[0001] 本发明涉及电动车充电技术领域，尤其涉及一种基于身份识别的自动充电计费方法、充电桩、产品及介质。

[0002] 随着全球对可持续能源和减少碳排放的关注，电动汽车行业正在迅速发展。电动汽车的增长带动了对充电基础设施的需求。充电桩的使用越来越普及。

[0003] 充电桩在计费时，需要用户手动输入车牌号与之绑定，操作比较繁琐。为了提升用户使用友好度，相关技术中充电桩应用了车牌识别技术，通过安装在充电站的高清摄像头捕捉到车辆的车牌图像，然后利用图像处理和模式识别算法自动提取车牌号码，将车辆与充电桩关联起来，实现自动化的身份验证和计费过程，从而提高充电效率，减少人工操作，并提升用户体验。

[0004] 但是，车牌识别的准确性可能会受到污渍、光线变化、车牌损坏或遮挡等因素的影响，导致车牌识别错误，从而无法对充电的车辆进行准确的计费。

[0028] 本发明以下实施例中所使用的术语只是为了描述特定实施例的目的，而并非旨在作为对本发明的限制。如在本发明的说明书中所使用的那样，单数表达形式“一个”、“一种”、“上述”、“该”和“这一”旨在也包括复数表达形式，除非其上下文中明确地有相反指示。还应当理解，本发明中使用的术语“和/或”是指包含一个或多个所列出项目的任何或所有可能组合。

[0029] 以下，术语“第一”、“第二”仅用于描述目的，而不能理解为暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征，在本发明实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

[0030] 还需要说明的是，除非另有明确的规定和限定，本发明实施例中，“设置”、“连接”等术语应做广义理解。例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通；可以是有线通信连接，也可以是无线通信连接。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。下面对本发明实施例进行具体的说明。

[0031] 在传统技术中，当电动汽车驶入充电站并停在指定的停车位后，充电桩上的高清摄像头自动捕捉车辆的车牌图像。充电桩通过内置的车牌识别软件分析图像，提取车牌号码并与数据库中注册的车辆信息进行匹配。一旦系统确认车辆身份，相应的充电桩便会自动或通过车主在触摸屏幕上的选择启动充电程序。实现了更加便捷和自动化的充电体验。

[0032] 但是，当车辆在恶劣天气或糟糕的道路条件下行驶后，车牌可能会被冰雪、泥巴或其他污渍所遮挡，这些遮挡物会严重影响车牌识别系统的准确性。由于车牌识别技术依赖于清晰的视觉图像来捕捉和分析车牌上的字符和数字，任何形式的遮挡都可能导致系统无法正确读取车牌信息。例如，在冬季，厚重的积雪可能会覆盖车牌，使得摄像头难以捕捉到车牌的完整图像；在雨天或泥泞的道路上，泥点可能飞溅到车牌上，模糊或部分遮盖字符，导致识别算法无法准确解析车牌号码。

[0033] 污渍遮挡会导致车牌识别系统产生误读，将污渍错误地识别为车牌上的一部分，从而引起计费错误或无法为合法车辆提供充电服务。这不仅给车主带来不便，还可能影响充电站的运营效率和服务质量。

[0034] 针对上面的问题和缺陷，本发明实施例提供一种基于身份识别的自动充电计费方法。首先通过车牌识别模型自动获取进入充电停车位的车辆身份信息，实现了无需人工干预的车辆识别过程。当充电桩检测到车牌识别的置信度低于预设阈值，即认为识别结果可能不准确时，则进一步确定车牌是否因污渍遮挡而影响了识别准确度。若判断为污渍遮挡，充电桩将自动生成清洗控制指令，发送给清洗设备，执行精确的清洗操作，这一自动化的清洗过程不仅提高了清洗效率，还确保了清洗质量，从而为车牌的再次识别提供了清晰的图像基础。清洗完成后，充电桩再次进行车牌识别，获取更新后的车辆身份信息，并将其与充电计费绑定，确保了计费的准确性和车辆身份的一致性。

