CN109118766A - 一种基于交通卡口的同行车辆判别方法及装置 - Google Patents
一种基于交通卡口的同行车辆判别方法及装置 Download PDFInfo
- Publication number
- CN109118766A CN109118766A CN201811027994.0A CN201811027994A CN109118766A CN 109118766 A CN109118766 A CN 109118766A CN 201811027994 A CN201811027994 A CN 201811027994A CN 109118766 A CN109118766 A CN 109118766A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- vehicles
- time
- space
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000002265 prevention Effects 0.000 abstract description 2
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 238000003786 synthesis reaction Methods 0.000 abstract 1
- 238000000605 extraction Methods 0.000 description 3
- 230000009191 jumping Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
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
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种基于交通卡口的同行车辆判别方法及装置。包括:以目标车辆的历史过卡数据为基础构造时空立方体;从历史总体过车数据中抽取时空立方体范围内的候选同行车辆过车数据;将候选同行车辆过车数据加工成候选同行车辆轨迹序列集;计算目标车辆轨迹序列与每一辆候选同行车辆轨迹序列的相似度;以轨迹相似度为基础,配合业务规则合成判定分值;选取判定分值高于阈值的车辆生成同行车列表。本发明通过对行车轨迹序列进行智能分析,达到判定同行车辆的目的,可以在智能交通、安全防控领域发挥重要作用。
Description
技术领域
本发明涉及智能分析领域,特别涉及一种基于交通卡口的同行车辆判别方法及装置。
背景技术
随着经济的发展,人民生活水平的提高,汽车在社会生产以及人民群众的生活占越来越重要的地位。伴随着汽车普及率的提升,违法人员越来越多地使用车辆从事犯罪活动。
近年来,公安部门一直大力发展视频监控应用建设,其中用于监测车辆信息的设备如高清卡口、简易卡口、电子警察等设备已在各大城市大规模部署应用,采集、沉淀了海量的过车数据,成为打击涉车犯罪的基础。对于犯罪团伙从事的案件,公安部门一般通过检索历史过车记录,锁定与嫌疑车辆轨迹高度相似的车辆作为侦查目标,从而对整个犯罪团伙实行打击。
但是,随着汽车保有量与视频监控设备的增加,数据库中的历史过车数据成几何级数激增。公安部门传统的分析方法基于数据库组合查询与人工判别相结合,既缺乏智能化分析手段,也无法应对激增的数据量。
现有技术中已经提出一些方案来解决同行车辆的分析问题。
第201310441733.4号中国专利申请提出基于车辆号牌识别和网格化监控的伴随车实时检测方法。该方法是:a、获取所有卡口站点的信息和一段时间内的历史车辆信息;b、获取被测车辆的信息;c、求出被测车辆的行驶轨迹;d、判断被测车辆的轨迹点数是否小于最小伴随等级,是则转跳到步骤h,否则进入步骤e;e、求出原始伴随车辆集合;f、判断原始伴随车辆集合中车辆的数量是否小于2,是则转跳到步骤h,否则进入步骤g;g、根据被测车辆的行驶轨迹计算原始伴随车辆集合中各个车的轨迹;h、伴随程度分析并得出结果。但该方法仅能识别连续的轨迹点,一旦伴随(同行)车辆存在绕路行为,准确性将大为降低。同时,该方法要求所有车辆必须通过同一个最后一个卡口,对于终点卡口不同,但是中间轨迹点大量重合的伴随(同行)车辆则不作考虑,这在实战中具有很大局限性。
