CN104933870A - 基于车辆行为分析的车辆套牌识别方法与装置 - Google Patents

Abstract

本发明提供一种在计算机系统上执行的基于车辆行为分析的车辆套牌识别方法，利用车辆行车记录的大数据，取同一车牌的多天数据，进行分析;基于正常同一个车牌的车辆在每个工作日的几乎相同的时间段有着相同或相似的行车轨迹，或相似的起讫点，当出现差别大的轨迹或者起讫点时认为该车牌可能出问题的原则来进行识别;本发明采用滤波技术和基于密度的分类方法，得出某车牌的套牌风险。因此，只要获取全省、市或者全国的电子警察、高清卡口等有效的记录数据，可以实现全省、市、甚至全国套牌车的统一查缉;不依赖于机动车登记数据库的更新，而且对路网结构没有要求;本发明还涉及一种基于车辆行为分析的车辆套牌识别装置。

Description

基于车辆行为分析的车辆套牌识别方法与装置

技术领域

本发明涉及智能交通应用技术领域，具体而言涉及一种基于车辆行为分析的车辆套牌识别方法与装置。

背景技术

套牌，是指非法套用其他车辆的车牌的行为。套牌车辆的各种交通违法行为、甚至是利用套牌车辆进行的犯罪行为，严重扰乱了正常的交通管理和社会管理秩序，具有极大的危险性。如何有效识别套牌车辆，是当前急需解决的问题。

现有技术中已经提出一些方案来解决套牌车辆的识别问题。

第200910058943.9号中国专利申请提出一种基于车辆牌照识别和网格化监控的套牌车检测方法,是在车辆牌照识别及网格化监控的基础上,将车辆牌照与各个监控点的信息关联起来,通过“时间差”判定,检测出涉嫌套牌车辆的方法，通过计算相同车牌在任意2个监控点出现的时间差是否小于预先设定的经过这两个监控点所需的最短时间，如小于该最短时间，则判定该车牌有套牌嫌疑。但该方案对于经过这两个监控点所需的最短时间并未给出充分的方案公开，并且对于不同车辆性能、车速、路况的情况并没有做出适应性的对策，难以在实践中应用。

第201210187968.0号中国专利申请提出一种查处机动车套牌假牌违法行为的方法，由交警内部车辆管理系统平台预留车辆安全检测密码；执法交警手持远程控制终端与车辆管理系统平台通信；手持远程控制终端输入被检查车辆区域代码和车牌号码；与注册信息对比；输入被查车辆安全检测密码；输入密码与预留密码自动对比，判断是否套牌假牌。该方法需要额外设置预留车辆安全检测密码并基于车辆的注册登记信息进行判断，如果车辆的登记不及时或者登记信息的更新不及时，将产生较大的识别误差，对于车辆注册登记数据库的依赖性较大。

第201210438702.9号中国专利申请提出一种套牌车识别方法，从预定的交通记录系统获取同牌车辆被拍摄的位置、该车辆进入和离开该位置的时刻以及在该位置的停留时间段，其中，该交通记录系统包括设置在路口、路边车位和停车场的摄像头以及与这些摄像头相连的交通记录中心；将所述位置两两配对，对于每对位置，根据与其对应的停留时间段是否有交集判断是否存在套牌车，如果有交集，则存在套牌车，如果无交集，则计算车辆从对应在先停留时间段的位置到对应在后停留时间段的位置的最短时间，并根据该最短时间以及在先停留时间段与在后停留时间段之间的时间间隔判断是否存在套牌车，如果所述最短时间大于所述时间间隔，则存在套牌车，否则，无套牌车迹象。

第201310730531.1号中国专利申请公开一种套牌车车辆的区域自动捕获方法，在封闭的区域边界设置监控点，并获取经过该监控点的车辆的过车信息，根据该过车信息判断车辆驶出或驶入该区域，进而判定该车辆是否为套牌车辆，其基本原理就是，若一辆根本没有驶入某道路区域的车辆，却驶出了该道路区域，则该车辆则为套牌嫌疑车辆，分发明采用上述的采用封闭区域边界的过车信息判定法，不需要对车辆在该区域内部道路上行驶路径进行监测，可简化套牌嫌疑车辆的监控流程。

第201310170646.X号中国专利申请公开一种基于图像特征比对的车辆套牌识别系统，包括车辆图像采集模块、套牌预处理模块和套牌增强识别模块，其特征在于所述车辆图像采集模块用于采集车辆图像，并传输给套牌预处理模块；所述套牌预处理模块设置有车型特征库、车辆基础库，用于根据号牌区域和车头区域判断待识别的车辆车型，并与根据车辆号牌从车型特征库中检索获得的车型进行比对；当根据号牌区域和车头区域判断的车辆车型与根据车辆号牌从车型特征库中检索获得的车型不一致时，所述套牌预处理模块将待识别的车辆纳入套牌嫌疑库，并传输给套牌增强识别模块进行处理；所述套牌增强识别模块根据车辆号牌补办情况、待识别的车辆图像的车牌模糊系数的大小、车牌号码错误聚类因子的大小判断纳入套牌嫌疑库的待识别车辆是否为套牌车。

第201310483664.3号中国专利申请提出一种基于智能交通的套牌车辆识别方法，首先双基基站获取所有过车的RFID、视频两种数据；以车牌号和车牌颜色作为条件，获取每天目标车辆时间序列RFID轨迹数据；取得该车辆通过每个基站的视频抓拍数据并按基站进行分组；依据视频识别到的车牌，统计每组视频抓拍数据中出现的高频车辆；若高频车辆中包含被检测车辆，则非套牌车，若无被检测车辆，则将高频车辆列为疑似套牌车辆；对每天计算出的疑似套牌车辆数据进行统计，若某疑似套牌车辆达到规定次数，则确定为套牌车。

第201310034242.8号中国专利申请提出一种基于智慧城市的套牌车车辆的捕获方法，该方法包括下列步骤：将城市道路区域依据网格切分原则进行网格化，网格切分原则包括：网格连续；跨网格道路的边界不与网格边线重合；每一个网格中至少能获取电子卡口数据或GPS数据中的一种数据；按时间序列将从电子卡口或GPS获得的车辆数据转换为含时间序列网格轨迹；对同一车牌号车辆的网格轨迹进行检验，检验同一车牌号车辆按时间序列的网格轨迹是否连续，若出现不连续的网格轨迹，则将该网格轨迹对应的车牌号作为疑似套牌车车牌号码；对疑似套牌车的电子卡口数据进行检验，判定是否为套牌车。

