CN101261722A - 电子警察后台智能管理和自动实施系统 - Google Patents
电子警察后台智能管理和自动实施系统 Download PDFInfo
- Publication number
- CN101261722A CN101261722A CNA2008100563792A CN200810056379A CN101261722A CN 101261722 A CN101261722 A CN 101261722A CN A2008100563792 A CNA2008100563792 A CN A2008100563792A CN 200810056379 A CN200810056379 A CN 200810056379A CN 101261722 A CN101261722 A CN 101261722A
- Authority
- CN
- China
- Prior art keywords
- data
- car plate
- work
- character
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
电子警察后台智能管理和自动实施系统包括:数据处理工作流模块和数据挖掘模块,负责将数据文件从数据采集前端装置传送至后台系统,由后台系统进行车牌自动识别和查询车辆信息,并生成罚单;数据挖掘模块负责对数据的查询、整理和统计,向多次违法车主予以警告,合理安排警务工作。本发明实现了自动化、智能化,并借助各种先进设备和技术对其协调处理,建立起一种在大范围、全方面发挥作用的实时、准确和高效的交通运输综合管理体系,从而保障了交通安全,降低了民警的劳动强度,又解放了大量的警力用于处置突发事件,保障人民生命财产安全,给交通、社会、经济、人口、环境、技术都带来益处,为构建和谐社会贡献了力量。
Description
技术领域
本发明涉及一种电子警察后台管理系统,特别是一种电子警察后台智能管理和自动实施系统。
背景技术
随着车流量逐年增长,加上突发的气象因素及许多人为因素,常规的交通管理方式使有限的交通资源更加捉襟见肋,致使交通流量密集处常发生交通拥堵。维持交通安全和秩序的交通警察对都市的交通畅通当然是功不可没,但力量微小,使人想到了借助电子设备参与道路车辆的交通控制及管理,共同实时管理城市机动车辆。
电子警察作为现代道路交通安全管理的有效手段,为迅速的监控、抓拍、处理交通违章,迅速的获取违章证据,提供行之有效的监测手段,对改善城市交通拥堵现象起了重要作用,已成为道路交通管理队伍中必不可少的重要成员。其社会效益非常明显,所形成强大的威慑力,促使广大驾驶员不敢随意违章,从而既保障了交通安全,减轻了民警的劳动强度,又解放了大量的警力用于处置突发事件。
电子警察是针对城市交通管理现状,在市内主要路口安装固定电子警察设备,对市内交通、车辆、人员进行有效的监视,实现交通违章实时自动检测、记录和告警的系统,为公正执法提供客观依据。
电子警察采用视频图像的识别技术,全天候进行车辆及道路的监控,对违规车辆进行抓拍,实现了城市道路交通的智能化管理,实现了道路交通无人职守情况下对驾驶员违章行为(包括闯红灯、单行路逆行、超速等)的自动判断和图像记录,并通过图像远程传输及数据库技术,执法部门可以根据记录的图像所提供的闯红灯车辆的外形、牌照号码,对违章司机进行追究和处罚。利用该系统可以迅速查明违章车辆、分析交通事故,为进一步整顿交通环境,交通管理科学化提供高效可靠的技术依据。
目前,随着计算机技术的进步,各种电子警察层出不穷。首先,这些电子警察的功能比较单一,而且数据获取,车牌识别,生成发单等在一个流程线上的模块分散,电子警察只作为一个辅助工作的系统,大量工作仍需人工完成;其次,其车牌自动识别准确率不够高,速度不够快,加重了人工核对和更正的负担,降低了工作效率;第三,数据查询速度不够快,用户体验差,缺少数据分析模块,不能给警务工作以合理有用的建议。
发明内容
本发明的目的在于:克服现有电子警察的不足,提供一种方便,可靠,高效的电子警察后台智能管理和自动实施系统。
为了实现上述目的,本发明采用的技术方案为:电子警察后台智能管理和自动实施系统,包括:数据处理工作流模块和数据挖掘模块,其中:
数据处理工作流模块,负责将数据文件从数据采集前端装置传送至后台系统,由后台进行车牌自动识别和查询车辆信息,并生成罚单,其流程为:首先前端装置中获得的数据上传至FTP,再通过数据导入中间件导入到数据库服务器中;然后信息处理服务器从数据库服务器中读取数据进行车牌自动识别,并将识别结果暂时保存在信息处理服务器中,人工可以在自由的时间内批量处理系统识别结果,经过审过后,确认进入下一步;最后,信息处理服务器根据上一步车牌自动识别结果得到的车牌号码查询车辆信息并生成罚单;