第201410758503.5号中国专利申请提出一种同行车辆分析方法。该方法在数据库中查询嫌疑车辆在一时间段的行车轨迹,并将其中出现的所有地点按所属辖区进行分类得到不同的区域,同时将嫌疑车辆在一时间段内经过各区域的时间设为时间节点;应用服务器根据区域的数量自动生成对应数目的查询线程;各查询线程在数据库中查询各所述时间节点前后复数分钟内经过对应区域的全部车辆;应用服务器读取所有关联车辆的行车轨迹并与嫌疑车辆的行车轨迹进行匹配,若匹配成功,则认为该关联车辆是嫌疑车辆的同行车辆;提取所有同行车辆的数据,得到同行车辆列表。该方法的意义在于利用多线程技术提升执行速度,但该方案中关联车辆选取条件比较粗糙,导致接下来的轨迹匹配需要计算海量关联车辆,有比较多的无谓计算,制约了运算速度。而且关联车辆的行车轨迹并与嫌疑车辆的行车轨迹的匹配算法仅考虑行车轨迹中共同出现的点,而没有对整条轨迹序列的相似度进行分析,故在实践中有一定的局限性。
发明内容
有鉴于此,本发明提供了一种基于交通卡口的同行车辆判别方法及装置,能够充分卡口过车数据利用进行深度挖掘,提高同行车辆判别的速度以及智能化水平。
本发明提出一种基于交通卡口的同行车辆判别方法,应用与电子设备,可以通过目标车辆判别其同行车辆,本方法包括:
对于目标车辆,指定车牌号码以及需要分析的日期,时空立方体的时间阈值与空间阈值。
进一步地,从卡口过车数据中抽取符合车牌号码以及日期等条件的目标车辆过车数据集。
进一步地,对目标车辆过车数据集按时间进行排序。
进一步地,对目标车辆过车数据集进行清洗,去除因车牌识别错误造成的噪声。
进一步地,对目标车辆过车数据集,按照时间顺序提取每辆车的提取卡口标识,生成目标车辆轨迹序列。
目标车辆过车数据集的每一条记录,为目标车辆经过每一个卡口的时间点、卡口标识以及相应的经纬度坐标。
进一步地,对于每个时间点,通过时间阈值,生成时空立方体的时间切片;对于每个卡口经纬度,通过空间阈值,生成时空立方体的空间切片。时间切片与空间切片共同构成时空立方体,目标车辆的过车数据有多条,因此时空立方体有多个。
扫描卡口过车数据中的所有车辆,若过车时间与卡口位置处于时空立方体范围内,则输出当前记录,生成候选同行车辆过车数据集。
进一步地,对候选同行车辆过车数据集按照车牌号码及时间进行排序。
进一步地,清洗候选同行车辆过车数据集的噪声。
进一步地,按照时间顺序提取每辆车的提取卡口标识,生成候选同行车辆轨迹序列集。
对目标车辆轨迹序列,分别于候选同行车辆轨迹序列集的每一条序列进行相似度计算,其计算基于序列的编辑距离。即:
若目标车辆轨迹序列中删除一个卡口后与候选同行车辆轨迹序列一致,则距离为1,若删除两个卡口后两条序列一致,则距离为2,以此类推。
进一步地,若目标车辆轨迹序列中插入一个卡口后与候选同行车辆轨迹序列一致,则距离为1,若插入两个卡口后两个序列一致,则距离为2,以此类推。
进一步地,若目标车辆轨迹序列中更改一个卡口后与候选同行车辆轨迹序列一致,则距离为1,若更改两个卡口后两个序列一致,则距离为2,以此类推。
上述三步距离之和则为目标车辆轨迹序列与同行车辆轨迹序列的编辑距离。进一步地,通过编辑距离计算出两个轨迹序列之间的相似度。
针对候选同行车辆,将轨迹序列相似度作为判别同行车辆的基础分值。
进一步地,根据辅助规则添加辅助分值。
进一步地,将基础分值和辅助分值加总,得到判定分值从高到低排序。
进一步地,判定分值高于指定阈值的车辆为同行车辆。
本发明提出一种基于交通卡口的同行车辆判别装置,应用与电子设备,可以通过目标车辆判别其同行车辆,本装置包括:
位置获取模块:对于指定检索条件,如过车时间、卡口标识、车牌号码,从过车数据中筛选符合条件的过车数据集,清洗噪声。
时空立方体构造模块:指定目标车辆的车牌、时间切片的阈值、空间切片的阈值,调用轨迹获取模块,返回时空立方体集。
轨迹构造模块:对于每个时空立方体数,调用位置获取模块,获得位于时空立方体内每一辆车的位置数据,并将其加工成轨迹序列集合,即候选同行车辆轨迹序列集。
轨迹相似度计算模块:用于将目标车辆的序列与候选同行车辆轨迹序列集里的每一条轨迹序列进行相似度计算。
同行判定模块:依据候选车辆与目标车辆的轨迹相似度以及其他附加规则计算判定分值,筛选出同行车辆。
本发明提供的基于交通卡口的同行车辆判别方法及装置,通过对行车轨迹序列进行智能分析,达到判定同行车辆的目的,可以在智能交通、安全防控领域发挥重要作用。
