CN107993444B - 基于卡口过车大数据分析的嫌疑车认定方法 - Google Patents
基于卡口过车大数据分析的嫌疑车认定方法 Download PDFInfo
- Publication number
- CN107993444B CN107993444B CN201711175621.3A CN201711175621A CN107993444B CN 107993444 B CN107993444 B CN 107993444B CN 201711175621 A CN201711175621 A CN 201711175621A CN 107993444 B CN107993444 B CN 107993444B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- case
- vehicles
- records
- vehicle passing
- 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
Links
Images
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
Abstract
本发明公开了一种基于卡口过车大数据分析的嫌疑车认定方法。所述方法大大减小了搜索嫌疑车辆的过程，提高了识别的准确率。包括如下步骤：基于全国机动车缉查布控系统，采集城市中安装部署的各卡口实时过车数据信息并采用HBASE分布式数据库组织数据并进行分布式储存；将分别提取的案发前、案发当天、案发后案发地邻近卡口设备编号的过车记录进行分组得到案发前、案发当天和案发后每辆车的过车次数；将得到的案发前、案发当天和案发后每辆车的过车次数依据实际案件情况进行分析过滤得到在案发前和案发当天频繁出现而案发后没有出现的车辆记录，这些车辆认定为嫌疑车辆。
Description
技术领域
本发明属于大数据分析领域，具体涉及一种基于卡口过车大数据分析的嫌疑车认定方法。
背景技术
随着社会生活水平的提高，公路智能监测技术的快速发展，现在有很多城市在打造“平安城市”、“智慧城市”。可以发现在城市的很多位置安装部署了大量卡口，逐步形成一张无形的保护网，这张网可以实时地检测机动车辆的轨迹，识别车辆车牌号、车身颜色、车辆品牌等信息。
随着机动车辆的普及，涉车案件发生的越来越多。但其中大部分案件，特别是晚上发生的涉车案件，为公安部门破案增加了难度。有的是公安部门一开始并没有掌握涉案车辆的相关信息，也有部分情况是通过调查、分析能够得到涉案车辆的行车轨迹。然后，通过查询途径卡口的采集信息数据库，为公安刑侦部门提供破案线索。但是城市里的卡口密集度大，车辆流量大，往往卡口的采集信息数据库数据量巨大，调查发现一个一般的县城一天的过车数据达到60万左右，二三线的地级市一天的过车数据基本都在500万以上。在这种情况下，为了找到嫌疑车辆，人工查询匹配是很费时费力的。
发明内容
本发明旨在至少解决现有技术中存在的问题之一。
本发明要解决的技术问题之一在于针对上述问题，改善现有技术的不足，提高公安部门破案的效率。
为解决上述技术问题，本发明提供一种基于卡口过车大数据分析的嫌疑车认定方法。
所述基于卡口过车大数据分析的嫌疑车认定方法，包括如下步骤：
S1：基于全国机动车缉查布控系统，采集城市中安装部署的各卡口实时过车数据信息(包含车牌号码、车身颜色、车辆品牌等)并采用HBASE分布式数据库组织数据并进行分布式储存；
S2：分别提取案发前、案发当天、案发后案发地邻近卡口设备编号的过车记录，分别标记为R2、R1和R3；
S3：根据过车数据信息(主要包含车牌号码、车身颜色)和案发地邻近卡口设备编号，分别将S2得到的各记录中的车辆进行分组，得到案发前、案发当天和案发后每辆车的过车次数；
S4：从步骤S3得到的案发前和案发当天的数据中过滤出过车次数大于预定阈值的车辆，得到案发前和案发当天频繁出现的车辆记录；
S5：将S4中得到的案发前和案发当天频繁出现的车辆数据进行关联比对，过滤掉重复车辆，得到案发前和案发当天频繁出现的车辆记录，标记为R12；
S6：将S2中得到的记录R3进行过滤，除掉重复的车辆，得到过滤后的记录R3’；
S7：将S5中得到的记录R12与S6中得到的记录R3’进行交集比对，得到案发地频繁出现的车辆记录；
S8：将S7中得到的记录数据与S5中得到的记录数据进行差别比对，得到在案发前和案发当天频繁出现而案发后没有出现的车辆记录，这些车辆认定为嫌疑车辆。
进一步地说，提取案发前和案发后信息的天数取决于预定阈值
与现有公开的技术方案相比，本发明具有的优势为：
所述基于卡口过车大数据分析的嫌疑车认定方法大大减小了搜索嫌疑车辆的过程，提高了识别的准确率。
