CN110517500B - 一种人车关联处理方法及装置 - Google Patents

一种人车关联处理方法及装置 Download PDF

Info

Publication number
CN110517500B
CN110517500B CN201810487138.7A CN201810487138A CN110517500B CN 110517500 B CN110517500 B CN 110517500B CN 201810487138 A CN201810487138 A CN 201810487138A CN 110517500 B CN110517500 B CN 110517500B
Authority
CN
China
Prior art keywords
information
vehicle
mobile terminal
terminal
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
CN201810487138.7A
Other languages
English (en)
Other versions
CN110517500A (zh
Inventor
莫莉
唐秋香
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.)
Shanghai Datang Mobile Communications Equipment Co ltd
Original Assignee
Shanghai Datang Mobile Communications Equipment 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 Shanghai Datang Mobile Communications Equipment Co ltd filed Critical Shanghai Datang Mobile Communications Equipment Co ltd
Priority to CN201810487138.7A priority Critical patent/CN110517500B/zh
Publication of CN110517500A publication Critical patent/CN110517500A/zh
Application granted granted Critical
Publication of CN110517500B publication Critical patent/CN110517500B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例公开了一种人车关联处理方法及装置，方法包括：获取路面上各移动终端的第一定位信息和各路口的第二定位信息，计算得到各移动终端的对象间距离；对对象间距离进行聚类分析得到若干个移动终端类，并确定各移动终端类中的司机终端；根据第二定位信息以及各司机终端的第一定位信息，生成各车辆的行车轨迹；获取各路口拍摄的各车辆的车牌信息，结合行车轨迹对带有车牌信息的车辆进行关联，以完成人车关联。通过第一定位信息便于取证，通过采用聚类分析识别司机终端，实现车辆行为的智能分析，完成对可疑车辆、黑运营车辆等的判别；并通过匹配各路口拍摄各车辆的车牌信息并结合车辆的行车轨迹，能达到精确匹配，实现精准的人车关联。