第201410094882.2号中国专利申请提出一种套牌分析的方法，该方法包括：获取监控系统中的待分析车牌的各拍摄卡口和拍摄时间信息；将各卡口按照该车牌拍摄时间顺序的方式进行排列；判断所述顺序排列后的任一卡口的相邻卡口是否和预先保存的卡口连通信息一致，如果一致，则所述车牌未套牌，否则，转下一步，其中，所述卡口连通信息记录各卡口的邻接关系；根据预先保存的卡口连通信息确定任一不一致的卡口到其相邻卡口的所有可达路径，判断所述可达路径中是否存在一条路径，该条路径经过的卡口数量小于等于预设值N，如果是，则所述车牌未套牌，否则，所述车牌存在套牌。

以上所描述了多种套牌车辆的识别和分析方案中，将监控路口的影像数据传输至处理中心，进行车牌识别和行为的简单分析，在将这些分析结果与车辆登记数据库进行对比，判断出可疑的套牌车辆。同时，基于相同时间或者短时间内同一出牌出现在不同地方或者相隔很远短时间内即到达的特征，判断出车辆为可疑的套牌车。这些识别方案忽略了套牌车辆的本身行为的特性的聚类分析以及基于此特性对于识别的真正有效应用，仅仅进行了简单的数据提取和比对，即使如第201310483664.3号中国专利申请提出的基于智能交通的套牌车辆识别方法利用了套牌车辆的行为特征，但其采用的城市道路区域依据网格切分原则进行网格化的处理过度复杂，难以真正实施。

发明内容

本发明目的在于提供一种基于车辆行为分析的车辆套牌识别方法与识别装置，充分利用车辆行驶的行为特征，采用基于密度的分类方法，识别出可能的车辆套牌。

本发明的上述目的通过独立权利要求的技术特征实现，从属权利要求以另选或有利的方式发展独立权利要求的技术特征。

为达成上述目的，本发明提出一种在计算机系统上执行的基于车辆行为分析的车辆套牌识别方法，包括：

接收在设定日期周期T范围内的过车数据，该些过车数据包含某一个或多个车牌的车辆的所有行车点，这些行车点具有对应的时间点-地理坐标的属性；

对过车数据按照车牌进行分类；

对某一车牌的车辆行车点分类后的数据按照时间进行排序；

对排序结果按照时间进行分类，对相邻两个地理坐标所对应的时间点不超过设定间隔t的作为同一类；

对时间分类后的数据使用密度可达聚类算法进行聚类，得到同一车牌车辆的轨迹聚类结果；

对前述过车数据中的某一个车牌的车辆的所有行车点的地理坐标和对应时间点分别做归一化处理，并进行赋值运算，得到该车牌的车辆在某时刻出现的赋值；

对赋值运算结果进行滤波处理，获取噪音点；

响应于前述噪音点对应行车点的时间点-地理坐标与所述轨迹聚类结果的比对结果，得出某车牌的套牌风险。

根据本公开，还提出一种基于车辆行为分析的车辆套牌识别装置，包括：

用于接收在设定日期周期T范围内的过车数据的模块，该些过车数据包含某一个或多个车牌的车辆的所有行车点，这些行车点具有对应的时间点-地理坐标的属性；

用于对过车数据按照车牌进行分类的模块；

用于对某一车牌的车辆行车点分类后的数据按照时间进行排序的模块；

用于对排序结果按照时间进行分类的模块，其中，相邻两个地理坐标所对应的时间点不超过设定间隔t的作为同一类；

用于对时间分类后的数据使用密度可达聚类算法进行聚类的模块，得到同一车牌车辆的轨迹聚类结果；

用于对前述过车数据中的某一个车牌的车辆的所有行车点的地理坐标和对应时间点分别做归一化处理，并进行赋值运算，得到该车牌的车辆在某时刻出现的赋值的模块；

用于对赋值运算结果进行滤波处理，获取噪音点的模块；

用于响应于前述噪音点对应行车点的时间点-地理坐标与所述轨迹聚类结果的比对结果，得出某车牌的套牌风险的模块。

根据本公开，还提出一种计算机系统，包括：

存储器；

一个或多个处理器；

一个或多个模块，该一个或多个模块被存储在所述存储器中并被配置成由所述一个或多个处理器执行，所述一个或多个模块包括用于执行下述处理的模块：

接收在设定日期周期T范围内的过车数据，该些过车数据包含某一个或多个车牌的车辆的所有行车点，这些行车点具有对应的时间点-地理坐标的属性；

对过车数据按照车牌进行分类；

对某一车牌的车辆行车点分类后的数据按照时间进行排序；

对排序结果按照时间进行分类，对相邻两个地理坐标所对应的时间点不超过设定间隔t的作为同一类；

对时间分类后的数据使用密度可达聚类算法进行聚类，得到同一车牌车辆的轨迹聚类结果；

对前述过车数据中的某一个车牌的车辆的所有行车点的地理坐标和对应时间点分别做归一化处理，并进行赋值运算，得到该车牌的车辆在某时刻出现的赋值；

对赋值运算结果进行滤波处理，获取噪音点；

响应于前述噪音点对应行车点的时间点-地理坐标与所述轨迹聚类结果的比对结果，得出某车牌的套牌风险。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1是说明根据本发明某些实施例的计算机系统的示意图。

图2a-2c是说明根据本发明某些实施例的基于密度的聚类算法原理图，其中，图2a表达了直接密度可达的示意，图2b表达了密度可达的示意，图2c表达了密度相连的示意。

图3是说明根据本发明某些实施例的基于车辆行为分析的车辆套牌识别方法的示意图。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

图1所示的说明根据本发明某些实施例的计算机系统100，该计算机系统100包括一个或多个处理单元(CPU)101、存储器控制器102、外设接口103、通信装置104、外部端口105、存储器120、I/O子系统130、显示屏132(图1示例性地绘示了构造为触控屏的情形)、其他输入或控制设备134。这些组件通过一条或多条数据总线/信号线160进行通信。图1所表示的计算机系统100仅仅是一个示例，该计算机系统100的组件还可以比图示具有更多或者更少的组件，或者具有不同的组件配置。图1所示的各种组件可以利用硬件、软件或者软硬件的结合来实现，包括一个或多个信号处理和/或集成电路。

前述一个或多个处理器(CPU)101作为计算机系统100的控制执行核心组件，运行各种存储在存储器120内的程序和/或指令集，以便实现计算机系统100的各项功能并对数据进行相关处理。

存储器120，包括高速随机读取存储器进行数据缓存，还包括非易失性存储器，例如一个或多个闪存设备(FLASH)，或者其他非易失性固态存储设备。在某些实施例中，存储器120还可以包括远离前述一个或多个处理器101的存储器，例如经由通信装置104或者外部端口105以及通信网络进行访问的网络附加存储器，其中的通信网络可以是因特网、一个或多个内部网络、局域网(LAN)、存储局域网(SAN)、广域网(WLAN)等，或者其适当的组合形式。

