CN102789690A - 违法车辆甄别方法及系统 - Google Patents

Abstract

本发明提供一种违法车辆甄别方法，依据交通事故数据，应用聚类分析的方法，把一条道路根据路段的交通事故状况划分为三类不同危险隐患程度的路段，建立了车辆超速模型，针对事故逃逸、套牌等违法车辆的交通特点，应用该车辆超速模型实现事故逃逸等违法车辆甄别判断方法；同时本发明提供了事故逃逸等违法车辆甄别系统。能够为公安交通管理部门打击超速行驶、缉拿事故逃逸、套牌等违法车辆提供辅助决策。

Description

违法车辆甄别方法及系统

技术领域

本发明涉及交通车辆管理技术领域，具体涉及一种违法车辆甄别方法及违法车辆甄别系统。

背景技术

随着我国社会经济的不断发展，机动车数量的不断飙升，据统计，大量的交通事故数据表明，“十次事故九次快”，机动车超速已经成为屡见不鲜的现象，有关数据表明，车辆超速是引发道路交通事故的重要原因之一，在事故多发路段超速更容易引发交通事故。并且，在事故多发路段超速和事故逃逸、套牌等违法行驶车辆具有一定的关系，一般车辆驾驶人员在事故多发路段超速的机率较小，因为一是在危险路段安全意识较一般路段要强，二是警惕交通违法监测设备。但事故逃逸、套牌等违法车辆的交通特征包括车辆驾驶人员不考虑路段的状况信息超速。

在中国专利文献CN101264736A提出了一种基于模型的车辆超速算法，公开了一种用于限制车辆速度的系统，该系统包括基于车辆速度产生第一转矩信号的第一模块；第二模块，其基于预定的车辆速度限值和车辆速度之间的差产生第二转矩信号；和基于第一和第二转矩信号产生输出转矩信号的第三模块。输出转矩信号适用于控制原动机的输出转矩。上述专利文献是从车辆自身安全角度来进行超速监测，用于车辆爆胎预防，防止车辆事故。

此外，对于不同状况的路段，车辆超速会产生不同的问题。如在事故多发路段，车辆超速容易引发交通事故，并且在事故多发路段，车辆超速往往会和事故逃逸有关。并且，一般的驾驶员在危险路段安全意识较路强，对交通违法监测设施也比较警惕，因此事故多发路段的车辆超速也会与套牌等违法行使车辆有关。因此，监控不同路段的超速车辆，可以为交通管理部分缉拿事故逃逸、套牌等违法车辆提供线索。但是现有技术中，在研究车辆超速时，并没有考虑路段的状况信息，不能针对特殊的危险路段进行专门分析，也就无法为公安交通管理部门缉拿事故逃逸、套牌等违法车辆提供辅助决策。

发明内容

为此，本发明所要解决的是现有技术中车辆超速没有考虑路段的状况，无法根据路段状况对超速车辆进行综合判断，不能为公安交通管理部门缉拿事故逃逸、套牌等违法车辆提供辅助决策，从而提供一种违法车辆甄别方法及违法车辆甄别系统。

为解决上述技术问题，本发明采用的技术方案如下：

一种违法车辆甄别方法，包括以下步骤：

第一、通过视频采集系统判断车辆的交通特征，所述交通特征包括车速较快、连续超速行驶、在事故多发危险隐患路段超速行驶；

第二、建立基于道路危险隐患度的车辆超速模型，计算超速车辆的车辆超速危险系数

具体过程如下；

(1)建立不同路段的道路危险隐患度，将整条道路等分为若干路段，统计每段路段近三年来发生的交通事故起数，以交通事故起数为指标，利用聚类分析的方法，将每段路段分为三类：高危险隐患度路段、中危险隐患度路段和低危险隐患度路段；

(2)通过以下方法计算超速车辆的车辆超速危险系数

${\stackrel{\‾}{D}}_i=f_x\frac{V_i}{V_s}(x=a,b,c;i=\mathrm{1,2,3}...n)$

${\stackrel{\‾}{D}}_d=\frac{\mathrm{\Σ}{\stackrel{\‾}{D}}_i}{n}(x=a,b,c;i=\mathrm{1,2,3}...n)$