[0035] 通过这一技术方案，充电桩的运营变得更加高效和用户友好。它不仅减少了因识别错误而导致的计费纠纷，还提升了充电站的服务质量和运营效率。此外，自动化的清洗和识别过程降低了对人工操作的依赖。

[0036] 下面结合图1，来介绍本实施例的基于身份识别的自动充电计费方法，具体包括以下步骤：步骤101，在目标车辆进入充电停车位后，通过车牌识别模型识别该目标车辆的第一车牌图像，得到该目标车辆的第一车辆身份信息。

[0037] 在目标车辆进入充电停车位后，充电桩立即启动其内置的车牌识别模型。首先通过高清摄像头捕捉车辆的车牌图像，并实时分析图像内容。摄像头对准停车位，确保在车辆停稳后能获得清晰的车牌视图。充电桩将摄像头捕获的图像与数据库中存储的车牌信息进行匹配，以识别车辆身份。识别过程中，车牌识别模型会评估识别结果的置信度，确保获取的第一车辆身份信息的准确性。这一步骤是充电计费流程自动化的起点，充电桩通过智能化的识别技术，减少了人工输入的需求，提高了操作效率，为车主提供了便捷的充电接入方式。

[0038] 其中，车牌识别模型通过深度学习技术来实现对车辆车牌的高精度识别。该模型利用了大量已标记的车牌图像数据进行训练，通过卷积神经网络(CNN)等深度学习架构自动学习图像中的特征和模式。在训练过程中，神经网络不断调整内部参数，以提高对车牌上文字和数字的识别能力。

[0039] 本实施例中，车辆身份信息是一组独特的数据，用于唯一标识和区分不同的车辆。这通常包括车辆的车牌号码、车辆识别码(VIN)、发动机号码、车辆型号、车辆颜色、车辆登记信息以及其他可能的车辆特定细节。在现代智能交通系统中，车辆身份信息不仅用于交通管理和安全监控，还广泛应用于电子收费、停车场管理、车辆追踪和紧急服务等多种场景。

[0040] 步骤102，当该第一车辆身份信息的置信度小于预设值时，判断该目标车辆的车牌是否被污渍遮挡。

[0041] 充电桩在获取了目标车辆的第一车辆身份信息后，接下来执行的是对这些信息的置信度评估。车牌识别模型会分析车牌识别结果的准确性，并将此结果与预设的置信度阈值相比较。如果置信度不足，即认为识别结果可能存在误差或不确定性。

[0042] 再利用图像分析技术，检查车牌图像中是否存在可能影响识别准确性的因素，如污渍、遮挡物或其他视觉干扰。由此充电桩能够智能识别出车牌是否因为环境因素而变得难以识别，从而为下一步的清洗操作提供决策依据。

[0043] 若判断该目标车辆的车牌被污渍遮挡，则进入步骤103；反之，则返回步骤101，表明车牌没有被污渍遮挡，需要重新获取目标车辆的车牌图像并进行识别，以获得置信度更高的车辆身份信息识别结果。

[0044] 在一些实施例中，本步骤可以具体包括：首先获取该车牌图像的纹理结构信息，该纹理结构信息包括均匀性、粗糙度及方向性。然后根据该纹理结构信息判断该目标车辆的车牌是否被污渍遮挡。

[0045] 其中，均匀性反映了图像中像素灰度值的一致性，粗糙度表示图像中纹理的粗糙程度，而方向性则揭示了图像纹理的排列方向。

[0046] 当图像中的纹理结构因为污渍、污点或其他遮挡物的存在而发生变化时，纹理分析能够检测到这种破坏，从而识别出图像质量的下降或特征的失真。例如，在车牌图像中，污渍可能会覆盖或模糊车牌上的字母和数字，导致纹理分析结果与干净、清晰的车牌图像相比出现显著差异，这种差异可以被用来评估图像是否受到污渍的影响，进而决定是否需要采取措施，如清洗或图像增强，以恢复图像的原始纹理结构，确保车牌识别的准确性。

