CN107862072B - 基于大数据技术分析车辆入城套牌作案的方法 - Google Patents

基于大数据技术分析车辆入城套牌作案的方法 Download PDF

Info

Publication number
CN107862072B
CN107862072B CN201711190386.7A CN201711190386A CN107862072B CN 107862072 B CN107862072 B CN 107862072B CN 201711190386 A CN201711190386 A CN 201711190386A CN 107862072 B CN107862072 B CN 107862072B
Authority
CN
China
Prior art keywords
vehicle
time
data
vehicles
license plate
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
Application number
CN201711190386.7A
Other languages
English (en)
Other versions
CN107862072A (zh
Inventor
李占强
辛国茂
李善宝
马述杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taihua Wisdom Industry Group Co Ltd
Original Assignee
Taihua Wisdom Industry Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taihua Wisdom Industry Group Co Ltd filed Critical Taihua Wisdom Industry Group Co Ltd
Priority to CN201711190386.7A priority Critical patent/CN107862072B/zh
Publication of CN107862072A publication Critical patent/CN107862072A/zh
Application granted granted Critical
Publication of CN107862072B publication Critical patent/CN107862072B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种基于大数据技术分析车辆入城套牌作案的方法，包括步骤：道路前端拍摄设备采集过车记录，解析为结构化数据后存储在HBase过车记录表中；分析目标车辆车牌消失地点；限定时间范围；限定地域范围；限定车型特征；数据检索：从所述HBase过车记录表筛选出符合所述时间范围、地域范围和车型特征的所有过车记录集合R，过车记录集合R中车辆满足在时间(tc+s)之后出现在第一卡口附近符合车型特征的全部车辆；去除噪音数据；从所述集合R中去除噪音数据后剩下的数据为符合要求的数据，其中包含所述目标车辆。本发明克服了现有技术中分析车辆入城套牌作案方法中的不足，帮助公安部门快速侦破案件，提高了案件侦破速度。