数据挖掘模块,负责通过对数据的查询、整理和统计,向多次违法车主予以警告,合理安排警务工作,其流程为:首先从保存在信息处理服务器中的大量数据进行数据查询,得到数据查询结果;然后根据数据查询结果,对数据进行整理和统计,整理和统计内容包括:一是在短期内多次违法的车辆并向车主予以警告;二是判断路况情况,在哪个时间段、哪个路口或卡口可能出现频繁违法的情况,据此有针对性地派遣警力,使工作安排合理化,提高工作效率。
本发明与现有技术相比的有益效果在于:
(1)数据处理工作流模块运用图像识别、网页分析等技术将从数据文件从电子警察前端装置传送至后台开始,车牌自动识别,车辆信息查询,生成罚单等整个处理交通违法的过程流程化、智能化、自动化,将工作人员从繁杂的事务性工作中解放出来。
(2)本发明所述的电子警察后台智能管理,自动实施管理系统方便了警务工作,整个处理交通违法的业务流程被很好地串联到一起。车牌自动识别模块可以持续处理大量上传数据,工作人员可以在一个任选的时间段内对识别结果进行核对。通过审核之后,系统将查询车辆详细信息,生成并打印罚单。整个流程中,人工参与仅只有一处,并且处理的时间是可供工作人员自由选择的,这给警务人员的工作提供了极大的灵活性。其有别于传统电子警察的最大优点是使整个处理交通违法的过程流程化、智能化、自动化,极大地简化了工作,提高了工作效率,降低了出错率。电子警察的使用使警务人员从繁杂的事务性工作中解脱出来,节省了大量的警力可以用于处理突发事件。此外,本发明所述的电子警察后台系统的数据查询模块的优越性,高速的查询和翻页速度,给用户的良好体验是普通电子警察难以比拟的;数据统计、挖掘、分析模块也是传统电子警察所缺少的模块,该模块给警务工作安排以合理的建议,将警力在最需要的时候安排到最需要的地点。
(3)本发明所采用的数据导入中间件解决了数据从FTP高速、可靠地传送至数据库的问题。电子警察的使用场景决定了数据量大并且增长速度快,而且如果出现突发事件,电子警察可能出现突增大量数据的情况。本发明采用的数据导入中间件保证了数据传送的高效、可靠。在突增大量数据的情况下,依然保证系统正常运行,数据正确传送,无数据丢失情况出现。本发明实现的后台系统经受实践中多次检验,其可靠性远优于普通电子警察。
(4)本发明所采用的车牌自动识别技术作为整个电子警察后台系统的核心,很好的完成了任务。在使用过程中,识别准确率在90%以上,避免了普通电子警察由于车牌识别模块不够好反而加重人工核对负担的情况出现。本发明的车牌自动识别方法采用增强图像预处理、车牌粗细两次定位、神经网络运用于字符识别等技术,提高了违法车辆的车牌识别率。
(5)本发明所采用的根据车牌号码查询车辆详细信息技术,分情况进行查询缩短了平均查询时间,基于“网络爬虫”的网页分析技术保证了信息提取。若违法车辆为本市车辆,则可以在本市公安部的数据库中直接查询到它的详细信息,这样的查询方式所需的时间相对较短,而且可以直接得到结果(相对于后文中查询公安部全国车辆信息网站而言,后者需要分析网页抓取信息)。加之,本市内本市车辆会较其他车辆多,因此分类选择不同的查询方式进行查询可以缩短平均查询时间,提高效率。若违法车辆为非本市车辆,则自动登录到公安部全国车辆信息网站查询,采用基于“网络爬虫”的网页分析技术抓取所需要的车辆信息,如果信息不足,则自动分析超链接URL,进一步提取信息。网络分析技术保证了信息的查询。
(6)本发明所采用的海量数据查询、翻页技术很好地改善了用户体验。由于数据量极大并且还在不断增长中,数据查询是一个难题。本发明采用的查询策略做了大量基于Oracle数据库(本电子警察用Oracle作为数据库)的优化,并且利用Oracle数据库的查询结果对记录进行编号的特点每次只查询3页数据。这样大大地缩短了查询时间,普通的查询需要数分钟,而改善后的查询在几秒钟内便能完成。此外在呈现给用户的显示层面,采用基于内存分页原理的“三页互导”技术。每次查询只查出当前页、上一页、下一页,一共3页数据放入内存中,下一次查询,仍然查出3页数据,去替换内存中的不同数据。显示时,由于是从内存中直接调取数据,因此显示速度非常快,由于预存了当前页上下两页的数据在内存中,因此翻页速度也非常快。本发明采用的查询,翻页技术很好的改善了用户体验,避免了用户由于长时间等待系统结果而产生不耐烦的情绪从而影响工作,提高了工作效率。
(7)本发明所采用的数据统计、挖掘、分析技术,给警务工作安排合理的建议,在最需要的时间把警力部署到最需要的地方,从而避免了警力的浪费,提高了工作效率。
附图说明
图1为本发明的组成框图;
图2为本发明的FTP将数据导入到数据库中的导入中间件采用多线程实现示意图;
图3为本发明的车牌自动识别方法流程图;
图4为本发明的车牌字符分割模块图像预处理流程图;
图5为本发明的车牌字符分割模块左右边框去除实例图;
图6为本发明的车牌字符分割模块上下边框去除实例图;
图7为本发明的车牌字符分割模块新的垂直投影实例图;
