CN102289659B - 伴随车检测方法 - Google Patents
伴随车检测方法 Download PDFInfo
- Publication number
- CN102289659B CN102289659B CN 201110170883 CN201110170883A CN102289659B CN 102289659 B CN102289659 B CN 102289659B CN 201110170883 CN201110170883 CN 201110170883 CN 201110170883 A CN201110170883 A CN 201110170883A CN 102289659 B CN102289659 B CN 102289659B
- Authority
- CN
- China
- Prior art keywords
- car
- information
- bayonet socket
- combination
- time
- 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.)
- Active
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种伴随车检测方法。本发明以卡口为单位,对其中四个方向的过车数据分别进行检测,找出那些过车时间间隔在某一时间范围内的车辆的组合,组成一个伴随车组合,里面的车牌号码不分先后。在检测完所有卡口、所有方向后,对伴随车组合进行统计,得到每一种组合在检测范围内出现的次数,既是完成了伴随车检测的工作。利用本发明所定义的伴随车,对利用车辆进行违法犯罪活动的打击将起到良好的威慑效果。
Description
技术领域
本发明属于图像识别及海量数据挖掘技术领域,具体涉及到一种基于海量数据挖掘算法的交通流伴随车检测方法。
背景技术
经多年努力,我国公安交通领域的电子化、智能化、人文化管理水平不断提高,为社会和经济的平稳、快速发展做出了重要贡献。然而,随着经济的持续高速发展,机动车、驾驶人和公路通车里程的迅猛增长,人、车、路之间的矛盾呈现进一步加剧的趋势。因此,研究整合现有道路安全监控软、硬件资源的技术方案,探索对电子警察系统所采集的数据进行深入分析的方法,进而为公安交警管理手段的决策与实施提供更加翔实的依据。据刑侦统计,利用机动车进行违法、犯罪活动的嫌疑人采用结伴而行的方式较多。因此,在海量卡口过车数据中主动发现和识别出伴随车,对公安、交警主动预警和事后侦查具有重要意义,对提升现有道路安全监控资源的利用率,保障道路交通安全、顺畅运行具有重要意义。
随着信息技术在交通领域的快速发展和应用,对获得的海量交通流信息进行深入挖掘分析和利用成为当前研究的热点问题。其中的伴随车检测就是其中的重要应用之一。
发明内容
本发明针对现有技术的不足,提供了一种伴随车检测方法。
本发明中所谓的伴随车,既是在海量动态交通流中,如果两辆车从同一方向、小于一定的时间差经过同一个卡口,我们将此两辆车作为一个组合标记为1次,如果该两辆车组成的以上组合在交通系统中的众多卡口中出现5次以上,我们则认为这两辆车存在伴随嫌疑,并将这两辆车定义为伴随车。
本发明的主要目标和内容即是,从海量交通流信息中发现那些在某一时间段内从同一个方向相继通过某一监控卡口的伴随车。
本发明技术方案的主要构思是:以卡口为单位,对其中四个方向的过车数据分别进行检测,找出那些过车时间间隔在某一时间范围内的车辆的组合,组成一个伴随车组合,里面的车牌号码不分先后。在检测完所有卡口、所有方向后,对伴随车组合进行统计,得到每一种组合在检测范围内出现的次数,既是完成了伴随车检测的工作。
本发明方法包括以下步骤:
步骤(1).通过外场前端图像采集设备采集过车车牌图像。
步骤(2).根据图像识别算法得出车辆信息,所述的车辆信息包括车牌和车型。
步骤(3).各个外场设备卡口获得的过车车牌信息发送至中央数据库,同时记录过车时间、过车方向和过车卡口代号信息。
步骤(4).卡口过车信息数据预处理,具体是:将车牌图像不能被识别的从中央数据库中删除。
步骤(5).根据数据挖掘算法,对获得的车牌信息进行分析处理,寻找那些在设定时间段内从同一个方向通过卡口的两辆车,在该设定时间段任意两辆车构成一个组合,当这样的组合在海量交通流中出现的次数大于等于5次,则认为这一组合的车辆存在伴随的嫌疑,具体包括以下步骤:
5-1.以经过卡口的车辆信息为单元构建过车信息子集合 ,其中表示卡口过车信息集合;K表示卡口编号;T表示车辆经过卡口的时间;H表示车辆号牌号码;L表示卡口总数;G表示车辆经过卡口时的行驶方向,分为东、西、南、北四个方向;表示包括所有卡口、所有方向、所有时间的所有过车车牌信息总集合;表示设定时间的上限、表示设定时间的下限;表示在与之间的某个时间;表示第i个卡口过车信息中包括四个方向的所有过车时间落在,中的过车信息。