附图说明
图1为本发明实施例提供的一种基于交通卡口的同行车辆判别过车过程。
图2为本发明实施例提供的时空立方体集合构造过程。
图3为本发明实施例提供的一种基于交通卡口的同行车辆判别过车结构装置示意图。
具体实施方式
本发明实施例提供了一种基于交通卡口的同行车辆判别方法及装置,以实现根据车辆通过卡口的数据,分析出目标车辆的同行车辆。
相关术语:
目标车辆:已经被锁定车牌以及出现时间的车辆。
同行车辆:与目标车辆的时空轨迹高度相似的车辆。
卡口:高清卡口、电子警察等采集设备,本发明所指的卡口具备从图像中识别车牌的能力。
卡口过车数据:存储历史车辆通行记录的数据集,包含车牌号码、过车时间、卡口标识、卡口经度、卡口纬度。
首先对本发明的分析对象进行介绍。本发明的目标是有效识别目标车辆的同行车辆。对指定的目标车辆C0,要找出活动轨迹与目标车辆C0相似,并且活动时间与目标车辆C0吻合的车辆C1,C2...Cn,即同行车辆。因为同行车辆通常不止一辆,故分析结果为同行车辆集合,记C={C1,C2...Cn}。
其次,对本发明的数据来源进行介绍。本发明基于卡口记录的历史过车数据,其格式为(过车时间,车牌号码,卡口标识)。另外,数据库中记录了每个卡口的地理信息,其格式为(卡口标识,卡口经度,卡口纬度),记作卡口地理数据。
图1为本发明实施例提供的一种基于交通卡口的同行车辆判别过车过程,包含以下步骤:
S101:从卡口历史过车数据中获取目标车辆轨迹。
以指定目标车牌号码、待分析的日期作为查询条件,从历史过车数据中检索出符合条件的数据集,即目标车辆过车数据集。
关联目标车辆过车数据集与卡口地理信息,获得每个过车记录的卡口经纬度。
将查询结果按照时间进行排序,得F0。
遍历数据集,计算车辆通过当前卡口与通过上一个卡口的时间差T,与直线距离差D。若干D/T大于阈值,则判定为噪声,将该记录删除。
去除噪声后的数据集记作F0’,即目标车辆过车数据集,其格式为(过车时间,车牌号码,卡口标识,卡口经度,卡口纬度)。
抽取F0’中的卡口标识字段,保留其次序,记作TRACK0,即目标车辆轨迹序列。
举例说明:目标车辆车牌号码为C0,在2018年3月1日的卡口过车记录有5条,分别是10:00通过卡口A,10:10通过卡口B,10:15通过卡口C,10:20通过卡口D,10:30通过卡口E。则F0内容为下表:
因为C卡口距离B卡口直线距离太远D,在时间间隔T(5分钟)内不可能达到,故删除该记录。
因此目标车辆轨迹序列TRACK0仅记录[A,B,D,E],其中C0为车牌号码,A\B\D\E为卡口标识。
S102:以目标车辆过车数据集为基础构造时空立方体。
设使用者指定的时间切片的阈值threshold_t,单位为秒;空间切片的阈值threshold_s,单位为米;清洗后的目标车辆过车数据集为集合F0’=(P1,P2,P3,...,Pn),集合中每一个元素Pi=(过车时间,车牌号码,卡口标识,卡口经度,卡口纬度),1<=i<=n。如图2所示:
S201:对空间切片的阈值threshold_s,计算其表征的经度偏移量long_offset与纬度偏移量lat_offset。
S202:遍历目标车辆过车数据集F0’,即当下表i<=集合F0’,持续循环
S203:对其中元素Pi,取出Pi.过车时间,Pi.卡口经度,Pi.卡口纬度。
S204:构造时空立方体TG_Cubei=(Pi.过车时间-threshold_t,Pi.过车时间+threshold_t,Pi.卡口经度-long_offset,Pi.卡口经度+long_offset,Pi.卡口纬度-lat_offset,Pi.卡口纬度+lat_offset)。
其中,Pi.过车时间-threshold_t,Pi.过车时间+threshold_t规定了时空立方体中时间切片的下限与上限;Pi.卡口经度-long_offset,Pi.卡口经度+long_offset规定了空立方中空间切片的经度下限与上限;Pi.卡口纬度-lat_offset,Pi.卡口纬度+lat_offset规定了空立方中空间切片的纬度下限与上限。
S205:将TG_Cubei装入时空立方体集合TG_Cube_Set,转跳到S202。
S103:获取候选同行车辆轨迹序列集合。其步骤为:
遍历时空立方体集合TG_Cube_Set,对其中每个元素TG_Cubei:
1)查找卡口地理数据,选出经纬度在时空立方体规定上下限之内的卡口标识。
2)将卡口标识附加进TG_Cubei。
遍历历史过车数据,若存在卡口标识=TG_Cubei.卡口标识并且过车时间位于TG_Cubei时间切片上下限范围之内,则输出当前记录,得到候选同行车辆过车数据集。
将候选同行车辆过车数据集按照车牌号码+时间排序,仿照S101的方法清洗噪声。
对候选同行车辆过车数据集中共有m辆车,对于每一辆车j,按照时间次序抽取卡口标识两个字段,构造候选同行车辆轨迹序列TRACKX=[卡口标识1,卡口标识2,...,卡口标识m]。1<=j<=m。
将TRACKX加入得到候选同行车辆轨迹序列集TRACK。
S104:计算目标车辆与每一辆候选同行车辆的轨迹序列相似度。
遍历TRACK中每个元素,即候选同行车辆的轨迹序列TRACKX,分别计算TRACKX与目标车辆轨迹序列TRACK0的编辑距离相似度。
在此简述编辑距离的定义。编辑距离指的是两个字符串之间,由一个转换成另一个所需的最少编辑操作次数,在本发明中,指的是一个轨迹序列转换成另一个轨迹序列所需的最少编辑次数。
若目标车辆轨迹序列中删除一个卡口后与候选同行车辆轨迹序列一致,则距离为1,若删除两个卡口后两条序列一致,则距离为2,以此类推。
若目标车辆轨迹序列中插入一个卡口后与候选同行车辆轨迹序列一致,则距离为1,若插入两个卡口后两个序列一致,则距离为2,以此类推。
若目标车辆轨迹序列中更改一个卡口后与候选同行车辆轨迹序列一致,则距离为1,若更改两个卡口后两个序列一致,则距离为2,以此类推。
两轨迹序列编辑距离相似度的计算基于两轨迹序列编辑距离。设TRACK0长度为TRACK0.Length,TRACKX长度为TRACKX.Length,Distance(0,j)为两序列编辑距离,Similarity(0,j)为两序列编辑距离相似度。
Similarity(0,j)=1-Distance(0,j)/Max(TRACK0.Length,TRACKX.Length)
举例说明:已知目标车辆轨迹序列TRACK0=[A,B,C,D,E],长度为5;候选同行车辆轨迹序列TRACKX=[B,H,D,E,F,G],长度为6。对于TRACK0,为了转换成TRACKX,需要做三个操作。1.将TRACK0中A卡口删除;2.将TRACK0中C卡口换成H卡口;3.在TRACK0末尾添加F、G卡口。故TRACK0与TRACKX的编辑距离为4。而编辑距离相似度为1-4/Max(5,6)=0.33。
本发明采用动态规划法计算编辑距离及相似度,对TRACK0与TRACKX,构造n行*m列矩阵D_Matrix,其中n为TRACK0长度,m为TRACKX长度。
则计算D_Matrix矩阵的动态规划函数为:
其中,
举例说明:对对TRACK0与TRACKX,初始化n行*m列矩阵D_Matrix如下,其中,D_Matrix[0][0]=0,D_Matrix[0][7]=6,D_Matrix[6][0]=5。
循环遍历i,j,依据动态规划公式填充D_Matrix[i][j]。如下表所示,D_Matrix[4][3]=min(D_Matrix[4][2]+1,D_Matrix[3][3]+1,D_Matrix[3][2]+0)=2。
最终得到D_Matrix,其中右下角取值为4,即两个序列的编辑距离为4,而相似度Similarity为0.33。
对每辆候选同行车辆,计算编辑距离相似度,保存在候选同行车辆轨迹序列相似度列表Sim,其中Sim(x)为第x辆候选同行车的轨迹序列相似度。
S105:输出同行车辆列表,其步骤为:
候选同行车辆轨迹序列相似度列表Sim中的每一个元素Sim(x)代表当前候选同行车辆的基础分值。
遍历Sim中的每一个元素Sim(x),计算判定分值Sim’(x)=Sim(x)+Adj(x)。
其中,Adj(x)代表辅助分值,通常由业务规则决定,例如首次入城为0.1。
将判定分值列表Sim’从高到低排序,选取判定分值高于阈值的车辆判定为同行车辆。
相应于上述方法实施例,如图3所示,本发明实施例还提供了一种基于交通卡口的同行车辆判别装置,所述装置包括:
位置获取模块:提供数据抽取服务,用于从卡口数据库抽取过车数据。时空立方体构造模块、轨迹构造模块都会调用本模块,本模块需要获取输入参数(例如车牌号码、日期、卡口坐标等),从数据库中抽取符合条件的数据,清洗噪声后返回给调用模块。