图8为本发明的车牌字符分割模块字符分割算法流程图;
图9为本发明的车牌字符分割模块字符分割结果实例图;
图10为本发明的查询车辆信息的方法流程图;
图11为本发明的抓取所需要的车辆信息采用基于网络爬虫的网页分析方法流程图;
图12为本发明的数据挖掘模块实现流程图;
图13为本发明的数据查询方法示意图。
具体实施方式
如图1所示,本发明包括数据处理工作流模块和数据挖掘模块,其中:数据处理工作流模块,负责将数据文件从数据采集前端装置传送至后台系统,由后台进行车牌自动识别和查询车辆信息,并生成罚单,其流程为:首先前端装置中获得的数据上传至FTP,再通过数据导入中间件导入到数据库服务器中;然后信息处理服务器从数据库服务器中读取数据进行车牌自动识别,并将识别结果暂时保存在信息处理服务器中,人工可以在自由的时间内批量处理系统识别结果,经过审过后,确认进入下一步;最后,信息处理服务器根据车牌自动识别结果后得到的车牌号码,查询车辆信息并生成罚单;数据挖掘模块,负责通过对数据的查询、统计、挖掘、分析,向多次违法车主予以警告,合理安排警务工作。
如图2所示,本发明的FTP将数据导入到数据库中的导入中间件采用多线程实现示意图。从电子警察前端采集到的数据先上传到FTP上,再由FTP将数据导入到数据库中,数据的导入采用多线程实现,多线程工作的协调由任务调度线程进行调度。中间件由一个工作池和一个任务调度线程实现。工作池中存放可以进行数据导入工作的线程,有多个,它们之中的每一个都可以独立的进行数据导入工作。任务调度线程负责对工作池中线程进行调度,当有数据导入工作时,任务调度线程会把任务分派给工作池中一个线程(如果没有空闲的线程,则暂时等待),当数据导入工作完成后,任务调度线程再把线程放回到工作池中。这样,多个线程可以同时进行数据导入工作,提高了工作效率。
如图3所示,本发明的车牌自动识别方法采用增强图像预处理、车牌粗细两次定位、神经网络运用于字符识别等技术,以提高识别准确率和速度,其具体步骤为:
(1)车牌定位。结合数学形态学方法,综合利用车牌的边缘特征与颜色信息来实现车牌定位。具体包括车牌的粗定位和精确定位两个主要步骤。采用灰度化,高斯平滑去噪,灰度拉升等方法对图像做预处理,提升图像质量。车牌粗定位首先对经预处理后的图像进行边缘检测和二值化处理,突出边缘特征;再采用线过滤算法滤去干扰边缘线信息,并利用车牌区域灰度变化次数多的特性定位出车牌上下边缘;对经过上下边缘定位后的车牌采用点密度过滤算法滤去零散点,然后对图像进行膨胀处理,再根据结果图中最大连通区域位置从原彩色图中切出相应区域初步认定为车牌。车牌精确定位主要利用车牌的颜色信息在HSI空间进行颜色分割。HSI模型用色度H、饱和度S、亮度I三个分量表示,H、S包含了图像的彩色信息,不受亮度影响,I分量仅包含了亮度信息,三个分量较为独立,因此采用HSI模型进行颜色分割是较理想的。我国的车牌主要有蓝底白字、白底黑字、黑底白字、黄底黑字等几种。仅用H分量可将黄色和蓝色区分出来,黄色H为60度,蓝色为240度,而I可将黑色和白色区分出来,黑色I=0,白色I=255,依据此方法可以精确定位出车牌。
(2)字符分割。经车牌定位后,将得到一个包含车牌和部分车身信息的图像,因此需要对车牌图像进行进一步精确处理,包括去除边框、车身等冗余信息,经精确处理后的车牌图像只包括车牌字符区域,最后对修正后的图像进行字符分割,将各个字符图像切割出来,结合数学形态学,采用垂直投影法和水平投影法进行车牌的字符分割。具体如下:a.车牌图像预处理,如流程图4所示,对车牌图像进行灰度拉伸,二值化,闭运算处理等预处理;b.采用垂直投影法,根据垂直投影图去除车牌左右边框区域,车牌边框的所在区域的垂直投影线较长,根据此特点检测左右边框并去除,实例如图5所示;c.采用水平投影法,根据水平投影图去除车牌上下边框区域,车牌上下边框的所在区域的水平投影线较长,根据此特点检测上下边框并去除,实例如图6所示;d.获得经边框去除后车牌的新垂直投影图,实例如图7所示;e.根据新垂直投影图的波峰,波谷特征信息分割字符,算法流程图如图8所示,其中,设车牌图像的宽度为width,首先确定每个字符的大致宽度为w=width/7(在假定车牌字符个数为7的情况下),字符的最小宽度为minw=width/10,lastlocation用于记录上次字符切割列的位置,imagecount记录已经切割出来的字符图像数目,均初始化为0。第一步,令begin=lastlocation+minw,end=lastlocation+w*5/4(若end>width,则令end=width),从begin到end列自左向右扫描图像,寻找局部最低值(波谷)列记为minnum,假定该列为字符分割列,进行下一步判断。第二步,计算获得的子字符图像长度Length=minum-lastlocation+1,若Length>=minw,则认为分割的该图像为合法单个字符图像,imagecount增加1,并分割出相应的字符图像,其范围是从lastlocation到minnum列,继续下一步;若Length<minw,则令lastlocation=minnum,返回第一步重新开始寻找。第三步,令lastlocation=minnum,若imagecount==2,则适当增加lastlocation值(因第2个和第3个字符的间隔较长,做适当调整),返回第一步切割下一个字符图像;若imagecount>=7或者lastlocation>=width-minw,则退出循环,算法结束。字符分割结果的一个实例如图9所示。