附图说明
图1所示为本发明一个实施例的嫌疑车辆缉查布控系统的系统结构图；
图2所示为本发明一个实施例的嫌疑车辆分析处理流程图。
具体实施方式
下文将结合具体实施例详细描述本发明方法的具体实施方式及效果。应当注意的是，下述实施例中描述的技术特征或者技术特征的组合不应当被认为是孤立的，它们可以被相互组合从而达到更好的技术效果。
以下结合具体实施例对本发明进行详细说明。
1.如图1所示搭建Hadoop大数据平台进行分布式存储；
2.采集各卡口过车数据信息，通过图像识别算法对所有经过车辆进行识别，获得车辆的车牌号，颜色，车辆品牌等信息；
3.如图2所示选取案发地点邻近的卡口，记为C＝{C1，C2，C3，…}；
4.提取步骤3中卡口C的案发当天过车记录，记为R1＝TODAY_RESULT＝{TODAY_RESULT 1，TODAY_RESULT 2，TODAY_RESULT 3，…}；
5.对步骤4中过车记录TODAY_RESULT按车牌号、车辆颜色、过车次数进行分组，记为TODAY_RESULT_GROUP＝{TODAY_RESULT_GROUP1，TODAY_RESULT_GROUP2，TODAY_RESULT_GROUP3，…}；
6.提取步骤3中卡口C案发前M天内的过车记录，记为R2＝TODAY_BEFORE_RESULT＝{TODAY_BEFORE_RESULT1，TODAY_BEFORE_RESULT 2，TODAY_BEFORE_RESULT3，…}；
7.对步骤6中过车记录TODAY_BEFORE_RESULT按车牌号、车辆颜色、过车次数进行分组，记为TODAY_BEFORE_RESULT_GROUP＝{TODAY_BEFORE_RESULT_GROUP1，TODAY_BEFORE_RESULT_GROUP2，TODAY_BEFORE_RESULT_GROUP3，…}；
8.从步骤5的过车记录TODAY_RESULT_GROUP、步骤7的过车记录
TODAY_BEFORE_RESULT_GROUP中过滤出过车次数大于N的记录，记为
TODAY_RESULT_GROUP_N＝{TODAY_RESULT_GROUP_N1，
TODAY_RESULT_GROUP_N2，TODAY_RESULT_GROUP_N3，…}、
TODAY_BEFORE_RESULT_GROUP_N＝{TODAY_BEFORE_RESULT_GROUP_N1，
TODAY_BEFORE_RESULT_GROUP_N2，TODAY_BEFORE_RESULT_GROUP_N3，…}；
9.把步骤8中的过车记录TODAY_RESULT_GROUP_N与记录
TODAY_BEFORE_RESULT_GROUP_N进行一一关联比对，条件是
TODAY_RESULT_GROUP_N.车牌号等于TODAY_BEFORE_RESULT_GROUP_N.车牌号并且TODAY_RESULT_GROUP_N.车牌颜色等于TODAY_BEFORE_RESULT_GROUP_N.车牌颜色，关联比对记录记为COMPARISON＝{COMPARISON1，COMPARISON2，
COMPARISON3，…}
10.对步骤9的关联比对记录COMPARISON取并集，得到案发地点频繁出现的车辆记录，记为COMPARISON_U＝COMPARISON1U COMPARISON 2U COMPARISON 3U…；
11.从步骤10的记录COMPARISON_U中过滤掉相同的车牌号同时相同的车身颜色，使得车牌号和车身颜色可以作为唯一主键，记录记为R12；
12.提取步骤3中卡口C后K天内的过车记录，记为R3＝TODAY_AFTER_RESULT＝{TODAY_AFTER_RESULT 1，TODAY_AFTER_RESULT 2，TODAY_AFTER_RESULT3，…}；
13.对步骤12的过车记录TODAY_AFTER_RESULT按车牌号、车辆颜色、过车次数进行分组，记为TODAY_AFTER_RESULT_GROUP＝{TODAY_AFTER_RESULT_GROUP 1，TODAY_AFTER_RESULT_GROUP 2，TODAY_AFTER_RESULT_GROUP 3，…}；
14.对步骤13的过车记录TODAY_AFTER_RESULT_GROUP取并集，并且过滤掉相同的车牌号同时相同的车身颜色，使得车牌号和车身颜色可以作为唯一主键，得到案发后地点频繁出现的车辆记录，记为R3’＝TODAY_AFTER_RESULT_GROUP 1U
TODAY_AFTER_RESULT_GROUP2U TODAY_AFTER_RESULT_GROUP 3U…；