存储器控制器102，控制计算机系统100的诸如一个或多个处理器101、外设接口103之类的组件对存储器120的访问。

外设接口103，用于将计算机系统100的输入和输出外设耦接到处理器101和存储器120。

处理器101、存储器控制器102以及外设接口103可以在单个芯片上实现，例如图1中表示的芯片110。在另外的例子中，它们也可以在多个分立的芯片上实现。

在一些例子中，图1中其他的一些组件，诸如通信装置104、外部端口105之类的组件，也可以与前述处理器101、存储器控制器102以及外设接口103一起集成在单个芯片上。

通信装置104，用于实现计算机系统100与通信网络以及其他设备进行通信。例如通过电磁波来实现数据信息的交换，通信装置104执行电磁波的接收和发送，将电磁波变成电信号或者将电信号变换成电磁波。通信装置104可包括公知的用于执行这些功能的电路和/或模块，例如天线系统、RF收发器、用户身份识别卡(SIM)、CODEC芯片组、数字信号处理器等，或者它们的组合。这些通信装置104例如可通过无线通信与通信网络和/或其他设备进行通信，这些通信网络例如因特网、内部网、诸如蜂窝电话网络之类的无线网络、无线局域网(LAN)、城域网(MAN)等。这些无线通信可以基于多种通信协议、标准中的至少一种，包括但不限于全球移动通信系统(GSM)、增强型数据GSM环境(EDGE)、宽带码分多址(W-CDMA)、码分多址(CDMA)、蓝牙(Bluetooth)、基于IEEE标准的Wi-Fi、基于因特网协议的语音传输(VoIP)、即时消息协议(IM)、短讯息服务协议(SMS)，或者其他任意合适的通信协议。

外部端口105，例如通用串行总线接口(USB)、火线接口1394(FireWire)、高清晰度多媒体接口(HDMI)、VGA接口等，适于直接或者通过网络(如因特网、无限局域网等)间接耦接到其他设备。

I/O子系统130提供计算机系统100的输入/输出外设与外设接口103之间的接口。输入/输出外设包括触控屏132(如果前述显示屏构造为触控屏，当然也可以采用其他形式的显示构件)、其他输入/控制设备，或者其它类似的设备。本例的I/O子系统130包括一触控屏控制器131以及一个或多个其他输入控制器133。该一个或多个其他输入控制器133接收/发送来自/去往其他输入/控制设备的电信号。所述的输入/控制设备134包括物理按钮(例如按压式按钮、摇杆按钮等)、拨号盘、滑动式开关、操纵杆、旋转式多重选择器等。

触控屏132同时提供计算机系统100与用户之间的输入与输出接口。触控屏控制器131接收/发送来自/去往触控屏的电信号。该触控屏132向用户提供可视输出，包括文本、图形、视频及其任意组合。

触控屏132适于基于触觉和/或触知来接受用户的输入。触控屏132具有一个接收用户输入的触摸敏感表面。触控屏132与触控屏控制器131(连同存储器120内存储的任何相关联的模块和/或指令集一起)检测触控屏上的接触(以及接触的连续和/或中断)，并且将检测到的接触变换成与显示在触控屏上的诸如一个或多个软按键之类的用户界面的交互。

在一些实施例中，触控屏132与用户之间的接触基于一个或多个手指。在另一些例子中，触控屏132与用户之间的接触基于外部设备，诸如指示笔等。

触控屏132可基于LCD、LED技术的触控式设备，可以采用多种触敏技术中的一种来检测接触以及接触的连续与中断，例如电容、电阻、红外和声表面波技术，接近传感器阵列等。

计算机系统100还包括电源系统180，用于为各个组件供电。电源系统180包括电源管理系统、一个或多个电源(电池或AC)、充电系统、电源故障检测电路、电源转换电路/逆变器、电源状态指示电路等。

在一些实施例中，如图1，计算机系统100的软件组件包括操作系统、通信模块(或指令集)、过车数据分类模块(或指令集)、时间排序模块(或指令集)、初次聚类模块(或指令集)、轨迹聚类模块(或指令集)、归一化处理模块(或指令集)、赋值计算模块(或指令集)、滤波与噪音点获取模块(或指令集)、套牌识别模块(或指令集)以及一个或多个应用(或指令集)。

操作系统，例如Linux、iOS、WINDOWS、Andriod系统，或者诸如Vxworks之类的嵌入式系统，具有用于控制和管理常规系统任务(例如内存管理、存储设备控制、电源管理等)以及有助于各类软硬件组件之间通信的各种软件组件和/或驱动器。

通信模块，有助于经一个或多个外部端口105而与其他设备进行通讯。并且该通讯模块还包括用于处理外部端口105和/或通信装置104接收的数据的各种软件组件。

过车数据分类模块，适于对计算机系统100接收并存储的设定日期周期T范围内过车数据按照车牌进行分类，这些过车数据中包含某一个或多个车牌的车辆的所有行车点，这些行车点具有对应的时间点-地理坐标的属性。由此，可得到过车数据中每一个车牌的所有被发现(诸如被高清抓拍、卡口抓拍等)的点所对应时刻的地理位置坐标数据。这些数据按照车牌进行了分类和聚集。

前述的设定日期周期T，诸如3个月、6个月，或者12个月等，这个设定日期周期T的选取应当一方面利于发现车辆的行为特征，分析其日常的出行轨迹和习惯，通常是在1个月以上；另一方面应当利于数据处理，不会导致数据量过大，导致数据计算复杂，重复性过高，通常不超过3年，即36个月。

时间排序模块，适于对某一车牌的车辆行车点分类后的数据按照时间进行排序。由此，可得到某一个车牌的车辆的所有行车点按照时间先后进行排序的结果，诸如对某一个车牌的车辆的所有行车点按照0：00时刻，到23：59时刻之间的所有行车点的排列数据。

初次聚类模块，适于对前述时间排序模块的排序结果按照时间进行分类，对相邻两个地理坐标所对应的时间点不超过设定间隔t的作为同一类。

假设同一车牌的车所有的行车点的集合D＝{d₁,d₂,…,d_n}，每个d_i,i＝1,2,…,n，包含三个属性：时间，横坐标，纵坐标。

对这些行车点的数据信息按照前述方式进行分类和时间排序后，进行初次聚类，将前后两条信息的时间差不超过设定的间隔t的归为一类，得到D₁,D₂,…,D_m。

前述的间隔t，可根据实际情况进行设定，诸如，在一些例子中，可以选取为30分钟。当然，在另一些例子中，根据过车数据的数据量以及不同地区、季节的实际情况，可选择更大或者更小的值。

轨迹聚类模块，采用基于密度可达的聚类算法，对时间分类即前述初次聚类后的数据使用密度可达聚类算法进行聚类，得到同一车牌车辆的轨迹聚类结果。

基于密度可达的聚类算法，其核心思想是用一个点的ε领域内的邻居点数衡量该点所在空间的密度。将所有直接密度可达的点聚为一类。我们在进行车辆行驶的轨迹的聚类时，汽车的行车轨迹一般都是线型集合，对于核心点没有要求，因此我们可以简化原来的密度聚类算法，不需要找到每个核心点，只需要将密度相连的点划到一个类中即可，这样能将同一轨迹的点具为一类。