(3)字符识别。经字符分割后得到的单个车牌字符图像将送入车牌字符识别模块进行字符识别。字符识别模块的难点在于模糊、断裂的字符的识别;且牌照由汉字、字母和数字组成,而汉字的笔画繁多,增加了识别的难度。我国的车牌的字符是由汉字、字母、数字组成。数字有10个:0、1、2、3、4、5、6、7、8、9,字母有26个:A、B、C、D、E、F、G、H、I、J、K、L、M、N、O、P、Q、R、S、T、U、V、W、X、Y、Z;汉字为34个省:京、津、沪、渝、冀、豫、云、辽、黑、湘、皖、鲁、新、苏、浙、赣、鄂、桂、甘、晋、蒙、陕、吉、闽、贵、粤、青、藏、川、宁、琼、黔、滇、台。因此需要识别的字符集总共包括70个字符。本发明采用基于隐马尔可夫模型的方法来进行车牌的字符识别,车牌字符识别主要包括离线训练和在线检测两个过程,离线训练过程中,使用大量的车牌字符图像样本,每个字符对应一系列的样本图像,首先对样本进行图像预处理,之后进行模型训练,训练完毕后将得到多个字符模型,每个字符对应一个模型。离线训练过程是一个学习的过程,依据的是Baum-Welch算法。在线检测过程时,输入的单个车牌字符图像,经过预处理后,进入各个字符模型识别,分别计算得到各个对应匹配度,匹配度最高的字符模型即为识别结果。在线检测过程是一个识别的过程,依据的是前向-后向算法(Forward-Backward Algorithm)。
如图10所示,为本发明的查询车辆信息的方法流程图。车牌号码查询车辆详细信息的方式,分为两种方式:根据车牌号码判断车辆是否为本市车辆,第一种方式是如果车辆是本市的车辆则直接连接本市公安部门的数据库进行查询;第二种方式是如果车辆非本市车辆则自动登录到公安部全国车辆信息网站进行查询,采用基于“网络爬虫”的网页分析技术抓取所需要的车辆信息。
如图11所示,采用基于“网络爬虫”的网页分析技术抓取所需要的车辆信息的方法为:借用文本检索技术,抓取查询结果网页中所需要的车辆信息。如果信息不完整,则分析网页中相关连接的URL,自动链接到新的网页,并抓取新网页上的车辆信息,如果至此抓取到了所需要的全部信息,则查询结束,否则继续重复上一过程,分析URL,链接新网页继续抓取信息直至满足要求为止。如若查询一辆非本市车辆的信息,查询结果网页显示的有所需要的绝大多数信息,但是缺少某一项信息,如车主地址在当前网页上并没有显示出来,则系统会自动分析当前网页上的超链接,进入超链接连接的网页,采用文本检索技术查找是否有该车辆的车主地址信息,有则结束,若没有则继续用相类似的办法分析直至找到为止。由于查询的网站为公安部网站,则可以保证系统所要查询的信息一定存在,而可能出现的情况是这些信息可能分散在用超链接联系起来的多个网页中,故查询需要本发明的基于“网络爬虫”的网页分析技术的支持。
如图12所示,本发明的数据挖掘模块流程为:首先从保存在信息处理服务器中的大量数据进行数据查询,得到数据查询结果;然后根据数据查询结果,对数据进行整理、统计,整理和统计内容包括:一是在短期内多次违法的车辆并向车主予以警告;二是判断路况情况,在哪个时间段、哪个路口或卡口可能出现频繁违法的情况,据此有针对性地派遣警力,使工作安排合理化,提高工作效率。系统可以定期查询一定时间内重复违法和频繁违法的车辆,并对这些车辆给予警告以起到警示作用。再者,系统对一定时间内某个路口的违法情况(如违法车数,违法类型)进行统计,生成图表。可以以多种形式进行比对,如时间段,路口,违法类型等。路况信息清晰明了,根据图表走势,进行预测,为下一步安排工作提供参考。
如图13所示,本发明的数据查询方法示意图。采用数据库查询优化、一次只查询部分结果、基于内存分页原理的“三页互导”等技术改善传统查询。电子警察数据查询是一种海量数据查询,不同于其他的普通查询。本发明做了大量基于Oracle数据库(所实现的系统采用Oracle作为数据库)的查询优化。为了改善用户体验,采用基于内存分页原理的“三页互导”技术。每次查询时,利用Oracle数据查询结果中对记录的编号只查出三页数据:当前页、上一页和下一页,并把这三页数据放入内存中。下次查询时,仍然查询三页数据放入内存,替换上次放入内存中的不同数据。由于每次只查出部分数据,并且显示时是从直接从内存中调出数据,因此显示速度非常快。再者,因为预存了当前页相邻两页的数据,则翻页速度也非常快。这样的查询方式,给用户的体验是非常好的,用户广泛评价查询速度和翻页速度均非常快。