15.对步骤11记录R12与步骤14记录R3’进行计算交集，得到案发当天和案发前频繁出现的车辆并且案发后出现的过车记录。
16.对步骤11记录R12与步骤15的记录进行计算差集，得到的过车记录在记录R12中但不在步骤15的记录中，即案发点频繁出现的车辆但在案发后未出现的车辆，可认为这些车辆是嫌疑车辆。
本文虽然已经给出了本发明的一些实施例，但是本领域的技术人员应当理解，在不脱离本发明精神的情况下，可以对本文的实施例进行改变。上述实施例只是示例性的，不应以本文的实施例作为本发明权利范围的限定。
Claims (4)
1.基于卡口过车大数据分析的嫌疑车认定方法，其特征在于，包括如下步骤：
S1：基于全国机动车缉查布控系统，采集城市中安装部署的各卡口实时过车数据信息并采用HBASE分布式数据库组织数据并进行分布式储存；
S2：分别提取案发前、案发当天、案发后案发地邻近卡口设备编号的过车记录，分别标记为R2、R1和R3；
S3：根据过车数据信息和案发地邻近卡口设备编号，分别将S2得到的各记录中的车辆进行分组，得到案发前、案发当天和案发后每辆车的过车次数；
S4：从步骤S3得到的案发前和案发当天的数据中过滤出过车次数大于预定阈值的车辆，得到案发前和案发当天频繁出现的车辆记录；
S5：将S4中得到的案发前和案发当天频繁出现的车辆数据进行关联比对，过滤掉重复车辆，得到案发前和案发当天频繁出现的车辆记录，标记为R12；
S6：将S2中得到的记录R3进行过滤，除掉重复的车辆，得到过滤后的记录R3’；
S7：将S5中得到的记录R12与S6中得到的记录R3’进行交集比对，得到案发地频繁出现的车辆记录；
S8：将S7中得到的记录数据与S5中得到的记录数据进行差别比对，得到在案发前和案发当天频繁出现而案发后没有出现的车辆记录，这些车辆认定为嫌疑车辆。
2.如权利要求1所述的基于卡口过车大数据分析的嫌疑车认定方法，其特征在于，所述过车数据信息包括但不限于车牌号码、车身颜色、车辆品牌。
3.如权利要求1所述的基于卡口过车大数据分析的嫌疑车认定方法，其特征在于，所述过车数据信息包括车牌号码和车身颜色。
4.如权利要求1所述的基于卡口过车大数据分析的嫌疑车认定方法，其特征在于，所述提取案发前和案发后信息的天数取决于预定阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711175621.3A CN107993444B (zh) | 2017-11-22 | 2017-11-22 | 基于卡口过车大数据分析的嫌疑车认定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711175621.3A CN107993444B (zh) | 2017-11-22 | 2017-11-22 | 基于卡口过车大数据分析的嫌疑车认定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107993444A CN107993444A (zh) | 2018-05-04 |
| CN107993444B true CN107993444B (zh) | 2021-02-02 |
Family
ID=62031958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711175621.3A Active CN107993444B (zh) | 2017-11-22 | 2017-11-22 | 基于卡口过车大数据分析的嫌疑车认定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107993444B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111179603B (zh) * | 2018-11-09 | 2021-03-02 | 杭州海康威视数字技术股份有限公司 | 一种车辆识别方法、装置、电子设备及存储介质 |
| 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 |
| CN109493608B (zh) * | 2018-12-06 | 2020-10-16 | 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 |
| CN111477007A (zh) * | 2020-03-13 | 2020-07-31 | 北京易华录国际技术有限公司 | 一种车辆查控分析管理系统及方法 |
| CN113470369B (zh) * | 2021-07-19 | 2022-05-17 | 佳都科技集团股份有限公司 | 一种基于多维度信息判断套牌车辆真实号牌的方法及系统 |
