CN107886731A - 一种非法营运车辆智能检测方法 - Google Patents
一种非法营运车辆智能检测方法 Download PDFInfo
- Publication number
- CN107886731A CN107886731A CN201711073069.7A CN201711073069A CN107886731A CN 107886731 A CN107886731 A CN 107886731A CN 201711073069 A CN201711073069 A CN 201711073069A CN 107886731 A CN107886731 A CN 107886731A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- latitude
- mrow
- illegal operation
- longitude
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种非法营运车辆智能检测方法，包括下述步骤：S1、车辆特征信息统计，利用城市卡口检测数据建立每辆车辆轨迹信息；S2、生成轨迹的二维灰度图像，将轨迹向二维灰度图像转换时，选择轨迹的空间两个纬度进行转换；S3、将生成轨迹的二维灰度图像进行标注，利用卷积神经网络进行训练和测试，对非法营运车辆进行检测。本发明基于城市高清卡口抓拍的车辆历史行驶信息，分别使用回归模型和卷积神经网络模型，对车辆是否为非法营运车辆进行检测判定，可快速地识别非法营运车辆，为非现场执法系统提供可靠依据，利于城市道路交通的管理，不仅准确率高，而且节省了大量的人力和物力，为运管处对非法营运车辆的监控、处罚提供依据。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种非法营运车辆智能检测方法。
背景技术
非法营运车辆，俗称“黑车”，是指未获得相关部门许可和手续，而进行长期营运盈利的车辆。随着经济、交通和生活水平的发展，越来越多的机动车车主抱着工作自由、盈利途径简单的心态投入到非法营运的行列中。非法营运车辆的存在不仅冲击了正常的交通运输行业，而且存在着极大的交通安全隐患。交通安全管理部门每年都会针对非法营运车辆的进行多次打击行动，但是收效甚微。非法营运车辆之所以屡禁不止，可以从以下三个方面进行分析：一是稽查治理，非法营运车辆流动性强，查证取证困难；二是非法营运车辆车主的侥幸心理，希望通过这种自由简单的盈利方式获得收入；三是乘客的法律与安全意识不足，未认识到乘坐非法营运车辆所潜藏的危害，不仅给非法营运车辆的运营创造市场，甚至在车辆被查处时帮助非法营运车辆车主做掩护，不配合交警执法提供证据。因此，非法营运车辆的治理工作具有车辆难以识别、数量庞大、调查取证困难等特点但是,目前对于非法营运车辆的检测以及区域统计一般都是采用的人为的方式，这样不仅准确率低，而且耗费了大量的人力和物力。
发明内容
有鉴于此，本发明的主要目的在于提供一种非法营运车辆智能检测方法,可快速地识别非法营运车辆，为非现场执法系统提供可靠依据，利于城市道路交通的管理，不仅准确率高，而且节省了大量的人力和物力，为运管处对非法营运车辆的监控、处罚提供依据。
为达到上述目的，本发明提供了一种非法营运车辆智能检测方法，包括下述步骤：
S1、车辆特征信息统计，利用城市卡口检测数据建立每辆车辆轨迹信息；
S2、生成轨迹的二维灰度图像，将轨迹向二维灰度图像转换时，选择轨迹的空间两个纬度进行转换；
S3、将生成轨迹的二维灰度图像进行标注，利用卷积神经网络进行训练和测试，对非法营运车辆进行检测。
由上，基于城市高清卡口抓拍的车辆历史行驶信息，即卡口数据为数据基础进行分析，分别使用回归模型和卷积神经网络模型，对车辆是否为非法营运车辆进行检测判定，无需投入更多的成本去获得数据，成本较低，可快速地识别非法营运车辆，通过对非法营运车辆识别，为非现场执法系统提供可靠依据，利于城市道路交通的管理，不仅准确率高，而且节省了大量的人力和物力，为运管处对非法营运车辆的监控、处罚提供依据。
作为上述技术方案的改进，在本发明的一个实施例中，所述步骤S1中车辆特征信息统计的具体步骤为：
S11、根据城市卡口数据统计车辆经过特定区域的次数；
S12、统计车辆在特定区域的停留时间；
S13、统计轨迹重复率。
由上，卡口数据中的车辆轨迹是三维的时空轨迹数据，在进行非法营运车辆分析时，发现车辆轨迹空间上包含的信息要比时间上更多、更重要，而且部分时间上的信息也会在空间上体现,对车辆轨迹信息的提取,包括车辆经过特定区域的次数,车辆在特定区域的停留时间，以及车辆轨迹重复率,提高车辆特征信息统计的正确率。
作为上述技术方案的改进，在本发明的一个实施例中，所述步骤S2中生成轨迹的二维灰度图像的具体步骤为：
S21、按时间先后顺序循环遍历车辆经过的卡口，若经过的当前卡口存在后续卡口，则调用百度地图API，获取两个卡口间的经纬度序列，并插入到经纬度序列文件；若不存在后续卡口，则将当前卡口的经纬度插入到经纬度序列文件；