$f_x=\frac{x}{c}(x=a,b,c)$

其中：

V_i，为车辆通过某条道路在某一路段监测点的超速值；

V_s，为车辆通过道路速度限速值；

为车辆通过某条道路在某一路段监测点的超速危险系数；

为车辆通过某条道路的超速危险系数；

f_x，为道路危险隐患度；

a、b、c分别为高危险隐患度路段系数、中危险隐患度路段系数和低危险隐患度路段系数；

第三、当

时，记录该车辆的号牌，车辆经过时间等信息；其中

为车辆通过某道路的违法超速危险系数阈值；

第四、对车辆超速危险系数超出违法超速危险系数阈值的车辆跟踪并报警，核实检查出的超速车辆是否为违法车辆，如果是，缉拿该超速车辆。

上述违法车辆甄别方法，所述聚类分析方法包括系统聚类法和K均值聚类法。

上述违法车辆甄别方法，所述a，b，c的值根据地域、气候、地形的差异取不同的值，取值范围在0-1之间，并且a>b>c。

上述违法车辆甄别方法，每段路段的长度为500-1000米。

上述违法车辆甄别方法，所述违法超速危险系数阈值根据地域、气候、地形的差异取不同的值，取值范围在1-3之间。

一种违法车辆甄别系统，包括：

车辆交通特征判断模块，获得视频采集系统采集到的交通特征，所述交通特征包括车速较快、连续超速行驶、在事故多发危险隐患路段超速行驶；

车辆超速模型构建模块，与车辆交通特征判断模块连接，建立车辆超速模型，计算出超速车辆的车辆超速危险系数

甄别模块，根据所述车辆超速模型构建模块得到的车辆超速危险系数

与预先设定的违法超速危险系数阈值

进行比较，若则认为所述车辆为嫌疑违法车辆；

跟踪报警模块，对所述甄别模块识别出的嫌疑违法车辆进行跟踪并报警。本发明的上述技术方案相比现有技术具有以下优点：

本发明依据交通事故数据，应用聚类分析的方法，把一条道路根据路段的交通事故状况划分为三类不同危险隐患程度的路段，建立了车辆超速模型，针对事故逃逸、套牌等违法车辆的交通特点，应用该车辆超速模型实现事故逃逸等违法车辆甄别判断方法，并且建立了事故逃逸等违法车辆甄别视频监控系统。能够为公安交通管理部门打击超速行驶、缉拿事故逃逸、套牌等违法车辆提供辅助决策。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中

图1为本发明一个实施例的一种违法车辆甄别方法流程图；

图2为本发明使用图1所示违法车辆甄别方法的一个实施例的违法车辆甄别系统结构示意图。

图中附图标记表示为：1-车辆交通特征判断模块；2-车辆超速模型构建模块；3-甄别模块；4-跟踪报警模块。

具体实施方式

实施例1：

参见图1所示，一种违法车辆甄别方法，包括以下步骤：

S01：通过视频采集系统判断车辆的交通特征，所述交通特征包括车速较快、连续超速行驶、在事故多发危险隐患路段超速行驶；

S02：建立基于道路危险隐患度的车辆超速模型，计算超速车辆的车辆超速危险系数具体过程如下；

S02A:建立不同路段的道路危险隐患度，将整条道路等分为若干路段，统计每段路段近三年来发生的交通事故起数，以交通事故起数为指标，利用聚类分析的方法，将每段路段分为三类：高危险隐患度路段、中危险隐患度路段和低危险隐患度路段；例如，把一条5公里道路按每段1公里等分为5等份，在该5公里的道路上，5段路段的交通事故起数分别是1起、2起、1起、6起和10起，统计所述道路等分路段近三年来发生的交通事故起数，以交通事故起数为指标，应用聚类分析的方法，把所述5段道路等分路段进行归类，则10起的路段事故起数相对较多，为高危险隐患度路段；6起的路段事故起数中等水平，为中危险隐患度路段；1起、2起、1起的路段事故起数相对较少，为低危险隐患度路段。

作为其他实施方法，每段道路的长度可以为500-1000米中的任一值。

聚类分析是研究“物以类聚”分类问题的数据分析方法，它属于多元统计分析的范畴。其实质是一种建立分类的方法，它能够将一批样本数据（或参数）按照它们在性质上的亲疏程度在没有先验知识的背景下自动进行分类，其中一个类就是一个具有相似性的个体的一个聚集集合，不同类别之间具有明显的非相似性。在分类过程中，不必事先给出一个分类标准，聚类分析能够从样本数据出发，客观地决定分类标准。常用的聚类分析方法有系统聚类法和K均值聚类法，本实施例中采用K均值聚类法。

K均值聚类法是目前经常使用的聚类分析方法，具有计算速度快，运算结果简洁的特点。K均值聚类中采用的是欧氏距离，即，

$d(x_i,x_j)={\left[{(x_i-x_j)}^T(x_i-x_j)\right]}^{\frac{1}{2}}---\left(1\right)$

