基于人工智能检视的ETC稽查管理系统

赵梓城

(广东省公路建设有限公司，广州 510623)

0 引言

自2015年全国ETC收费联网以来，在国家发改委、交通运输部及银行相关政策推动下，全国ETC用户呈“井喷式”增长，截止2018年6月，用户数量已突破6 653万，ETC专用车道已有17 744条，通行量达2.80亿次。“十三五”现代综合交通运输体系发展规划指出，“十三五”期间公路客车ETC使用率将提升至50%，并推进标准厢式货车ETC收费，这意味着ETC车道建设将成倍增长，ETC用户将呈多样化发展。据统计，广东省高速公路在途卡日均为530多张，剔除出口MTC冲卡、坏卡、免费车违规取卡等异常，还有大量的复合卡流失，ETC车道建设和OBU套装用户推广更加符合当下高速公路缴费主流。然而，ETC车道为无人值守，控制栏杆的线圈过大，在跟车较近时，系统极易将两台车判断为一台车，从而出现了ETC车道的跟车、冲卡、一车双标等逃费现象，ETC车道防逃费形势严峻。

1 ETC逃费现状

1.1 大车小标

大车小标是指ETC车辆的OBU电子标签上的车型信息与车辆实际车型信息不符，如四型客车使用一型客车OBU，通过降低车型减少收费。这种情况绝大部分是车主通过非法手段拆卸移除OBU达到目的，或由于前期发行卡签过程中出现差错造成，但这种情况较少出现。这种逃费行为特征主要为OBU车型信息与实际车型信息不符。

1.2 跟车逃费

跟车逃费是指后车通过紧随正在出入ETC车道的前车车辆，这时由于跟车太紧，线圈分离车辆不够精确而导致误判为只有一台车通过，从而达到逃费的目的。这种逃费行为主要发生在ETC出口，其特征一般为ETC车辆只有入口信息而没有出口信息。

1.3 直接闯关

直接闯关是指车辆直接将ETC收费车道栏杆机冲开或手动掰开通过车道，此种行为较为恶劣，严重扰乱正常收费秩序。

1.4 一车双标

一车在两地或者两省申请安装OBU，入口均标识，但其中一张通行卡无出口流水，可能出现中途给卡换卡，从而跑长买短。

2 人工智能检视技术的研究与运用

人工智能(Artificial Intelligence)，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能检视技术是应用人工智能的理论与方法，对特定事务的大数据进行全方位、无死角的提取、比对、分析和总结，本次研究主要运用了人工智能检视技术的车辆特征识别高清摄像机、深度学习去除行人技术和多源数据分析比对模型。

2.1 人工智能车辆特征识别高清摄像机

人工智能车辆特征识别技术，核心是运用深度稠密特征基于ResNet的连接，它不仅减少深层网络中梯度耗损，而且增强网络特征的代表性，减小网络中的参数数量。本次运用，更加联合Softmax 损失函数，通过卷积、稠密连接块、池化、预测等环节，提升学习效率的高强度训练，使网络收敛速度更快，整个训练过程更加稳定，原理如图1所示。通过人工智能车辆特征识别技术，借助更强大的CPU算力，将该算法部署到前端设备，形成智能摄像机体系，解决了大规模神经网络和深度学习算法对计算资源变态需求，实现了更庞大、更深度的神经网络资源，让摄像机更加智能、更高精度和更快响应时间，以执行如图像分类、导航和语音识别等任务。

图1 过渡模块连接的深度稠密卷积网络

2.2 深度学习去除行人技术

目前ETC车道运用激光检测技术进行车辆分离与抓拍，然而，工作人员通过车道而触发激光幕时将产生抓拍图片，此类图片与数据视为无效的，在分析时应去除。

如何去除？可运用深度学习法和卷积神经网络法(Convolutional Neural Network简称CNN)。对于无效图片，按照视觉算法可分为特征感知、图像预处理、特征提取、特征筛选、推理预测与识别等五步骤，通过五步骤建立深度分类学习模型，正如人脑对不同物体的识别过程。

分析人类大脑多层神经网络最高效的识别方法就是CNN，CNN能够将数据量庞大的图像识别问题不断降维，最终使其能够被训练。CNN通过卷积来模拟特征区分，并且通过卷积的权值共享及池化，来降低网络参数的数量级，最后通过传统神经网络完成分类等任务。本研究通过大量行人样本，构建行人CNN网络，通过深度学习的方式识别行人，解决了光照、阴影等因素导致误报的问题。

2.3 多源数据分析比对模型

研究的ETC检视系统，就是把ETC车道过车数据、收费流水、车道日志等多源数据集中在一个分析平台上，并且建立这种多源数据分析对比模型。本模型运用快速傅里叶变换(FFT)、时间序列分析法(Time Series)，对以上多源数据进行自动分析，将军警等免费车辆自动剔除，通过查询MTC的数据进行匹配剔除ETC转其他车道收费的车辆，排除了大部分异常数据，同时分析车道日志对车辆进行模糊匹配，最后将自动获取嫌疑逃费车辆的过车图片和视频，实现出入口信息校验和比对，具体方法见图2。