S22、在获得经纬度序列之后，将经纬度投影到二维灰度图像中。
由上，将获得经纬度序列投影到二维灰度图像中，二维灰度图像能够清晰的展示车辆的轨迹信息，同时，在满足要求的情况下尺寸尽可能小，进一步提高非法运营车辆判别模型的准确率。
进一步地，选择向正下投影的方式将经纬度映射到二维平面之上，投影公式如下：
其中，常量minLat、maxLat分别为该城市的最小纬度和最大纬度，常量minLng、maxLng分别为该城市的最小经度和最大经度，变量xi和yi分别为经纬度序列中的经度和纬度；变量px和py分别二维灰度图像的横坐标和纵坐标。
由上，通过投影公式，将数据处理成112*112的轨迹图像作为卷积神经网络的输入数据，既能保证显示车辆的详细轨迹，也可以确保数据量合适，不会影响训练效率。
作为上述技术方案的改进，在本发明的一个实施例中，所述步骤S3中将生成轨迹的二维灰度图像数据标注为非法和正常两类，然后输入卷积神经网络进行训练。
进一步地，所述卷积神经网络不包含输入层和输出层共有6层，包括2层卷积层、2层下采样层、1层下采样层的展开层和1层全连接层。
由上，使用卷积神经网络模型，在车辆行驶轨迹的不规则、扭曲等方便有良好的处理能力，可以提取有用的轨迹特征进行分析。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。
图1为非法营运车辆智能检测方法的流程示意图；
图2为非法营运车辆智能检测方法中步骤S1的具体步骤流程图；
图3为非法营运车辆智能检测方法中步骤S2的具体步骤流程图；
图4为非法营运车辆智能检测方法的二维轨迹图像；
图5为非法营运车辆智能检测方法的卷积神经网络结构图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式，其作为本说明书的一部分，通过实施例来说明本发明的原理，本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相同或相似的部件使用相同的附图标号来表示。
一种非法营运车辆智能检测方法，如图1、图4所示，包括下述步骤：
S1、车辆特征信息统计，利用城市卡口检测数据建立每辆车辆轨迹信息；
S2、生成轨迹的二维灰度图像，卡口数据中的车辆轨迹是三维的时空轨迹数据，在进行非法营运车辆分析时，发现车辆轨迹空间上包含的信息要比时间上更多、更重要，而且部分时间上的信息也会在空间上体现，将轨迹向二维灰度图像转换时，选择轨迹的空间两个纬度进行转换；
S3、将生成轨迹的二维灰度图像进行标注，利用卷积神经网络进行训练和测试，对非法营运车辆进行检测。
在此过程中，基于城市高清卡口抓拍的车辆历史行驶信息，即卡口数据为数据基础进行分析，分别使用回归模型和卷积神经网络模型，对车辆是否为非法营运车辆进行检测判定，无需投入更多的成本去获得数据，成本较低，可快速地识别非法营运车辆，通过对非法营运车辆识别，为非现场执法系统提供可靠依据，利于城市道路交通的管理，不仅准确率高，而且节省了大量的人力和物力,为运管处对非法营运车辆的监控、处罚提供依据。
具体地，如图2所示，所述步骤S1中车辆特征信息统计的具体步骤为：
S11、根据城市卡口数据统计车辆经过特定区域的次数，其统计方法是：假设某一特定区域包含若干个高清卡口，车辆被该区域某一卡口第一次记录，则标记为车辆进入该区域，直到车辆下一次经过的高清卡口不在这若干个高清卡口之内，车辆经过特定区域的次数加1；
S12、统计车辆在特定区域的停留时间，其统计方法为假设某一特定区域包含若干个高清卡口，车辆被该区域某一卡口第一次记录，则该时间定义为车辆进入区域的时间t1；直到车辆下一次经过的高清卡口不在这若干个高清卡口之内，则该时间定义为车辆离开区域的时间t2；车辆在区域停留的时间即为t2-t1；
S13、统计轨迹重复率，其采用的方法如下：统计相邻两天的车辆经过卡口的序列，使用动态规划的方法，计算两个序列的最长公共子序列的长度，乘以2后除以两个序列的长度和，得到的结果即为车辆相邻两天的轨迹重复率。
其中，卡口数据中的车辆轨迹是三维的时空轨迹数据，对车辆轨迹信息的提取,提高车辆特征信息统计的正确率。
具体地，如图3所示，所述步骤S2中生成轨迹的二维灰度图像的具体步骤为：
S21、按时间先后顺序循环遍历车辆经过的卡口，若经过的当前卡口存在后续卡口，则调用百度地图API，获取两个卡口间的经纬度序列，并插入到经纬度序列文件；若不存在后续卡口，则将当前卡口的经纬度插入到经纬度序列文件；
S22、在获得详细的经纬度序列之后，需要将经纬度投影到二维灰度图像中。经纬度数据是建立在球面上的数据信息，可以选择向正下投影的方式将经纬度映射到二维平面之上，其投影公式如下：
其中，其中本发明设定的二维灰度图像的尺寸大小为112*112像素，图像左下角像素坐标为(0，0)，右上角像素坐标为(111，111)，二维灰度图像大小的确定同时满足两个要求：一是二维灰度图像能够比较清晰的展示车辆的轨迹信息；二是在满足要求的情况下尺寸尽可能小。其中，常量minLat、maxLat分别为该城市的最小纬度和最大纬度，常量minLng、maxLng分别为该城市的最小经度和最大经度，变量xi和yi分别为经纬度序列中的经度和纬度；变量px和py分别二维灰度图像的横坐标和纵坐标。