结合图2a-2c所示的直接密度可达、密度可达、密度相连的图形示意，基于密度可达的聚类算法具有下述定义和特征：

定义1：核心点：若一个点的ε领域内包含其余点的数目超过我们给定的某个阈值，则称该点为核心点。

定义2：直接密度可达：如果点p是核心点，点q在点p的ε领域内，则称点p直接密度可达点q，即dist(d,q)≤ε，dist(d,q)为点d，q的欧式距离。

定义3：密度可达：如果存在序列p₁,p₂,…,p_n，其中p₁＝p，p_n＝q，并且对于任意1≤i＜n，p_i直接密度可达p_i+1，那么，p密度可达q。

定义4：密度相连：如果o密度可达p，且o密度可达q，则p和q密度相连。

假设集合D＝{d₁,d₂,…,d_n}中包含带分类的所有点d_i,i＝1,2,…,n。给定ε则密度聚类算法的基本原理如下所述：

STEP1：取集合D中的第一个点d₁，找到d₁的所有直接密度可达点，将这些点与d₁划分为同一类，记为集合为d₁的直接密度可达点。

STEP2：找到D₁中其余点的直接密度可达点，若这些点中存在不属于D₁的点则将其加入集合D₁中。

STEP3：不断重复STEP2，直到没有新的点加入集合D₁中。

STEP4：找到集合D中不属于集合D1的第一个点d_i，找到d_i的所有直接密度可达点，将这些点与d_i划为同一类，记为集合为d_i的直接密度可达点。

STEP5：找到D₂中其余点的直接密度可达点，若这些点中存在不属于D₁的点则将其加入集合D₁中。

STEP6：不断重复STEP5，直到没有新的点加入集合D₂

STEP7：找到集合D中不属于D₁,D₂的第一个点，重复STEP4，STEP5，STEP6，直到集合D中的点全部分类结束。

本例中，轨迹聚类模块基本上包括两个部分来实现整个轨迹聚类过程:

首先，整体聚类：

STEP1：对于前述按照时间进行分类后的结果，记为：D₁,D₂,…,D_m，即如前述的初次聚类模块的归类结果；

STEP2：将每个类D_i,i＝1,2,...,m进行轨迹聚类，采用密度聚类算法，得到分类结果：D_i1,D_i2,…,D_ik,i＝1,2,…,m；

然后，再对于每个D_i,i＝1,2,…,m进行密度聚类：

STEP1：对集合D_i中的每个元素，取横坐标，纵坐标两个属性，获得每两个元素之间的欧式距离s： $s=\sqrt{x^2+y^2}$

STEP2：找到D_i中第一个未被分类的点，记为d_ij，初始j＝1；

STEP3：找到D_i中到点d_ij的距离不大于距离阈值ε的点，即直接密度可达点，这些点与d_ij一起归为一类，记为D_ij；

STEP4：找到D_ij中其余点的直接密度可达点，若这些点属于D_ij则不做处理；否则，将这些点加入D_ij中；

STEP5：j＝j+1；转STEP2，直到D_ij中的点不再变化。

前述的距离阈值ε，在具体实现可根据实际情况进行选取，诸如1000m，2000m，甚至更多或者更少的取值。这些取值可根据聚类的包括但不限于地区、季节等情况加以考虑而选取。这些不同的距离阈值选取，将对聚类的结果产生影响，但不会影响本公开的轨迹聚类模块以及车辆套牌识别方法的实现。

归一化处理模块，适于对前述过车数据中的某一个车牌的车辆的所有行车点的地理坐标和对应时间点分别做归一化处理。这个归一化处理，可以采用现有技术中公知的方式来实现。下面将描述一个这样的例子。

对某一个车牌的车辆的所有行车点的地理坐标和对应时间点分别按照时间先后顺序排序，得到一表达矩阵：

$\left[\begin{array}{c}{t}_1,x_1,y_1\\ t_2,x_2,y_2\\ .\\ .\\ .\\ t_n,x_n,y_n\end{array}\right],$

其中，每一组(t_n,x_n,y_n)表示某时刻t_n时该车牌车辆对应行车点的关联属性，x_n,y_n分别表示在某时刻t_n该车辆所在行车点的经度和纬度；

再对前述表达矩阵做归一化处理，得到另一矩阵：

$\left[\begin{array}{c}{t_1}^{\′},{x_1}^{\′},{y_1}^{\′}\\ {t_2}^{\′},{x_2}^{\′},{y_2}^{\′}\\ .\\ .\\ .\\ {t_n}^{\′},{x_n}^{\′},{y_n}^{\′}\end{array}\right],$

其中：

${t_i}^{\′}=\frac{t_i-\min (t_1,...,t_n)}{\max (t_1,...,t_n)-\min (t_1,...,t_n)},i=\mathrm{1,2},...,n,$

${x_i}^{\′}=\frac{x_i-\min (x_1,...,x_n)}{\max (x_1,...,x_n)-\min (x_1,...,x_n)},i=\mathrm{1,2},...,n$

${y_i}^{\′}=\frac{y_i-\min (y_1,...,y_n)}{\max (y_1,...,y_n)-\min (y_1,...,y_n)},i=\mathrm{1,2},...,n.$

赋值计算模块，适于将某一车牌的车辆在某一时刻出现在某个具体地理位置所拥有的值。对每个车辆，如前述公开的，本例中定义了其三个属性：时间t，精度x，纬度y。每个车辆每次出现的值为f(t,x,y)。

由于前述步骤中前述三个属性进行了归一化处理，因此某一车牌的车辆在某一时刻出现在某个具体地理位置所拥有的值可表达为：

$f_i({t_i}^{\′},{x_i}^{\′},{y_i}^{\′})={\mathrm{\ω}}_1\·{t_i}^{\′}+{\mathrm{\ω}}_2\·\sqrt{{\left({x_i}^{\′}\right)}^2+{\left({y_i}^{\′}\right)}^2}$