[0047] 纹理结构信息还可以进一步包括粗糙度或能量、对比度。

[0048] 本实施例中，充电桩可以通过使用灰度共生矩阵(GLCM)来提取纹理结构信息。以下是具体的步骤和计算方法：1.构建灰度共生矩阵(GLCM)：
首先，从原始图像中创建一个灰度共生矩阵。对于图像中的每个像素点，记录其灰度值以及在特定方向上相邻像素的灰度值。

[0049] 2.选择分析方向：选择分析的方向，常见的有0°(水平)、45°、90°(垂直)和135°。对于每个方向，分别构建GLCM。

[0050] 3.计算均匀性(Homogeneity)：均匀性反映了图像中相邻像素灰度值的相似程度。计算公式如下：
其中，N是灰度级的数量，i和j是GLCM中的灰度级对。

[0051] 4.计算粗糙度(Angular Second Moment,ASM)或能量(Energy)：粗糙度或能量反映了图像纹理的活跃程度或变化的剧烈程度。计算公式如下：
其中，p(i,j)是GLCM中对应灰度级对(i,j)的概率密度函数值。

[0052] 5.计算对比度(Contrast)：对比度表示相邻像素灰度差异的大小。计算公式如下：

[0053] 6.计算方向性(Directionality)：方向性表示纹理沿着特定方向的排列程度。可以通过比较不同方向上的对比度来评估。计算公式可以是：

[0054] 7.计算相关性(Correlation)：相关性表示相邻像素灰度值之间的线性关系强度。计算公式如下：
其中，μi和μj是灰度级i和j的均值，σi和σj是它们的标准差。

[0055] 在一些实施例中，步骤102还可以包括以下步骤：S11，获取该车牌图像中的污渍特征。

[0056] 充电桩会对捕获的车牌图像进行灰度化和滤波等预处理操作，以增强图像中污渍的可识别性。接着，充电桩使用图像分割技术来区分车牌上的前景(字符和边框)和背景。在此基础上，进一步应用特定的算法，如基于颜色、纹理或形状的特征检测，来识别和提取图像中可能的污渍区域。这一步骤的关键在于准确区分污渍和其他图像特征，确保后续分析的准确性。

[0057] 例如，如果车牌图像中存在泥点，系统可能会检测到与车牌颜色对比度高的圆形区域，并将这些区域标记为潜在的污渍特征。

[0058] S12，根据该污渍特征确定该车牌图像中污渍区域的占比。

[0059] 充电桩会计算被识别为污渍的像素区域的总面积，并与整个车牌图像的面积进行比较，得出污渍区域的占比。这个比例是评估污渍对车牌识别影响程度的重要指标。如果污渍区域占比超出了设定的阈值，这可能意味着污渍足以影响车牌的可读性。

[0060] S13，根据该污渍区域的占比判断该目标车辆的车牌是否被污渍遮挡。

[0061] 充电桩会根据污渍区域的占比来判断车牌是否被污渍遮挡到影响识别的程度。

[0062] 假设充电桩通过分析确定污渍区域占比达到了30％，超过了20％的阈值，充电桩将自动标记该车牌为“被污渍遮挡”。

[0063] 在一些实施例中，步骤102还可以包括以下步骤：S21，获取该车牌图像的图像质量信息，该图像质量信息包括清晰度、对比度和亮度。

[0064] 获取车牌图像的图像质量信息是一个技术性的分析过程，其中充电桩会评估图像的清晰度、对比度和亮度这三个关键指标。清晰度反映了图像中细节的可辨识程度，通常通过测量图像中高频成分的幅度来确定；对比度则衡量了图像中明暗区域的差异，通过比较最亮和最暗像素的灰度值来计算；亮度则是图像的平均光照水平，通过对所有像素灰度值求平均来获得。这一过程通常涉及复杂的图像处理算法，包括边缘检测、直方图均衡化等技术，以确保对图像质量的准确评估。