Description

基于大数据技术分析车辆入城套牌作案的方法
技术领域
本发明涉及大数据分析与公共安全领域，具体地说，是涉及一种基于大数据技术分析车辆入城套牌作案的方法。
背景技术
随着人们生活水平的提高，家用轿车越来越普及。车辆给人们生活带来便利的同时，也被违法犯罪分子作为作案工具。目前在有些城市，尤其是旅游城市(例如泰安、曲阜等)每天入城的外地车数量巨大。在众多的外地车中，不乏怀有作案动机的车辆。这些作案车辆在作案之前一般都会更换车牌，然后作案，最后逃窜。我们将这种车辆(尤其是外地车辆)入城、换牌、作案、逃窜的行为称为“车辆入城套牌作案”。
传统的分析车辆入城套牌作案的方式有两种：一种是套牌车分析；一种是以图搜图。但是这两种方式对于分析车辆入城套牌作案参考意义不大，具体原因如下：
套牌车分析一般有两种实现思路，第一种是根据同一个车牌号两次出现位置的距离除以两次出现的时间间隔得出车辆的平均速度，如果平均速度大于某一阈值，就认为这两次出现的车辆互为套牌车，这种计算套牌车的方式基于一个大前提：即假定涉案车辆所套用的车牌刚好是本地车牌，或者涉案车辆所套用的车牌所对应的真实车辆最近也恰巧在该市行驶过。在真实的案件中这种假设很难成立，因为稍有经验的犯罪人员一般都会套用外地车牌，所以这种方式无法胜任车辆入城套牌作案这种场景。第二种分析套牌车的方式是根据历史过车数据计算主体车并形成主体车库，然后每条过车记录都跟主体车库对比，若该条过车记录的车辆特征(如车辆品牌、车辆型号、车辆年款)跟主体车库对应车牌的车辆特征不一致，就认为该车是套牌车，这种方式依赖于历史过车数据，而初次入城犯案的车辆没有历史过车数据，所以基于主体车的套牌车分析也无法胜任车辆入城套牌作案这种场景。
以图搜图这种方式是通过抓取涉案车辆过车图片，并上传到车辆分析系统中，系统首先根据过车图片，识别出车辆的品牌、型号、年款等信息。然后在过车图片中人工圈画特征(如年检标排列方式、纸巾盒、摆件、挂件、遮阳板)，最后使用这些特征去跟过车库中的相同品牌、型号、年款的车辆的图片做比对，若图片特征相符，则认为这两条记录是同一辆车。然后比较车牌号，若车牌号也不一致，则认为这两辆车互为套牌车。以图搜图这种方式因为要圈画车辆特征，所以对于过车图片有一定的要求。具体来说卡口拍摄的车头图片，特征点较多，比较适合以图搜图；而电子警察拍摄的车尾，特征点较少，不适合以图搜图。而有些城市(如泰安)由于城市规划等原因，市内只部署有电子警察，而只有城市外圈有少量的卡口，这就注定了这些城市无法使用以图搜图来解决这类问题。所以，以图搜图也无法较好的胜任车辆入城套牌作案这种场景。
近年来大数据技术持续升温，作为大数据技术领域领头羊的Hadoop备受关注，Hadoop生态圈包含一系列的组件。其中MapReduce是一种离线批处理框架，MapReduce作业分为map和reduce两个阶段，MapReduce作业在各个节点之间并行执行并提供容错机制。HBase是分布式的key-value数据库，HBase利用HDFS分布式文件系统作为底层存储。HBase的数据是按照rowkey(行键)进行排序的，且执行查询时各节点并行执行，所以HBase比较适用于在线实时查询。
发明内容
本发明所要解决的技术问题是提供一种较为科学的分析车辆入城套牌作案的方法，以克服现有技术的不足。
为解决上述技术问题，本发明提供了一种基于大数据技术分析车辆入城套牌作案的方法，包括步骤：
道路前端拍摄设备采集过车记录，解析为结构化数据后存储在HBase过车记录表中；
分析目标车辆车牌消失地点：指定开始时间s和结束时间e，从所述HBase过车记录表中读取开始时间s至结束时间e范围内的全部车辆的行车记录，将全部车辆行车记录按照时间排序，确定目标车辆最后一次出现的第一卡口及时刻tc，所述第一卡口为目标车牌车辆消失点；
限定时间范围：目标车牌车辆耗时s更换车牌，则目标车辆在道路上再次出现的时刻则大于等于(tc+s)，目标车辆车牌更换为第二车牌；
限定地域范围：在第一卡口周边的道路前端拍摄设备拍摄到挂有所述第二车牌的目标车辆；
限定车型特征：更换车牌前后的车型不变，确定目标车辆车型；
数据检索：从所述HBase过车记录表筛选出符合所述时间范围、地域范围和车型特征的所有过车记录集合R，过车记录集合R中车辆满足在时间(tc+s)之后出现在第一卡口附近符合车型特征的全部车辆；
去除噪音数据：从集合R中去除在时刻tc之前有过车记录的车辆；从集合R中去除在过车记录中规律性出现的车辆；从集合R中去除在时刻tc之后有多条过车记录同时在早于所述开始时间距离所述第一卡口较远的位置出现过车记录的车辆；
从所述集合R中去除噪音数据后剩下的数据为符合要求的数据，其中包含所述目标车辆。
优选地，所述分析目标车辆车牌消失地点：指定开始时间s和结束时间e，从所述HBase过车记录表中读取开始时间s至结束时间e范围内的全部车辆的行车记录，将全部车辆行车记录按照时间排序，确定目标车辆最后一次出现的第一卡口及时刻tc，所述第一卡口为目标车牌车辆消失点，进一步为，