时空立方体构造模块:本模块调用位置获取模块,得到目标车辆通过卡口数据。对于通过每个卡口的时间点与经纬度坐标,指定时间切片阈值、空间切片阈值,生成一系列时空立方体的集合。本模块也会生成目标车辆的轨迹序列。
轨迹构造模块:调用时空立方体构造模块,获得时空立方体集合。以每个时空立方体中时间的上下限与空间的范围作为查询条件,从历史过车数据抽取符合条件的过车数据。清洗噪声后的过车数据为候选同行车辆过车数据集。进一步地对候选同行车辆过车数据集中的每一辆车,构造轨迹序列。所有车辆轨迹序列构成候选同行车辆轨迹序列集。
轨迹相似度计算模块:用于计算目标车辆与候选同行车辆的轨迹序列相似度,计算方法为运用动态规划法计算编辑距离。
同行判定模块:将候选同行车辆的轨迹相似度作为基础分值,加上业务规则确定的辅助分值,得出判定分值,并输出判定分值高于阈值的车辆,将其判定为同行车辆。
以上所述仅为本发明的较佳实施例而已,并非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作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (8)
1.一种基于交通卡口的同行车辆判别方法,其特征在于,包括:
从卡口数据获取目标车辆的轨迹序列;
从卡口数据获得确定分析范围的时空立方体;
从卡口数据获得候选同行车辆的轨迹序列集合;
计算目标车辆与候选同行车辆的轨迹序列相似度;
计算同行车辆的判定分值,确定同行车辆。
2.根据权利要求1所述的基于交通卡口的同行车辆判别方法,其特征在于,确定分析范围的时空立方体包括以下步骤:
以目标车辆通过每个卡口的时间为基准,通过加减时间切片的阈值,确定时间切片的下限与上限;
以目标车辆通过每个卡口的经纬度坐标为基准,通过加减空间切片的阈值,确定空间切片的下限与上限;
时间切片与空间切片确定时空立方体的范围;
因为目标车辆通过每个卡口点为多个,因此时空立方体也有多个,组成时空立方体集。
3.根据权利要求1所述的基于交通卡口的同行车辆判别方法,其特征在于,辆轨迹序列的集合,包括以下步骤:
从过车数据中抽取在时空立方体范围内的过车数据;
对符合条件的过车数据进行噪声清洗;
将过车数据中的每一辆车,生成轨迹序列。
4.根据权利要求1所述的基于交通卡口的同行车辆判别方法,其特征在于,计算目标车辆与同行车辆的轨迹相似度,包括以下步骤:
计算目标车辆与同行车辆的轨迹序列的编辑距离;
用1减去编辑距离除以两条轨迹序列的最大长度,得出两条序列的编辑距离相似度。
5.根据权利要求1所述的基于交通卡口的同行车辆判别方法,其特征在于,判定同行车辆的过程,包括以下步骤:
以编辑距离相似度为基础分值加上辅助分值得出判定分值;
将判定分值从高到低排序;
选取判定分值高于阈值的车辆为同行车辆。
6.一种基于交通卡口的同行车辆判别装置,其特征在于包括:
位置获取模块:负责将卡口数据从外部计算机系统导入本装置。
时空立方体构造模块:以目标车辆的过车数据为基础,确定分析的时空范围。
轨迹构造模块:从历史过车数据抽取位于时空立方体范围内的过车数据,生成候选同行车辆轨迹序列集。
轨迹相似度计算模块:计算目标车辆与候选同行车辆的轨迹相似度。
同行判定模块:计算判定分值,根据分值高低判定同行车辆。
7.根据权利要求6所述的基于交通卡口的同行车辆判别装置,其特征在于,
所述轨迹相似度计算模块,采用矩阵运算计算编辑距离,采用编辑距离作为计算轨迹相似度的基础。
8.根据权利要求6所述的基于交通卡口的同行车辆判别装置,其特征在于,
所述同行判定模块,采用基础分值加辅助分值生成判定分值。基础分值由轨迹相似度决定,辅助分值由业务经验决定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811027994.0A CN109118766A (zh) | 2018-09-04 | 2018-09-04 | 一种基于交通卡口的同行车辆判别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811027994.0A CN109118766A (zh) | 2018-09-04 | 2018-09-04 | 一种基于交通卡口的同行车辆判别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109118766A true CN109118766A (zh) | 2019-01-01 |