所述步骤S3中将生成轨迹的二维灰度图像数据标注，分为非法和正常两类，然后输入卷积神经网络进行训练。具体地，如图5所示，所述卷积神经网络不包含输入层和输出层共有6层，包括2层卷积层、2层下采样层、1层下采样层的展开层和1层全连接层。其过程为：
1)输入：将车辆的时空轨迹数据和其它特征融合处理成112*112的轨迹图像作为卷积神经网络的输入数据；
2)C1层：C1是一个特征提取层，该层先使用大小为13*13卷积核去卷积大小为112*112的输入图像，再加一个偏置项，即可得到特征图，可以降低噪音，提高原始图像中信号和特征的强度。本文设置的卷积核共有6个，通过卷积后最终获得6个大小为100*100的特征图；
3)S2层：S2是子采样层，该层采用4*4大小进行不重叠均值采样，即该层每一个单元对应C1层4*4的子块；将C1层4*4的子块中每个单元求和平均，与一个可调节的权重相乘后，然后与一个可调节的偏置项，最后使用Sigmoid函数经行激活，得到6个25*25的特征图；
4)C3层：C3也是一个特征提取层，该层使用的卷积核大小为14*14，S2层每个特征图有6个卷积核，共36个，最终通过卷积获得36个大小为12*12的特征图；
5)S4层：S4也是子采样层，该层的采样过程与S2的相同，采样大小依然是4*4，最终得到36个大小为3*3的特征图；
6)S4层的展开：将S4中的每一个3*3的单元分别进行展开，按顺序形成该层，共有36*3*3＝324个神经元；第一个展开后是该层的前九个，图3中标出为1到9，按顺序排列，最后一个展开是该层的最后九个，图5中标出为316到324；S4层展开的目的是与输出层进行全连接；
7)输出层：输出层与S4层的展开层全连接。S4层的展开层共有324个神经元，每一个神经元都与输出层的2个神经元相连，输出“10”代表非法营运车辆，输出“01”代表普通车辆。
以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范围，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变动，这些改进和变动也视为本发明的保护范围。
Claims (6)
1.一种非法营运车辆智能检测方法，其特征在于，包括下述步骤：
S1、车辆特征信息统计，利用城市卡口检测数据建立每辆车辆轨迹信息；
S2、生成轨迹的二维灰度图像，将轨迹向二维灰度图像转换时，选择轨迹的空间两个纬度进行转换；
S3、将生成轨迹的二维灰度图像进行标注，利用卷积神经网络进行训练和测试，对非法营运车辆进行检测。
2.如权利要求1所述的非法营运车辆智能检测方法，其特征在于，所述步骤S1中车辆特征信息统计的具体步骤为：
S11、根据城市卡口数据统计车辆经过特定区域的次数；
S12、统计车辆在特定区域的停留时间；
S13、统计轨迹重复率。
3.如权利要求1所述的非法营运车辆智能检测方法，其特征在于，所述步骤S2中生成轨迹的二维灰度图像的具体步骤为：
S21、按时间先后顺序循环遍历车辆经过的卡口，若经过的当前卡口存在后续卡口，则调用百度地图API，获取两个卡口间的经纬度序列，并插入到经纬度序列文件；若不存在后续卡口，则将当前卡口的经纬度插入到经纬度序列文件；
S22、在获得经纬度序列之后，将经纬度投影到二维灰度图像中。
4.如权利要求3所述的非法营运车辆智能检测方法，其特征在于，选择向正下投影的方式将经纬度映射到二维平面之上，投影公式如下：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>p</mi>
<mi>x</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>min</mi>
<mi>L</mi>
<mi>n</mi>
<mi>g</mi>
</mrow>
<mrow>
<mi>max</mi>
<mi>L</mi>
<mi>n</mi>
<mi>g</mi>
<mo>-</mo>
<mi>min</mi>
<mi>L</mi>
<mi>n</mi>
<mi>g</mi>
</mrow>
</mfrac>
<mo>&times;</mo>
<mn>112</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>p</mi>
<mi>y</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>min</mi>
<mi>L</mi>
<mi>a</mi>
<mi>t</mi>
</mrow>
<mrow>
<mi>max</mi>
<mi>L</mi>
<mi>a</mi>
<mi>t</mi>
<mo>-</mo>
<mi>min</mi>
<mi>L</mi>