[0065] 例如，如果检测到车牌图像的边缘不够锐利，这可能表明清晰度不足；如果车牌上的字符与背景之间的灰度差异较小，则对比度可能较低；如果整个图像看起来过暗或过亮，则亮度可能不适宜。

[0066] S22，根据该图像质量信息确定该车牌图像的图像质量评估结果。

[0067] 在获取了清晰度、对比度和亮度的具体数值后，将根据预设的标准或算法，对这些数值进行综合评估，以确定图像的整体质量。这可能包括设置阈值来判定各项指标是否达到可接受的标准，或者使用加权平均等方法来计算一个综合的图像质量评分。这个评分可以提供量化的结果，用以判断图像是否适合进行进一步的处理，如车牌识别。

[0068] 在一些实施例中，本步骤可以具体包括：S221，分别获取该车牌图像的清晰度评分、对比度评分和亮度评分。

[0069] 充电桩的图像处理系统首先对车牌图像进行详细分析，以分别评估其清晰度、对比度和亮度。清晰度评分是通过识别图像中的高频信息和边缘锐度来确定的，通常使用诸如边缘检测算法或拉普拉斯算子来评估图像的细节清晰度。对比度评分则是基于图像中明暗区域的差异来计算的，通过分析图像的直方图分布来确定，高对比度意味着图像具有明显的明暗层次。亮度评分涉及测量图像的平均光照水平，通过对所有像素的灰度值求平均来获取。这些评分通常是通过预定义的算法和阈值来自动计算的，为图像质量的定量评估提供了基础。

[0070] 例如，充电桩可能会使用一个标准化的清晰度评分标度，从1到10，如果车牌图像的边缘被准确识别，且没有明显的模糊，可能会得到一个高评分，如8或9。对比度评分可能会根据图像直方图的扩展程度来评定，如果直方图覆盖了广泛的灰度级别，可能会获得较高的对比度评分。亮度评分则可能基于图像整体的光照均匀性，如果车牌在图像中既不显得过曝也不显得欠曝，亮度评分将会较高。

[0071] S222，根据该清晰度评分、该对比度评分和该亮度评分，确定该车牌图像的图像质量评分。

[0072] 充电桩将使用S221步骤中获得的清晰度、对比度和亮度评分来综合确定车牌图像的图像质量评分。这个综合评分可能是通过加权平均或其他数学方法来计算的，其中各项评分根据其对图像质量影响的重要性被赋予不同的权重。例如，清晰度可能对车牌识别最为关键，因此被赋予更高的权重。这个综合评分提供了一个量化的度量，用以评估图像是否适合进行进一步的处理，如车牌识别。

[0073] 假设清晰度、对比度和亮度的评分分别为8、6和7，系统可能会使用加权平均公式(例如，清晰度权重为0.5，对比度和亮度各为0.25)来计算综合评分。这样，图像质量评分可能会是(8*0.5+6*0.25+7*0.25)＝7.25的评分结果。

[0074] S223，将该图像质量评分确定为该图像质量评估结果。

[0075] 这个评分将作为判断车牌图像是否清晰、对比度是否足够、亮度是否适宜的依据。如果综合评分达到或超过预设的阈值，则车牌图像被认为是高质量的，可以用于车牌识别；
如果评分低于阈值，则可能需要进一步的处理，如清洗车牌或重新拍摄图像。

[0076] 例如，设定的图像质量评分阈值为6，而计算得到的综合评分为7.25，那么该车牌图像的图像质量评估结果将被确定为“合格”。如果评分低于6，则评估结果可能是“不合格”，系统可能会建议进行清洗或其他操作以提高图像质量。

[0077] S23，根据该图像质量评估结果判断该目标车辆的车牌是否被污渍遮挡。

[0078] 充电桩会根据图像质量评估结果来做出最终判断。如果评估结果显示图像质量低于某个标准，充电桩将推断车牌可能被污渍遮挡，影响了图像的清晰度、对比度或亮度。这种情况下，充电桩可能会触发清洗机制，或者标记该车辆的车牌为“不可读”，并采取相应的措施，如通知车主或拒绝充电服务，直到车牌被清洗并重新识别。