指定开始时间s和结束时间e，从所述HBase过车记录表中读取开始时间s至结束时间e范围内的目标车辆的行车记录，所述目标车辆先后在时刻ta、tb、tc经过卡口A、卡口B和卡口C，在卡口C后目标车辆消失，则目标车辆的行车顺序为ta-tb-tc，目标车辆消失点为卡口C。
优选地，所述从集合R中去除在时刻tc之后有多条过车记录同时在早于所述开始时间、距离所述第一卡口较远的位置出现过车记录的车辆，进一步为，
所述集合R中的车辆中，当在时刻tc之后有多条过车记录、但其在距离目标消失点较远位置出现同时出现的时间较早，则从集合R中去除掉该数据。
优选地，所述道路前端拍摄设备，进一步为卡口、电子警察设备。
与现有技术相比，本发明所述的基于大数据技术分析车辆入城套牌作案的方法，达到了如下效果：
本发明克服了现有技术中分析车辆入城套牌作案方法中的不足，能够帮助公安部门快速侦破案件，大大提高了案件侦破速度；
本发明中的过车记录存储在HBase中，速度快、扩展性强、容错性高；
本方法支持案发后根据假牌倒推出真牌，也支持案发前嫌疑套牌车的预测报警。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为实施例1中基于大数据技术分析车辆入城套牌作案的方法流程图；
图2为实施例2中车辆入城套牌示意图；
图3为实施例3中基于大数据技术分析车辆入城套牌作案的方法流程图。
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。此外，“耦接”一词在此包含任何直接及间接的电性耦接手段。因此，若文中描述一第一装置耦接于一第二装置，则代表所述第一装置可直接电性耦接于所述第二装置，或通过其他装置或耦接手段间接地电性耦接至所述第二装置。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明本发明的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
以下结合附图对本发明作进一步详细说明，但不作为对本发明的限定。
实施例1：
结合图1，本实施例提供了一种基于大数据技术分析车辆入城套牌作案的方法，包括步骤：
步骤101，道路前端拍摄设备采集过车记录，解析为结构化数据后存储在HBase过车记录表中；
步骤102，分析目标车辆车牌消失地点：指定开始时间s和结束时间e，从所述HBase过车记录表中读取开始时间s至结束时间e范围内的全部车辆的行车记录，将全部车辆行车记录按照时间排序，确定目标车辆最后一次出现的第一卡口及时刻tc，所述第一卡口为目标车牌车辆消失点；
步骤103，限定时间范围：目标车牌车辆耗时s更换车牌，则目标车辆在道路上再次出现的时刻则大于等于(tc+s)，目标车辆车牌更换为第二车牌；
步骤104，限定地域范围：在第一卡口周边的道路前端拍摄设备拍摄到挂有所述第二车牌的目标车辆；
步骤105，限定车型特征：更换车牌前后的车型不变，确定目标车辆车型；
步骤106，数据检索：从所述HBase过车记录表筛选出符合所述时间范围、地域范围和车型特征的所有过车记录集合R，过车记录集合R中车辆满足在时间(tc+s)之后出现在第一卡口附近符合车型特征的全部车辆；
步骤107，去除噪音数据：从集合R中去除在时刻tc之前有过车记录的车辆；从集合R中去除在过车记录中规律性出现的车辆；从集合R中去除在时刻tc之后有多条过车记录同时在早于所述开始时间距离所述第一卡口较远的位置出现过车记录的车辆；
步骤108，从所述集合R中去除噪音数据后剩下的数据为符合要求的数据，其中包含所述目标车辆。
所述分析目标车辆车牌消失地点：指定开始时间s和结束时间e，从所述HBase过车记录表中读取开始时间s至结束时间e范围内的全部车辆的行车记录，将全部车辆行车记录按照时间排序，确定目标车辆最后一次出现的第一卡口及时刻tc，所述第一卡口为目标车牌车辆消失点，进一步为，
指定开始时间s和结束时间e，从所述HBase过车记录表中读取开始时间s至结束时间e范围内的目标车辆的行车记录，所述目标车辆先后在时刻ta、tb、tc经过卡口A、卡口B和卡口C，在卡口C后目标车辆消失，则目标车辆的行车顺序为ta-tb-tc，目标车辆消失点为卡口C。
所述从集合R中去除在时刻tc之后有多条过车记录同时在早于所述开始时间、距离所述第一卡口较远的位置出现过车记录的车辆，进一步为，
所述集合R中的车辆中，当在时刻tc之后有多条过车记录、但其在距离目标消失点较远位置出现同时出现的时间较早，则从集合R中去除掉该数据。
所述道路前端拍摄设备，进一步为卡口、电子警察设备。
实施例2：
结合图2，在实施例1的基础上本实施例为应用实施例：
本方法需要对每辆入城车辆做车辆入城套牌作案分析，下面针对具体一辆车说明分析流程。如图1所示圆环内为市内，圆环外为市外，现有一辆车牌号为鲁A12345的别克威朗车Q，在经过卡口E、卡口A、卡口C之后，寻找隐蔽处更换车牌，假如更换的车牌为鲁A54321，经过一段时间之后，车Q会以鲁A54321的身份在卡口C附近的卡口或者电警处出现。