<mi>a</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>&times;</mo>
<mn>112</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中，常量minLat、maxLat分别为该城市的最小纬度和最大纬度，常量minLng、maxLng分别为该城市的最小经度和最大经度，变量xi和yi分别为经纬度序列中的经度和纬度；变量px和py分别二维灰度图像的横坐标和纵坐标。
5.如权利要求1所述的非法营运车辆智能检测方法，其特征在于，所述步骤S3中将生成轨迹的二维灰度图像数据标注为非法和正常两类，然后输入卷积神经网络进行训练。
6.如权利要求5所述的非法营运车辆智能检测方法，其特征在于，所述卷积神经网络不包含输入层和输出层共有6层，包括2层卷积层、2层下采样层、1层下采样层的展开层和1层全连接层。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711073069.7A CN107886731A (zh) | 2017-11-03 | 2017-11-03 | 一种非法营运车辆智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711073069.7A CN107886731A (zh) | 2017-11-03 | 2017-11-03 | 一种非法营运车辆智能检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107886731A true CN107886731A (zh) | 2018-04-06 |
Family
ID=61778477
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711073069.7A Pending CN107886731A (zh) | 2017-11-03 | 2017-11-03 | 一种非法营运车辆智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107886731A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986478A (zh) * | 2018-09-17 | 2018-12-11 | 公安部交通管理科学研究所 | 一种定点甄别违法车辆的方法 |
| CN109493608A (zh) * | 2018-12-06 | 2019-03-19 | 湖南科创信息技术股份有限公司 | 非法营运车辆的识别方法及系统和计算机可读的存储介质 |
| CN109615853A (zh) * | 2018-11-29 | 2019-04-12 | 重庆首讯科技股份有限公司 | 识别高速公路疑似非法营运车辆的方法及设备 |
| CN110136448A (zh) * | 2019-06-13 | 2019-08-16 | 重庆大学 | 一种基于汽车电子标识数据的非法营运车辆识别方法 |
| CN110969190A (zh) * | 2019-11-07 | 2020-04-07 | 厦门大学 | 非法营运车辆检测方法、介质、设备及装置 |
| CN111009123A (zh) * | 2019-11-20 | 2020-04-14 | 安徽百诚慧通科技有限公司 | 一种基于prefixspan算法的车辆频繁轨迹挖掘方法及系统 |
| CN111368626A (zh) * | 2019-11-19 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 车辆识别方法、装置、电子设备和存储介质 |
| CN112329830A (zh) * | 2020-10-27 | 2021-02-05 | 中国人民解放军战略支援部队信息工程大学 | 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统 |
| WO2021036290A1 (zh) * | 2019-08-30 | 2021-03-04 | 华为技术有限公司 | 识别车辆的营运行为的方法、装置及计算设备 |
| CN113469158A (zh) * | 2021-09-06 | 2021-10-01 | 智广海联(天津)大数据技术有限公司 | 基于卷积神经网络的非法危化品运输车辆识别方法及系统 |
| CN113743392A (zh) * | 2020-05-28 | 2021-12-03 | 阿里巴巴集团控股有限公司 | 识别模型的训练方法、识别方法和装置 |
| CN117422596A (zh) * | 2023-10-19 | 2024-01-19 | 北京保险服务中心股份有限公司 | 基于大数据的非营业性质车辆从事营业行为的识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537840A (zh) * | 2015-01-09 | 2015-04-22 | 上海博康智能信息技术有限公司 | 非法营运出租车辆的检测系统 |