[0079] 步骤103，根据该目标车辆的车牌位置信息生成清洗控制指令。

[0080] 其中，充电桩需要精确计算车牌的具体位置，包括车牌与清洗设备之间的相对位置和角度。充电桩根据这些车牌位置信息计算出具体的清洗路径和操作参数，然后将清洗路径和操作参数集成到清洗控制指令中，发送给清洗设备。通过自动化的指令生成，充电桩能够确保清洗设备按照既定的程序执行清洗任务，无需人工干预。

[0081] 在一些实施例中，上述步骤可以具体包括：(1)根据目标车辆的车牌位置信息，确定清洗设备的喷头相对于车牌的方向角度和距离。

[0082] 充电桩利用其内置的传感器和图像识别技术，精确测量车牌与清洗设备喷头之间的相对位置和距离。这一步骤涉及到对车牌图像的实时分析，以确定车牌的精确坐标和与喷头的相对方向。充电桩通过这些数据，计算出喷头需要调整到正确的方向角度，以便直接对准车牌进行清洗。这一过程可能还会考虑车辆的大小和形状，以确保喷头能够覆盖到车牌的全部区域，为下一步的清洗操作提供精确的定位信息。

[0083] (2)根据方向角度和距离，确定喷头的喷水角度和水压。

[0084] 充电桩考虑清洗效率和对车辆的安全性。首先，喷水角度的设定确保水流能够以正确的方向对准车牌，这通常涉及到调整喷头的倾斜度，使其与车牌表面形成恰当的夹角，以便水流能够覆盖整个车牌并有效清除污渍。其次，水压的确定则需要综合考虑清洗效果和对车辆的保护，充电桩会根据车牌与喷头之间的距离来调整水压，距离越远，可能需要的适当水压就越大，以确保水流能够到达并覆盖车牌。通过精确控制喷水角度和水压，充电桩能够确保清洗过程既高效又安全，为车牌的准确识别提供了必要的清洁条件。

[0085] (3)基于喷水角度和水压生成清洗控制指令。

[0086] 其中，清洗控制指令包含一系列具体的操作代码，用于指导清洗设备执行精确的清洗动作。充电桩将喷水角度和水压参数转化为具体的电机旋转角度、水泵工作压力等控制信号，并将这些信号编码成清洗设备能够识别的指令格式。随后，充电桩通过通信接口将这些清洗控制指令发送给清洗设备，触发清洗设备按照预定的程序进行清洗操作。这一步骤是实现自动化清洗的关键环节，确保了清洗设备能够准确响应充电桩的指令，完成对车牌的清洗任务。

[0087] 步骤104，将该清洗控制指令发送给清洗设备，以使该清洗设备根据该清洗控制指令对该目标车辆的车牌进行清洗操作。

[0088] 充电桩将这些指令发送给清洗设备。清洗设备接收到指令后，自动启动清洗程序，对目标车辆的车牌进行清洗操作。这一过程可能包括喷水、刷洗、风干等一系列自动化动作，以确保车牌上的污渍被彻底清除。清洗设备的设计要确保在清洗过程中不会对车辆造成损伤，同时保证清洗效果，以便车牌能够被准确识别。充电桩通过精确控制清洗设备，实现了对污渍遮挡车牌的自动化清洗，进一步提高了充电计费流程的自动化和准确性。

[0089] 步骤105，当该清洗设备完成车牌清洗后，通过该车牌识别模型识别该目标车辆的第二车牌图像，得到该目标车辆的第二车辆身份信息。

[0090] 清洗设备完成清洗任务后，充电桩再次启动车牌识别模型，对目标车辆的车牌进行第二次图像捕捉和识别。这一次，由于污渍已经被清除，车牌图像的清晰度和可识别性大大提高，因此识别结果的置信度也能满足要求。充电桩再次通过车牌识别模型分析车牌图像，提取车牌号码，并与数据库中的身份信息进行匹配，以获取目标车辆准确的第二车辆身份信息。