第一步：设K个初始聚点的集合是

$L^{\left(0\right)}=\{x_1^{\left(0\right)},x_2^{\left(0\right)},...x_k^{\left(0\right)}\}---\left(2\right)$

用下列原则实现初始分类：

$G_i^{\left(0\right)}=\{x:d(x,x_i^{\left(0\right)})\≤d(x,x_j^{\left(0\right)}),j=\mathrm{1,2},...k,j\≠i\},i=\mathrm{1,2},...,k---\left(3\right)$

这样将样品分成不相交的K类，初始分类的原则就是每个样本以最靠近的初始聚点归类，这样得到一个初始分类：

$G^{\left(0\right)}=\{G_1^{\left(0\right)},G_2^{\left(0\right)},...,G_k^{\left(0\right)}\}---\left(4\right)$

第二步：从G⁽⁰⁾出发，计算新的聚点集合L⁽⁰⁾。以

的重新作为新的聚点：

$x_i^{\left(1\right)}=\frac{1}{n}\underset{x_l\∈G_i^{\left(1\right)}}{\mathrm{\Σ}}{x}_l,i=\mathrm{1,2},..k---\left(5\right)$

其中n_i是类

中的样本数。这样，得到新的聚点集合：

$L^{\left(1\right)}=\{x_1^{\left(1\right)},x_2^{\left(1\right)},...x_k^{\left(1\right)}\}---\left(6\right)$

从L⁽¹⁾出发，将样本作新的分类，记

$G_i^{\left(1\right)}=\{x:d(x,x_i^{\left(1\right)})\≤d(x,x_j^{\left(1\right)}),j=\mathrm{1,2},...k,j\≠i\},i=\mathrm{1,2},...,k---\left(7\right)$

得到分类：

$G^{\left(1\right)}=\{G_1^{\left(1\right)},G_2^{\left(1\right)},...,G_k^{\left(1\right)}\}---\left(8\right)$

这样依次计算下去。

第三步：设在第m步得到分类。

$G^{\left(k\right)}=\{G_1^{\left(k\right)},G_2^{\left(k\right)},...,G_k^{\left(k\right)}\}---\left(9\right)$

在以上递推计算过程中，

是类的重心，

不一定是样本，又一般不是

的重心。当m逐渐增大时，分类趋于稳定。此时，

就会近似为的重心，从而

算法即可结束。作为本实施例的其他变化方式，聚类分析方法也可以用系统聚类分析方法。

S02B:通过以下方法计算超速车辆的车辆超速危险系数

${\stackrel{\‾}{D}}_i=f_x\frac{V_i}{V_s}(x=a,b,c;i=\mathrm{1,2,3}...n)---\left(10\right)$

${\stackrel{\‾}{D}}_d=\frac{\mathrm{\Σ}{\stackrel{\‾}{D}}_i}{n}(x=a,b,c;i=\mathrm{1,2,3}...n)---\left(11\right)$

$f_x=\frac{x}{c}(x=a,b,c)---\left(12\right)$

其中：

V_i，为车辆通过某条道路在某一路段监测点的超速值；

V_s，为车辆通过道路速度限速值；

为车辆通过某条道路在某一路段监测点的超速危险系数；

为车辆通过某条道路的超速危险系数；

f_x，为道路危险隐患度；

a、b、c分别为高危险隐患度路段系数、中危险隐患度路段系数和低危险隐患度路段系数；本实施例中，a为0.8，b为0.6，c为0.3。

作为本实施例的其他变换方式，所述a，b，c的值根据地域、气候、地形的差异取不同的值，取值范围在0-1之间任一值，并且a>b>c。

S03：当

时，记录该车辆的号牌，车辆经过时间等信息；其中

为车辆通过某道路的违法超速危险系数阈值；

S04：:对车辆超速危险系数超出违法超速危险系数阈值的车辆跟踪并报警，核实检查出的超速车辆是否为违法车辆，如果是，缉拿该超速车辆。

实施例2：

在上述实施例1的基础上，实现了违法车辆甄别系统，参见图2所示，包括：

车辆交通特征判断模块1，获得视频采集系统采集到的交通特征，所述交通特征包括车速较快、连续超速行驶、在事故多发危险隐患路段超速行驶；

车辆超速模型构建模块2，与所述车辆交通特征判断模块1连接，建立车辆超速模型，计算出超速车辆的车辆超速危险系数

甄别模块3，根据所述车辆超速模型构建模块2得到的车辆超速危险系数

与预先设定的违法超速危险系数阈值

进行比较，若

则认为所述车辆为嫌疑违法车辆；

跟踪报警模块4，对所述甄别模块3识别出的嫌疑违法车辆进行跟踪报警。

实施例3：

在实施例1、2的基础上，以沪昆高速公路浙江金华段为例，应用实施例1中的道路危险隐患度的车辆超速模型和违法车辆甄别方法，对辅助公安交通管理部门缉拿套牌违法车辆进行分析。

