CN110164138A - 基于卡口对流向概率的套牌车辆的识别方法及系统、介质 - Google Patents

Abstract

本发明公开了一种基于卡口对流向概率的套牌车辆的识别方法及系统、一种基于卡口对流向概率进行深度学习的套牌车辆的识别方法及系统、计算机可读取的存储介质。本发明的基于卡口对流向概率的套牌车辆的识别方法及系统，通过对车辆运行卡口轨迹数据进行统计分析，数据建模，具有良好的识别准确度，尤其是结合号牌车辆的登记信息，有力提高查扣套牌车准确性和效率，美化车辆营运环境，保障人民生命和财产安全。另外，不需要路网、距离数据的情况下得到车辆轨迹的连续特征，同时也能兼容漏拍数据，相较通过计算距离或者根据路网来确定轨迹连续性效果更好，复杂度更低。

Description

基于卡口对流向概率的套牌车辆的识别方法及系统、介质

技术领域

本发明涉及智能交通技术领域，特别地，涉及一种基于卡口对流向概率的套牌车辆的识别方法及系统、计算机可读取的存储介质。

背景技术

套牌车辆，俗称克隆车，是指参照真牌车的型号和颜色，将号码相同的假牌套在同样型号和颜色的车上。套牌车主因为套用别人的牌照，所以在路上行驶时胆大妄为，做出任意穿红灯、轧黄线等严重违反交通法规的行为，对交通安全带来了严重的安全隐患，或者家庭内、朋友圈内互相套牌，以规避相关检查和费用。由于套牌车辆隐蔽性强、调查取证困难等特点，且目前尚无一种有效的方法或系统实现对其的自动识别，故如何准确识别套牌车辆已成为运管主管部门急需解决的问题，成为管控套牌车辆的重中之重。

发明内容

本发明提供了一种基于卡口对流向概率的套牌车辆的识别方法及系统、计算机可读取的存储介质，以解决现有技术无法对套牌车辆进行准确识别的技术问题。

根据本发明的一个方面，提供一种基于卡口对流向概率的套牌车辆的识别方法，包括以下步骤：

步骤S1：获取所有卡口编号，形成卡口集合K＝{k₁，k₂，k₃，k₄……k_n}；

步骤S2：建立卡口集合K自身的迪卡尔积K*K，穷近所有卡口对组合，形成n*n的卡口对二维矩阵K_m＝[k_i*k_j]，i∈N₊∧i≤n，j∈N₊∧j≤n；

步骤S3：获取每辆车的运行轨迹，并将每辆车的卡口轨迹数据按照行车时间先后顺序经过的所有卡口排序，得到每辆车的号牌卡口轨迹序列K_T，将号牌卡口轨迹序列K_T中前后相邻依次通过的两个卡口组成卡口对以得到号牌卡口对轨迹序列K_d，再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中相邻的卡口对，组成车辆通行卡口对记录；

步骤S4：统计卡口对流向概率；

步骤S5：基于卡口对流向概率建立卡口对流向概率二维矩阵K_n；

步骤S6：利用聚类算法划分卡口流向概率的高概率区间和低概率区间；

步骤S7：进行一维卡口对流向概率矩阵建模以得到卡口对流向概率一维矩阵K_p；及

步骤S8：统计各个号牌的卡口对流向概率一维矩阵K_p中卡口对流向概率出现在高概率区间的高区概率P并应用正态分布获取u±3σ的边界P值，u±3σ区间之外的号牌为套牌车；u±3σ区间之内且在边界P值附近的号牌为疑似套牌车。

进一步地，所述步骤S4具体为

根据步骤S3中的车辆通行卡口对记录，先统计从每一个卡口k_i流出车辆总和c(k_i)，再统计卡口k_i流出并直达卡口k_j的记录总数c(k_i，k_j)，即得到卡口k_i到k_j的流向概率P_ij，计算方式为：P_ij＝P(k_i，k_j)＝c(k_i，k_j)/c(k_i)。

进一步地，所述步骤S5具体为：

初始时，将卡口对二维矩阵K_m中的卡口对(k_i，k_j)赋值为0，然后将卡口对二维矩阵K_m中相应的卡口对(k_i，k_j)替换成其卡口对流向概率P(k_i，k_j)，以得到卡口对流向概率二维矩阵K_n。

进一步地，所述步骤S7具体为：

通过号牌卡口对轨迹序列K_d中的卡口对查找卡口对流向概率二维矩阵K_n中对应的流向概率，并将号牌卡口对轨迹序列K_d中的卡口对替换成相应的卡口对流向概率，得到卡口对流向概率一维矩阵K_p。

进一步地，所述套牌车辆的识别方法还包括以下步骤：

步骤S9：将识别的套牌车辆的号牌以及疑似套牌车辆的号牌存入套牌车数据库。

进一步地，所述套牌车辆的识别方法还包括以下步骤：

步骤S10：对套牌车辆进行捕捉；

所述步骤S10包括：

步骤S101：获取套牌车或疑似套牌车一段时间内的卡口数据和卡口经纬度，并从中提取高频卡口及高频时段作为热点卡口；

步骤S102：对车辆拍照获取车辆号牌，或手动录入车辆号牌，或实时接入卡口传入的号牌；及

步骤S103：在热点卡口将获得的车辆号牌与套牌车数据库进行比对，若比对结果为套牌车，立即输出告警信息，同时从交通车管数据系统中调出该号牌所属车辆的信息，辅助交警抓捕套牌车辆。

本发明还提供一种基于卡口对流向概率的套牌车辆的识别系统，适用于如上所述的识别方法，其特征在于，

包括

数据采集模块，用于获取进行套牌车辆识别所需的基础数据，

统计分析模块，用于对车辆运行轨迹数据进行数据建模、统计分析并识别套牌车辆；

控制器，用于控制所述数据采集模块采集基础数据和用于控制所述统计分析模块进行数据建模、统计分析并识别套牌车辆；

所述控制器分别与所述数据采集模块和统计分析模块连接，所述数据采集模块和统计分析模块连接。

进一步地，所述识别系统还包括

套牌车捕捉终端，与所述控制器连接，用于对套牌车辆进行捕捉；

所述套牌车捕捉终端包括

热点卡口获取单元，用于获取套牌车或疑似套牌车一段时间内的卡口数据和卡口经纬度，并从中提取高频卡口及高频时段作为热点卡口；

号牌采集单元，用于对车辆拍照获取车辆号牌或用于手动录入车辆号牌，或用于实时接入卡口传入的号牌；

捕捉单元，用于在热点卡口将获得的车辆号牌与套牌车数据库进行比对，若比对结果为套牌车，立即输出告警信息，同时从交通车管数据系统中调出该号牌所属车辆的信息，辅助交警抓捕套牌车辆。