Family
ID=64861933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811027994.0A Pending CN109118766A (zh) | 2018-09-04 | 2018-09-04 | 一种基于交通卡口的同行车辆判别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109118766A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109727454A (zh) * | 2019-02-15 | 2019-05-07 | 东南大学 | 一种基于时空立方体的道路超速事件黑点识别方法 |
CN110148298A (zh) * | 2019-06-24 | 2019-08-20 | 重庆大学 | 基于机动车电子标识数据的私家车规律出行行为发现方法 |
CN110288031A (zh) * | 2019-06-27 | 2019-09-27 | 浙江工业大学 | 一种基于序列学习的车牌识别方法 |
CN110718070A (zh) * | 2019-10-14 | 2020-01-21 | 深圳前海中电慧安科技有限公司 | 一种伴随车辆识别方法、装置、设备及存储介质 |
CN110766088A (zh) * | 2019-10-29 | 2020-02-07 | 浙江大华技术股份有限公司 | 同行车辆分析方法、装置、及存储装置 |
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 |
CN111159254A (zh) * | 2019-12-30 | 2020-05-15 | 武汉长江通信产业集团股份有限公司 | 一种基于大数据处理的车辆与人员的关联方法 |
CN112507957A (zh) * | 2020-12-21 | 2021-03-16 | 北京百度网讯科技有限公司 | 一种车辆关联方法、装置、路侧设备及云控平台 |
CN112991717A (zh) * | 2019-12-16 | 2021-06-18 | 深圳云天励飞技术有限公司 | 车辆轨迹展示方法及相关产品 |
CN113469627A (zh) * | 2021-07-26 | 2021-10-01 | 亿海蓝(北京)数据技术股份公司 | 船期相似性判断方法、装置、电子设备及存储介质 |
CN114650502A (zh) * | 2020-12-17 | 2022-06-21 | 中移(苏州)软件技术有限公司 | 一种用户查询方法及装置、电子设备及计算机存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366566A (zh) * | 2013-06-25 | 2013-10-23 | 中国科学院信息工程研究所 | 一种针对特定车辆潜在群体的行驶轨迹预测方法 |
CN103456175A (zh) * | 2013-09-25 | 2013-12-18 | 武汉烽火众智数字技术有限责任公司 | 基于车辆号牌识别和网格化监控的伴随车实时检测方法 |
CN104462236A (zh) * | 2014-11-14 | 2015-03-25 | 浪潮(北京)电子信息产业有限公司 | 一种基于大数据的伴随车辆识别方法和装置 |
CN104462395A (zh) * | 2014-12-11 | 2015-03-25 | 南威软件股份有限公司 | 一种同行车辆分析方法 |
CN104778245A (zh) * | 2015-04-09 | 2015-07-15 | 北方工业大学 | 基于海量车牌识别数据的相似轨迹挖掘方法及装置 |
CN104834725A (zh) * | 2015-05-12 | 2015-08-12 | 西安翔迅科技有限责任公司 | 一种分析鉴别车辆尾随行为的系统 |
CN106875679A (zh) * | 2017-03-14 | 2017-06-20 | 东软集团股份有限公司 | 识别伴随车辆的方法及装置 |