选取沪昆高速K258至K351段为研究对象，把该路段以1公里等距划分为94段，调取该路段近3年的交通事故数据，应用K均值聚类分析的方法，以事故起数为划分指标，把该94段分路段划分为三个道路危险隐患度等级。划分结果为：发生事故大于4起的路段具有第一等级道路危险隐患度；发生事故大于0起并且小于4起的路段具有第二等级道路危险隐患度；发生事故为0起的路段具有第三等级道路危险隐患度。

本实施例选取了4个速度监测点。在第一等级道路危险隐患度路段选取设置2个速度监测点，在第二等级和第三等级道路危险隐患度路段分别设置1个速度监测点。取该道路第一、二、三等级危险隐患系数分别为a=0.5，b=0.4，c=0.3，那么相应道路危险隐患度分别为

fc＝1；取违法车辆超速危险系数阈值

经过车辆超速模型计算，超速危险系数

的结果如表1所示。从表1中可以看出序号1车辆超速危险系数大于违法车辆阈值，被认定为事故逃逸、套牌等违法嫌疑车辆，经过交通民警实车检查，确认序号1车辆为套牌违法车辆。

表1车辆超速危险系数算例

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (6)

1.一种违法车辆甄别方法，其特征在于，包括以下步骤：

第一、通过视频采集系统判断车辆的交通特征，所述交通特征包括车速较快、连续超速行驶、在事故多发危险隐患路段超速行驶；

第二、建立基于道路危险隐患度的车辆超速模型，计算超速车辆的车辆超速危险系数具体过程如下；

（1）建立不同路段的道路危险隐患度，将整条道路等分为若干路段，统计每段路段近三年来发生的交通事故起数，以交通事故起数为指标，利用聚类分析的方法，将每段路段分为三类：高危险隐患度路段、中危险隐患度路段和低危险隐患度路段；

（2）通过以下方法计算超速车辆的车辆超速危险系数

${\stackrel{\‾}{D}}_i=f_x\frac{V_i}{V_s}(x=a,b,c;i=\mathrm{1,2,3}...n)$

${\stackrel{\‾}{D}}_d=\frac{\mathrm{\Σ}{\stackrel{\‾}{D}}_i}{n}(x=a,b,c;i=\mathrm{1,2,3}...n)$

$f_x=\frac{x}{c}(x=a,b,c)$

其中：

V_i，为车辆通过某条道路在某一路段监测点的超速值；

V_s，为车辆通过道路速度限速值；

为车辆通过某条道路在某一路段监测点的超速危险系数；

为车辆通过某条道路的超速危险系数；

f_x，为道路危险隐患度；

a、b、c分别为高危险隐患度路段系数、中危险隐患度路段系数和低危险隐患度路段系数；

第三、当

时，记录该车辆的号牌，车辆经过时间等信息；其中

为车辆通过某道路的违法超速危险系数阈值；

第四、对车辆超速危险系数超出违法超速危险系数阈值的车辆跟踪并报警，核实检查出的超速车辆是否为违法车辆，如果是，缉拿该超速车辆。

2.根据权利要求1所述的违法车辆甄别方法，其特征在于，所述聚类分析方法包括系统聚类法和K均值聚类法。

3.根据权利要求2所述的违法车辆甄别方法，其特征在于，所述a，b，c的值根据地域、气候、地形的差异取不同的值，取值范围在0-1之间，并且a>b>c。

4.根据权利要求3所述的违法车辆甄别方法，其特征在于，每段路段的长度为500-1000米。

5.根据权利要求4所述的违法车辆甄别方法，其特征在于，所述违法超速危险系数阈值根据地域、气候、地形的差异取不同的值，取值范围在1-3之间。

6.一种违法车辆甄别系统，其特征在于，包括：

车辆交通特征判断模块，获得视频采集系统采集到的交通特征，所述交通特征包括车速较快、连续超速行驶、在事故多发危险隐患路段超速行驶；

车辆超速模型构建模块，与车辆交通特征判断模块连接，建立车辆超速模型，计算出超速车辆的车辆超速危险系数

甄别模块，根据所述车辆超速模型构建模块得到的车辆超速危险系数

与预先设定的违法超速危险系数阈值

进行比较，若

则认为所述车辆为嫌疑违法车辆；

跟踪报警模块，对所述甄别模块识别出的嫌疑违法车辆进行跟踪并报警。

Images