总之,本发明将数据文件从数据采集前端向系统传送,并将数据整合、车牌识别、流程处理、数据挖掘分析等模块整合,整个数据处理过程形成工作流,从而实现自动化、智能化,并借助各种先进设备和技术对其协调处理,建立起一种在大范围、全方面发挥作用的实时、准确和高效的交通运输综合管理体系,从而保障了交通安全,降低了民警的劳动强度,又解放了大量的警力用于处置突发事件,保障人民生命财产安全,给交通、社会、经济、人口、环境、技术都带来益处,为构建和谐社会贡献了力量。
Claims (6)
1、电子警察后台智能管理和自动实施系统,其特征在于所述系统包括:数据处理工作流模块和数据挖掘模块,其中:
数据处理工作流模块,负责将数据文件从数据采集前端装置传送至后台系统,由后台系统进行车牌自动识别和查询车辆信息,并生成罚单,其流程为:首先前端装置中获得的数据上传至FTP,再通过数据导入中间件导入到数据库服务器中,实现数据上传;然后信息处理服务器从数据库服务器中读取所述的数据进行车牌自动识别,并将自动识别结果暂时保存在信息处理服务器中,人工可以在自由的时间内批量处理系统识别结果,经过审过后,确认进入下一步;最后,信息处理服务器根据车牌自动识别结果后得到的车牌号码,查询车辆信息并生成罚单;
数据挖掘模块,负责通过对数据的查询、整理和统计,向多次违法车主予以警告,合理安排警务工作,其流程为:首先从保存在信息处理服务器中的大量数据进行数据查询,得到数据查询结果;然后根据数据查询结果,对数据进行整理和统计,整理和统计内容包括:一是在短期内多次违法的车辆并向车主予以警告;二是判断路况情况,在哪个时间段、哪个路口或卡口可能出现频繁违法的情况,据此有针对性地派遣警力,使工作安排合理化,提高工作效率。
2、根据权利要求1所述的电子警察后台智能管理和自动实施系统,其特征在于:所述的FTP将数据导入到数据库中的导入中间件采用多线程实现,其实现方法为:由一个工作池和一个任务调度线程实现,工作池中存放能够进行数据导入的多个工作的线程,多个工作的线程之中的每一个线程均可以独立的进行数据导入工作;任务调度线程负责对工作池中线程进行调度,当有数据导入工作时,任务调度线程会把任务分派给工作池中一个线程,如果没有空闲的线程,则暂时等待,当数据导入工作完成后,任务调度线程再把线程放回到工作池中,这样多个线程可以同时进行数据导入工作,提高了工作效率。
3、根据权利要求1所述的电子警察后台智能管理和自动实施系统,其特征在于:所述的车牌自动识别方法的步骤为:
(1)车牌定位:包括图像预处理,车牌的粗定位和精确定位三个子步骤:
(a)首先对图像进行灰度化、平滑去噪、灰度拉伸预处理;
(b)对图像进行粗定位,即对图像进行垂直边缘检测和二值化处理,再采用线过滤算法滤去干扰边缘线信息,并利用车牌区域灰度变化次数多的特性定位出车牌上下边缘,对经过上下边缘定位后的车牌采用点密度过滤算法滤去零散点,然后对图像进行膨胀处理,再根据结果图中最大连通区域位置从原彩色图中切出相应区域初步认定为车牌区域;
(c)最后对粗定位车牌在HSI空间进行颜色分割,从而精确定位出车牌;
(2)字符分割:采用垂直投影法和水平投影法进行车牌的字符分割,主要分为如下五个子步骤:
(a)对车牌图像预处理;
(b)对预处理后的车牌采用垂直投影法,即根据垂直投影图去除车牌左右边框区域;
(c)对预处理后的车牌采用水平投影法,即根据水平投影图去除车牌图像的上下边框区域;
(d)获得经边框去除后车牌的新垂直投影图;
(e)根据新垂直投影图的波峰和波谷特征信息进行下一步的分割字符;
(3)字符识别:采用基于隐马尔可夫模型的方法来进行车牌的字符识别,车牌字符识别主要包括离线训练和在线检测两个过程,离线训练过程中,使用大量的车牌字符图像样本,每个字符对应一系列的样本图像,先对样本进行图像预处理,之后进行模型训练,训练完毕后将得到多个字符模型,每个字符对应一个模型;在线检测过程时,输入的单个车牌字符图像,经过预处理后,进入各个字符模型识别,分别计算得到各个对应匹配度,匹配度最高的字符模型即为识别结果。
4、根据权利要求1所述的电子警察后台智能管理和自动实施系统,其特征在于:所述的信息处理服务器根据车牌自动识别结果后得到的车牌号码,查询车辆信息并生成罚单的方法为:根据上一流程得到的车牌号码查询该车辆的详细信息,分为两种方式:第一种方式是如果车辆是本市的车辆则直接查询本市公安部门的数据库;第二种方式是如果车辆非本市车辆则连接公安部全国车辆信息网站查询,从按此方式查询得到的结果网页中抓取所需要的车辆信息。