本发明还提供一种计算机可读取的存储介质，用于存储基于卡口对流向概率对套牌车辆进行识别的计算机程序，该计算机程序在计算机上运行时执行以下步骤：

步骤S1：获取所有卡口编号，形成卡口集合K＝{k₁，k₂，k₃，k₄……k_n}；

步骤S2：建立卡口集合K自身的迪卡尔积K*K，穷近所有卡口对组合，形成n*n的卡口对二维矩阵K_m＝[k_i*k_j]，i∈N₊∧i≤n，j∈N₊∧j≤n；

步骤S3：获取每辆车的运行轨迹，并将每辆车的卡口轨迹数据按照行车时间先后顺序经过的所有卡口排序，得到每辆车的号牌卡口轨迹序列K_T，将号牌卡口轨迹序列K_T中前后相邻依次通过的两个卡口组成卡口对以得到号牌卡口对轨迹序列K_d，再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中相邻的卡口对，组成车辆通行卡口对记录；

步骤S4：统计卡口对流向概率；

步骤S5：基于卡口对流向概率建立卡口对流向概率二维矩阵K_n；

步骤S6：利用聚类算法划分卡口流向概率的高概率区间和低概率区间；

步骤S7：进行一维卡口对流向概率矩阵建模以得到卡口对流向概率一维矩阵K_p；及

步骤S8：统计各个号牌的卡口对流向概率一维矩阵K_p中卡口对流向概率出现在高概率区间的高区概率P并应用正态分布获取u±3σ的边界P值，u±3σ区间之外的号牌为套牌车；u±3σ区间之内且在边界P值附近的号牌为疑似套牌车。

本发明还提供一种基于卡口对流向概率进行深度学习的套牌车辆的识别方法，包括以下步骤：

步骤S100：获取所有卡口编号，形成卡口集合K＝{k₁，k₂，k₃，k₄……k_n}；

步骤S200：建立卡口集合K自身的迪卡尔积K*K，穷近所有卡口对组合，形成n*n的卡口对二维矩阵K_m＝[k_i*k_j]，i∈N₊∧i≤n，j∈N₊∧j≤n；

步骤S300：获取每辆车的运行轨迹，并将每辆车的卡口轨迹数据按照行车时间先后顺序经过的所有卡口排序，得到每辆车的号牌卡口轨迹序列K_T，将号牌卡口轨迹序列K_T中前后相邻依次通过的两个卡口组成卡口对以得到号牌卡口对轨迹序列K_d，再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中相邻的卡口对，组成车辆通行卡口对记录；

步骤S400：统计卡口对流向概率；

步骤S500：基于卡口对流向概率建立卡口对流向概率二维矩阵K_n；

步骤S600：利用聚类算法划分卡口流向概率的高概率区间和低概率区间；

步骤S700：进行一维卡口对流向概率矩阵建模以得到卡口对流向概率一维矩阵K_p；

步骤S800：统计各个号牌的卡口对流向概率一维矩阵K_p中卡口对流向概率出现在高概率区间的高区概率P并应用正态分布获取u值对应的P_u值；及

步骤S900：利用卷积神经网络进行深度学习以实现智能识别套牌车辆。

进一步地，所述步骤S900具体包括以下步骤：

步骤S901：选择P_u值附近x张号牌的卡口对流向概率一维矩阵K_p作为正样本E⁺；

步骤S902：将所有号牌随机组合成一台新车，生成新的临时号牌，同时合并二者卡口轨迹数据，重复步骤S300-S800，选取P_u值附近x张号牌的卡口对流向概率一维矩阵K_p作为负样本E^-；

步骤S903：统一正样本E⁺、负样本E^-和卡口对流向概率一维矩阵K_p的长度并进行归一化处理；

步骤S904：将正样本E⁺和负样本E^-输入卷积神经网络，进行特征学习，并利用softmax分类器对卷积网络学习到的特征进行分类，得到基于一维深度学习的套牌车辆智能识别模型R_AI，然后使用验证数据，不断调整阈值、日期、x及x的取值区间、样本长度、卷积神经网络参数，进行训练，获得最佳套牌车辆智能识别模型R_AI；及

步骤S905：利用最佳套牌车辆智能识别模型R_AI对所有车辆的卡口对流向概率一维矩阵K_p进行识别，获得套牌号牌集合。

本发明还提供一种基于卡口对流向概率进行深度学习的套牌车辆的识别系统，适用于如上所述的基于卡口对流向概率进行深度学习的套牌车辆的识别方法，包括

数据采集模块，用于获取进行套牌车辆识别所需的基础数据，

深度学习模块，用于对车辆运行轨迹数据进行数据建模、统计分析、深度学习和识别套牌车辆；

控制器，用于控制所述数据采集模块采集基础数据和用于控制所述深度学习模块进行数据建模、统计分析、深度学习和识别套牌车辆；

所述控制器分别与所述数据采集模块和深度学习模块连接，所述深度学习模块与数据采集模块连接。

本发明还提供一种计算机可读取的存储介质，用于存储基于卡口对流向概率进行深度学习以对套牌车辆进行识别的计算机程序，该计算机程序在计算机上运行时执行以下步骤：

步骤S100：获取所有卡口编号，形成卡口集合K＝{k₁，k₂，k₃，k₄……k_n}；

步骤S200：建立卡口集合K自身的迪卡尔积K*K，穷近所有卡口对组合，形成n*n的卡口对二维矩阵K_m＝[k_i*k_j]，i∈N₊∧i≤n，j∈N₊∧j≤n；

步骤S300：获取每辆车的运行轨迹，并将每辆车的卡口轨迹数据按照行车时间先后顺序经过的所有卡口排序，得到每辆车的号牌卡口轨迹序列K_T，将号牌卡口轨迹序列K_T中前后相邻依次通过的两个卡口组成卡口对以得到号牌卡口对轨迹序列K_d，再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中相邻的卡口对，组成车辆通行卡口对记录；