CN107967493A (zh) * | 2017-12-18 | 2018-04-27 | 广州汇智通信技术有限公司 | 一种人车伴随的判定方法、系统及相关装置 |
-
2018
- 2018-09-04 CN CN201811027994.0A patent/CN109118766A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103366566A (zh) * | 2013-06-25 | 2013-10-23 | 中国科学院信息工程研究所 | 一种针对特定车辆潜在群体的行驶轨迹预测方法 |
CN103456175A (zh) * | 2013-09-25 | 2013-12-18 | 武汉烽火众智数字技术有限责任公司 | 基于车辆号牌识别和网格化监控的伴随车实时检测方法 |
CN104462236A (zh) * | 2014-11-14 | 2015-03-25 | 浪潮(北京)电子信息产业有限公司 | 一种基于大数据的伴随车辆识别方法和装置 |
CN104462395A (zh) * | 2014-12-11 | 2015-03-25 | 南威软件股份有限公司 | 一种同行车辆分析方法 |
CN104778245A (zh) * | 2015-04-09 | 2015-07-15 | 北方工业大学 | 基于海量车牌识别数据的相似轨迹挖掘方法及装置 |
CN104834725A (zh) * | 2015-05-12 | 2015-08-12 | 西安翔迅科技有限责任公司 | 一种分析鉴别车辆尾随行为的系统 |
CN106875679A (zh) * | 2017-03-14 | 2017-06-20 | 东软集团股份有限公司 | 识别伴随车辆的方法及装置 |
CN107967493A (zh) * | 2017-12-18 | 2018-04-27 | 广州汇智通信技术有限公司 | 一种人车伴随的判定方法、系统及相关装置 |
Non-Patent Citations (1)
Title |
---|
贾君枝 等: "科研机构名称归一化实现", 《图书情报工作》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109727454B (zh) * | 2019-02-15 | 2020-07-31 | 东南大学 | 一种基于时空立方体的道路超速事件黑点识别方法 |
CN109727454A (zh) * | 2019-02-15 | 2019-05-07 | 东南大学 | 一种基于时空立方体的道路超速事件黑点识别方法 |
CN110148298B (zh) * | 2019-06-24 | 2022-03-18 | 重庆大学 | 基于机动车电子标识数据的私家车规律出行行为发现方法 |
CN110148298A (zh) * | 2019-06-24 | 2019-08-20 | 重庆大学 | 基于机动车电子标识数据的私家车规律出行行为发现方法 |
CN110288031A (zh) * | 2019-06-27 | 2019-09-27 | 浙江工业大学 | 一种基于序列学习的车牌识别方法 |
CN110718070A (zh) * | 2019-10-14 | 2020-01-21 | 深圳前海中电慧安科技有限公司 | 一种伴随车辆识别方法、装置、设备及存储介质 |
CN110766088A (zh) * | 2019-10-29 | 2020-02-07 | 浙江大华技术股份有限公司 | 同行车辆分析方法、装置、及存储装置 |
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 |
CN112991717A (zh) * | 2019-12-16 | 2021-06-18 | 深圳云天励飞技术有限公司 | 车辆轨迹展示方法及相关产品 |
CN111159254A (zh) * | 2019-12-30 | 2020-05-15 | 武汉长江通信产业集团股份有限公司 | 一种基于大数据处理的车辆与人员的关联方法 |
CN111159254B (zh) * | 2019-12-30 | 2023-07-25 | 武汉长江通信产业集团股份有限公司 | 一种基于大数据处理的车辆与人员的关联方法 |
