时所占的权重值， 为车辆动作特征序列中车辆动作特征的数量， 为进行语义相似聚类识别的第一车辆动作特征序列中第i个车辆动作特征， 为进行语义相似聚类识别的第二车辆动作特征序列中第i个车辆动作特征， 为进行语义相似聚类识别的第一环境特征， 为进行语义相似聚类识别的第二环境特征。[0059] 进一步地，所述语义相似聚类识别模块4还用于执行如下方法：[0060] 分别从K个车辆动作特征序列集合中不放回随机抽取K个第一车辆动作特征序列，基于车辆动作特征序列与环境特征的映射关系，对所述K个环境特征集合进行检索，获得K个第一环境特征；再次从所述K个车辆动作特征序列集合中不放回随机抽取K个第二车辆动作特征序列，基于车辆动作特征序列与环境特征的映射关系，对所述K个环境特征集合进行检索，获得K个第二环境特征；利用语义相似识别公式对所述K个第一车辆动作特征序列、K个第一环境特征、K个第二车辆动作特征序列和K个第二环境特征进行识别，获得K个第一语义相似度；当所述K个第一语义相似度大于等于预设语义相似度阈值时，将所述K个第二车辆动作特征序列和所述K个第二环境特征融合为K个第二车辆动作－环境特征，并添加进K个第一场景语义特征聚类集合；经过多次语义相似聚类识别，获得所述K个场景语义特征聚类簇。[0061] 进一步地，所述场景权重配置分析模块5还用于执行如下方法：[0062] 以所述K个场景语义特征聚类簇为索引，对所述K个车牌识别评分集合和所述K个ETC识别评分集合进行同场景检索，获得K个车牌识别评分簇和K个ETC识别评分簇；提取所述K个场景语义特征聚类簇中第一场景语义特征聚类簇的第一场景语义特征聚类集合，基于所述第一场景语义特征聚类集合获取第一车牌识别评分聚类集合和第一ETC识别评分聚类集合；分别对第一车牌识别评分聚类集合和第一ETC识别评分聚类集合进行集中评分筛。竦玫谝怀蹬剖侗鸺衅婪趾偷谝籈TC识别集中评分；基于所述第一车牌识别集中评分和所述第一ETC识别集中评分进行分析，获得所述第一场景语义特征聚类集合的第一场景双模识别权重；根据所述K个场景语义特征聚类簇、K个车牌识别评分簇和所述K个ETC识别评分簇进行场景权重配置分析，获得所述K个场景双模识别权重集合。[0063] 进一步地，所述场景权重配置分析模块5还用于执行如下方法：[0064] 将所述第一车牌识别集中评分比上所述第一车牌识别集中评分和第一ETC识别集中评分的总和的比值，作为第一车牌识别权重，并将第一ETC识别集中评分比上所述第一车牌识别集中评分和第一ETC识别集中评分的总和的比值，作为第一ETC识别权重；将所述第一车牌识别权重和所述第一ETC识别权重作为所述第一场景语义特征聚类集合的第一场景双模识别权重。[0065] 需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。在附图中描绘的过程不一定要求示出的特定顺序和连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。[0066] 以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。[0067] 本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

专利地区：河北

专利申请日期：2024-09-24

专利公开日期：2024-11-29

专利公告号：CN118861786B