| CN104809180A (zh) * | 2014-12-15 | 2015-07-29 | 安徽四创电子股份有限公司 | 基于无监督智能学习算法的非法运营车辆识别方法及系统 |
| CN105280000A (zh) * | 2014-06-11 | 2016-01-27 | 中兴通讯股份有限公司 | 预警处理方法和装置 |
| CN106096507A (zh) * | 2016-05-27 | 2016-11-09 | 中兴软创科技股份有限公司 | 智慧交通黑车识别方法 |
| CN106960006A (zh) * | 2017-02-24 | 2017-07-18 | 河海大学 | 一种不同轨迹间相似度度量系统及其度量方法 |
-
2017
- 2017-11-03 CN CN201711073069.7A patent/CN107886731A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105280000A (zh) * | 2014-06-11 | 2016-01-27 | 中兴通讯股份有限公司 | 预警处理方法和装置 |
| CN104809180A (zh) * | 2014-12-15 | 2015-07-29 | 安徽四创电子股份有限公司 | 基于无监督智能学习算法的非法运营车辆识别方法及系统 |
| CN104537840A (zh) * | 2015-01-09 | 2015-04-22 | 上海博康智能信息技术有限公司 | 非法营运出租车辆的检测系统 |
| CN106096507A (zh) * | 2016-05-27 | 2016-11-09 | 中兴软创科技股份有限公司 | 智慧交通黑车识别方法 |
| CN106960006A (zh) * | 2017-02-24 | 2017-07-18 | 河海大学 | 一种不同轨迹间相似度度量系统及其度量方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王娜等: "基于卷积神经网络的非法营运车辆识别", 《计算机应用》 * |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108986478A (zh) * | 2018-09-17 | 2018-12-11 | 公安部交通管理科学研究所 | 一种定点甄别违法车辆的方法 |
| CN108986478B (zh) * | 2018-09-17 | 2021-06-29 | 公安部交通管理科学研究所 | 一种定点甄别违法车辆的方法 |
| CN109615853A (zh) * | 2018-11-29 | 2019-04-12 | 重庆首讯科技股份有限公司 | 识别高速公路疑似非法营运车辆的方法及设备 |
| CN109615853B (zh) * | 2018-11-29 | 2021-06-22 | 重庆首讯科技股份有限公司 | 识别高速公路疑似非法营运车辆的方法及设备 |
| CN109493608A (zh) * | 2018-12-06 | 2019-03-19 | 湖南科创信息技术股份有限公司 | 非法营运车辆的识别方法及系统和计算机可读的存储介质 |
| CN110136448A (zh) * | 2019-06-13 | 2019-08-16 | 重庆大学 | 一种基于汽车电子标识数据的非法营运车辆识别方法 |
| WO2021036290A1 (zh) * | 2019-08-30 | 2021-03-04 | 华为技术有限公司 | 识别车辆的营运行为的方法、装置及计算设备 |
| CN112447041A (zh) * | 2019-08-30 | 2021-03-05 | 华为技术有限公司 | 识别车辆的营运行为的方法、装置及计算设备 |
| CN110969190A (zh) * | 2019-11-07 | 2020-04-07 | 厦门大学 | 非法营运车辆检测方法、介质、设备及装置 |
| CN110969190B (zh) * | 2019-11-07 | 2023-05-12 | 厦门大学 | 非法营运车辆检测方法、介质、设备及装置 |
| CN111368626A (zh) * | 2019-11-19 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 车辆识别方法、装置、电子设备和存储介质 |
| CN111368626B (zh) * | 2019-11-19 | 2024-02-23 | 杭州海康威视系统技术有限公司 | 车辆识别方法、装置、电子设备和存储介质 |