5、根据权利要求4所述的电子警察后台智能管理和自动实施系统,其特征在于:所述的抓取所需要的车辆信息采用基于网络爬虫的网页分析方法,即借用文本检索方法,抓取查询结果网页中所需要的车辆信息,如果信息不完整,则分析网页中相关超连接的URL,连接到新的网页,再抓取相应信息,并重复分析网页和连接到新网页的过程直到满足要求为止。
6、根据权利要求1所述的电子警察后台智能管理和自动实施系统,其特征在于:所述的数据查询方法采用基于内存分页原理的“三页互导”方法,即每次查询时,利用数据查询结果中对记录的编号只查出当前页、上一页和下一页,即三页数据,并把这三页数据放入内存中;下次查询时,仍然查询三页数据放入内存,替换上次放入内存中的不同数据,显示查询结果时,使用的数据直接从内存中调出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100563792A CN101261722A (zh) | 2008-01-17 | 2008-01-17 | 电子警察后台智能管理和自动实施系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100563792A CN101261722A (zh) | 2008-01-17 | 2008-01-17 | 电子警察后台智能管理和自动实施系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101261722A true CN101261722A (zh) | 2008-09-10 |
Family
ID=39962166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008100563792A Pending CN101261722A (zh) | 2008-01-17 | 2008-01-17 | 电子警察后台智能管理和自动实施系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101261722A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651103A (zh) * | 2012-04-09 | 2012-08-29 | 上海勤雨信息科技有限公司 | 一种职位招聘系统 |
CN103020590A (zh) * | 2012-11-20 | 2013-04-03 | 北京航空航天大学深圳研究院 | 一种基于三维模型与图像匹配的车辆识别系统及其方法 |
WO2013097072A1 (zh) * | 2011-12-26 | 2013-07-04 | 华为技术有限公司 | 识别视频的字符的方法和装置 |
CN103236163A (zh) * | 2013-04-28 | 2013-08-07 | 北京航空航天大学 | 一种基于群智网络的交通拥堵规避提示系统 |
CN103634352A (zh) * | 2012-08-24 | 2014-03-12 | 腾讯科技(深圳)有限公司 | 图片上传方法和系统、客户端 |
CN103795961A (zh) * | 2012-10-30 | 2014-05-14 | 三亚中兴软件有限责任公司 | 会议电视网真系统及其图像处理方法 |
CN104462077A (zh) * | 2013-09-12 | 2015-03-25 | 方正信息产业控股有限公司 | 数据库事务处理方法与装置 |
CN104574252A (zh) * | 2015-01-16 | 2015-04-29 | 北京精英智通科技股份有限公司 | 一种警用路面业务处理方法 |
CN105469620A (zh) * | 2015-11-23 | 2016-04-06 | 丁辰 | 一种车辆违章提示系统及其提示方法 |
CN106022336A (zh) * | 2016-05-17 | 2016-10-12 | 杭州藏愚科技有限公司 | 一种基于高速公路抓拍图像的车牌检测方法 |
CN106407197A (zh) * | 2015-07-28 | 2017-02-15 | 北京京东尚科信息技术有限公司 | 遍历数据的方法及装置 |
CN106485249A (zh) * | 2016-10-20 | 2017-03-08 | 江苏商贸职业学院 | 一种渣土车车牌字符分割方法 |
CN107710298A (zh) * | 2015-09-03 | 2018-02-16 | 欧姆龙株式会社 | 违章者检测装置及具备其的违章者检测系统 |
CN108470452A (zh) * | 2018-05-18 | 2018-08-31 | 厦门客管家网络科技有限公司 | 一种基于图像识别的车辆信息管理方法、系统及存储介质 |