步骤S400：统计卡口对流向概率；

步骤S500：基于卡口对流向概率建立卡口对流向概率二维矩阵K_n；

步骤S600：利用聚类算法划分卡口流向概率的高概率区间和低概率区间；

步骤S700：进行一维卡口对流向概率矩阵建模以得到卡口对流向概率一维矩阵K_p；及

步骤S800：统计各个号牌的卡口对流向概率一维矩阵K_p中卡口对流向概率出现在高概率区间的高区概率P并应用正态分布，获取u值对应的P_u值；及

步骤S900：利用卷积神经网络进行深度学习以实现智能识别套牌车辆。

本发明具有以下有益效果：

本发明的基于卡口对流向概率的套牌车辆的识别方法，通过对车辆运行卡口轨迹数据进行统计分析，数据建模，具有良好的识别准确度，尤其是结合号牌车辆的登记信息，有力提高查扣套牌车准确性和效率，美化车辆营运环境，保障人民生命和财产安全。另外，不需要路网、距离数据的情况下得到车辆轨迹的连续特征，同时也能兼容漏拍数据，相较通过计算距离或者根据路网来确定轨迹连续性效果更好，复杂度更低。

本发明的基于卡口对流向概率的套牌车辆的识别系统同样具有上述优点。

本发明的基于卡口对流向概率进行深度学习的套牌车辆的识别方法，通过对车辆运行卡口轨迹数据进行统计分析，数据建模，以及利用卷积神经网络进行学习和训练，采用卷积神经网络，避免了显式的特征抽取，阈值设置中引入的误差，而隐式地从训练数据中进行学习；卷积神经网络在图像处理方面有着独特的优越性，特别是一维向量的可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。另外，不需要路网、距离数据的情况下得到车辆轨迹的连续特征，同时也能兼容漏拍数据，相较通过计算距离或者根据路网来确定轨迹连续性效果更好，复杂度更低。

本发明的基于卡口对流向概率进行深度学习的套牌车辆的识别系统同样具有上述优点。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，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是本发明优选实施例的基于卡口对流向概率的套牌车辆的识别方法的流程示意图。

图2是本发明优选实施例的图1中的步骤S10的子流程示意图。

图3是本发明另一实施例的基于卡口对流向概率的套牌车辆的识别系统的模块结构示意图。

图4是本发明另一实施例的图3中的套牌车捕捉终端的模块结构示意图。

图5是本发明另一实施例的图3中的数据采集模块的模块结构示意图。

图6是本发明另一实施例的图3中的数据清洗模块的模块结构示意图。

图7是本发明另一实施例的图3中的统计分析模块的模块结构示意图。

图8是本发明另一实施例的基于卡口对流向概率进行深度学习的套牌车辆的识别方法的流程示意图。

图9是本发明另一实施例的图8中的步骤S900的子流程示意图。

图10是本发明另一实施例的基于卡口对流向概率进行深度学习的套牌车辆的识别系统的模块结构示意图。

图11是本发明另一实施例的图10中的深度学习模块的模块结构示意图。

附图标号说明：

11、控制器；12、数据采集模块；13、数据清洗模块；14、统计分析模块；17、套牌车捕捉终端；121、号牌采集单元；122、卡口数据采集单元；123、卡口经纬度采集单元；131、数据选择单元；132、数据清洗单元；133、数据转换单元；141、卡口对流向概率矩阵建模单元；142、一维卡口对流向概率矩阵建模单元；143、统计分析识别单元；171、热点卡口获取单元；172、号牌采集单元；173、捕捉单元；21、控制器；22、数据采集模块；23、数据清洗模块；25、深度学习模块；27、套牌车捕捉终端；251、卡口对流向概率矩阵建模单元；252、一维卡口对流向概率矩阵建模单元；253、样本选择单元；254、深度学习单元。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由下述所限定和覆盖的多种不同方式实施。

如图1所示，本发明的优选实施例提供一种基于卡口对流向概率的套牌车辆的识别方法，用于对套牌车辆进行有效、准确的识别。所述套牌车辆的识别方法包括以下步骤：

步骤S1：获取所有卡口编号，形成卡口集合K＝{k₁，k₂，k₃，k₄……k_n}；

步骤S2：建立卡口对二维矩阵K_m，具体地，建立卡口集合K自身的迪卡尔积K*K，穷近所有卡口对组合，形成n*n的卡口对二维矩阵K_m＝[k_i*k_j]，i∈N₊∧i≤n，j∈N₊∧j≤n；

步骤S3：获取每辆车的运行轨迹，并将每辆车的卡口轨迹数据按照行车时间先后顺序经过的所有卡口排序，得到每辆车的号牌卡口轨迹序列K_T，将号牌卡口轨迹序列K_T中前后相邻依次通过的两个卡口组成卡口对以得到号牌卡口对轨迹序列K_d，再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中相邻的卡口对，组成车辆通行卡口对记录；

步骤S4：统计卡口对流向概率；

步骤S5：基于卡口对流向概率建立卡口对流向概率二维矩阵K_n；

步骤S6：利用聚类算法划分卡口流向概率的高概率区间和低概率区间；

步骤S7：进行一维卡口对流向概率矩阵建模以得到卡口对流向概率一维矩阵K_p；及

步骤S8：识别出套牌车辆的号牌和疑似套牌车辆的号牌，具体地，统计各个号牌的卡口对流向概率一维矩阵K_p中卡口对流向概率出现在高概率区间的高区概率P并应用正态分布，获取u±3σ的边界P值，u±3σ区间之外的号牌为套牌车；u±3σ区间之内且在边界P值附近的号牌为疑似套牌车。

可以理解，在所述步骤S1中，所述卡口编号是从交通卡口系统中得到的。

可以理解，所述步骤S2中得到的卡口对二维矩阵K_m为

可以理解，在所述步骤S3中，是从交通卡口系统中获取车辆卡口数据，车辆卡口数据至少包括车辆号牌、卡口编号、经过时间、卡口照片，并根据车辆卡口数据生成车辆运行轨迹数据库。例如，一辆车依次经过A、C、F、B……K_i卡口，则该车的号牌卡口轨迹序列K_T＝＝{A，C，F，B……k_i}，所述号牌卡口轨迹序列K_T包括卡口编号，并且隐含车辆行驶的方向，即卡口方向；然后，将号牌卡口轨迹序列K_T中前后依次通过的两个卡口组成卡口对(k_i，k_j)并得到号牌卡口对轨迹序列K_d＝{(A，C)，(C，F)，(F，B)……(k_i，k_j)}，其中(A，A)代表着车辆在A卡口处掉头，(A，C)代表着车辆从A卡口直接驶向C卡口，(C，F)代表着车辆从C卡口直接驶向F卡口，……；再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中的卡口对，组成车辆通行卡口对记录，卡口对(k_i，k_j)表示车辆先经过卡口k_i，下一次经过卡口k_j，其格式如下：