[0091] 本步骤是确保车辆身份准确无误的关键环节，充电桩通过智能化的再识别技术，保证了即使在清洗后也能准确获取车辆信息。

[0092] 步骤106，将该目标车辆的充电计费与该第二车辆身份信息相绑定。

[0093] 本步骤确保了充电服务的计费直接与车辆的身份挂钩，避免了计费错误或混乱。充电桩通过智能化的绑定机制，实现了车辆身份信息与充电服务的准确对应。在车辆充电过程中，充电桩会实时监控充电状态，并根据准确的第二车辆身份信息进行计费。这一步骤不仅提高了充电计费的准确性，也为车主提供了清晰的费用明细，确保了充电服务的透明性和公正性。通过这一流程，充电桩展现了其在自动化充电计费方面的高效能力和智能化水平。

[0094] 本发明实施例还提供一种基于身份识别的自动充电计费方法，参考图2，包括以下步骤：步骤201，在目标车辆进入充电停车位后，通过车牌识别模型识别该目标车辆的第一车牌图像，得到该目标车辆的第一车辆身份信息。

[0095] 步骤202，当该第一车辆身份信息的置信度小于预设值时，判断该目标车辆的车牌是否被污渍遮挡。

[0096] 若是，则进入步骤203；若否，则返回步骤201。

[0097] 步骤203，根据该目标车辆的车牌位置信息生成清洗控制指令；步骤204，将该清洗控制指令发送给清洗设备，以使该清洗设备根据该清洗控制指令对该目标车辆的车牌进行清洗操作。

[0098] 步骤205，当该清洗设备完成车牌清洗后，通过该车牌识别模型识别该目标车辆的第二车牌图像，得到该目标车辆的第二车辆身份信息。

[0099] 步骤201‑205具体内容参考步骤101‑105，此处不再赘述。

[0100] 步骤206，获取该充电停车位中目标用户的人脸图像。

[0101] 充电桩装备有先进的面部识别摄像头，当目标车辆停入充电停车位后，系统自动激活摄像头捕捉驾驶员或用户的人脸图像。这一步骤涉及使用高分辨率成像技术和适当的照明条件来确保捕获到的面部图像清晰且完整。系统可能还会采用面部检测算法来快速定位并聚焦于人脸区域，确保即使在车辆内部也能成功获取图像。

[0102] 例如，当一辆电动汽车驶入停车位，充电桩上的摄像头自动调整角度和焦距，捕捉到驾驶员的正面面部图像，即使驾驶员佩戴眼镜或帽子，系统也能通过特定算法进行补偿，以获得最佳图像。

[0103] 步骤207，通过人脸识别模型识别该人脸图像，得到该目标用户的用户身份信息。

[0104] 获取到人脸图像后，充电桩利用内置或云端的人脸识别模型对图像进行分析和处理。该模型通过深度学习技术训练，能够从人脸图像中提取关键特征，并与数据库中存储的用户面部特征进行匹配，从而识别出用户的身份信息。

[0105] 比如，系统通过分析人脸图像的特征点，如眼睛、鼻子和嘴巴的位置和形状，与数据库中的特征模板进行比较，成功匹配到特定用户，获取其身份信息。

[0106] 步骤208，判断该用户身份信息与该第二车辆身份信息是否匹配。

[0107] 一旦人脸识别模型提供了用户的身份信息，充电桩将这些信息与车辆的第二车牌图像识别得到的车辆身份信息进行比对。这一步骤确保了充电服务的安全性和准确性，防止未授权使用。

[0108] 假设系统识别出的人脸属于用户张三，同时车牌识别得到的车辆属于李四。系统将张三的身份信息与李四的车辆信息进行匹配，发现不匹配，可能会要求进一步验证或拒绝充电请求。