CN108573198A (zh) * | 2017-03-14 | 2018-09-25 | 优信互联(北京)信息技术有限公司 | 一种根据车架号识别车型信息的方法及装置 |
CN109800760A (zh) * | 2017-11-16 | 2019-05-24 | 北京筑梦园科技有限公司 | 一种车牌字符分割的方法 |
CN109977941A (zh) * | 2018-12-21 | 2019-07-05 | 北京融链科技有限公司 | 车牌识别方法及装置 |
CN110516665A (zh) * | 2019-08-23 | 2019-11-29 | 上海眼控科技股份有限公司 | 识别图像叠加文字区域的神经网络模型构建方法与系统 |
CN111767331A (zh) * | 2020-06-17 | 2020-10-13 | 北京思特奇信息技术股份有限公司 | 千万量级数据在关系型数据库中的多任务可视化激活方法 |
CN113022557A (zh) * | 2021-04-14 | 2021-06-25 | 成都亿盟恒信科技有限公司 | 一种基于主动安全预警的车载监控系统及方法 |
CN113409541A (zh) * | 2021-08-20 | 2021-09-17 | 北京通建泰利特智能系统工程技术有限公司 | 多层级安全智慧园区控制方法、系统和可读存储介质 |
-
2008
- 2008-01-17 CN CNA2008100563792A patent/CN101261722A/zh active Pending
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013097072A1 (zh) * | 2011-12-26 | 2013-07-04 | 华为技术有限公司 | 识别视频的字符的方法和装置 |
CN102651103A (zh) * | 2012-04-09 | 2012-08-29 | 上海勤雨信息科技有限公司 | 一种职位招聘系统 |
CN103634352A (zh) * | 2012-08-24 | 2014-03-12 | 腾讯科技(深圳)有限公司 | 图片上传方法和系统、客户端 |
CN103795961A (zh) * | 2012-10-30 | 2014-05-14 | 三亚中兴软件有限责任公司 | 会议电视网真系统及其图像处理方法 |
CN103020590B (zh) * | 2012-11-20 | 2015-12-09 | 北京航空航天大学深圳研究院 | 一种基于三维模型与图像匹配的车辆识别系统及其方法 |
CN103020590A (zh) * | 2012-11-20 | 2013-04-03 | 北京航空航天大学深圳研究院 | 一种基于三维模型与图像匹配的车辆识别系统及其方法 |
CN103236163A (zh) * | 2013-04-28 | 2013-08-07 | 北京航空航天大学 | 一种基于群智网络的交通拥堵规避提示系统 |
CN104462077A (zh) * | 2013-09-12 | 2015-03-25 | 方正信息产业控股有限公司 | 数据库事务处理方法与装置 |
CN104574252A (zh) * | 2015-01-16 | 2015-04-29 | 北京精英智通科技股份有限公司 | 一种警用路面业务处理方法 |
CN106407197A (zh) * | 2015-07-28 | 2017-02-15 | 北京京东尚科信息技术有限公司 | 遍历数据的方法及装置 |
CN107710298A (zh) * | 2015-09-03 | 2018-02-16 | 欧姆龙株式会社 | 违章者检测装置及具备其的违章者检测系统 |
CN107710298B (zh) * | 2015-09-03 | 2020-09-29 | 欧姆龙株式会社 | 违章者检测装置及具备其的违章者检测系统 |
CN105469620A (zh) * | 2015-11-23 | 2016-04-06 | 丁辰 | 一种车辆违章提示系统及其提示方法 |
CN106022336A (zh) * | 2016-05-17 | 2016-10-12 | 杭州藏愚科技有限公司 | 一种基于高速公路抓拍图像的车牌检测方法 |
CN106022336B (zh) * | 2016-05-17 | 2019-05-07 | 英飞拓(杭州)信息系统技术有限公司 | 一种基于高速公路抓拍图像的车牌检测方法 |
CN106485249A (zh) * | 2016-10-20 | 2017-03-08 | 江苏商贸职业学院 | 一种渣土车车牌字符分割方法 |
CN108573198A (zh) * | 2017-03-14 | 2018-09-25 | 优信互联(北京)信息技术有限公司 | 一种根据车架号识别车型信息的方法及装置 |