5-3. 在子集合中检测任意两辆过车信息中过车时间的差值,并与设定时间段进行比较;如果两辆车的过车时间差值小于则将这两个过车信息记录分别记为和,放于组合中,并将组合计数Pare_num加1,Pare_num表示这一组合出现的次数。
5-4.对海量交通流中所有卡口中的所有子集合中的所有四个方向过车信息子集合,重复执行步骤5-3,获得伴随嫌疑组合,其中与视为相同的组合;如果某个组合的出现次数Pare_num大于5次,则认为这一组合具有伴随的嫌疑,从而完成了伴随车的检测。
本发明具有的有益效果:利用本发明所定义的伴随车,对利用车辆进行违法犯罪活动的打击将起到良好的威慑效果。
具体实施方式
步骤(1).通过外场前端图像采集设备采集过车车牌图像;
步骤(2).根据图像识别算法得出车辆信息,车辆信息包括车牌和车型;
车牌定位算法主要应用了车牌区域的纹理特征,投影特征和数学形态学,该算法属于现有的技术。(1)纹理特征:在牌照的灰度图像中,牌照字符与牌照底色间有着明显的灰度跳变,这种跳变与光照无关。(2)投影特征:牌照的纹理特征导致在图像的边缘检测投影图上,牌照区域呈现独特的峰谷分布特征。(3)数学形态学:通过对可疑区域进行标记,然后运用形态学的闭运算能较好的定位车牌区域,且闭运算后白色区域大小与标记区域的大小相差不大。对车牌在图像中进行精确定位后,根据模式识别算法获取过车车牌信息。
步骤(3).各个外场设备卡口将获得的过车车牌信息发送至中央数据库,同时记录过车时间、过车方向和过车卡口代号信息。
步骤(4).由于某些情形下的车牌图像不能被准确识别,因此系统会将这样的过车图像信息在中央数据库中标识为“未识别”,对于本发明内容而言,此类“未识别”信息属于无效数据,在进行伴随车识别检测时,从检测效率方面考虑,将“未识别”数据删除。此步骤我们称之为“卡口过车信息数据预处理”。
步骤(5).根据数据挖掘算法,对获得的车牌信息进行分析处理,寻找那些在设定时间段内从同一个方向通过卡口的两辆车,在该设定时间段任意两辆车构成一个组合,当这样的组合在海量交通流中出现的次数大于等于5次,我们认为这一组合的车辆存在伴随的嫌疑。具体包括以下步骤:
5-1.以内经过卡口的过车信息为单元构建过车信息子集合,其中表示卡口过车信息集合;K表示卡口编号;T表示车辆经过卡口的时间,以北京时间为准;H表示车辆号牌号码;L表示卡口总数;G表示车辆经过卡口时的行驶方向,主要为东、西、南、北四个方向;表示包括所有卡口、所有方向、所有时间的所有过车车牌信息总集合;表示一定时间的上限、表示一定时间的下限,例如表示从1天的凌晨0点开始、表示到凌晨24时结束;表示在,中的某个时间;表示第i个卡口过车信息中包括四个方向的所有过车时间落在,中的过车信息,也就是说我们将卡口i中的所有过车信息按时间段,划分成若干子集合,以表示。亦即,假设数据库中记录了30天内经过卡口的车牌信息,我们可以用24小时为单位,将卡口中这30天内的过车信息划分成30个子集合。
5-2.在以时间为标准划分的卡口过车信息子集合中按方向构建子集合,其中,表示车辆经过卡口时的行驶方向,主要为东、西、南、北四个方向,j表示方向。表示中属于同一方向的过车信息的子集合。亦即,我们将一个子集合中的所有四个方向的过车信息按方向分成四个子集合,每个集合中是所有同一方向的过车信息的集合。因此,与存在如下关系:
5-3.在中检测任意两辆过车信息中过车时间的差值,并与设定时间段进行比较,表示两辆车从同一方向经过同一卡口的过车时间的差值。这个时间差的确定没有真实的数据可做参考,也没有人给出过明确的数值,而且这个时间差也很难准确确定。因此,根据实践经验判断,在本发明中,我们暂时假定为1分钟。如果两辆车的过车时间差值小于则将这两个过车信息记录为和,放于组合中,并将组合计数Pare_num(初始值置零)+1,Pare_num表示这一组合出现的次数。
Claims (1)
1.伴随车检测方法,其特征在于该方法包括如下步骤:
步骤(1).通过外场前端图像采集设备采集过车车牌图像;
步骤(2).根据图像识别算法得出车辆信息,所述的车辆信息包括车牌和车型;
步骤(3).各个外场设备卡口获得的过车车牌信息发送至中央数据库,同时记录过车时间、过车方向和过车卡口代号信息;
步骤(4).卡口过车信息数据预处理,具体是:将不能被识别的车牌图像从中央数据库中删除;
步骤(5).根据数据挖掘算法,对获得的车牌信息进行分析处理,寻找那些在设定时间段内从同一个方向通过卡口的两辆车,在该设定时间段任意两辆车构成一个组合,当这样的组合在海量交通流中出现的次数大于等于5次,则认为这一组合的车辆存在伴随的嫌疑,具体包括以下步骤:
5-1.以经过卡口的车辆信息为单元构建过车信息子集合 ≥≥,其中表示卡口过车信息集合;K表示卡口编号,表示第个卡口,;T表示车辆经过卡口的时间;H表示车辆号牌号码;L表示卡口总数;G表示车辆经过卡口时的行驶方向,分为东、西、南、北四个方向,表示第个方向,取1、2、3或4;表示包括所有卡口、所有方向、所有时间的所有过车车牌信息总集合;表示设定时间的上限、表示设定时间的下限;表示在与之间的某个时间;表示第i个卡口过车信息中包括四个方向的所有过车时间落在,中的过车信息;