| CN111009123A (zh) * | 2019-11-20 | 2020-04-14 | 安徽百诚慧通科技有限公司 | 一种基于prefixspan算法的车辆频繁轨迹挖掘方法及系统 |
| CN113743392A (zh) * | 2020-05-28 | 2021-12-03 | 阿里巴巴集团控股有限公司 | 识别模型的训练方法、识别方法和装置 |
| CN112329830A (zh) * | 2020-10-27 | 2021-02-05 | 中国人民解放军战略支援部队信息工程大学 | 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统 |
| CN112329830B (zh) * | 2020-10-27 | 2023-01-31 | 中国人民解放军战略支援部队信息工程大学 | 一种基于卷积神经网络和迁移学习的无源定位轨迹数据识别方法及系统 |
| CN113469158A (zh) * | 2021-09-06 | 2021-10-01 | 智广海联(天津)大数据技术有限公司 | 基于卷积神经网络的非法危化品运输车辆识别方法及系统 |
| CN113469158B (zh) * | 2021-09-06 | 2021-11-19 | 智广海联(天津)大数据技术有限公司 | 基于卷积神经网络的非法危化品运输车辆识别方法及系统 |
| CN117422596A (zh) * | 2023-10-19 | 2024-01-19 | 北京保险服务中心股份有限公司 | 基于大数据的非营业性质车辆从事营业行为的识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107886731A (zh) | 一种非法营运车辆智能检测方法 | |
| Najjar et al. | Combining satellite imagery and open data to map road safety | |
| CN105938560B (zh) | 一种基于卷积神经网络的车型精细分类系统 | |
| US9262914B2 (en) | Rogue vehicle detection | |
| CN107730905A (zh) | 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法 | |
| EP3751480B1 (en) | System and method for detecting on-street parking violations | |
| CN106372571A (zh) | 路面交通标志检测与识别方法 | |
| CN105574552A (zh) | 一种基于单目视觉的车辆测距与碰撞预警方法 | |
| CN114462553B (zh) | 一种面向车险反欺诈的图像标注及要素抽取方法与系统 | |
| CN105046235A (zh) | 车道线的识别建模方法和装置、识别方法和装置 | |
| WO2021036290A1 (zh) | 识别车辆的营运行为的方法、装置及计算设备 | |
| CN105868786A (zh) | 一种基于自编码预训练深度神经网络的车标识别方法 | |
| CN102855500A (zh) | 一种基于Haar和HoG特征的前车检测方法 | |
| CN109685942A (zh) | 用于识别移动资产的方法、装置及设备 | |
| CN108960079A (zh) | 一种图像识别方法及装置 | |
| CN110069982A (zh) | 一种交通车辆与行人的自动识别方法 | |
| Nanni et al. | Ensemble of multiple pedestrian representations | |
| CN108520528A (zh) | 基于改进差分阈值和位移匹配模型的移动车辆跟踪方法 | |
| CN115984830A (zh) | 安全带佩戴检测方法、装置、设备及存储介质 | |
| CN104268513A (zh) | 道路引导数据的获取方法及装置 | |
| CN111914704A (zh) | 一种三轮车载人的识别方法、装置、电子设备及存储介质 | |
| Amin et al. | An automatic number plate recognition of Bangladeshi vehicles | |
| CN111241918A (zh) | 一种基于人脸识别的车用防跟踪方法及系统 | |
| Maity et al. | Maximising highway safety through ai-enabled detection of pedestrians and animals in v2x environments | |
| CN112633163A (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180406 |