CN102809413B - 一种车辆动态称重作弊检测方法及装置 - Google Patents

Abstract

一种车辆动态称重作弊检测方法及装置，该车辆动态称重作弊检测方法包括：采集被检车辆的行驶状态影像；从所述行驶状态影像中获取被检车辆特定部位的轨迹信息；根据所述的轨迹信息生成包含平均速度V_ave、相邻两帧的距离差值Δ_l、移动距离差值Δy及直线模型的车辆状态信息；根据预存储的速度偏差阈值V_l、直线偏差阈值x_l、相邻帧的距离偏差阈值y_l、中间左偏阈值x_min、中间右偏阈值y_max及所述的车辆状态信息判断所述被检车辆的行驶状态。

Description

一种车辆动态称重作弊检测方法及装置

技术领域

本发明关于车辆称重过程中作弊行驶行为判定的技术，特别是用于高速公路等道路上的车辆动态称重技术，具体的讲是一种车辆动态称重作弊检测方法及装置。

背景技术

近年来，自货车计重收费的逐步实施，越来越多的货运司机出于利益的驱动针对计重设备动态称重的特点，采取违规行驶方式以逃避正常缴费，其中包括：S型过秤、跳磅过秤、高速冲磅、压边过磅等多种形式。极大地影响计重收费交易的公平性，并且由于驾驶超限超载，对计重设备及其他道路设施造成极大破坏。

在现有技术中，车辆在动态称重过程中的防作弊单纯依靠采集称重过程中的数据进行分析与算法补偿，防作弊流程如图1所示，对车轮过秤后对车轮经过时间内的所采集到的秤台数据进行分析，进行作弊类型的识别和作弊重量修复，详细过程如下：

一、首先对车轴进行作弊类型检测，检测方法如下：

1、采用基于改进型最小风险的贝叶斯决策的方案对正常行驶、跳秤、S型行驶和点刹车行驶地自动判断。

从作弊车辆的波形数据中提取了多组特征，并分别进行分类器的设计，分成的类别可以有四类为：w₁={正常车辆}，w₂={跳秤车辆}，w₃＝{S型车辆}，w₄＝{点刹车车辆}。本领域人员可知，还可以有很多其他类别，比如垫钢板等类型。

Step1.通过采集到的大量现场数据，统计出上述四种类别的先验概率P(w_i)(i＝1,…,4)，类条件概率密度P(x|w_i)(i＝1,…,4)及后验概率。

a.根据作弊数据样本集分析得到模型中先验概率经验参考值为:

P(w₁)=0.5,P(w₂)=0.4,P(w₃)=0.07,P(w₄)=0.03。

b.类条件概率密度P(x|w_i)。四维随机特征向量为：

x=[x₁,x₂,x₃,x₄]^T

其四维特征分别为：A1,A2,A3,A4传感器轴载数据的峰值差距、各路数据波形围成的面积、峰值比例、上下称时间。由于x为四维空间要进行解析和计算往往行不通，而且复杂度很高，所以要进行降低维数处理，通过统计大量样本数据发现：

P(x|w_i)=MAX(P(x_j|w_i))j=1,…，4，i＝1,…,4

通过大量样本集得到类条件概率密度分布曲线，由于各传感器轴载数据的峰值差距和各路数据波形围成的面积这两个特征有较高的耦合度，而峰值比例、上下称时间都是相互独立的。通过对违规行驶的波形进行分析，得出特征1和特征2之间的类条件概率密度分布曲线如图2所示，特征3和特征4的类条件概率密度分布曲线如图3和4所示。

c.根据贝叶斯公式，后验概率为：

$P\left(w_i\right|x)=\frac{p\left(x\right|w_i)P\left(w_i\right)}{\underset{j=1}{\overset{4}{\mathrm{\Σ}}}p\left(x\right|w_j)P\left(w_j\right)}$

Step2.定义决策空间由4个决策α_i，i＝1,…,a组成，分别为正常行驶、跳称、S型行驶、点刹车，Α={α₁,α₂,α₃,α₄}。这里选择决策空间的维数与类别数相同，即a=4，各个决策分别对应各个类别。

a.定义损失函数表λ（α_i,w_j);i＝1,…,4，j=1,…,。λ表示当真实状态为w_j而采取的决策为α_i时所带来的损失。

其中在模型实现中采用:

$\mathrm{\λ}({\mathrm{\α}}_i,w_j)=\left(\begin{array}{cccc}0& 1& 1& 1\\ 5& 0& 2& 3\\ 3& 2& 0& 20\\ 10& 20& 8& 0\end{array}\right)$

b.计算出采取α_i，i＝1,…,4的条件风险R(α_i|x)