卡口k<sub>i</sub>

卡口k<sub>j</sub>

经过卡口k<sub>i</sub>的时间

经过卡口k<sub>j</sub>的时间

车牌号码

还可以理解，在所述步骤S3中，还可以根据日期范围T、车辆类型、营运类型，提取相应车辆运行卡口轨迹数据，同时隐去其它类型车辆、其它时段的运行轨迹数据，当然也可同时选择多种车辆类型的运行轨迹数据。另外，还可以过滤掉那些不完整的数据、错误的数据和重复的数据，并可以对提取的车辆运行轨迹数据的不一致信息进行转换，使之统一。

可以理解，所述步骤S4具体为：

根据步骤S3中的车辆通行卡口对记录，先统计从每一个卡口k_i流出车辆总和c(k_i)，再统计卡口k_i流出并直达卡口k_j的记录总数c(k_i，k_j)，即得到卡口k_i到k_j的流向概率P_ij，计算方式为：P_ij＝P(k_i，k_j)＝c(k_i，k_j)/c(k_i)。采用卡口对流向概率，可以在不需要路网、距离数据的情况下得到车辆轨迹的连续特征，同时也能兼容漏拍数据，相较通过计算距离或者根据路网来确定轨迹连续性效果更好。

卡口k<sub>i</sub>

卡口k<sub>j</sub>

流向概率P<sub>ij</sub>

可以理解，在所述步骤S5具体为：

初始时，将卡口对二维矩阵K_m中的卡口对(k_i，k_j)赋值为0，然后将卡口对二维矩阵K_m中相应的卡口对(k_i，k_j)替换成其卡口对流向概率P(k_i，k_j)，以得到卡口对流向概率二维矩阵K_n，K_n如下所示

可以理解，在所述步骤S6中，由于号牌卡口轨迹序列K_T为车辆连续通过的卡口序列，因此号牌卡口对轨迹序列K_d中的卡口对在地理位置和卡口方向上都是相邻，一般与k_i相邻的卡口通常在4个左右，卡口k_i为起始卡口的流向概率可分化为高概率区间和低概率区间，即使存在卡口损坏、误拍、数据清洗、套牌，对概率区间分化影响很小。

可以理解，所述步骤S7具体为

通过号牌卡口对轨迹序列K_d中的卡口对查找卡口对流向概率二维矩阵K_n中对应的流向概率，并将号牌卡口对轨迹序列K_d中的卡口对替换成相应的卡口对流向概率，得到卡口对流向概率一维矩阵K_p，K_p＝{P(A，C)，P(C，F)，P(F，B)……P(k_i，k_j)}。

可以理解，作为优选的，所述套牌车辆的识别方法还包括以下步骤：

步骤S9：将识别的套牌车辆的号牌以及疑似套牌车辆的号牌存入套牌车数据库，供后续抓捕套牌车。

可以理解，作为优选的，所述套牌车辆的识别方法还包括以下步骤：

步骤S10：对套牌车辆进行捕捉。

如图2所示，其中，所述步骤S10具体包括：

步骤S101：获取套牌车或疑似套牌车一段时间内的卡口数据和卡口经纬度，然后对每台车的卡口活动位置进行聚类，并提取簇中高频卡口及高频时段作为热点卡口；

步骤S102：对车辆拍照获取车辆号牌，或手动录入车辆号牌，或实时接入卡口传入的号牌；及

步骤S103：在热点卡口将获得的车辆号牌与套牌车数据库进行比对，若比对结果为套牌车，立即输出告警信息，同时从交通车管数据系统中调出该号牌所属车辆的信息，辅助交警抓捕套牌车辆。

本发明的基于卡口对流向概率的套牌车辆的识别方法，通过对车辆运行卡口轨迹数据进行统计分析，数据建模，具有良好的识别准确度，尤其是结合号牌车辆的登记信息，有力提高查扣套牌车准确性和效率，美化车辆营运环境，保障人民生命和财产安全。另外，不需要路网、距离数据的情况下得到车辆轨迹的连续特征，同时也能兼容漏拍数据，相较通过计算距离或者根据路网来确定轨迹连续性效果更好，复杂度更低。

可以理解，如图3所示，本发明的另一实施例还提供一种基于卡口对流向概率的套牌车辆的识别系统，其优选适用于如上所述的基于卡口对流向概率的套牌车辆的识别方法，所述识别系统包括

数据采集模块12，用于获取进行套牌车辆识别所需的基础数据，

统计分析模块14，用于对车辆运行轨迹数据进行数据建模、统计分析并识别套牌车辆；

控制器11，用于控制所述数据采集模块12采集基础数据和用于控制所述统计分析模块14进行数据建模、统计分析并识别套牌车辆；

所述控制器11分别与所述数据采集模块12和统计分析模块14连接，所述数据采集模块12和统计分析模块14连接。

可以理解，作为优选的，所述识别系统还包括

套牌车捕捉终端17，与所述控制器11连接，用于对套牌车辆进行捕捉。其中，所述控制器11还用于推送套牌车辆信息给套牌车捕捉终端17。

如图4所示，所述套牌车捕捉终端17包括

热点卡口获取单元171，用于获取套牌车或疑似套牌车一段时间内的卡口数据和卡口经纬度，并从中提取高频卡口及高频时段作为热点卡口；

号牌采集单元172，用于对车辆拍照获取车辆号牌或用于手动录入车辆号牌，或用于实时接入卡口传入的号牌；

捕捉单元173，用于在热点卡口将获得的车辆号牌与套牌车数据库进行比对，若比对结果为套牌车，立即输出告警信息，同时从交通车管数据系统中调出该号牌所属车辆的信息，辅助交警抓捕套牌车辆。

如图5所示，所述数据采集模块12包括

号牌采集单元121，用于从交通车管数据系统中获取车辆号牌数据，车辆号牌数据至少包括车辆号牌、车辆类型、营运类型等，并生成车辆号牌数据库；

卡口数据采集单元122，用于从交通卡口系统中获取车辆卡口数据，车辆卡口数据至少包括车辆号牌、卡口编号、经过时间、卡口照片，并生成车辆运行轨迹数据库；

卡口经纬度采集单元123，用于从交通卡口系统中获取卡口的地理位置数据，卡口的地理位置数据至少包括卡口编号、卡口所属位置区域、卡口经纬度，并生成卡口经纬度数据库。

可以理解，作为优选的，所述识别系统还包括

数据清洗模块13，分别与控制器11、数据采集模块12和统计分析模块14连接，用于根据日期范围T、车辆类型、营运类型，提取相应车辆运行卡口轨迹数据，同时隐去其它类型车辆、其它时段的运行轨迹数据，当然也可同时选择多种车辆类型的运行轨迹数据，过滤掉那些不完整的数据、错误的数据和重复的数据，及对提取的车辆运行轨迹数据的不一致信息进行转换，使之统一。