| CN116030642B (zh) * | 2023-03-27 | 2023-06-13 | 南京莱斯信息技术股份有限公司 | 交通流卡口过车信息中的嫌疑车辆确定方法及终端 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104050271A (zh) * | 2014-06-23 | 2014-09-17 | 桂林长海科技有限责任公司 | 一种基于HBase的卡口数据处理方法 |
| CN104463334A (zh) * | 2014-12-09 | 2015-03-25 | 深圳市华仁达技术有限公司 | 一种基于车辆轨迹的频繁出入智能分析系统和分析方法 |
| CN105788264B (zh) * | 2016-04-28 | 2018-03-16 | 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 |
| CN105913656B (zh) * | 2016-04-28 | 2019-04-09 | 泰华智慧产业集团股份有限公司 | 基于分布式统计频繁过车的方法及系统 |
| KR101736314B1 (ko) * | 2016-12-01 | 2017-05-16 | (주)그린아이티코리아 | 전자 장치를 이용한 차량 추적 시스템, 서버 및 그 제공 방법 |
-
2017
- 2017-11-22 CN CN201711175621.3A patent/CN107993444B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107993444A (zh) | 2018-05-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107993444B (zh) | 基于卡口过车大数据分析的嫌疑车认定方法 | |
| CN104200669B (zh) | 一种基于Hadoop的套牌车识别方法及系统 | |
| CN104732205B (zh) | 一种高速公路逃费稽查的系统 | |
| CN109214345B (zh) | 基于相似度比对查找换牌车辆的行驶轨迹的方法 | |
| CN106022296B (zh) | 一种基于车辆热点区域的概率聚合的套牌车检测方法 | |
| CN109615572B (zh) | 基于大数据的人员亲密度分析的方法及系统 | |
| CN109242024B (zh) | 一种基于卡口数据的车辆行为相似度计算方法 | |
| CN103246876A (zh) | 基于图像特征比对的车辆套牌识别方法 | |
| CN104731879B (zh) | 一种高速公路车辆逃费行为数据分析方法 | |
| CN105513368B (zh) | 一种基于不确定信息的假牌车筛选方法 | |
| CN102194132B (zh) | 一种伴随车检测识别系统及其方法 | |
| CN106251635A (zh) | 一种套牌嫌疑车牌号的识别方法及系统 | |
| CN109615853B (zh) | 识别高速公路疑似非法营运车辆的方法及设备 | |
| CN104766479A (zh) | 基于超高频射频与视频图像双识别匹配的汽车身份识别方法及装置 | |
| CN103177436B (zh) | 物件追踪的方法、系统 | |
| CN109033175A (zh) | 一种以图搜车的方法及系统 | |
| CN105448103A (zh) | 车辆套牌检测方法与系统 | |
| CN107329977B (zh) | 一种基于概率分布的假牌车二次筛选方法 | |
| CN106875679A (zh) | 识别伴随车辆的方法及装置 | |
| CN106297304A (zh) | 一种基于MapReduce面向大规模卡口数据的套牌车识别方法 | |
| CN110874369A (zh) | 一种多维数据融合侦查系统及其方法 | |
| CN105046959B (zh) | 基于双窗口滑动匹配机制的城市道路行程时间提取方法 | |
| CN109634946A (zh) | 一种基于大数据挖掘的轨迹智能匹配关联分析算法模型 | |
| CN106710225A (zh) | 一种车辆号牌违法的识别方法和监测平台 | |
| CN111949701B (zh) | 一种基于轨迹相似度的移动对象出行规律分析方法及装置 |
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 |