换牌之后车Q可能通过卡口D、电警B进入城区，也可能直接通过电警B进入城区。针对上述场景，本实施例通过如下步骤即可分析出车Q是在卡口C周边更换车牌，且换牌之前的车牌号为鲁A12345，换牌之后的车牌号为鲁A54321，具体如下：
1)分析车牌鲁A12345消失的地点：指定开始时间s，结束时间e，从HBase过车记录表中，读出[s,e]时间范围内的鲁A12345的行车记录，然后将行车记录按照时间排序，如图1所示，鲁A12345在te时刻经过卡口E、ta时刻经过卡口A、在tc时刻经过卡口C。随后车Q在隐蔽处换牌，之后以鲁A54321的身份出现在道路。所以卡口C就是鲁A12345消失点；
2)锁定时间范围：车Q在隐蔽处耗时s更换车牌，那么车Q再次在道路上出现的时刻应该大于(tc+s)，而此时车Q的车牌号已经更换为鲁A54321；
3)锁定地域范围：车Q在更换车牌之后，正常情况下还会在卡口C附近的卡口或者电警出现，即在卡口C周边的卡口或者电警会拍摄到鲁A54321经过。如图2所示，加粗虚线的圆环即代表卡口C附近的卡口D、电警B拍摄设备。
4)锁定车型特征：车Q在换牌前后还是同一辆车，所以换牌前后的车型应该一致，即换牌前后的车型都是别克威朗。
5)数据检索：从HBase的过车信息表中筛选出符合条件2、3、4的所有过车记录R。记录R中的车辆就是满足：在时间(tc+s)之后，出现在卡口C附近的所有别克威朗。
6)去除噪音数据：步骤5)中分析得出的记录R中有一些正常车辆的数据需要排除，称这些正常数据为噪音数据。去除如下噪音数据：
从集合R中去除：在tc之前有过车记录的车辆。
从集合R中去除：在历史过车数据中经常规律性出现的车辆；
从集合R中去除：在tc时刻之后有多条过车记录，但是较早的过车记录距离郊区卡口C较远，如可能是从图中商场的位置开往电警B处的车；
7)集合R去除噪音数据之后，剩下的数据就是符合要求的数据，这其中就有车牌鲁A54321。
实施例3：
本实施例的实施流程如下图3所示，流程图中具体步骤如下所述：
首先指定开始时间s、结束时间e，本方法从HBase中检索[s,e]时间范围内的过车记录信息的结果集RS，并针对RS中的每一条过车记录进行分析，目的是分析当前过车记录是否涉嫌入城套牌作案。若RS中过车记录读取完毕，那么程序退出。假设当前车辆为Q，其中针对车Q的分析流程如下：
1.分析车Q的消失地点，从RS结果集中读取车Q在[s,e]时间范围内的过车记录信息，并将过车记录信息按照过车时间先后顺序进行排序。找出车Q过车时间距离现在最近的一条过车记录，那么该条记录就定义为车Q的消失地点，假设该条记录的拍摄位置为卡口C，过车时间为tc。
2.限定时间范围，车Q在卡口C处消失，然后在卡口C附近寻找隐蔽地点更换车牌。假设更换车牌的操作耗时为s。那么更换了车牌的车Q再次出现并被抓拍的时间应该在(tc+s)时刻之后；
3.限定地域范围，车Q在卡口C附近更换车牌，我们有理由相信换牌之后的车Q一段时间之后还会在卡口C附近的卡口或者电子警察处出现并入城。所以此步骤就是筛选出卡口C附近一定范围内的卡口或者电子警察，而这些卡口或者电子警察很可能就是车Q换牌之后会经过的卡口或者电子警察；
4.限定车型特征，车Q在卡口C附近更换车牌前后的车型一致。假设车Q更换车牌前的车型为“别克威朗2017款”，那么更换车牌之后的车Q的车型也是“别克威朗2017款”；
5.数据检索，从HBase中检索出符合2)、3)、4)步骤所述条件的车辆。即在卡口C附近于时间(tc+s)之后出现的所有跟当前车辆车型一致的车辆。设检索出来的车辆集合为R；
6.去除噪音数据，步骤5)搜索出的车辆集合R，有些是正常数据，需要排除掉。需要排除如下噪音数据。
a.从集合R中去除：在tc之前有过车记录的车辆。这部分车辆在tc时刻之前就已经在道路上正常行驶，可以断定这部分数据是正常车辆的过车数据，而不是车Q更换车牌之后产生的异常数据，故应排除掉这部分数据。
b.从集合R中去除：在历史过车数据中经常规律性出现的车辆。这部分车辆代表经常性、习惯性、规律性的在市区出现的车辆。所以这部分车辆也应该排除掉。
c.从集合R中去除：在tc时刻之后有多条过车记录，但是较早的过车记录距离郊区卡口C较远。这部分车辆是从距离C较远的位置行驶至C附近的，行驶方向跟车Q相反，所以这部分车辆也应排除。
经过上述6个步骤，即可分析出少量精准的数据，然后在经过简单的人工排查即可确定入城套牌作案的车辆。
与现有技术相比，本发明所述的基于大数据技术分析车辆入城套牌作案的方法，达到了如下效果：
本发明克服了现有技术中分析车辆入城套牌作案方法中的不足，能够帮助公安部门快速侦破案件，大大提高了案件侦破速度；
本发明中的过车记录存储在HBase中，速度快、扩展性强、容错性高；
本方法支持案发后根据假牌倒推出真牌，也支持案发前嫌疑套牌车的预测报警。
上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (4)