如图6所示，所述数据清洗模块13包括

数据选择单元131，用于根据日期范围T、车辆类型、营运类型，提取相应车辆运行卡口轨迹数据，同时隐去其它类型车辆、其它时段的运行轨迹数据，当然也可同时选择多种车辆类型的运行轨迹数据。

数据清洗单元132，用于过滤掉那些不完整的数据、错误的数据和重复的数据；

数据转换单元133，用于对提取的车辆运行轨迹数据的不一致信息进行转换，使之统一。

如图7所示，所述统计分析模块14包括

卡口对流向概率矩阵建模单元141，用于建立卡口自身的迪卡尔积，穷尽所有卡口对组合，并给每个卡口对流向概率进行大数据分析，形成卡口对流向概率二维矩阵K_n；

一维卡口对流向概率矩阵建模单元142，用于将各号牌的轨迹数据按时间排序，形成号牌卡口对轨迹序列K_d，查找卡口对流向概率二维矩阵K_n对应的流向概率，建立各号牌的卡口对流向概率一维矩阵K_p；

统计分析识别单元143，通过对各个号牌的卡口对流向概率一维矩阵K_p中卡口对流向概率出现在高概率区间的高区概率进行大数据分析以识别套牌车。

本发明的基于卡口对流向的套牌车辆的识别系统，通过对车辆运行卡口轨迹数据进行统计分析，数据建模，具有良好的识别准确度，尤其是结合号牌车辆的登记信息，有力提高查扣套牌车准确性和效率，美化车辆营运环境，保障人民生命和财产安全。另外，不需要路网、距离数据的情况下得到车辆轨迹的连续特征，同时也能兼容漏拍数据，相较通过计算距离或者根据路网来确定轨迹连续性效果更好，复杂度更低。

可以理解，本发明的另一实施例还提供一种计算机可读的存储介质，用于存储基于卡口对流向概率对套牌车辆进行识别的计算机程序，该计算机程序在计算机上运行时执行以下步骤：

步骤S1：获取所有卡口编号，形成卡口集合K＝{k₁，k₂，k₃，k₄……k_n}；

步骤S2：建立卡口集合K自身的迪卡尔积K*K，穷近所有卡口对组合，形成n*n的卡口对二维矩阵K_m＝[k_i*k_j]，i∈N₊∧i≤n，j∈N₊∧j≤n；

步骤S3：获取每辆车的运行轨迹，并将每辆车的卡口轨迹数据按照行车时间先后顺序经过的所有卡口排序，得到每辆车的号牌卡口轨迹序列K_T，将号牌卡口轨迹序列K_T中前后相邻依次通过的两个卡口组成卡口对以得到号牌卡口对轨迹序列K_d，再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中相邻的卡口对，组成车辆通行卡口对记录；

步骤S4：统计卡口对流向概率；

步骤S5：基于卡口对流向概率建立卡口对流向概率二维矩阵K_n；

步骤S6：利用聚类算法划分卡口流向概率的高概率区间和低概率区间；

步骤S7：进行一维卡口对流向概率矩阵建模以得到卡口对流向概率一维矩阵K_p；及

步骤S8：统计各个号牌的卡口对流向概率一维矩阵K_p中卡口对流向概率出现在高概率区间的高区概率P并应用正态分布，获取u±3σ的边界P值，u±3σ区间之外的号牌为套牌车；u±3σ区间之内且在边界P值附近的号牌为疑似套牌车。

一般计算机可读取介质的形式包括：软盘(floppy disk)、可挠性盘片(flexibledisk)、硬盘、磁带、任何其与的磁性介质、CD-ROM、任何其余的光学介质、打孔卡片(punchcards)、纸带(paper tape)、任何其余的带有洞的图案的物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)、可抹除可编程只读存储器(EPROM)、快闪可抹除可编程只读存储器(FLASH-EPROM)、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质，其可用来存储、编码或承载用来给机器执行的指令，并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤，其包含了用来传输一计算机数据信号的总线的导线。

如图8所示，本发明的另一实施例还提供一种基于卡口对流向概率进行深度学习的套牌车辆的识别方法，包括以下步骤：

步骤S100：获取所有卡口编号，形成卡口集合K＝{k₁，k₂，k₃，k₄……k_n}；

步骤S200：建立卡口集合K自身的迪卡尔积K*K，穷近所有卡口对组合，形成n*n的卡口对二维矩阵K_m＝[k_i*k_j]，i∈N₊∧i≤n，j∈N₊∧j≤n；

步骤S300：获取每辆车的运行轨迹，并将每辆车的卡口轨迹数据按照行车时间先后顺序经过的所有卡口排序，得到每辆车的号牌卡口轨迹序列K_T，将号牌卡口轨迹序列K_T中前后相邻依次通过的两个卡口组成卡口对以得到号牌卡口对轨迹序列K_d，再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中相邻的卡口对，组成车辆通行卡口对记录；

步骤S400：统计卡口对流向概率；

步骤S500：基于卡口对流向概率建立卡口对流向概率二维矩阵K_n；

步骤S600：利用聚类算法划分卡口流向概率的高概率区间和低概率区间；

步骤S700：进行一维卡口对流向概率矩阵建模以得到卡口对流向概率一维矩阵K_p；

步骤S800：统计各个号牌的卡口对流向概率一维矩阵K_p中卡口对流向概率出现在高概率区间的高区概率P并应用正态分布，获取u值对应的P_u值；及

步骤S900：利用卷积神经网络进行深度学习以实现智能识别套牌车辆。

可以理解，本实施例的步骤S100-S700的内容与上述优选实施例中的步骤S1-S7的内容一一对应相同，两者的区别仅在于步骤S800和步骤S900。

可以理解，如图9所示，所述步骤S900具体包括以下步骤：

步骤S901：选择正样本，具体地，选择P_u值附近x张号牌的卡口对流向概率一维矩阵K_p作为正样本E⁺；

步骤S902：将所有号牌随机组合成一台新车，生成新的临时号牌，同时合并二者卡口轨迹数据，重复步骤S300-S800，选取P_u值附近x张号牌的卡口对流向概率一维矩阵K_p作为负样本E^-；

步骤S903：统一正样本E⁺、负样本E^-和卡口对流向概率一维矩阵K_p的长度并进行归一化处理；

步骤S904：将正样本E⁺和负样本E^-输入卷积神经网络，进行特征学习，并利用softmax分类器对卷积网络学习到的特征进行分类，得到基于一维深度学习的套牌车辆智能识别模型R_AI，然后使用验证数据，不断调整阈值、日期、x及x的取值区间、样本长度、卷积神经网络参数，进行训练，获得最佳套牌车辆智能识别模型R_AI；及