$R\left({\mathrm{\α}}_i\right|x)=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}\mathrm{\λ}\left({\mathrm{\α}}_i\right|w_j)P\left(w_j\right|x),i=1,...,4$

c.对上步中得到的4个条件风险值R(α_i|x)，i＝1,…,4进行比较，找出使条件风险最小的决策α_k，即则α_k就是最小风险贝叶斯决策，从而能够准确地分析出车辆属于哪一类违规行驶，然后对不同的违规行驶类型做出正确的重量修正，基于最小风险的贝叶斯决策方案流程图如图5所示。

2、然后对作弊轴进行重量修复

1）、跳秤修复

对于“跳秤”行驶车辆重量校正的部分主要采用经验模型修正算法。对采集的数据按车型、总轴重进行排序，并以总轴重每2吨一个分度值，分别统计其对应的前轴重量随总轴重变化的平均值，总结出各种轴型车辆前轴重量随总轴重变化的统计平均重量函数曲线。

当车辆跳秤时，前轴重量小于统计平均重量函数时，以统计平均重量函数曲线，修正前轴重量。

当车辆跳秤时，前轴重量大于统计平均重量函数时，不对违规行驶重量进行修正。

2）、短时峰值法“S型”重量校正

对于S型行驶，由于车轴一侧轮胎先上称，等其快下称时，再让另一侧轮胎上称，从而使得该轴两侧轮胎全在称台上的时间很短，故车在称台上的完全称重时间较短。针对完全称重时间较短，通过调整原有的寻找车轴完全在称台上的方法，更改后能够正确寻找到“S”型行驶轴的完全称重的点的集合，这样就能够得到车辆的真实重量。“S型”行驶时总重波形如图6所示。

3）、基于车辆动力学模型的“点刹车”重量校正方法

对称台上获得的数据进行滤波后，根据车辆动力学模型，结合不同车型结构特点，采集车轴的瞬时加减速度，判断轴载变化趋势，进行相应的轴载补偿。具体算法：称台采集车轴瞬间加速度值a、秤台前1/2部分的速度值V₁、称台后1/2部分的速度值V₂和车轴的重量G_x，再不同车型结构特征和动力学模型获得A₁、A₂和A₃三个参数，从而计算出点刹车修正后的重量G_y：

$G_y=\left\{\begin{array}{cc}\frac{G_x}{1-\frac{A_1}{a}\&times;(\frac{A_2}{v_1}-\frac{A_3}{v_2})}& \left|a\right|\&GreaterEqual;0.25\\ \frac{G_x}{1+\frac{A_1}{a}\&times;(\frac{A_2}{v_1}+\frac{A_3}{v_2})}& 0.005<\left|a\right|<0.25\\ G_x& \left|a\right|<0.005\end{array}\right.$

通过上述称重数据作弊分析方法，可以得到车辆实际称重时各种类别的概率。

但是，虽然上述称重数据作弊分析方法可很好的完成对车辆作弊行驶的判断与补偿，但对于存证与争议的解决并不能得到真正的避免，这种单纯依靠采集称重过程中的数据进行分析与算法补偿的方式的弊端是：

（一）存在争议的可能性较大，即使被测车辆在违规行驶的情况下，车辆动态称重系统所采集的数据也准确的判定和补偿损失重量。但由于仅有数据上的证据部分司机采用抵赖等方式拒绝接受处罚，导致管理难度增加，争议不断。

（二）存证困难，在实际应用中，称量车重的现场往往车况复杂，车辆的车轮可能会在秤台上随机停止、启动或倒车等，车轴可能会在秤台上进行跳秤、S型行驶等如果无法将整个过程通过视频存储并通过系统进行回放的话，对部分司机的处罚将存在管理上的死角。

（三）检测处罚依据过于单一，现阶段防作弊方式仅依靠车辆通过动态检测时采集的重量数据进行处罚和补偿，不仅证据性不强而且证据来源单一。

发明内容

本发明提供一种车辆动态称重作弊检测方法及装置，以对所有通过动态称重检测过程的车辆进行防作弊检测和通行情况的录像记录，利用视频提取车辆特征分析识别车辆出现的多种违规行驶方式，提示检测管理人员，并与波形数据分析的作弊方式结合，采用后台投票机制共同保障作弊行驶车辆的违规检测的准确性。

为了实现上述目的，本发明提供一种车辆动态称重作弊检测方法，该车辆动态称重作弊检测方法包括：采集被检车辆的行驶状态影像；从所述行驶状态影像中获取被检车辆特定部位的轨迹信息；根据所述的轨迹信息生成包含平均速度V_ave、相邻两帧的距离差值Δ_l、移动距离差值Δy及直线模型的车辆状态信息；根据预存储的速度偏差阈值V_l、直线偏差阈值x_l、相邻帧的距离偏差阈值y_l、中间左偏阈值x_min、中间右偏阈值y_max及所述的车辆状态信息判断所述被检车辆的各种行驶状态。

进一步地，根据所述的轨迹信息生成包含平均速度V_ave、相邻两帧的距离差值Δ_l、移动距离差值Δy及直线模型的车辆状态信息，包括：根据所述的轨迹信息获取每帧的坐标信息；根据所述的坐标信息计算包含平均速度V_ave、相邻两帧的距离差值Δ_l、移动距离差值Δy及直线模型的车辆状态信息。

进一步地，根据所述的轨迹信息生成包含平均速度V_ave、相邻两帧的距离差值Δ_l、移动距离差值Δy及直线模型的车辆状态信息，包括：将所述坐标信息代入平均速度公式得到被检车辆的平均速度V_ave，所述平均速度公式为： $V_{\mathrm{ave}}=\underset{i=1}{\overset{N-1}{\mathrm{\&Sigma;}}}w((y_{i+1}+y_i)/2)\sqrt{{(y_{i+1}-y_i)}^2+{(x_{i+1}-x_i)}^2}/(N-1);$ 其中，设所述被检车辆从上称重台到下称重台的帧数为N，第i帧的坐标为（x_i，y_i），w(y)为y的减函数（即权重），i＝1,…,N-1。

进一步地，根据所述的轨迹信息生成包含平均速度V_ave、相邻两帧的距离差值Δ_l、移动距离差值Δy及直线模型的车辆状态信息，包括：将所述坐标信息代入相邻两帧的距离差值公式得到相邻两帧的距离差值Δ_l，所述相邻两帧的距离差值公式为： $\mathrm{\&Delta;l}=w(y_{i+1}+y_i)\sqrt{{(y_{i+1}-y_i)}^2+{(x_{i+1}-x_i)}^2}.$

进一步地，根据所述的轨迹信息生成包含平均速度V_ave、相邻两帧的距离差值Δ_l、移动距离差值Δy及直线模型的车辆状态信息，包括：将所述坐标信息代入移动距离差值公式得到移动距离差值Δy，所述移动距离差值公式为：Δy=w((y_i+3+y_i+2)/2)(y_i+3-y_i+2)-(w((y_i+2+y_i+1)/2)(y_i+2-y_i+1)+w((y_i+1+y_i)/2)(y_i+1-y_i))/2。

进一步地，所述的直线模型为：（x₁，y₁）为第一帧的坐标，（x_N，y_N）第N帧的坐标。

进一步地，根据预存储的速度偏差阈值V_l、直线偏差阈值x_l、相邻帧的距离偏差阈值y_l、中间左偏阈值x_min、中间右偏阈值y_max及所述的车辆状态信息判断所述被检车辆的行驶状态，包括：判断不等式|Δ_l-V_ave|<V_l是否成立，如果成立，则车辆匀速行驶；否则，车辆变速行驶，即点刹行驶。

进一步地，根据预存储的速度偏差阈值V_l、直线偏差阈值x_l、相邻帧的距离偏差阈值y_l、中间左偏阈值x_min、中间右偏阈值y_max及所述的车辆状态信息判断所述被检车辆的行驶状态，包括：判断不等式Δx<x_l是否成立，如果成立，所述的被检车辆直线行驶；否则，所述的被检车辆S型行驶；其中，Δx为第i帧的x轴坐标x_i到直线的距离，i=1,…,N-1。

进一步地，根据预存储的速度偏差阈值V_l、直线偏差阈值x_l、相邻帧的距离偏差阈值y_l、中间左偏阈值x_min、中间右偏阈值y_max及所述的车辆状态信息判断所述被检车辆的行驶状态，包括：判断不等式x_i-x_min>0及x_i-y_max<0是否同时成立，如果成立，所述的被检车辆靠道路中间行驶；否则，所述的被检车辆压边行驶。

进一步地，根据预存储的速度偏差阈值V_l、直线偏差阈值x_l、相邻帧的距离偏差阈值y_l、中间左偏阈值x_min、中间右偏阈值y_max及所述的车辆状态信息判断所述被检车辆的行驶状态，包括：判断Δy>y_l是否成立，如果成立所述被检车辆的车头正常行驶；否则，所述的被检车辆跳称。

进一步地，根据所述被检车辆的各种行驶状态及波形数据中车辆的各个类别生成所述被检车辆的最终行驶状态，步骤如下：从第1至第N帧中选取|Δ_l-V_ave|<V_l、Δx<x_l、x_i-x_min>0、x_i-y_max<0及Δy>y_l5个不等式对应的左值L_j及右值R_j，j＝1...5；对所述被检车辆的各种行驶状态进行如下打分：正常行驶的分值为：S₁₁=(R1-L1)+(R2-L2)+(R4-L4)+(R5-L5)+(L3-R3)；S型行驶的分值为：S₂₂＝L2-R2；跳称的分值为：S₃₃＝L5-R5+L1-R1；点刹车的分值为：S₄₄=L1-R1；对所述波形数据中车辆的各个类别进行如下打分为：R_max(i)-R(i|x)；其中，R_max(i)为第i种类别的最大风险，R(i|x)为条件风险；将所述被检车辆的各种行驶状态及所述波形数据中车辆的各个类别的打分进行加权生成车辆行驶状态的分值S_i=a*(R_max(i)-R(i |x))+b*S_ii,i＝1...4；其中a，b为波形分析和视频方法的权值因子，将S_i按从大到小排序，最大分值对应的行为为最终行为。

为了实现上述目的，本发明还提供一种车辆动态称重作弊检测装置，所述的车辆动态称重作弊检测装置包括：视频摄像机，用于检测车辆动态称重过程中的视频影像；补光灯，用于夜间车辆进行光线补偿；信息显示屏，用于显示车辆违规行驶状态的检测结果；室外声光报警器，用于提示管理人员车辆属于违规行驶车辆；采用室内语音提示器，用于提示收费人员车辆作弊类型；数据处理工控机，用于车辆图像的存储与车辆行为识别，以进行车辆作弊行驶的特征提取，对比分析后检测出车辆作弊行驶的方式。

本发明实施例的有益效果在于，本发明可以对所有通过动态称重检测过程的车辆进行防作弊检测和通行情况的录像记录，利用视频提取车辆特征分析识别车辆出现的多种违规行驶方式，提示检测管理人员，并与波形数据分析的作弊方式结合，采用后台投票机制共同保障作弊行驶车辆的违规检测的准确性。本发明不仅能对车辆作弊方式进行检测，还能将车辆通过将录像资料保存在计算机内有效的降低了争议的发生，降低了对于类似争议事件管理的难度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为现有技术通过波形数据分析的防作弊流程图；

图2为现有技术通过波形数据分析的特征1和特征2之间的类条件概率密度分布曲线示意图；

图3为现有技术通过波形数据分析的特征3的类条件概率密度分布曲线示意图；

图4为现有技术通过波形数据分析的特征4的类条件概率密度分布曲线示意图；

图5为现有技术基于最小风险的贝叶斯决策方案流程图；

图6为现有技术“S型”行驶时总重波形图；

图7为本发明实施例的车辆动态称重作弊检测装置的结构示意图；

图8为本发明实施例的车辆动态称重作弊检测方法流程图；

图9为本发明实施例的车道及车牌边界示意图；

图10为本发明实施例的车辆动态称重作弊检测方法的框图；

图11为本发明另一实施例的车辆动态称重作弊检测方法的框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

图7为本发明实施例的车辆动态称重作弊检测装置的结构示意图；该车辆动态称重作弊检测装置包括：视频摄像机201，补光灯（图未示出），信息显示屏202，室外声光报警器203，室内语音提示器204及数据处理工控机205。室内语音提示器204及数据处理工控机205安装在收费岗亭206中。

视频摄像机201用于检测车辆动态称重过程中的视频影像，安装与距离称重平台6米的距离，视频中心点位于称重平台前方1米处，补光灯用于夜间车辆进行光线补偿，以方便视频摄像机201拍摄。

数据处理工控机205通过网线连接视频摄像机201，用于车辆图像的存储与车辆行为识别，以进行车辆作弊行驶的特征提取，对比分析后检测出车辆作弊行驶的方式。利用室外声光报警器203可以提示管理人员车辆属于违规行驶车辆，利用室内语音提示器204可以提示收费人员车辆作弊类型。信息显示屏202可以用于显示车辆违规行驶状态的检测结果，方便工作人员监控。

实施例2

如图8所示，本实施例提供一种车辆动态称重作弊检测方法，该车辆动态称重作弊检测方法包括：

步骤S801：采集被检车辆的行驶状态影像。采用视频摄像机201（高清/标清摄像机）采集被检车辆行驶状态的影像。

步骤S802：从所述行驶状态影像中获取被检车辆特定部位的轨迹信息。

将视频摄像机201拍摄的视频通过网线将记录的影像上传至数据处理工控机205上。数据处理工控机205从行驶状态影像获取被检车辆局部的轨迹信息，如车牌、车灯、车身轮廓的轨迹信息，本发明以车牌上某点（比如车牌的右上角）的轨迹信息为例进行说明。

步骤S803：根据所述的轨迹信息生成包含平均速度V_ave、相邻两帧的距离差值Δ_l、移动距离差值Δy及直线模型的车辆状态信息。

首先要根据轨迹信息获取每帧的坐标信息，然后根据坐标信息计算包含平均速度V_ave、相邻两帧的距离差值Δ_l、移动距离差值Δy及直线模型的车辆状态信息。

车辆正常行驶时，称重台能够准确的称出车辆的重量，正常状态包括分为车辆匀速行驶、车辆呈直线行驶、车辆靠道路中间行驶及车头保持正常状态。如果车辆不匀速行驶，则称车辆为变速行驶；如果车辆不呈直线行驶，则称车辆为S型行驶；如果车辆不靠道路中间行驶，则称车辆为压边行驶；如果车头不保持正常状态，则称车辆为跳称行驶。车辆变速行驶、车辆S型行驶、车辆压边行驶及车辆跳称行驶均未非正常行驶。需要说明的是，本领域技术人员可知，非正常行驶不限于上述几种情况，还可以有很多非正常行驶情况，比如“垫钢板”等，下面以上述几种非正常行驶情况进行说明。

假设车辆从驶上称重台到驶下称重台，行驶状态影像中车牌右上角轨迹信息的帧数为N。

1 对于车辆是否匀速行驶的情况，需要的数据处理如下：

设车牌右上角的坐标为(x_i,y_i)，i＝1,…,N，其中x_i为横向坐标，y_i为纵向坐标。

将坐标信息代入平均速度公式得到被检车辆的平均速度V_ave，行驶车辆的平均速度其中w(y)是y的减函数，反映了远处一个像素代表的距离更长，，第i帧的坐标为（x_i，y_i），w(y)为y的减函数，i＝1,…,N-1。

将坐标信息代入相邻两帧的距离差值公式得到相邻两帧的距离差值Δ_l，所述相邻两帧的距离差值公式为：

2 对于车辆是否沿直线行驶的情况，需要的数据处理如下：

计算得到直线模型为：（x₁，y₁）为第一帧的坐标，（x_N，y_N）第N帧的坐标。

3 对于车辆是否考道路中间行驶的情况，需要的数据处理如下：

提前标定中间左偏阈值x_min及中间右偏阈值y_max，x_min=f(y);x_max=g(y)，设车牌右上角的轨迹形成的左边界两个端点坐标为（x_a,y_a）及（x_b,y_b），设车牌右上角的轨迹形成的右边界两个端点坐标为（x_c,y_c）及（x_d,y_d），那么可以得到 $x_{\min }=f\left(y\right)=\frac{(x_2-x_1)}{(y_2-y_1)}(y-y_1)+x_1,$ $x_{\max }=f\left(y\right)=\frac{(x_4-x_3)}{(y_4-y_3)}(y-y_3)+x_3.$

4 对于车头是否保持正常行驶的情况，需要的数据处理如下：

将所述坐标信息代入移动距离差值公式得到移动距离差值Δy，所述移动距离差值公式为：

Δy=w((y_i+3+y_i+2)/2)(y_i+3-y_i+2)-(w((y_i+2+y_i+1)/2)(y_i+2-y_i+1)+w((y_i+1+y_i)/2)(y_i+1-y_i))/2。

步骤S804：根据预存储的速度偏差阈值V_l、直线偏差阈值x_l、相邻帧的距离偏差阈值y_l、中间左偏阈值x_min、中间右偏阈值y_max及所述的车辆状态信息判断所述被检车辆的各种行驶状态。

根据采集到的车辆行驶轨迹与已有的行车轨迹模型进行对比分析，可以得到速度偏差阈值V_l、直线偏差阈值x_l、相邻帧的距离偏差阈值y_l。

下面对四种非正常行驶情况的判断方法说明书如下：

1 对于车辆是否匀速行驶的情况：

判断不等式|Δ_l-V_ave|<V_l是否成立，即判断，如果成立，则车辆匀速行驶；否则，车辆变速行驶，即点刹行驶。

2 对于车辆是否沿直线行驶的情况：

判断不等式Δx<x_l是否成立，如果成立，所述的被检车辆直线行驶；否则，所述的被检车辆S型行驶；其中，Δx为第i帧的x轴坐标x_i到直线的距离， $\mathrm{\&Delta;x}=|\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(x_i-\frac{x_N-x_1}{y_N-y_1}(y_i-y_1))/N|,i=1,...,N-1.$

3 对于车辆是否考道路中间行驶的情况：

判断不等式x_i-x_min>0及x_i-y_max<0是否同时成立，如果成立，所述的被检车辆靠道路中间行驶；否则，所述的被检车辆压边行驶。

4 对于车头是否保持正常行驶的情况：

判断Δy>y_l是否成立，如果成立所述被检车辆的车头正常行驶；否则，所述的被检车辆跳称。

下面结合具体的数据举例说明：

图9为本发明实施例的车道及车牌边界示意图；图10为本发明实施例的车辆动态称重作弊检测方法的框图。如图9所示，设车道四个顶点的坐标为（280,0），（368,0），（232,449），（403,449）。本领域技术人员可知，同样的车道宽度，在图像上纵坐标不同时，所占像素点不同。假设Y为449时，权重W为1，则Y为0时，权重W为：

(403-232)/(368-280)=1.93

根据线性插值，可以得到：w(y)=(1-1.93)*y/449+1.93。

根据车牌右上角的轨迹进行标定可以得到车牌右上角的左右边界，设左右边界的两个端点分别为：(329,3),(321,448),(342,2),(356,448)。

根据线性插值，可以得到： $x_{\min }\left(y\right)=\frac{(321-329)}{(448-3)}*(y-3)+329,$ $x_{\max }\left(y\right)=\frac{(365-342)}{(448-2)}*(y-2)+342.$

假设上述根据采集到的车辆行驶轨迹与已有的行车轨迹模型进行对比分析，得到V_l=3，x_l=2，y_l=0。

例子1：

若车辆的车牌出现6帧，则N=6，每一帧对应的位置分别为：(336,19),(336,85),(337,156),(338,234),(339,322),(340,425)。

将上述数值代入平均速度公式，得到Vave＝119.35，分析结果如下表所示：

表1

第一个约束左值	阈值	真值
			0.929	3	1
0.11	3	1
			0.31	3	1
0.17	3	1
			0.34	3	1

表2

第二约束左值	阈值	真值
			0.008	2	1

表3

第三个约束左值	阈值	真值
			336	329	1
337	328	1
			337.	326	1
338	325	1
			339	323	1
340	321	1

表4

第四个约束左值	阈值	真值
			336	343	1
337	345	1
			337.	347	1
338	349	1
			339	352	1
340	355	1

表5

第五个约束左值	阈值	真值
			3	0	1
4	0	1
			5	0	1

|Δ_l-V_ave|<V_l、Δx<x_l、x_i-x_min>0、x_i-y_max<0及Δy>y_l5个不等式分别对应表1至表5中的第一个约束值至第第五个约束值。

由表1可以看出，表1中的第一约束值均小于阈值3（V_l），所以真值为1，说明车辆匀速行驶。

由表2可以看出，第二约束值小于阈值2（x_l），所以真值为1，说明车辆直线行驶。

由表3可以看出，第三约束值均大于阈值，所以真值为1，说明车辆未压车道的左边界。

由表4可以看出，第四约束值均小于阈值，所以真值为1，说明车辆未压车道的右边界。

由表5可以看出，第五约束值均大阈值0（y_l），所以真值为1，说明车辆未跳称。

例子2：

若车辆的车牌出现6帧，则N=6，每一帧对应的位置分别为：

(336,19),(342,85),(350,156),(358,234),(369.322),(377,422)。

将上述数值代入平均速度公式，得到Vave＝119.37，分析结果如表6至表10所示：

表6

第一个约束左值	阈值	真值
			1.40	3	1
0.62	3	1
			0.29	3	1
0.73	3	1
			3.05	3	0

表7

第二约束左值	阈值	真值
			0.27	2	1

表8

第三个约束左值	阈值	真值
			336	329	1
342	328	1
			350	326	1
358	325	1
			369	323	1
377	321	1

表9

第四个约束左值

阈值

真值

336	343	1
			342	345	1
350	347	0
			358	349	0
369	352	0
			377	355	0

表10

第五个约束左值	阈值	真值
			3	0	1
4	0	1
			6	0	1

|Δ_l-V_ave|<V_l、Δx<x_l、x_i-x_min>0、x_i-y_max<0及Δy>y_l5个不等式分别对应表6至表10中的第一个约束值至第第五个约束值。