其中， ${\mathrm{\ω}}_1=\frac{1}{3},{\mathrm{\ω}}_2=\frac{2}{3}.$

当然，在另一些实施例中，前述赋值运算还可以采用其他算式来实现。这样的算式根据本发明的教导是可以从现有技术中得到启发或者直接选取到的。

某一个车牌的车辆的所有f_i组成该具有该车牌的车辆的原始带噪音信号。

滤波与噪音点获取模块，适于对前述赋值计算模块所计算得到的某一车牌的车辆在某一时刻出现在某个具体地理位置所拥有的值进行滤波处理并获取噪音点。

优选地，滤波采用现有技术中成熟的数字滤波算法实现。诸如小波滤波，在此不再赘述。

获取噪音点。原始信号经过滤波处理后，得到新的数据，此时通过新数据与原数据的差值，来找到原数据的噪音点，我们认为进过滤波处理后，若某时刻的新数据与原数据的差值过大，则该时刻原数据为噪音数据。但过大的定义却无法准确定义，而我们的套牌车判别不是只借助与噪音数据，所以我们只需保证能找到噪音数据即可，因此在本例子中，将前述滤波处理后所得的作为结果输出的新数据Z中，大于Z的平均值对应的点判别为噪音点，即波动较大的点，获得这些噪音点对应的车牌在某时刻的行车点关联属性。

套牌识别模块，适于响应于前述噪音点对应行车点的时间点-地理坐标与所述轨迹聚类结果的比对结果，判别出某车牌的套牌风险。

本公开所涉及的套牌识别，基本上基于车辆行为特征及其体现的行车轨迹来实现的。正常车辆在工作日一般具有正常的行车轨迹，因此聚类时一般可以聚为固定类。此外，将正常车辆出现的时间和地点坐标进行相应的计算求解后，得到的值按时间顺序排序后基本是连续的，不会出现噪音点。因此采用数字滤波对相同车牌的计算值进行滤波，将产生噪音的段与聚类结果进行对比。基于分类结果的轨迹和滤波结果来进行套牌的识别和判断。

本例中，套牌识别模块基于下述一种或多种组合的条件/规则来进行车辆套牌识别：

1)响应于噪音点所对应某一车牌的车辆行车点的地理坐标属于聚类结果中的一个类，则判别该车牌无套牌风险；

2)响应于噪音点所对应某一车牌的车辆行车点的地理坐标属于聚类结果中的两个类，且该两个类的时间点相差超过设定间隔t，则判别该车牌无套牌风险；

3)响应于噪音点所对应某一车牌的车辆行车点的地理坐标属于聚类结果中的两个类，且该两个类的时间点相差在设定间隔t以下，则判别该车牌存在套牌风险；

4)响应于噪音点所对应某一车牌的车辆行车点的地理坐标属于聚类结果中的至少三个类，则判别该车牌存在套牌风险。

应当理解，这里所提及的设定间隔t，即前述初次聚类模块中所使用的设定间隔t，作为进行判断的一个条件，在本实施例的实现过程中可以选取适当的阈值，诸如半小时，即30分钟作为判断依据。这样的一个半小时的阈值选取，既满足数据处理的复杂性，又基于车辆行为特征及其所体现的行车轨迹规律，对于整个车辆套牌的判别与识别是有利的。

当然，在另外的例子中，前述的设定间隔t，也可以选取更加长或者短的间隔，诸如25分钟、20分钟，又或者40分钟、45分钟等，当然并不以这些为限制。

图3是说明根据本发明某些实施例的基于车辆行为分析的车辆套牌识别方法的示意，结合图1所示，图3描述了一种在计算机系统上实现的基于车辆行为分析的车辆套牌识别过程200，这里使用的过程200可以是渐进的，或者是处于任何适当速率的，其实现过程并不一定是限定在特定的时间限度内完成的。该过程一旦被激活，过程进度可以由计算机系统100(图1)自动控制的。虽然以下公开所描述的过程200包括以特定步骤出现的多个操作，但是应当理解清楚，这些过程可以包括更多或者更少的操作，这些操作可以顺序执行或者并行执行(例如使用并行处理器或者多线程环境)。

接收在设定日期周期T范围内的过车数据(201)。

计算机系统100通过其外部接口105或者通讯装置104，接收外部的过车数据，这些过车数据中包含设定日期周期T范围内的某一个车牌的车辆的所有行车点，这些行车点具有对应的时间点-地理坐标的属性。

尤其是，这些过车数据中更加包含了多个这样的数据属性的集合。不仅仅是针对特定的某一个车牌的车辆。

这些过车数据，被通过计算机系统100的外设接口103存储在存储器120内，以利后续应用和处理。

对过车数据按照车牌进行分类(202)。

计算机系统100的过车数据分类模块按照车牌对过车数据进行分类。由此，可得到过车数据中每一个车牌的所有被发现(诸如被高清抓拍、卡口抓拍等)的点所对应时刻的地理位置坐标数据。这些数据按照车牌进行了分类和聚集。

对某一车牌的车辆行车点分类后的数据按照时间进行排序(203)。

如前述公开的描述中，通过计算机系统的时间排序模块，对某一车牌的车辆行车点分类后的数据按照时间进行排序。由此，可得到某一个车牌的车辆的所有行车点按照时间先后进行排序的结果，诸如对某一个车牌的车辆的所有行车点按照0：00时刻，到23：59时刻之间的所有行车点的排列数据。

对前述按照时间的排序结果按照时间再进行分类(204)。

如前述公开的描述中，通过计算机系统的初次聚类模块对前述按照时间的排序结果按照时间再进行分类聚集，对相邻两个地理坐标所对应的时间点不超过设定间隔t的作为同一类。

假设同一车牌的车所有的行车点的集合D＝{d₁,d₂,…,d_n}，每个d_i,i＝1,2,…,n，包含三个属性：时间，横坐标，纵坐标。

对这些行车点的数据信息按照前述方式进行分类和时间排序后，进行初次聚类，将前后两条信息的时间差不超过设定的间隔t的归为一类，得到D₁,D₂,…,D_m。

前述的间隔t，可根据实际情况进行设定，诸如，在一些例子中，可以选取为30分钟。当然，在另一些例子中，根据过车数据的数据量以及不同地区、季节的实际情况，可选择更大或者更小的值。

对时间分类后的数据使用密度可达聚类算法进行聚类(205)，得到同一车牌车辆的轨迹聚类结果。

本例中，采用基于密度可达的聚类算法，对时间分类即前述初次聚类后的数据使用密度可达聚类算法进行聚类，得到同一车牌车辆的轨迹聚类结果。

基于密度可达的聚类算法，已经在前述公开的描述中加以详细的说明，在此不再赘述。

轨迹聚类模块基本上包括两个部分来实现整个轨迹聚类过程:

首先，整体聚类：

STEP1：对于前述按照时间进行分类后的结果，记为：D₁,D₂,…,D_m，即如前述的初次聚类模块的归类结果；

STEP2：将每个类D_i,i＝1,2,...,m进行轨迹聚类，采用密度聚类算法，得到分类结果：

D_i1,D_i2,…,D_ik,i＝1,2,…,m；

然后，再对于每个D_i,i＝1,2,…,m进行密度聚类：

STEP1：对集合D_i中的每个元素，取横坐标，纵坐标两个属性，获得每两个元素之间的欧式距离s： $s=\sqrt{x^2+y^2}$

STEP2：找到D_i中第一个未被分类的点，记为d_ij，初始j＝1；

STEP3：找到D_i中到点d_ij的距离不大于距离阈值ε的点，即直接密度可达点，这些点与d_ij一起归为一类，记为D_ij；

STEP4：找到D_ij中其余点的直接密度可达点，若这些点属于D_ij则不做处理；否则，将这些点加入D_ij中；

STEP5：j＝j+1；转STEP2，直到D_ij中的点不再变化。

前述的距离阈值ε，在具体实现可根据实际情况进行选取，诸如1000m，2000m，甚至更多或者更少的取值。这些取值可根据聚类的包括但不限于地区、季节等情况加以考虑而选取。这些不同的距离阈值选取，将对聚类的结果产生影响，但不会影响本公开的轨迹聚类模块以及车辆套牌识别方法的实现。

对前述过车数据中的某一个车牌的车辆的所有行车点的地理坐标和对应时间点分别做归一化处理，并进行赋值运算，得到该车牌的车辆在某时刻出现的赋值(206)。

该步骤所做的处理，为后续的车辆套牌识别判断做准备。

归一化处理，对前述过车数据中的某一个车牌的车辆的所有行车点的地理坐标和对应时间点分别做归一化处理。这个归一化处理，可以采用现有技术中公知的方式来实现。下面将描述一个这样的例子。

对某一个车牌的车辆的所有行车点的地理坐标和对应时间点分别按照时间先后顺序排序，得到一表达矩阵：

$\left[\begin{array}{c}{t}_1,x_1,y_1\\ t_2,x_2,y_2\\ .\\ .\\ .\\ t_n,x_n,y_n\end{array}\right],$

其中，每一组(t_n,x_n,y_n)表示某时刻t_n时该车牌车辆对应行车点的关联属性，x_n,y_n分别表示在某时刻t_n该车辆所在行车点的经度和纬度；

再对前述表达矩阵做归一化处理，得到另一矩阵：

$\left[\begin{array}{c}{t_1}^{\′},{x_1}^{\′},{y_1}^{\′}\\ {t_2}^{\′},{x_2}^{\′},{y_2}^{\′}\\ .\\ .\\ .\\ {t_n}^{\′},{x_n}^{\′},{y_n}^{\′}\end{array}\right],$

其中：

${t_i}^{\′}=\frac{t_i-\min (t_1,...,t_n)}{\max (t_1,...,t_n)-\min (t_1,...,t_n)},i=\mathrm{1,2},...,n,$

${x_i}^{\′}=\frac{x_i-\min (x_1,...,x_n)}{\max (x_1,...,x_n)-\min (x_1,...,x_n)},i=\mathrm{1,2},...,n$

${y_i}^{\′}=\frac{y_i-\min (y_1,...,y_n)}{\max (y_1,...,y_n)-\min (y_1,...,y_n)},i=\mathrm{1,2},...,n.$

赋值计算，将某一车牌的车辆在某一时刻出现在某个具体地理位置所拥有的值。对每个车辆，如前述公开的，本例中定义了其三个属性：时间t，精度x，纬度y。每个车辆每次出现的值为f(t,x,y)。

由于前述步骤中前述三个属性进行了归一化处理，因此某一车牌的车辆在某一时刻出现在某个具体地理位置所拥有的值可表达为：

$f_i({t_i}^{\′},{x_i}^{\′},{y_i}^{\′})={\mathrm{\ω}}_1\·{t_i}^{\′}+{\mathrm{\ω}}_2\·\sqrt{{\left({x_i}^{\′}\right)}^2+{\left({y_i}^{\′}\right)}^2}$

其中， ${\mathrm{\ω}}_1=\frac{1}{3},{\mathrm{\ω}}_2=\frac{2}{3}.$

当然，在另一些实施例中，前述赋值运算还可以采用其他算式来实现。这样的算式根据本发明的教导是可以从现有技术中得到启发或者直接选取到的。

某一个车牌的车辆的所有f_i组成该具有该车牌的车辆的原始带噪音信号。

对赋值运算结果进行滤波处理，获取噪音点(207)，包括对前述赋值计算模块所计算得到的某一车牌的车辆在某一时刻出现在某个具体地理位置所拥有的值进行滤波处理并获取噪音点。

优选地，滤波采用现有技术中成熟的数字滤波算法实现。诸如小波滤波，在此不再赘述。

获取噪音点，原始信号经过滤波处理后，得到新的数据，此时通过新数据与原数据的差值，来找到原数据的噪音点，我们认为进过滤波处理后，若某时刻的新数据与原数据的差值过大，则该时刻原数据为噪音数据。但过大的定义却无法准确定义，而我们的套牌车判别不是只借助与噪音数据，所以我们只需保证能找到噪音数据即可，因此在本例子中，将前述滤波处理后所得的作为结果输出的新数据Z中，大于Z的平均值对应的点判别为噪音点，即波动较大的点，获得这些噪音点对应的车牌在某时刻的行车点关联属性。

响应于前述噪音点对应行车点的时间点-地理坐标与所述轨迹聚类结果的比对结果，得出某车牌的套牌风险(208)。

本公开所涉及的套牌识别，基本上基于车辆行为特征及其体现的行车轨迹来实现的。正常车辆在工作日一般具有正常的行车轨迹，因此聚类时一般可以聚为固定类。此外，将正常车辆出现的时间和地点坐标进行相应的计算求解后，得到的值按时间顺序排序后基本是连续的，不会出现噪音点。因此采用数字滤波对相同车牌的计算值进行滤波，将产生噪音的段与聚类结果进行对比。基于分类结果的轨迹和滤波结果来进行套牌的识别和判断。

本例中，利用前述计算机系统100的套牌识别模块基于下述一种或多种组合的条件/规则来进行车辆套牌识别：

1)响应于噪音点所对应某一车牌的车辆行车点的地理坐标属于聚类结果中的一个类，则判别该车牌无套牌风险；

2)响应于噪音点所对应某一车牌的车辆行车点的地理坐标属于聚类结果中的两个类，且该两个类的时间点相差超过设定间隔t，则判别该车牌无套牌风险；

3)响应于噪音点所对应某一车牌的车辆行车点的地理坐标属于聚类结果中的两个类，且该两个类的时间点相差在设定间隔t以下，则判别该车牌存在套牌风险；

4)响应于噪音点所对应某一车牌的车辆行车点的地理坐标属于聚类结果中的至少三个类，则判别该车牌存在套牌风险。

应当理解，这里所提及的设定间隔t，即前述初次聚类模块中所使用的设定间隔t，作为进行判断的一个条件，在本实施例的实现过程中可以选取适当的阈值，诸如半小时，即30分钟作为判断依据。这样的一个半小时的阈值选取，既满足数据处理的复杂性，又基于车辆行为特征及其所体现的行车轨迹规律，对于整个车辆套牌的判别与识别是有利的。