5-3. 在子集合中检测任意两辆过车信息中过车时间的差值,并与设定时间段进行比较;如果两辆车的过车时间差值小于则将这两个过车信息记录分别记为和,放于组合中,并将组合计数Pare_num加1,Pare_num表示这一组合出现的次数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110170883 CN102289659B (zh) | 2011-06-23 | 2011-06-23 | 伴随车检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110170883 CN102289659B (zh) | 2011-06-23 | 2011-06-23 | 伴随车检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102289659A CN102289659A (zh) | 2011-12-21 |
CN102289659B true CN102289659B (zh) | 2013-01-02 |
Family
ID=45336066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110170883 Active CN102289659B (zh) | 2011-06-23 | 2011-06-23 | 伴随车检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102289659B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366566B (zh) * | 2013-06-25 | 2015-05-06 | 中国科学院信息工程研究所 | 一种针对特定车辆潜在群体的行驶轨迹预测方法 |
CN103456175B (zh) * | 2013-09-25 | 2015-04-22 | 武汉烽火众智数字技术有限责任公司 | 基于车辆号牌识别和网格化监控的伴随车实时检测方法 |
CN103871248B (zh) * | 2014-03-18 | 2016-04-13 | 浙江宇视科技有限公司 | 一种基于轨迹碰撞的嫌疑车尾随车辆分析方法及装置 |
CN104199903B (zh) * | 2014-08-27 | 2018-02-09 | 上海熙菱信息技术有限公司 | 一种基于路径关联的车辆数据查询系统及方法 |
CN104750800A (zh) * | 2014-11-13 | 2015-07-01 | 安徽四创电子股份有限公司 | 一种基于出行时间特征的机动车聚类方法 |
CN104834725B (zh) * | 2015-05-12 | 2018-07-17 | 西安翔迅科技有限责任公司 | 一种分析鉴别车辆尾随行为的系统 |
CN105261218B (zh) * | 2015-10-27 | 2017-08-08 | 杭州电子科技大学 | 基于大数据分析的浮动车伴随行为模式挖掘方法 |
CN105825671B (zh) * | 2016-03-21 | 2019-04-05 | 武汉烽火众智数字技术有限责任公司 | 一种基于大数据车辆全轨迹碰撞的伴随车分析方法及系统 |
CN105912709A (zh) * | 2016-04-28 | 2016-08-31 | 泰华智慧产业集团股份有限公司 | 基于大数据的伴随车分析方法及系统 |
CN106097708B (zh) * | 2016-06-06 | 2019-06-11 | 浙江宇视科技有限公司 | 一种跟车确定方法及装置 |
CN106875679B (zh) * | 2017-03-14 | 2020-04-03 | 东软集团股份有限公司 | 识别伴随车辆的方法及装置 |
CN107610465B (zh) * | 2017-09-22 | 2020-08-11 | 杭州玳数科技有限公司 | 一种交通监控数据匹配方法、系统及存储设备 |
CN111179603B (zh) * | 2018-11-09 | 2021-03-02 | 杭州海康威视数字技术股份有限公司 | 一种车辆识别方法、装置、电子设备及存储介质 |
CN110874355B (zh) * | 2019-11-28 | 2022-08-23 | 以萨技术股份有限公司 | 车辆徘徊绕圈异常行为的检测方法、系统、终端及介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5703778A (en) * | 1991-07-19 | 1997-12-30 | Hitachi, Ltd. | Traffic control method for relieving vehicle congestion on parallel roads |