1.一种基于大数据技术分析车辆入城套牌作案的方法，其特征在于，包括步骤：
道路前端拍摄设备采集过车记录，解析为结构化数据后存储在HBase过车记录表中；
分析目标车辆车牌消失地点：指定开始时间s和结束时间e，从所述HBase过车记录表中读取开始时间s至结束时间e范围内的全部车辆的行车记录，将全部车辆行车记录按照时间排序，确定目标车辆最后一次出现的第一卡口及时刻tc，所述第一卡口为目标车牌车辆消失点；
限定时间范围：目标车牌车辆耗时s′更换车牌，则目标车辆在道路上再次出现的时刻则大于等于(tc+s′)，目标车辆车牌更换为第二车牌；
限定地域范围：在第一卡口周边的道路前端拍摄设备拍摄到挂有所述第二车牌的目标车辆；
限定车型特征：更换车牌前后的车型不变，确定目标车辆车型；
数据检索：从所述HBase过车记录表筛选出符合所述时间范围、地域范围和车型特征的所有过车记录集合R，过车记录集合R中车辆满足在时间(tc+s′)之后出现在第一卡口附近符合车型特征的全部车辆；
去除噪音数据：从集合R中去除在时刻tc之前有过车记录的车辆；从集合R中去除在过车记录中规律性出现的车辆；从集合R中去除在时刻tc之后有多条过车记录同时在早于所述开始时间距离所述第一卡口较远的位置出现过车记录的车辆；
从所述集合R中去除噪音数据后剩下的数据为符合要求的数据，其中包含所述目标车辆。
2.根据权利要求1所述的基于大数据技术分析车辆入城套牌作案的方法，其特征在于，所述分析目标车辆车牌消失地点：指定开始时间s和结束时间e，从所述HBase过车记录表中读取开始时间s至结束时间e范围内的全部车辆的行车记录，将全部车辆行车记录按照时间排序，确定目标车辆最后一次出现的第一卡口及时刻tc，所述第一卡口为目标车牌车辆消失点，进一步为，
指定开始时间s和结束时间e，从所述HBase过车记录表中读取开始时间s至结束时间e范围内的目标车辆的行车记录，所述目标车辆先后在时刻ta、tb、tc经过卡口A、卡口B和卡口C，在卡口C后目标车辆消失，则目标车辆的行车顺序为ta-tb-tc，目标车辆消失点为卡口C。
3.根据权利要求1所述的基于大数据技术分析车辆入城套牌作案的方法，其特征在于，所述从集合R中去除在时刻tc之后有多条过车记录同时在早于所述开始时间、距离所述第一卡口较远的位置出现过车记录的车辆，进一步为，
所述集合R中的车辆中，当在时刻tc之后有多条过车记录、但其在距离目标消失点较远位置出现同时出现的时间较早，则从集合R中去除掉该数据。
4.根据权利要求1所述的基于大数据技术分析车辆入城套牌作案的方法，其特征在于，所述道路前端拍摄设备，进一步为卡口、电子警察设备。
CN201711190386.7A 2017-11-24 2017-11-24 基于大数据技术分析车辆入城套牌作案的方法 Active CN107862072B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711190386.7A CN107862072B (zh) 2017-11-24 2017-11-24 基于大数据技术分析车辆入城套牌作案的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711190386.7A CN107862072B (zh) 2017-11-24 2017-11-24 基于大数据技术分析车辆入城套牌作案的方法