当然，在另外的例子中，前述的设定间隔t，也可以选取更加长或者短的间隔，诸如25分钟、20分钟，又或者40分钟、45分钟等，当然并不以这些为限制。

应当理解，在图3所示或者暗示的一个或多个流程的基础上，对于一个本领域的普通技术人员来说，不需要经过创造性的劳动就可以直接开发出一个或多个软件来执行图3流程图所示的方法。如图1所示的计算机系统100，如果得到这些软件的支持和加载，可实现相应的基于车辆行为分析的车辆套牌识别装置的功能。

可见，本发明提出的车辆套牌识别，充分利用车辆行车记录的大数据，取同一车牌的多天数据，进行分析。基于正常同一个车牌的车辆在每个工作日的几乎相同的时间段有着相同或相似的行车轨迹，或相似的起讫点，当出现差别大的轨迹或者起讫点时认为该车牌可能出问题的原则来进行整体方案的设计和实现。只要获取全省、市或者全国的电子警察、高清卡口等有效的记录数据，可以实现全省、市、甚至全国套牌车的统一查缉。不依赖于机动车登记数据库的更新，而且对路网结构没有要求。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (15)

1.一种在计算机系统上执行的基于车辆行为分析的车辆套牌识别方法，其特征在于，包括：

接收在设定日期周期T范围内的过车数据，该些过车数据包含某一个或多个车牌的车辆的所有行车点，这些行车点具有对应的时间点-地理坐标的属性；

对过车数据按照车牌进行分类；

对某一车牌的车辆行车点分类后的数据按照时间进行排序；

对排序结果按照时间进行分类，对相邻两个地理坐标所对应的时间点不超过设定间隔t的作为同一类；

对时间分类后的数据使用密度可达聚类算法进行聚类，得到同一车牌车辆的轨迹聚类结果；

对前述过车数据中的某一个车牌的车辆的所有行车点的地理坐标和对应时间点分别做归一化处理，并进行赋值运算，得到该车牌的车辆在某时刻出现的赋值；

对赋值运算结果进行滤波处理，获取噪音点；

响应于前述噪音点对应行车点的时间点-地理坐标与所述轨迹聚类结果的比对结果，得出某车牌的套牌风险。

2.根据权利要求1所述的在计算机系统上执行的基于车辆行为分析的车辆套牌识别方法，其特征在于，前述方法更加包含：

响应于噪音点所对应某一车牌的车辆行车点的地理坐标属于聚类结果中的一个类，则判别该车牌无套牌风险。

3.根据权利要求2所述的在计算机系统上执行的基于车辆行为分析的车辆套牌识别方法，其特征在于，前述方法更加包含：

响应于噪音点所对应某一车牌的车辆行车点的地理坐标属于聚类结果中的两个类，且该两个类的时间点相差超过设定间隔t，则判别该车牌无套牌风险；

响应于噪音点所对应某一车牌的车辆行车点的地理坐标属于聚类结果中的两个类，且该两个类的时间点相差在设定间隔t以下，则判别该车牌存在套牌风险。

4.根据权利要求3所述的在计算机系统上执行的基于车辆行为分析的车辆套牌识别方法，其特征在于，前述方法更加包含：

响应于噪音点所对应某一车牌的车辆行车点的地理坐标属于聚类结果中的至少三个类，则判别该车牌存在套牌风险。

5.根据权利要求1所述的在计算机系统上执行的基于车辆行为分析的车辆套牌识别方法，其特征在于，对前述过车数据中的某一个车牌的车辆的所有行车点的地理坐标和对应时间点分别做归一化处理，包括：

对某一个车牌的车辆的所有行车点的地理坐标和对应时间点分别按照时间先后顺序排序，得到一表达矩阵：

$\left[\begin{array}{c}{t}_1,x_1,y_1\\ t_2,x_2,y_2\\ .\\ .\\ .\\ t_n,x_n,y_n\end{array}\right],$

其中，每一组(t_n,x_n,y_n)表示某时刻t_n时该车牌车辆对应行车点的关联属性，x_n,y_n分别表示在某时刻t_n该车辆所在行车点的经度和纬度；

再对前述表达矩阵做归一化处理，得到另一矩阵：

$\left[\begin{array}{c}{t}_1^{\′},x_1^{\′},y_1^{\′}\\ t_2^{\′},x_2^{\′},y_2^{\′}\\ .\\ .\\ .\\ t_n^{\′},x_n^{\′},y_n^{\′}\end{array}\right],$

其中：

$t_i^{\′}=\frac{t_i-\min (t_1,\·\·\·,t_n)}{\max (t_1,\·\·\·,t_n)-\min (t_1,\·\·\·,t_n)},i=\mathrm{1,2},\·\·\·,n,$

$x_i^{\′}=\frac{x_i-\min (x_1,\·\·\·,x_n)}{\max (x_1,\·\·\·,x_n)-\min (x_1,\·\·\·,x_n)},i=\mathrm{1,2},\·\·\·,n$

$y_i^{\′}=\frac{y_i-\min (y_1,\·\·\·,y_n)}{\max (y_1,\·\·\·,y_n)-\min (y_1,\·\·\·,y_n)},i=\mathrm{1,2},\·\·\·,n.$

6.根据权利要求5所述的在计算机系统上执行的基于车辆行为分析的车辆套牌识别方法，其特征在于，前述赋值运算采用下述公式实现：

$f_i(t_i^{\′},x_i^{\′},y_i^{\′})={\mathrm{\ω}}_1\·t_i^{\′}+{\mathrm{\ω}}_2\·\sqrt{{\left(x_i^{\′}\right)}^2+{\left(y_i^{\′}\right)}^2}$

其中， ${\mathrm{\ω}}_1=\frac{1}{3},{\mathrm{\ω}}_2=\frac{2}{3}.$

7.根据权利要求1所述的在计算机系统上执行的基于车辆行为分析的车辆套牌识别方法，其特征在于，前述方法更加包含：

将前述滤波处理后所得的作为结果输出的新数据Z中，大于Z的平均值对应的点判别为噪音点，获得这些噪音点对应的车牌在某时刻的行车点关联属性。

8.根据权利要求1中任意一项所述的在计算机系统上执行的基于车辆行为分析的车辆套牌识别方法，其特征在于，前述对时间分类后的数据使用密度可达聚类算法进行聚类，包括以下过程：