由表6可以看出，表6中的第一约束值中有一个小于阈值3（V_l），所以真值为0，说明车辆不是匀速行驶。

由表2可以看出，第二约束值小于阈值2（x_l），所以真值为1，说明车辆直线行驶。

由表3可以看出，第三约束值均大于阈值，所以真值为1，说明车辆未压车道的左边界。

由表4可以看出，第四约束值并非均小于阈值，所以对应的真值为0，说明车辆压车道的右边界。

由表5可以看出，第五约束值均大阈值0（y_l），所以真值为1，说明车辆未跳称。

本发明实施例的有益效果在于，本发明可以对所有通过动态称重检测过程的车辆进行防作弊检测和通行情况的录像记录，利用视频提取车辆特征分析识别车辆出现的多种违规行驶方式，提示检测管理人员。本发明不仅能对车辆作弊方式进行检测，还能将车辆通过将录像资料保存在计算机内有效的降低了争议的发生，降低了对于类似争议事件管理的难度。

实施例3

上述实施例2通过分析视频图像检测车辆是否正常行驶及非正常行驶的类型，虽然能够很好地检测车辆是否正常行驶，但是单靠分析视频图像检测车辆存在误判的可能，比如对于表6中的情况，表6中出现了真值为0的情况，其他真值均为0，此时判断为变速行驶，这个判断结果不一定准确。为了进一步提供车辆行驶状态判断结果，本发明将现有技术中的波形数据分析与通过视频图像分析结合起来，采用两种分析的打分机制，得到更精确的判断结果，生成所述被检车辆的最终行驶状态，请参考图11。还包括基于具体说明如下：

步骤1：从第1至第N帧中选取|Δ_l-V_ave|<V_l、Δx<x_l、x_i-x_min>0、x_i-y_max<0及Δy>y_l5个不等式对应的左值L_j及右值R_j，j=1...5。

对于每个不等式对应，分别从N-1个帧每个不等式对应的最大的左值(不等式左边的值称为左值)L₁,L₂,L₃,L₄,L₅，并分别从N-1个帧每个不等式对应的最大的右值(不等式左边的值称为左值)R₁,R₂,R₃,R₄,R₅。

步骤2：对所述被检车辆的各种行驶状态进行如下打分：正常行驶的分值为：S₁₁=(R1-L1)+(R2-L2)+(R4-L4)+(R5-L5)+(L3-R3)；S型行驶的分值为：S₂₂=L2-R2；跳称的分值为：S₃₃=L5-R5+L1-R1；点刹车的分值为：S₄₄=L1-R1。对于正常行驶的情况需要从中选出5个括号内的最小值，作为打分值。

步骤3：对所述波形数据中车辆的各个类别进行如下打分为：R_max(i)-R(i|x)；其中，R_max(i)为第i种类别的最大风险，R(i|x)为条件风险。

将所述被检车辆的各种行驶状态及所述波形数据中车辆的各个类别的打分进行加权生成车辆行驶状态的分值S_i=a*(R_max(i)-R(i|x))+b*S_ii,i＝1...4；其中a，b为波形分析和视频方法的权值因子，将S_i按从大到小排序，最大分值对应的行为为最终行为。

经过上述的客观的打分方法，就可以更加准确的判断出被检车辆的最终行为。

本发明实施例的有益效果在于，本发明可以对所有通过动态称重检测过程的车辆进行防作弊检测和通行情况的录像记录，利用视频提取车辆特征分析识别车辆出现的多种违规行驶方式，提示检测管理人员，并与波形数据分析的作弊方式结合，采用后台投票机制共同保障作弊行驶车辆的违规检测的准确性。本发明不仅能对车辆作弊方式进行检测，还能将车辆通过将录像资料保存在计算机内有效的降低了争议的发生，降低了对于类似争议事件管理的难度。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种车辆动态称重作弊检测方法，其特征在于，所述的方法包括：

采集被检车辆的行驶状态影像；

从所述行驶状态影像中获取被检车辆特定部位的轨迹信息；

根据所述的轨迹信息生成包含平均速度V_ave、相邻两帧的距离差值Δ_l、移动距离差值Δ_y及直线模型的车辆状态信息；

根据预存储的速度偏差阈值V_l、直线偏差阈值x_l、相邻帧的距离偏差阈值y_l、中间左偏阈值x_min、中间右偏阈值y_max及所述的车辆状态信息判断所述被检车辆的各种行驶状态；

其中，根据所述的轨迹信息生成包含平均速度V_ave、相邻两帧的距离差值Δ_l、移动距离差值Δ_y及直线模型的车辆状态信息，包括：

根据所述的轨迹信息获取每帧的坐标信息；

将所述坐标信息代入平均速度公式得到被检车辆的平均速度V_ave，所述平均速度公式为： $V_{\mathrm{ave}}=\underset{i=1}{\overset{N-1}{\mathrm{\&Sigma;}}}w((y_{i+1}+y_i)/2)\sqrt{{(y_{i+1}-y_i)}^2+{(x_{i+1}-x_i)}^2}/(N-1);$