[0109] 若该用户身份信息与该第二车辆身份信息匹配，则进入步骤209；反之，则向用户端发送提示信息，用户做进一步的确认。

[0110] 步骤209，对该目标车辆开始充电计费。

[0111] 如果用户身份信息与车辆身份信息匹配，系统确认用户有权使用该车辆并进行充电，随即启动充电过程，并开始计费。这一步骤可能涉及发送指令到充电桩的电气控制单元，以激活充电电流，同时记录充电开始的时间和电量。

[0112] 步骤210，将该目标车辆的充电计费与该第二车辆身份信息相绑定。

[0113] 充电桩将充电计费信息与已确认的车辆身份信息绑定，确保所有的充电记录都能够准确关联到特定车辆和用户。这有助于提高计费的透明度，便于用户查询充电记录和费用，同时也方便充电站运营商进行管理和结算。

[0114] 本方案中的充电桩是一种高度智能化的电动汽车充电设备，集成了先进的车牌识别技术、自动清洗系统、人脸识别模型以及智能控制软件。它能够自动检测进入停车位的车辆，通过车牌识别模型迅速获取车辆的第一身份信息，并在置信度不足时自动判断车牌是否被污渍遮挡，触发清洗设备进行清洗。清洗后，充电桩再次识别车辆的第二车牌图像，确保车辆身份信息的准确性。此外，充电桩还配备有人脸识别功能，以验证用户身份并与车辆身份信息进行匹配，从而启动充电计费流程。整个充电过程实现了自动化和智能化，提高了充电效率，优化了用户体验，并通过绑定充电计费与车辆身份信息，确保了计费的准确性和安全性。

[0115] 上述实施例提供的方法，由充电桩来执行，该充电桩是一种电子设备。下面从硬件处理的角度对该电子设备进行描述，请参阅图3，为本发明实施例中电子设备的一种实体装置结构示意图。

[0116] 需要说明的是，图3示出的电子设备的结构仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

[0117] 如图3所示，电子设备包括中央处理单元(Central Processing Unit，CPU)301，其可以根据存储在只读存储器(Read‑Only Memory，ROM)302中的程序或者从存储部分308加载到随机访问存储器(Random Access Memory，RAM)303中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 303中，还存储有系统操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(Input/Output，I/O)接口305也连接至总线304。

[0118] 以下部件连接至I/O接口305：包括音频输入装置、按钮开关等的输入部分306；包括液晶显示器(Liquid Crystal Display，LCD)以及音频输出装置、指示灯等的输出部分307；包括硬盘等的存储部分308；以及包括诸如LAN(Local Area Network，局域网)卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口305。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。

[0119] 特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。在该计算机程序被中央处理单元(CPU)301执行时，执行本发明中限定的各种功能。

[0120] 需要说明的是，计算机可读存储介质的具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read‑Only Memory，CD‑ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

[0121] 附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。

[0122] 具体的，本实施例的电子设备包括处理器和存储器，存储器与一个或多个处理器耦合，存储器用于存储计算机程序代码，计算机程序代码包括计算机指令，一个或多个处理器调用计算机指令以使得电子设备执行上述实施例所提供的方法。

[0123] 作为另一方面，本发明还提供了一种计算机可读的存储介质，该存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述存储介质承载有一个或者多个计算机程序，当上述一个或者多个计算机程序被一个该电子设备的处理器执行时，使得该电子设备实现上述实施例中提供的方法。

[0124] 以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

[0125] 上述实施例中所用，根据上下文，术语“当…时”可以被解释为意思是“如果…”或“在…后”或“响应于确定…”或“响应于检测到…”。类似地，根据上下文，短语“在确定…时”或“如果检测到(所陈述的条件或事件)”可以被解释为意思是“如果确定…”或“响应于确定…”或“在检测到(所陈述的条件或事件)时”或“响应于检测到(所陈述的条件或事件)”。

[0126] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。