CN114650502A (zh) * | 2020-12-17 | 2022-06-21 | 中移(苏州)软件技术有限公司 | 一种用户查询方法及装置、电子设备及计算机存储介质 |
CN112507957A (zh) * | 2020-12-21 | 2021-03-16 | 北京百度网讯科技有限公司 | 一种车辆关联方法、装置、路侧设备及云控平台 |
CN112507957B (zh) * | 2020-12-21 | 2023-12-15 | 阿波罗智联(北京)科技有限公司 | 一种车辆关联方法、装置、路侧设备及云控平台 |
CN113469627A (zh) * | 2021-07-26 | 2021-10-01 | 亿海蓝(北京)数据技术股份公司 | 船期相似性判断方法、装置、电子设备及存储介质 |
CN113469627B (zh) * | 2021-07-26 | 2023-07-18 | 亿海蓝(北京)数据技术股份公司 | 船期相似性判断方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109118766A (zh) | 一种基于交通卡口的同行车辆判别方法及装置 | |
Dendorfer et al. | CVPR19 tracking and detection challenge: How crowded can it get? | |
CN109145170B (zh) | 一种道路交通事故数据挖掘服务器、方法和系统 | |
CN106846801B (zh) | 一种基于车辆轨迹的区域徘徊异常行为检测方法 | |
Zeppelzauer et al. | Automatic prediction of building age from photographs | |
CN103927508B (zh) | 一种目标车辆跟踪方法及装置 | |
CN105589875B (zh) | 一种多轨迹绘制的方法及装置 | |
CN110505583A (zh) | 一种基于卡口数据与信令数据的轨迹匹配算法 | |
CN109241349A (zh) | 一种基于深度学习的监控视频多目标分类检索方法及系统 | |
CN101848377A (zh) | 一种基于云计算及海量视频检索的多视频录入装置智能联动的装置和方法 | |
CN107329977B (zh) | 一种基于概率分布的假牌车二次筛选方法 | |
CN107659754B (zh) | 一种树叶扰动情况下监控视频的有效浓缩方法 | |
US10262209B2 (en) | Method for analyzing video data | |
CN107230267A (zh) | 基于人脸识别算法的幼儿园智能签到方法 | |
CN112131325A (zh) | 轨迹确定方法、装置及设备、存储介质 | |
CN105654735A (zh) | 基于离群点分析算法的套牌车快速甄别方法 | |
US20210089784A1 (en) | System and Method for Processing Video Data from Archive | |
CN109086682A (zh) | 一种基于多特征融合的智能视频黑烟车检测方法 | |
CN114492590A (zh) | 一种基于轨迹聚类的边境通道生成方法及装置 | |
Jiao et al. | Traffic behavior recognition from traffic videos under occlusion condition: a Kalman filter approach | |
CN112560711B (zh) | 非机动车交通违法判定方法、系统、装置及存储介质 | |
EP3244344A1 (en) | Ground object tracking system | |
CN105551063A (zh) | 一种用于跟踪视频中运动目标的方法以及装置 | |
CN117557961A (zh) | 一种基于大数据智能分析的公共安全管理方法及系统 | |
CN111899505B (zh) | 交通限制解除的检测方法和装置 |
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 |