图2 数据分析原理

应用以上数据分析原理，形成如图3所示的实际数据比对模型。

图3 多源数据比对模型

3 ETC稽查管理系统设计

根据以上的人工智能检视技术，结合ETC车道设备，研究并设计出ETC车道稽查管理系统。本系统主要功能需求分析，是通过前端人工智能设备将通行车辆特征一一收集，运用人工智能算法和多源数据分析对比模型，将过车和收费数据进行比对，自动筛选逃费车。同时，后台建立稽查数据分析管理平台，平台运用人工智能算法将采集的过车数据与ETC车道数据进行对比，智能剔除OUB车牌与实际车牌不符、无牌车、免费车等特殊车辆，自动生成嫌疑逃费车数据，并提供图片、视频、车道日志、入口信息等稽查证据。审核后，对逃费车辆启动稽查，通过合并数据、稽查布控、特征确定等方式对逃费车辆进行打击，并上传相关的图文档信息，完成逃费车辆稽查管理和文档存储，实现ETC打击逃费从发现、审核、收集、打击、总结、分析的闭环管理。

3.1 设计目标

(1)智能排查ETC车道跟车冲卡车辆。通过数据关联自动分析嫌疑车辆入口取卡信息，对入口领取复合卡，而在ETC车道冲卡的车辆进行自动排查，解决从ETC车道流失的复合卡“在途卡”问题。

(2)智能排查通行ETC但未扣款车辆。通过数据关联自动分析“有日志无流水”的嫌疑车辆，对ETC车道有入口信息但无出口扣款车辆进行自动排查，解决“ETC有入无出”或“ETC在途卡”问题；实现排查有效率为2‰～3‰和稽查成功率为30%～80%的目标(例如：ETC车道过车5 000车次，系统将自动排查出10～15车次的嫌疑逃费车；系统排查出嫌疑逃费车为10车次，经人工确认逃费车为3～8车次)。

(3)自动获取多源证据链。将嫌疑车辆的前后拍图片、前2后拍视频、临近车辆过车和流水数据、出口车道日志、入口信息查询结果(本路段)等重要稽查线索提供给稽查人员，辅助稽查人员进行核查工作，解决稽查过程中获取证据难、收集证据难、逃费档案管理难的“三难”问题，切实提高稽查工作效率。

(4)ETC数据上传完整性校验。系统自动将获取的当天过车数据与同时段ETC收费数据进行校验，并同时与ETC平均收费车流进行核对，如校验发现差异超过设定阈值，系统将报警提醒数据和稽查管理人员校核，解决ETC数据上传完整性实时校验问题。

3.2 系统设计

为实现设计目标，本系统设计了人工智能车辆特征信息采集平台和稽查数据分析管理平台。前端的人工智能车辆特征信息采集平台运用了高精度激光分车技术，将通行ETC车道车辆进行精准分离，并识别通行车辆的车牌、颜色、品牌、挂件等特征，采集完成后，通过数据接口将车辆数字信息、前后拍图片、过车视频进行编辑，推送至后端的稽查数据分析管理平台(图4)，实现全方位检视和分析统计预警体系。

图4 稽查数据分析管理平台结构

为减少车道设备和投资，本系统设计原则是与原车道设备有机兼容与共享，充分利用现有ETC车道的通讯网络、视频存储服务器、文件服务器，增设人工智能检视摄像机和激光车辆检测器，如图5和图6所示。

图5 系统网络

图6 车道安装布设

3.3 主要功能

3.3.1 海选过车记录

系统以列表的方式展示采集车辆的信息，对出口车辆进行全方位海选，包括抓拍时间、号牌号码、号牌类型、车辆前后图片等信息，支持以站点、车道、时间、号牌号码、号牌类型等关键字进行检索查询，可在同一界面上查看车头图片、车尾图片、车辆经过时间段的录像视频。

3.3.2 稽查与管理

本模块主要功能是出口流水与出口日志进行对比稽查，形成稽查列表查询和审核；同时对筛选审核出来的嫌疑车辆进行管理，形成逃费车列表，核定逃费类型；最后建立证据查询链接，还原车辆轨迹，为稽查布控的逃费车辆提供逃费过程中的视频、抓拍图片及相关下载功能，如图7所示。

图7 稽查与管理

4 成效与建议

本系统根据设计目标和主要功能，基本实现了对ETC车道“有日志无流水”车辆进行了筛选和稽查。2018年上半年，系统在广东省珠三角地区某收费站ETC车道试点运行4个月，在120万过车数据中，自动排查出嫌疑车1 284车次，经稽查人员确认后共有871车次为逃费车辆，其中，824车次装有OBU(跟车过紧未扣款)，47车次为入口领取复合卡车辆(冲卡车)，目前已全部录入黑名单。

综合上述，建立基于人工智能检视技术的ETC稽查综合管理系统，自动排查了ETC跟车冲卡车辆、筛选了ETC未扣款车辆、获取了多源证据链，解决了复合卡“在途卡”、“ETC跟车逃费”、“冲卡逃费”等现实问题。然而，随着ETC车道快速增加和无感收费后支付方式的引入，省界收费站撤除，为让人民群众更能直观体验快速通行，ETC过车速度势必提升，ETC车道跟车通行势必增加，如何分辨和解决无意跟车或者后支付车辆等问题，将在运用过程中不断思考、完善和改进。