步骤S905：利用最佳套牌车辆智能识别模型R_AI对所有车辆的卡口对流向概率一维矩阵K_p进行识别，获得套牌号牌集合，并存入套牌车数据库。

可以理解，在所述步骤S902中，负样本E^-选用历史上已查获的套牌号牌的卡口轨迹数据，样本更为真实，套牌车辆智能识别模型R_AI的识别效果更好。

可以理解，在所述步骤S903中，由于卡口对流向概率一维矩阵K_b、正样本E⁺内、负样本E^-内其轨迹对的长短均不同，需要统一调整成长度为L的矩阵。

还可以理解，本实施例中的基于卡口对流向概率进行深度学习的套牌车辆的识别方法可以与上述优选实施例中的基于卡口对流向概率的套牌车辆的识别方法同时应用，各识别结果相互补充，相互佐证，提高识别准确率。

本实施例的基于卡口对流向概率进行深度学习的套牌车辆的识别方法，通过对车辆运行卡口轨迹数据进行统计分析，数据建模，以及利用卷积神经网络进行学习和训练，采用卷积神经网络，避免了显式的特征抽取，阈值设置中引入的误差，而隐式地从训练数据中进行学习；卷积神经网络在图像处理方面有着独特的优越性，特别是一维向量的可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。另外，不需要路网、距离数据的情况下得到车辆轨迹的连续特征，同时也能兼容漏拍数据，相较通过计算距离或者根据路网来确定轨迹连续性效果更好，复杂度更低。

可以理解，如图10所示，本发明的另一实施例还提供一种基于卡口对流向概率进行深度学习的套牌车辆的识别系统，其优选适用于如上所述的基于卡口对流向概率进行深度学习的套牌车辆的识别方法。所述基于卡口对流向概率进行深度学习的套牌车辆的识别系统包括

数据采集模块22，用于获取进行套牌车辆识别所需的基础数据；

深度学习模块25，用于对车辆运行轨迹数据进行数据建模、统计分析、深度学习和识别套牌车辆；

控制器21，用于控制所述数据采集模块22采集基础数据和用于控制所述深度学习模块25进行数据建模、统计分析、深度学习和识别套牌车辆；

所述控制器21分别与所述数据采集模块22和深度学习模块25连接，所述深度学习模块25与数据采集模块22连接。

可以理解，作为优选的，所述识别系统还包括套牌车捕捉终端27和数据清洗模块23，所述套牌车捕捉终端27与控制器21连接，所述数据清洗模块23分别与控制器21、数据清洗模块22和深度学习模块25连接。本实施例中的数据采集模块22与上述实施例中的数据采集模块12相同，数据清洗模块23与数据清洗模块13相同，套牌车捕捉终端27与套牌车捕捉终端17相同，控制器21与控制器11相同。

可以理解，如图11所示，所述深度学习模块25包括

卡口对流向概率矩阵建模单元251，用于建立卡口自身的迪卡尔积，穷尽所有卡口对组合，并给每个卡口对流向概率进行大数据分析，形成卡口对流向概率二维矩阵K_n；

一维卡口对流向概率矩阵建模单元252，用于将各号牌的轨迹数据按时间排序，形成号牌卡口对轨迹序列K_d，查找卡口对流向概率二维矩阵K_n对应的流向概率，建立各号牌的卡口对流向概率一维矩阵K_p；

样本选择单元253，用于从选择一定数量的正常车辆的一维卡口对流向概率矩阵数据作为深度学习的正样本；将所有号牌随机组合成一台车，生新的临时号牌，同时合并二者卡口轨迹数据，获得新的卡口对流向概率一维矩阵K_p，选取与正样本数相同的一维卡口对轨迹矩阵数据作为深度学习的负样本；

数据建模单元254，由于各车辆运轨迹数据中通过卡口的数量多少不同，正样本、负样本和所有号牌的一维轨迹矩阵的长短不同，数据建模单元254用于将其截长补短，构建能输入深度学习单元255中，即能输入卷积神经网络的矩阵数据的卡口对流向概率矩阵一维K_p、正样本和负样本，并进行归一化处理；

深度学习单元255，用于通过对固定尺寸的正样本和负样本进行特征学习，并利用softmax分类器对卷积网络学习到的特征进行分类，得到智能识别模型R_AI，然后，使用验证数据，不断调整T、卷积神经网络参数，进行训练，获得最佳智能识别模型R_AI；接着，应用最佳智能识别模型R_AI对所有卡口对流向概率一维矩阵K_p进行识别，获得套牌号牌集合A。

其中，所述卡口对流向概率矩阵建模单元251与卡口对流向概率矩阵建模单元141相同，一维卡口对流向概率矩阵建模单元252与一维卡口对流向概率矩阵建模单元142相同。

本实施例的基于卡口对流向概率进行深度学习的套牌车辆的识别系统，通过对车辆运行卡口轨迹数据进行统计分析，数据建模，以及利用卷积神经网络进行学习和训练，采用卷积神经网络，避免了显式的特征抽取，阈值设置中引入的误差，而隐式地从训练数据中进行学习；卷积神经网络在图像处理方面有着独特的优越性，特别是一维向量的可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。另外，不需要路网、距离数据的情况下得到车辆轨迹的连续特征，同时也能兼容漏拍数据，相较通过计算距离或者根据路网来确定轨迹连续性效果更好，复杂度更低。

可以理解，本发明的另一实施例还提供一种计算机可读取的存储介质，用于存储基于卡口对流向概率进行深度学习以对套牌车辆进行识别的计算机程序，该计算机程序在计算机上运行时执行以下步骤：

步骤S100：获取所有卡口编号，形成卡口集合K＝{k₁，k₂，k₃，k₄……k_n}；

步骤S200：建立卡口集合K自身的迪卡尔积K*K，穷近所有卡口对组合，形成n*n的卡口对二维矩阵K_m＝[k_i*k_j]，i∈N₊∧i≤n，j∈N₊∧j≤n；

步骤S300：获取每辆车的运行轨迹，并将每辆车的卡口轨迹数据按照行车时间先后顺序经过的所有卡口排序，得到每辆车的号牌卡口轨迹序列K_T，将号牌卡口轨迹序列K_T中前后相邻依次通过的两个卡口组成卡口对以得到号牌卡口对轨迹序列K_d，再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中相邻的卡口对，组成车辆通行卡口对记录；

步骤S400：统计卡口对流向概率；

步骤S500：基于卡口对流向概率建立卡口对流向概率二维矩阵K_n；

步骤S600：利用聚类算法划分卡口流向概率的高概率区间和低概率区间；

步骤S700：进行一维卡口对流向概率矩阵建模以得到卡口对流向概率一维矩阵K_p；及

步骤S800：统计各个号牌的卡口对流向概率一维矩阵K_p中卡口对流向概率出现在高概率区间的高区概率P并应用正态分布，获取u值对应的P_u值；及

步骤S900：利用卷积神经网络进行深度学习以实现智能识别套牌车辆。

一般计算机可读取介质的形式包括：软盘(floppy disk)、可挠性盘片(flexibledisk)、硬盘、磁带、任何其与的磁性介质、CD-ROM、任何其余的光学介质、打孔卡片(punchcards)、纸带(paper tape)、任何其余的带有洞的图案的物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)、可抹除可编程只读存储器(EPROM)、快闪可抹除可编程只读存储器(FLASH-EPROM)、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质，其可用来存储、编码或承载用来给机器执行的指令，并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤，其包含了用来传输一计算机数据信号的总线的导线。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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，均应包含在本发明的保护范围之内。

Claims (13)

1.一种基于卡口对流向概率的套牌车辆的识别方法，其特征在于，

包括以下步骤：

步骤S1：获取所有卡口编号，形成卡口集合K＝{k₁，k₂，k₃，k₄……k_n}；

步骤S2：建立卡口集合K自身的迪卡尔积K*K，穷近所有卡口对组合，形成n*n的卡口对二维矩阵K_m＝[k_i*k_j]，i∈N₊∧i≤n，j∈N₊∧j≤n；

步骤S3：获取每辆车的运行轨迹，并将每辆车的卡口轨迹数据按照行车时间先后顺序经过的所有卡口排序，得到每辆车的号牌卡口轨迹序列K_T，将号牌卡口轨迹序列K_T中前后相邻依次通过的两个卡口组成卡口对以得到号牌卡口对轨迹序列K_d，再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中相邻的卡口对，组成车辆通行卡口对记录；

步骤S4：统计卡口对流向概率；

步骤S5：基于卡口对流向概率建立卡口对流向概率二维矩阵K_n；

步骤S6：利用聚类算法划分卡口流向概率的高概率区间和低概率区间；

步骤S7：进行一维卡口对流向概率矩阵建模以得到卡口对流向概率一维矩阵K_p；及

步骤S8：统计各个号牌的卡口对流向概率一维矩阵K_p中卡口对流向概率出现在高概率区间的高区概率P并应用正态分布获取u±3σ的边界P值，u±3σ区间之外的号牌为套牌车；u±3σ区间之内且在边界P值附近的号牌为疑似套牌车。

2.如权利要求1所述的套牌车辆的识别方法，其特征在于，

所述步骤S4具体为

根据步骤S3中的车辆通行卡口对记录，先统计从每一个卡口k_i流出车辆总和c(k_i)，再统计卡口k_i流出并直达卡口k_j的记录总数c(k_i，k_j)，即得到卡口k_i到k_j的流向概率P_ij，计算方式为：P_ij＝P(k_i，k_j)＝c(k_i，k_j)/c(k_i)。

3.如权利要求2所述的套牌车辆的识别方法，其特征在于，

所述步骤S5具体为：

初始时，将卡口对二维矩阵K_m中的卡口对(k_i，k_j)赋值为0，然后将卡口对二维矩阵K_m中相应的卡口对(k_i，k_j)替换成其卡口对流向概率P(k_i，k_j)，以得到卡口对流向概率二维矩阵K_n。

4.如权利要求3所述的套牌车辆的识别方法，其特征在于，

所述步骤S7具体为：

通过号牌卡口对轨迹序列K_d中的卡口对查找卡口对流向概率二维矩阵K_n中对应的流向概率，并将号牌卡口对轨迹序列K_d中的卡口对替换成相应的卡口对流向概率，得到卡口对流向概率一维矩阵K_p。

5.如权利要求1所述的套牌车辆的识别方法，其特征在于，

所述套牌车辆的识别方法还包括以下步骤：

步骤S9：将识别的套牌车辆的号牌以及疑似套牌车辆的号牌存入套牌车数据库。

6.如权利要求5所述的套牌车辆的识别方法，其特征在于，

所述套牌车辆的识别方法还包括以下步骤：

步骤S10：对套牌车辆进行捕捉；

所述步骤S10包括：

步骤S101：获取套牌车或疑似套牌车一段时间内的卡口数据和卡口经纬度，并从中提取高频卡口及高频时段作为热点卡口；

步骤S102：对车辆拍照获取车辆号牌，或手动录入车辆号牌，或实时接入卡口传入的号牌；及

步骤S103：在热点卡口将获得的车辆号牌与套牌车数据库进行比对，若比对结果为套牌车，立即输出告警信息，同时从交通车管数据系统中调出该号牌所属车辆的信息，辅助交警抓捕套牌车辆。

7.一种基于卡口对流向概率的套牌车辆的识别系统，适用于如权利要求1-6任一项所述的识别方法，其特征在于，

包括

数据采集模块(12)，用于获取进行套牌车辆识别所需的基础数据，

统计分析模块(14)，用于对车辆运行轨迹数据进行数据建模、统计分析并识别套牌车辆；

控制器(11)，用于控制所述数据采集模块(12)采集基础数据和用于控制所述统计分析模块(14)进行数据建模、统计分析并识别套牌车辆；

所述控制器(11)分别与所述数据采集模块(12)和统计分析模块(14)连接，所述数据采集模块(12)和统计分析模块(14)连接。

8.如权利要求7所述的基于卡口对流向概率的套牌车辆的识别系统，其特征在于，

所述识别系统还包括

套牌车捕捉终端(17)，与所述控制器(11)连接，用于对套牌车辆进行捕捉；

所述套牌车捕捉终端(17)包括

热点卡口获取单元(171)，用于获取套牌车或疑似套牌车一段时间内的卡口数据和卡口经纬度，并从中提取高频卡口及高频时段作为热点卡口；

号牌采集单元(172)，用于对车辆拍照获取车辆号牌或用于手动录入车辆号牌，或用于实时接入卡口传入的号牌；

捕捉单元(173)，用于在热点卡口将获得的车辆号牌与套牌车数据库进行比对，若比对结果为套牌车，立即输出告警信息，同时从交通车管数据系统中调出该号牌所属车辆的信息，辅助交警抓捕套牌车辆。