Publications (2)

Publication Number Publication Date
CN107862072A CN107862072A (zh) 2018-03-30
CN107862072B true CN107862072B (zh) 2020-05-19

Family

ID=61703606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711190386.7A Active CN107862072B (zh) 2017-11-24 2017-11-24 基于大数据技术分析车辆入城套牌作案的方法

Country Status (1)

Country Link
CN (1) CN107862072B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108389394B (zh) * 2018-04-23 2020-01-21 泰华智慧产业集团股份有限公司 车辆初次入城分析的方法及系统
CN111259054B (zh) * 2018-11-30 2024-01-23 杭州海康威视数字技术股份有限公司 一种隐匿车确定方法、装置及电子设备
CN109859488B (zh) * 2019-01-29 2020-07-10 北京工业大学 一种克隆出租车检测方法及检测系统
CN110880242B (zh) * 2019-09-28 2020-10-02 安徽百诚慧通科技有限公司 一种判断假牌套牌车辆真实号牌的方法
CN112750213B (zh) * 2020-12-29 2022-06-14 深圳市顺易通信息科技有限公司 一种停车服务信息推送方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200669A (zh) * 2014-08-18 2014-12-10 华南理工大学 一种基于Hadoop的套牌车识别方法及系统
CN104933870A (zh) * 2015-05-21 2015-09-23 中兴软创科技股份有限公司 基于车辆行为分析的车辆套牌识别方法与装置
CN105702047A (zh) * 2016-03-04 2016-06-22 浙江宇视科技有限公司 一种套牌分析中车牌识别错误过滤方法及装置
CN105788264A (zh) * 2016-04-28 2016-07-20 泰华智慧产业集团股份有限公司 基于Hbase的卡口数据区域碰撞分析的方法及系统
CN105913668A (zh) * 2016-07-04 2016-08-31 中国电子科技集团公司第二十八研究所 一种基于海量交通数据统计的定向套牌车检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200669A (zh) * 2014-08-18 2014-12-10 华南理工大学 一种基于Hadoop的套牌车识别方法及系统
CN104933870A (zh) * 2015-05-21 2015-09-23 中兴软创科技股份有限公司 基于车辆行为分析的车辆套牌识别方法与装置
CN105702047A (zh) * 2016-03-04 2016-06-22 浙江宇视科技有限公司 一种套牌分析中车牌识别错误过滤方法及装置
CN105788264A (zh) * 2016-04-28 2016-07-20 泰华智慧产业集团股份有限公司 基于Hbase的卡口数据区域碰撞分析的方法及系统
CN105913668A (zh) * 2016-07-04 2016-08-31 中国电子科技集团公司第二十八研究所 一种基于海量交通数据统计的定向套牌车检测方法

Also Published As

Publication number Publication date
CN107862072A (zh) 2018-03-30

Similar Documents

Publication Publication Date Title
CN107862072B (zh) 基于大数据技术分析车辆入城套牌作案的方法
CN108596277B (zh) 一种车辆身份识别方法、装置和存储介质
CN108388888B (zh) 一种车辆识别方法、装置和存储介质
CN110390262B (zh) 视频分析方法、装置、服务器及存储介质
CN110191424B (zh) 一种特定嫌疑人的轨迹生成方法和装置
JP5976237B2 (ja) 映像検索システム及び映像検索方法
CN109615572B (zh) 基于大数据的人员亲密度分析的方法及系统
CN105138525B (zh) 交通视频处理装置和方法及检索装置和方法
CN104952273B (zh) 针对车辆行为的告警方法、装置及系统
CN110619277A (zh) 一种多社区智慧布控方法以及系统
CN109214345A (zh) 基于相似度比对查找换牌车辆的行驶轨迹的方法
CN110021172A (zh) 一种车辆全要素特征采集方法和系统
US8798318B2 (en) System and method for video episode viewing and mining
CN109325429A (zh) 一种关联特征数据的方法、装置、存储介质及终端
CN105608209B (zh) 一种视频标注方法和视频标注装置
CN109615904A (zh) 停车管理方法、装置、计算机设备和存储介质
Tung et al. Large-scale object detection of images from network cameras in variable ambient lighting conditions
JP2019192209A (ja) ビデオ動画の人工知能のための学習対象イメージパッケージング装置及び方法
CN109872541A (zh) 一种车辆信息分析方法及装置
Le et al. Vehicle count system based on time interval image capture method and deep learning mask R-CNN
CN109446926A (zh) 一种交通监控方法及装置、电子设备和存储介质
CN111881322B (zh) 一种目标搜索方法、装置、电子设备及存储介质
Tran et al. City-scale multi-camera vehicle tracking of vehicles based on YOLOv7
CN109727268A (zh) 目标跟踪方法、装置、计算机设备和存储介质
CN112562315B (zh) 一种获取车流信息的方法、终端及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant