2019年两会，国务院作出了两年内取消省界收费站的重大指示。取消省界收费站对于我国高速公路收费而言是一项大工程，涉及大量的系统改造，特别是高速公路车辆身份识别及收费系统的改造。
过去我国高速公路收费主要以省为单位，车辆的身份主要靠ETC与各种通行卡(券)物理介质作为身份标识的依据。高速公路上货车主要以计重为主要收费依据，未来也将改为以车型为主要依据。
取消省界收费站之后，将主要以ETC作为车辆身份标识，车牌将作为辅助身份标识。
众所周知，过去以省为单位的收费体系尚且存在一定的车辆逃费作弊情况，取消省界收费站之后，由于单程里程大大增加，单笔收费金额也会大大增加，这会使得车辆逃费动力也大大增强，因此需要一种更加先进的手段进行车辆身份的识别，进而有效进行逃费预警和稽查，规避收费漏洞，遏制逃费行为。
笔者认为，单靠现有系统中ETC标识OBU里的车辆信息，车牌等并不足以对车辆真实身份、收费类型及位置进行确认，需要增加车型信息、车辆特征信息及车辆图片作为额外依据，并结合时空轨迹和大数据分析方法进行车辆真实路径进行识别。
在取消省界收费站之后的新型收费系统中，需要将OBU信息，车辆车牌信息(车牌号、车牌颜色及类别)、车辆收费类型(分客货，一共9类收费类型)、车辆特征信息(车辆品牌、车辆颜色、车辆侧面轮轴及外观特征，车脸特征)、车辆时空信息(拍摄点位的位置及精确时间)等作为系统收费的依据，进行收费额的计算及后续稽查应用。
未来将取消计重收费改为以车型作为依据进行收费，这对车型识别的需求显而易见。
当OBU信息与车牌识别信息一致，且OBU信息真实无误，这是理想情况，但实际中往往不是这样，那些例外情况才是真正需要重点考虑的问题。
从规避逃费的角度来说，车辆特征信息(车辆品牌、车辆颜色、车辆侧面轮轴及外观特征)的识别也非常有必要，下面从几种常见的异常情况及逃费类型来分析，为何需要以上那么多的数据维度以及如何应对这些极端情况：
▎1、OBU失效
具体而言，就是车载OBU失效或司机恶意屏蔽、损坏、拆卸OBU或恶意屏蔽、损坏CPC卡，导致车辆通过虚拟收费站或收费通道时，无法读取到车辆ETC信息。
此时如果车辆号牌信息完整，可以以车牌作为依据进行里程计费，但基于图像进行车牌识别并不能100%的准确，实际中往往存在B识别成8、T识别成I等例外情况，可能使得收费系统无法准确匹配车辆完整的出入口信息。
如果由于匹配错误导致了错误的出入口匹配，可能使得车辆多计费或少计费，给车主和收费管理带来麻烦。
此时如果有车辆特征信息(车辆品牌、车辆颜色、车辆侧面轮轴及外观特征)，可以基于车辆特征相似度，对于匹配成功的出入口车辆特征进行相似度校验，如果相似度达到一定程度，就可以认定车牌匹配准确。
例如，进出入口车辆车牌匹配成功了，如果车辆品牌及颜色也相符，那么可以认定车牌匹配的结果非常可信；反之，如果车牌匹配，但车辆品牌或颜色不一致，那么出入口车辆可能存在差错，甚至存在套牌的可能。
如果出入口因为车牌识别错误，导致无法精确匹配，也可以通过模糊匹配进行出入口车辆匹配，将出入口字符相差一位(适当也可以放宽到2位)，但车辆车脸特征相似度匹配度非常高的车辆匹配成一组出入口信息，从而减少车牌识别错误的影响。
对于未来规划的龙门架安装的虚拟收费站，由于车速往往较快，OBU的读取成功率将大大降低，车牌识别准确率也会下降，此时补充一种额外的校验模式就显得尤为关键。
车辆车脸特征可以作为车牌之外的一个校验依据，减少车牌识别错误的影响。
▎2、车牌与OBU不符
具体而言，实际中存在不少车辆OBU内存储的车牌信息与车辆悬挂的车牌不符的情况，这种情况有可能是因为车辆发生过户，但OBU没有过户，或车主为逃费故意为之。
通过图像识别车牌并与OBU进行比对，是一个发现此类异常和逃费的有效手段，但遗憾的是，车牌识别并不能100%准确，也就是当实际发生了车牌与OBU不符的情况，并不能100%认定就是真实不符，也有可能是车牌识别错了。
假设一个站每天通过1万辆车，实际车牌识别准确率99%，那么可能出现100辆车牌与OBU不符的车辆，而且竟然都是因为识别错了导致的，这会给计费和逃费稽查造成极大困扰。
此时如果有车辆特征信息，如可识别车辆品牌、子品牌、颜色等信息，则可利用这些信息进行二次校验，如果车牌与OBU不符但相似(如相差1-2位)，而车辆特征信息与OBU存储的信息是一致的，则可认定车牌信息与OBU相符，这样可以将以上因为车牌识别错误认定为车牌不符的大量修正过来。
实际中，甚至可以基于一种宽松的原则，只要车牌或车辆品牌信息与OBU相符，就可认定为与OBU相符，从而减少误判。
3) 大车小标或修改车型逃费；
具体而言，就是更高收费级别的车辆，实际搭载了低收费级别的车辆的ETC标签。
例如一辆大客车，理应是客3收费类型，但搭载了客2或客1类型的ETC标签，或者某货车通过手段使得自身的OBU无效，但可能搭载了一个小客车的OBU，并另其生效。
这种情况，OBU内的车牌信息和实际号牌信息可能是完全相符的，但车型不对，因而可能减少了收费。
这种情况，只要基于车辆图像对车型进行识别，就能很方便的进行辨识，因为客3与客2，或货车与客车直接有明显的差异，基于车型进行逃费稽查预警和告警即可有效规避。
▎4、隐身式逃费
具体而言，司机为逃费，在途中通过手段令ETC标签OBU或CPC卡失效，并同时进行车牌号遮挡，这样无论是车道式的收费站或龙门架式的虚拟收费站，都无法识别到车辆的具体信息，此时唯一有可能获取到车辆信息的只有车辆的图片信息。
这种情况由于车辆在入口有完整的车辆信息，可以基于车辆车脸图像特征进行时空匹配，获取中间无法读取OBU和车牌的车辆的具体信息。
具体而言，当某一标识站或虚拟收费站检测到一辆无牌或无法读取车牌和OBU的车辆，此时可以获得车辆特征信息(车辆品牌、车辆颜色及车辆外观特征)，通过与一定时间范围之内，近几个收费站进来的车辆，进行特征相似度一一匹配，获取相似度高且相似度大于一定值的若干车辆，并进行人工确认，进而找到这辆车的真实信息，这种技术也称之为基于车辆多维特征的以图搜图。
▎5、跟车逃费
具体而言，跟车逃费指的是，司机为逃费，多辆车串通，前后有ETC标签信息后车无法读取ETC标签信息，前后车跟的非常紧(一般小于20厘米)，当前车通过ETC入口或出口时，后车紧跟前车。
由于栏杆机有一定的响应间隔，当两辆车离的特别近时，栏杆机及地感线圈会认为只有一辆车或栏杆机出于防砸目的，不会中途放下，这种情况下后车如果OBU失效或未安装OBU，也能顺利通过，通过这种方式逃费。
如果能识别车辆特征信息(车辆品牌、车辆颜色、车辆侧面轮轴及外观特征)，当前车通过时，通过对车辆轮轴、车头进行判断，如果判断前车车头经过后，又有一辆车车头经过，则判断存在跟车逃费嫌疑，如果前车在出入口都存在这种情况，则该车存在逃费嫌疑。
也可以在检测到此类情况时，在收费站级进行声光告警，威慑此类逃费行为。
▎6、甩挂或U型路线逃费
具体而言，就是一些货车在运行过程中，通过甩挂或卸货之后通过U型通道折返的逃费方式。
这种方式理论上可以通过虚拟收费站和通道收费站进行车辆的全路径识别，然后基于全路径进行收费，这种情况并不会给高速公路造成损失。
但实际中，这些特殊的路线和运行方式，往往也会伴随这样以上大车小标、修改车型逃费甚至隐身式逃费、跟车逃费的方法，因而车型识别和车辆特征依然可以发挥非常重要的作用。
还有一些其他类型的逃费现象，如收费员与司机勾结、收费员内部违规、伪装成绿通或免费车辆等收费方式，其中与收费员有关的一些类别随着ETC的全面普及会有效规避，也可以通过以上车辆多维特征和大数据时空分析研判，加以鉴别，例如通过MTC车道与司机行走的关联关系，进行逃费和违规研判。
通过时空大数据分析，可以对车辆轨迹、车辆旅行时间、车辆活动规律、车辆行驶规律进行分析研判，并构建车辆逃费的黑名单，通过对多起疑似逃费的车辆进行联合判定，通过多次疑似逃费行为确认车辆的逃费行为。
除此之外，也可以通过实际运行的车辆大数据，构建车辆车牌号与车辆车型、OBU、车辆品牌特征等数据之间的关联关系，构建映射中间表，并构建车辆的信誉评定体系，为合法合规的车辆，赋予高级别的信用等级，为存在逃费嫌疑或认为为逃费的车辆赋予低级别的信用等级，进而在实际的稽查过程中，只重点关注那些信誉等级较低或没有信用记录的车辆，减少稽查研判系统的计算压力。
实际应用中，车辆多维度的特征信息的识别，可以通过升级前端设备，在前端实现，并与OBU信息和车牌图片信息一同传到后端；也可以通过在后端架设配备GPU的服务器集群，在后端(私有云)对上传过来的车辆进行二次识别，补齐车辆多维度的特征信息来实现。
相比而言，更推荐通过后端识别的方法，这样更容易升级和维护，也便于进行基于深度学习和增强学习的迭代提升。
总而言之，通过构建车辆多维度的身份特征体系，识别除了OBU信息和车辆车牌信息(车牌号、车牌颜色及类别)之外的车辆收费类型(分客货，一共9类收费类型)、车辆特征信息(车辆品牌、车辆颜色、车辆侧面轮轴及外观特征，车脸特征)、车辆时空信息(拍摄点位的位置及精确时间)等，可以实现各种维度数据之间的相互校验，增强系统的容错能力，减少计费误差，有效打击逃费，堵住因为取消省界收费站带来的新的逃费漏洞，减少经济损失。
通过取消省界收费站，为未来逐步过渡到全自由流收费奠定了基础，此举无疑能够减少交通拥堵，提高通行效率，减少物流费用，带动经济发展，是一件利国利民的重要举措。