首先，整体聚类：

8-1a)对于前述按照时间进行分类后的结果，记为：D₁,D₂,…,D_m；

8-1b)将每个类D_i,i＝1,2,...,m，进行轨迹聚类，采用密度聚类，得到分类结果：

D_i1,D_i2,…,D_ik,i＝1,2,…,m；

然后，对于每个D_i,i＝1,2,…,m进行密度聚类：

8-2a)：对集合D_i中的每个元素，取横坐标，纵坐标两个属性，获得每两个元素之间的欧式距离s： $s=\sqrt{x^2+y^2}$

8-2b)：找到D_i中第一个未被分类的点，记为d_ij，初始j＝1；

8-2c)：找到D_i中到点d_ij的距离不大于距离阈值ε的点，即直接密度可达点，这些点与d_ij一起归为一类，记为D_ij；

8-2d)：找到D_ij中其余点的直接密度可达点，若这些点属于D_ij则不做处理；否则，将这些点加入D_ij中；

8-2e)：j＝j+1；转8-2b，直到D_ij中的点不再变化。

9.一种基于车辆行为分析的车辆套牌识别装置，其特征在于，包括：

用于接收在设定日期周期T范围内的过车数据的模块，该些过车数据包含某一个或多个车牌的车辆的所有行车点，这些行车点具有对应的时间点-地理坐标的属性；

用于对过车数据按照车牌进行分类的模块；

用于对某一车牌的车辆行车点分类后的数据按照时间进行排序的模块；

用于对排序结果按照时间进行分类的模块，其中，相邻两个地理坐标所对应的时间点不超过设定间隔t的作为同一类；

用于对时间分类后的数据使用密度可达聚类算法进行聚类的模块，得到同一车牌车辆的轨迹聚类结果；

用于对前述过车数据中的某一个车牌的车辆的所有行车点的地理坐标和对应时间点分别做归一化处理，并进行赋值运算，得到该车牌的车辆在某时刻出现的赋值的模块；

用于对赋值运算结果进行滤波处理，获取噪音点的模块；

用于响应于前述噪音点对应行车点的时间点-地理坐标与所述轨迹聚类结果的比对结果，得出某车牌的套牌风险的模块。

10.根据权利要求9所述的基于车辆行为分析的车辆套牌识别装置，其特征在于，该装置更加包含：

用于响应于噪音点所对应某一车牌的车辆行车点的地理坐标属于聚类结果中的一个类，则判别该车牌无套牌风险的模块。

11.根据权利要求10所述的基于车辆行为分析的车辆套牌识别装置，其特征在于，该装置更加包含：

用于响应于噪音点所对应某一车牌的车辆行车点的地理坐标属于聚类结果中的两个类，且该两个类的时间点相差超过设定间隔t，则判别该车牌无套牌风险的模块；

用于响应于噪音点所对应某一车牌的车辆行车点的地理坐标属于聚类结果中的两个类，且该两个类的时间点相差在设定间隔t以下，则判别该车牌存在套牌风险的模块。

12.根据权利要求11所述的基于车辆行为分析的车辆套牌识别装置，其特征在于，该装置更加包含：

用于响应于噪音点所对应某一车牌的车辆行车点的地理坐标属于聚类结果中的至少三个类，则判别该车牌存在套牌风险的模块。

13.根据权利要求9-12中任意一项所述的基于车辆行为分析的车辆套牌识别装置，其特征在于，前述用于对时间分类后的数据使用密度可达聚类算法进行聚类，得到同一车牌车辆的轨迹聚类结果模块包括用于整体聚类的子模块和用于对每个初步分类结果再进行密度聚类的子模块，其中：

所述整体聚类的子模块被设置成按照下述配置实现初步聚类：

8-1a)对于前述按照时间进行分类后的结果，记为：D₁,D₂,…,D_m；

8-1b)将每个类D_i,i＝1,2,...,m，进行轨迹聚类，采用密度聚类，得到分类结果：

D_i1,D_i2,…,D_ik,i＝1,2,…,m；

所述用于对每个初步分类结果再进行密度聚类的子模块被设置成按照下述配置实现再聚类：

8-2a)：对集合D_i中的每个元素，取横坐标，纵坐标两个属性，获得每两个元素之间的欧式距离s： $s=\sqrt{x^2+y^2}$

8-2b)：找到D_i中第一个未被分类的点，记为d_ij，初始j＝1；

8-2c)：找到D_i中到点d_ij的距离不大于距离阈值ε的点，即直接密度可达点，这些点与d_ij一起归为一类，记为D_ij；

8-2d)：找到D_ij中其余点的直接密度可达点，若这些点属于D_ij则不做处理；否则，将这些点加入D_ij中；

8-2e)：j＝j+1；转8-2b，直到D_ij中的点不再变化。

14.一种计算机系统，其特征在于，包括：

存储器；

一个或多个处理器；

一个或多个模块，该一个或多个模块被存储在所述存储器中并被配置成由所述一个或多个处理器执行，所述一个或多个模块包括用于执行下述处理的模块：

接收在设定日期周期T范围内的过车数据，该些过车数据包含某一个或多个车牌的车辆的所有行车点，这些行车点具有对应的时间点-地理坐标的属性；

对过车数据按照车牌进行分类；

对某一车牌的车辆行车点分类后的数据按照时间进行排序；

对排序结果按照时间进行分类，对相邻两个地理坐标所对应的时间点不超过设定间隔t的作为同一类；

对时间分类后的数据使用密度可达聚类算法进行聚类，得到同一车牌车辆的轨迹聚类结果；

对前述过车数据中的某一个车牌的车辆的所有行车点的地理坐标和对应时间点分别做归一化处理，并进行赋值运算，得到该车牌的车辆在某时刻出现的赋值；

对赋值运算结果进行滤波处理，获取噪音点；

响应于前述噪音点对应行车点的时间点-地理坐标与所述轨迹聚类结果的比对结果，得出某车牌的套牌风险。

15.根据权利要求14所述的计算机系统，其特征在于，所述一个或多个模块包括用于执行下述处理以实现对时间分类后的数据使用密度可达聚类算法进行聚类，得到同一车牌车辆的轨迹聚类结果的模块：

整体聚类，实现同一车牌车辆的轨迹的初步聚类：

8-1a)对于前述按照时间进行分类后的结果，记为：D₁,D₂,…,D_m；

8-1b)将每个类D_i,i＝1,2,...,m，进行轨迹聚类，采用密度聚类，得到分类结果：

D_i1,D_i2,…,D_ik,i＝1,2,…,m；

对每个初步分类结果再进行密度聚类：

8-2a)：对集合D_i中的每个元素，取横坐标，纵坐标两个属性，获得每两个元素之间的欧式距离s： $s=\sqrt{x^2+y^2}$

8-2b)：找到D_i中第一个未被分类的点，记为d_ij，初始j＝1；

8-2c)：找到D_i中到点d_ij的距离不大于距离阈值ε的点，即直接密度可达点，这些点与d_ij一起归为一类，记为D_ij；

8-2d)：找到D_ij中其余点的直接密度可达点，若这些点属于D_ij则不做处理；否则，将这些点加入D_ij中；

8-2e)：j＝j+1；转8-2b，直到D_ij中的点不再变化。