CN100458561C (zh) * | 2004-03-02 | 2009-02-04 | 郑增荣 | 智能交通的高速摄像抓拍的方法及其系统 |
CN1737578A (zh) * | 2004-08-19 | 2006-02-22 | 昆明利普机器视觉工程有限公司 | 纯视频公路车辆测速方法 |
CN101430828B (zh) * | 2008-12-22 | 2010-11-10 | 交通部公路科学研究院 | 基于交通信息提取计算的车牌数据处理方法 |
CN101944174B (zh) * | 2009-07-08 | 2012-06-27 | 西安电子科技大学 | 车牌字符的识别方法 |
-
2011
- 2011-06-23 CN CN 201110170883 patent/CN102289659B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN102289659A (zh) | 2011-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102289659B (zh) | 伴随车检测方法 | |
CN104200669B (zh) | 一种基于Hadoop的套牌车识别方法及系统 | |
CN103456175B (zh) | 基于车辆号牌识别和网格化监控的伴随车实时检测方法 | |
CN111862606B (zh) | 一种基于多源数据的非法营运车辆识别方法 | |
CN109242024B (zh) | 一种基于卡口数据的车辆行为相似度计算方法 | |
CN105654730B (zh) | 一种基于卡口过车大数据分析的套牌车认定方法 | |
CN106373406A (zh) | 车辆套牌稽查系统 | |
CN103345842B (zh) | 一种道路车辆分型系统及方法 | |
CN106846801A (zh) | 一种基于车辆轨迹的区域徘徊异常行为检测方法 | |
CN108170793A (zh) | 基于车辆语义轨迹数据的停留点分析方法及其系统 | |
CN105976617A (zh) | 非法营运车辆检测方法和系统 | |
CN101261722A (zh) | 电子警察后台智能管理和自动实施系统 | |
CN106781512A (zh) | 基于城市物联网的汽车尾气智能检测与监督系统及方法 | |
CN107993444B (zh) | 基于卡口过车大数据分析的嫌疑车认定方法 | |
CN106297304A (zh) | 一种基于MapReduce面向大规模卡口数据的套牌车识别方法 | |
CN108346291B (zh) | 基于手机app的城市道路交通事故采集与分析方法 | |
CN106875679A (zh) | 识别伴随车辆的方法及装置 | |
CN105741598A (zh) | 嫌疑车辆落脚点分析处理方法及其装置 | |
CN104504245B (zh) | 一种应用gps出行调查数据识别出行和活动的方法 | |
CN103700262A (zh) | 一种套牌车车辆的区域自动捕获方法 | |
CN104834725A (zh) | 一种分析鉴别车辆尾随行为的系统 | |
CN108665084A (zh) | 一种对驾驶风险的预测方法及系统 | |
CN113470369A (zh) | 一种基于多维度信息判断套牌车辆真实号牌的方法及系统 | |
CN108389011A (zh) | 一种基于大数据和传统扩样方法相结合的车辆拥有分布校核修正方法 | |
CN116013084A (zh) | 交通管控场景确定方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C56 | Change in the name or address of the patentee | ||
CP01 | Change in the name or title of a patent holder |
Address after: 310007, room 78, 519 Feng Feng Road, Xiacheng District, Hangzhou, Zhejiang Patentee after: Hangzhou Cheng Road Polytron Technologies Inc Address before: 310007, room 78, 519 Feng Feng Road, Xiacheng District, Hangzhou, Zhejiang Patentee before: Hangzhou Trustway Technology Co., Ltd. |