CN109800760A (zh) * | 2017-11-16 | 2019-05-24 | 北京筑梦园科技有限公司 | 一种车牌字符分割的方法 |
CN109800760B (zh) * | 2017-11-16 | 2021-02-02 | 北京筑梦园科技有限公司 | 一种车牌字符分割的方法 |
CN108470452A (zh) * | 2018-05-18 | 2018-08-31 | 厦门客管家网络科技有限公司 | 一种基于图像识别的车辆信息管理方法、系统及存储介质 |
CN109977941A (zh) * | 2018-12-21 | 2019-07-05 | 北京融链科技有限公司 | 车牌识别方法及装置 |
CN110516665A (zh) * | 2019-08-23 | 2019-11-29 | 上海眼控科技股份有限公司 | 识别图像叠加文字区域的神经网络模型构建方法与系统 |
CN111767331A (zh) * | 2020-06-17 | 2020-10-13 | 北京思特奇信息技术股份有限公司 | 千万量级数据在关系型数据库中的多任务可视化激活方法 |
CN113022557A (zh) * | 2021-04-14 | 2021-06-25 | 成都亿盟恒信科技有限公司 | 一种基于主动安全预警的车载监控系统及方法 |
CN113409541A (zh) * | 2021-08-20 | 2021-09-17 | 北京通建泰利特智能系统工程技术有限公司 | 多层级安全智慧园区控制方法、系统和可读存储介质 |
CN113409541B (zh) * | 2021-08-20 | 2021-12-14 | 北京通建泰利特智能系统工程技术有限公司 | 多层级安全智慧园区控制方法、系统和可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101261722A (zh) | 电子警察后台智能管理和自动实施系统 | |
CN104200669B (zh) | 一种基于Hadoop的套牌车识别方法及系统 | |
CN104268599B (zh) | 一种基于车辆轨迹时空特征分析的黑车智能发现方法 | |
Yuan et al. | An unlicensed taxi identification model based on big data analysis | |
CN105303197B (zh) | 一种基于机器学习的车辆跟车安全自动评估方法 | |
CN109191830A (zh) | 一种基于视频图像处理的道路拥堵检测方法 | |
CN102289659B (zh) | 伴随车检测方法 | |
CN107204114A (zh) | 一种车辆异常行为的识别方法及装置 | |
CN103246876A (zh) | 基于图像特征比对的车辆套牌识别方法 | |
CN103325259B (zh) | 一种基于多核并行的违章停车检测方法 | |
CN106384100A (zh) | 一种基于部件的精细车型识别方法 | |
CN107203641A (zh) | 一种互联网交通舆情信息采集和处理的方法 | |
Hu et al. | Safety evaluation of pedestrian-vehicle interaction at signalized intersections in Changsha, China | |
CN106373406A (zh) | 车辆套牌稽查系统 | |
CN105138525B (zh) | 交通视频处理装置和方法及检索装置和方法 | |
CN105160899A (zh) | 一种物联网智能交通违法管理装置 | |
CN109214345A (zh) | 基于相似度比对查找换牌车辆的行驶轨迹的方法 | |
CN108171998A (zh) | 一种基于电警数据的交叉口自适应交通信号控制系统及其工作方法 | |
CN112509325B (zh) | 一种基于视频深度学习的非现场违法自动甄别方法 | |
CN107992865A (zh) | 一种基于视频分析的车辆识别方法和系统 | |
CN103000029A (zh) | 车辆视频识别方法及其应用 | |
CN205211166U (zh) | 基于车载行车记录设备的车辆违章信息采集装置 | |
CN105070061B (zh) | 车辆违章取证稽查方法及其系统 | |
CN104408934A (zh) | 一种基于交通数据的涉案车辆分析方法 | |
CN116665441A (zh) | 基于大数据技术的智慧交通监控分析系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20080910 |