9.一种计算机可读取的存储介质，用于存储基于卡口对流向概率对套牌车辆进行识别的计算机程序，其特征在于，该计算机程序在计算机上运行时执行以下步骤：

步骤S1：获取所有卡口编号，形成卡口集合K＝{k₁，k₂，k₃，k₄……k_n}；

步骤S2：建立卡口集合K自身的迪卡尔积K*K，穷近所有卡口对组合，形成n*n的卡口对二维矩阵K_m＝[k_i*k_j]，i∈N₊∧i≤n，j∈N₊∧j≤n；

步骤S3：获取每辆车的运行轨迹，并将每辆车的卡口轨迹数据按照行车时间先后顺序经过的所有卡口排序，得到每辆车的号牌卡口轨迹序列K_T，将号牌卡口轨迹序列K_T中前后相邻依次通过的两个卡口组成卡口对以得到号牌卡口对轨迹序列K_d，再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中相邻的卡口对，组成车辆通行卡口对记录；

步骤S4：统计卡口对流向概率；

步骤S5：基于卡口对流向概率建立卡口对流向概率二维矩阵K_n；

步骤S6：利用聚类算法划分卡口流向概率的高概率区间和低概率区间；

步骤S7：进行一维卡口对流向概率矩阵建模以得到卡口对流向概率一维矩阵K_p；及

步骤S8：统计各个号牌的卡口对流向概率一维矩阵K_p中卡口对流向概率出现在高概率区间的高区概率P并应用正态分布获取u±3σ的边界P值，u±3σ区间之外的号牌为套牌车；u±3σ区间之内且在边界P值附近的号牌为疑似套牌车。

10.一种基于卡口对流向概率进行深度学习的套牌车辆的识别方法，其特征在于，

包括以下步骤：

步骤S100：获取所有卡口编号，形成卡口集合K＝{k₁，k₂，k₃，k₄……k_n}；

步骤S200：建立卡口集合K自身的迪卡尔积K*K，穷近所有卡口对组合，形成n*n的卡口对二维矩阵K_m＝[k_i*k_j]，i∈N₊∧i≤n，j∈N₊∧j≤n；

步骤S300：获取每辆车的运行轨迹，并将每辆车的卡口轨迹数据按照行车时间先后顺序经过的所有卡口排序，得到每辆车的号牌卡口轨迹序列K_T，将号牌卡口轨迹序列K_T中前后相邻依次通过的两个卡口组成卡口对以得到号牌卡口对轨迹序列K_d，再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中相邻的卡口对，组成车辆通行卡口对记录；

步骤S400：统计卡口对流向概率；

步骤S500：基于卡口对流向概率建立卡口对流向概率二维矩阵K_n；

步骤S600：利用聚类算法划分卡口流向概率的高概率区间和低概率区间；

步骤S700：进行一维卡口对流向概率矩阵建模以得到卡口对流向概率一维矩阵K_p；

步骤S800：统计各个号牌的卡口对流向概率一维矩阵K_p中卡口对流向概率出现在高概率区间的高区概率P并应用正态分布获取u值对应的P_u值；及

步骤S900：利用卷积神经网络进行深度学习以实现智能识别套牌车辆。

11.如权利要求10所述的套牌车辆的识别方法，其特征在于，

所述步骤S900具体包括以下步骤：

步骤S901：选择P_u值附近x张号牌的卡口对流向概率一维矩阵K_p作为正样本E⁺；

步骤S902：将所有号牌随机组合成一台新车，生成新的临时号牌，同时合并二者卡口轨迹数据，重复步骤S300-S800，选取P_u值附近x张号牌的卡口对流向概率一维矩阵K_p作为负样本E^-；

步骤S903：统一正样本E⁺、负样本E^-和卡口对流向概率一维矩阵K_p的长度并进行归一化处理；

步骤S904：将正样本E⁺和负样本E^-输入卷积神经网络，进行特征学习，并利用softmax分类器对卷积网络学习到的特征进行分类，得到基于一维深度学习的套牌车辆智能识别模型R_AI，然后使用验证数据，不断调整阈值、日期、x及x的取值区间、样本长度、卷积神经网络参数，进行训练，获得最佳套牌车辆智能识别模型R_AI；及

步骤S905：利用最佳套牌车辆智能识别模型R_AI对所有车辆的卡口对流向概率一维矩阵K_p进行识别，获得套牌号牌集合。

12.一种基于卡口对流向概率进行深度学习的套牌车辆的识别系统，适用于如权利要求10或11所述的基于卡口对流向概率进行深度学习的套牌车辆的识别方法，其特征在于，

包括

数据采集模块(22)，用于获取进行套牌车辆识别所需的基础数据，

深度学习模块(25)，用于对车辆运行轨迹数据进行数据建模、统计分析、深度学习和识别套牌车辆；

控制器(21)，用于控制所述数据采集模块(22)采集基础数据和用于控制所述深度学习模块(25)进行数据建模、统计分析、深度学习和识别套牌车辆；

所述控制器(21)分别与所述数据采集模块(22)和深度学习模块(25)连接，所述深度学习模块(25)与数据采集模块(22)连接。

13.一种计算机可读取的存储介质，用于存储基于卡口对流向概率进行深度学习以对套牌车辆进行识别的计算机程序，其特征在于，该计算机程序在计算机上运行时执行以下步骤：

步骤S100：获取所有卡口编号，形成卡口集合K＝{k₁，k₂，k₃，k₄……k_n}；

步骤S200：建立卡口集合K自身的迪卡尔积K*K，穷近所有卡口对组合，形成n*n的卡口对二维矩阵K_m＝[k_i*k_j]，i∈N₊∧i≤n，j∈N₊∧j≤n；

步骤S300：获取每辆车的运行轨迹，并将每辆车的卡口轨迹数据按照行车时间先后顺序经过的所有卡口排序，得到每辆车的号牌卡口轨迹序列K_T，将号牌卡口轨迹序列K_T中前后相邻依次通过的两个卡口组成卡口对以得到号牌卡口对轨迹序列K_d，再从号牌卡口对轨迹序列K_d中提取每辆车行车轨迹中相邻的卡口对，组成车辆通行卡口对记录；

步骤S400：统计卡口对流向概率；

步骤S500：基于卡口对流向概率建立卡口对流向概率二维矩阵K_n；

步骤S600：利用聚类算法划分卡口流向概率的高概率区间和低概率区间；

步骤S700：进行一维卡口对流向概率矩阵建模以得到卡口对流向概率一维矩阵K_p；及

步骤S800：统计各个号牌的卡口对流向概率一维矩阵K_p中卡口对流向概率出现在高概率区间的高区概率P并应用正态分布，获取u值对应的P_u值；及

步骤S900：利用卷积神经网络进行深度学习以实现智能识别套牌车辆。