其中，设所述被检车辆从上称重台到下称重台的帧数为N，第i帧的坐标为（x_i，y_i），w(y)为y的减函数，i=1,L,N-1；

将所述坐标信息代入相邻两帧的距离差值公式得到相邻两帧的距离差值Δ_l，所述相邻两帧的距离差值公式为：

${\mathrm{\&Delta;}}_l=w(y_{i+1}+y_i)\sqrt{{(y_{i+1}-y_i)}^2+{(x_{i+1}-x_i)}^2};$

将所述坐标信息代入移动距离差值公式得到移动距离差值Δ_y，所述移动距离差值公式为：

Δy=w((y_i+3+y_i+2)/2)(y_i+3-y_i+2)-(w((y_i+2+y_i+1)/2)(y_i+2-y_i+1)+w((y_i+1+y_i)/2)(y_i+1-y_i))/2；

所述的直线模型为：

（x₁，y₁）为第一帧的坐标，（x_N，y_N）第N帧的坐标。

2.根据权利要求1所述的方法，其特征在于，根据预存储的速度偏差阈值V_l、直线偏差阈值x_l、相邻帧的距离偏差阈值y_l、中间左偏阈值x_min、中间右偏阈值y_max及所述的车辆状态信息判断所述被检车辆的行驶状态，包括：

判断不等式|Δ_l-V_ave|<V_l是否成立，如果成立，则车辆匀速行驶；否则，车辆变速行驶，即点刹行驶。

3.根据权利要求2所述的方法，其特征在于，根据预存储的速度偏差阈值V_l、直线偏差阈值x_l、相邻帧的距离偏差阈值y_l、中间左偏阈值x_min、中间右偏阈值y_max及所述的车辆状态信息判断所述被检车辆的行驶状态，包括：

判断不等式Δx<x_l是否成立，如果成立，所述的被检车辆直线行驶；否则，所述的被检车辆S型行驶；其中，Δx为第i帧的x轴坐标x_i到直线的距离， $\mathrm{\&Delta;x}=|\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(x_i-\frac{x_N-x_1}{y_N-y_1}(y_i-y_1))/N|,i=1,...,N-1.$

4.根据权利要求3所述的方法，其特征在于，根据预存储的速度偏差阈值V_l、直线偏差阈值x_l、相邻帧的距离偏差阈值y_l、中间左偏阈值x_min、中间右偏阈值y_max及所述的车辆状态信息判断所述被检车辆的行驶状态，包括：

判断不等式x_i-x_min>0及x_i-y_max<0是否同时成立，如果成立，所述的被检车辆靠道路中间行驶；否则，所述的被检车辆压边行驶。

5.根据权利要求4所述的方法，其特征在于，根据预存储的速度偏差阈值V_l、直线偏差阈值x_l、相邻帧的距离偏差阈值y_l、中间左偏阈值x_min、中间右偏阈值y_max及所述的车辆状态信息判断所述被检车辆的行驶状态，包括：

判断Δy>y_l是否成立，如果成立所述被检车辆的车头正常行驶；否则，所述的被检车辆跳称。

6.根据权利要求5所述的方法，其特征在于，根据所述被检车辆的各种行驶状态及波形数据中车辆的各个类别生成所述被检车辆的最终行驶状态，步骤如下：

从第1至第N帧中选取|Δ_l-V_ave|<V_l、Δx<x_l、x_i-x_min>0、x_i-y_max<0及Δy>y_l5个不等式对应的左值L_j及右值R_j，j=1...5；

对所述被检车辆的各种行驶状态进行如下打分：正常行驶的分值为：S₁₁=(R1-L1)+(R2-L2)+(R4-L4)+(R5-L5)+(L3-R3)；S型行驶的分值为：S₂₂=L2-R2；跳称的分值为：S₃₃=L5-R5+L1-R1；点刹车的分值为：S₄₄=L1-R1；

对所述波形数据中车辆的各个类别进行如下打分为：R_max(i)-R(i|x)；其中，R_max(i)为第i种类别的最大风险，R(i|x)为条件风险；

将所述被检车辆的各种行驶状态及所述波形数据中车辆的各个类别的打分进行加权生成车辆行驶状态的分值S_i=a*(R_max(i)-R(i|x))+b*S_ii,i=1...4；其中a，b为波形分析和视频方法的权值因子，将S_i按从大到小排序，最大分值对应的行为为最终行为。