Description

一种人车关联处理方法及装置
技术领域
本发明实施例涉及通信技术领域，具体涉及一种人车关联处理方法及装置。
背景技术
目前IT技术、智能视频技术、信息技术、传感技术及计算机技术的有效集成应用，大大提升了运营管理、服务、收费、监控的效率。对于拥有海量用户数据的运营商而言，如何甄别和挖掘数据信息，协助交管部门打击非法运营、保证人民出行安全、保障运营市场规范有序，为用户提供使用运营车辆的安全建议，是其体现社会担当的必然需求。随着移动通信技术的发展、手机用户数目的迅速增加，使得每辆车上可能有多部手机，交管部门对于车辆的管理多数采用路口人工监控方式或者通过人车关联技术实现对车辆的监管，人工监控方式耗时耗力，现有的人车关联方法只是单纯地记录人车关系和经过的卡口序列，只能进行被动式监管，无法实现主动监管车辆的目的。
现有的人车关联方法首先采集通信网络中的手机位置信息，从而便于与卡口建立关联。并且通过卡口过车信息，提取目标车的行驶轨迹，并对在各个卡口相应时间的手机信息进行统计分析得出与目标车辆存在潜在关联的手机号。通过获取交通卡口的过车数据，无线网络数据，运营商的手机用户实名登记数据，进行智能分析比对，识别出目标车在一定时间范围内的车内的人员。
但是，现有的人车关联方法中的手机位置信息只是小区信息，并不是精准的用户位置，只能在已知跟踪车牌的情况下对特定车牌进行追踪和人员关联，是被动式的，无法实现大数据背景下，智能分析车辆行为，判别可疑车辆、黑运营车辆等，实现主动发现进而现场取证的目的。
发明内容
由于现有方法存在上述问题，本发明实施例提出一种人车关联处理方法及装置。
第一方面，本发明实施例提出一种人车关联处理方法，包括：
根据预设间隔获取路面上各移动终端的第一定位信息，获取各路口的第二定位信息，并根据各移动终端所述预设间隔的第一定位信息，计算得到各移动终端的对象间距离；
对所述各移动终端的对象间距离进行聚类分析，根据聚类阈值得到若干个移动终端类，并根据每个移动终端类中各移动终端的时长和/或频次确定各移动终端类中的司机终端；
根据所述各路口的第二定位信息以及各司机终端在各时刻的第一定位信息，生成各车辆的行车轨迹；
获取各路口拍摄的各车辆的车牌信息，根据所述各车辆的行车轨迹和所述各车辆的车牌信息，得到带有车牌信息的车辆与各司机终端的匹配关系，并根据所述匹配关系对带有车牌信息的车辆与对应的移动终端类中的所有移动终端进行关联，以完成人车关联；
其中，所述各移动终端为各用户随身携带的终端。
可选地，所述根据各移动终端所述预设间隔的第一定位信息，计算得到各移动终端的对象间距离，具体包括：
根据各移动终端所述预设间隔的第一定位信息得到各移动终端在各时刻的位置信息、速度信息和加速度信息，并根据各移动终端在各时刻的位置信息、速度信息和加速度信息，计算得到各移动终端的对象间距离；
相应地，所述根据所述各路口的第二定位信息以及各司机终端在各时刻的第一定位信息，生成各车辆的行车轨迹，具体包括：
根据所述各路口的第二定位信息以及各司机终端在各时刻的位置信息、速度信息和加速度信息，生成各车辆的行车轨迹。
可选地，所述根据各移动终端所述预设间隔的第一定位信息得到各移动终端在各时刻的位置信息、速度信息和加速度信息，并根据各移动终端在各时刻的位置信息、速度信息和加速度信息，计算得到各移动终端的对象间距离之后，还包括：
根据各移动终端在各时刻的速度信息计算得到各终端在第一预设时间段的平均速度，并将平均速度大于速度阈值的终端确定为高速用户终端；
相应地，所述对所述各移动终端的对象间距离进行聚类分析，根据聚类阈值得到若干个移动终端类具体包括：
对所述各高速用户终端的对象间距离进行聚类分析，根据聚类阈值得到若干个移动终端类。
可选地，所述获取各路口拍摄的各车辆的车牌信息，根据所述各车辆的行车轨迹和所述各车辆的车牌信息，得到带有车牌信息的车辆与各司机终端的匹配关系，具体包括：
获取各路口拍摄的各车辆的车牌信息，匹配带有车牌信息的目标车辆的拍摄时间的第二预设时间段内经过对应路口的司机终端；
获取所述目标车辆在若干个路口匹配得到的所有司机终端，并将匹配次数最多的司机终端确定为与所述目标车辆具备匹配关系的司机终端。
可选地，所述根据各移动终端在各时刻的位置信息、速度信息和加速度信息，计算得到各移动终端的对象间距离，具体包括：
根据各移动终端在各时刻的位置信息、速度信息和加速度信息，生成终端信息矩阵，对所述终端信息矩阵进行无量纲化处理，得到标准化矩阵，并根据所述标准化矩阵计算得到各移动终端的对象间距离。
第二方面，本发明实施例还提出一种人车关联处理装置，包括：
精准定位模块，用于根据预设间隔获取路面上各移动终端的第一定位信息，获取各路口的第二定位信息，并根据各移动终端所述预设间隔的第一定位信息，计算得到各移动终端的对象间距离；
司机画像模块，用于对所述各移动终端的对象间距离进行聚类分析，根据聚类阈值得到若干个移动终端类，并根据每个移动终端类中各移动终端的时长和/或频次确定各移动终端类中的司机终端；
轨迹拼接模块，用于根据所述各路口的第二定位信息以及各司机终端在各时刻的第一定位信息，生成各车辆的行车轨迹；
人车关联模块，用于获取各路口拍摄的各车辆的车牌信息，根据所述各车辆的行车轨迹和所述各车辆的车牌信息，得到带有车牌信息的车辆与各司机终端的匹配关系，并根据所述匹配关系对带有车牌信息的车辆与对应的移动终端类中的所有移动终端进行关联，以完成人车关联；
其中，所述各移动终端为各用户随身携带的终端。
可选地，所述精准定位模块具体用于：
根据各移动终端所述预设间隔的第一定位信息得到各移动终端在各时刻的位置信息、速度信息和加速度信息，并根据各移动终端在各时刻的位置信息、速度信息和加速度信息，计算得到各移动终端的对象间距离；
相应地，所述轨迹拼接模块具体用于：
根据所述各路口的第二定位信息以及各司机终端在各时刻的位置信息、速度信息和加速度信息，生成各车辆的行车轨迹。
可选地，所述装置还包括：
用户数据清洗模块，用于根据各移动终端在各时刻的速度信息计算得到各终端在第一预设时间段的平均速度，并将平均速度大于速度阈值的终端确定为高速用户终端；
相应地，所述司机画像模块具体用于：
对所述各高速用户终端的对象间距离进行聚类分析，根据聚类阈值得到若干个移动终端类。
第三方面，本发明实施例还提出一种电子设备，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述方法。
第四方面，本发明实施例还提出一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行上述方法。
由上述技术方案可知，本发明实施例通过移动终端的第一定位信息，便于取证并协助交管部门打击非法运营；通过采用聚类分析识别司机终端，进而识别各个独立车辆，实现车辆行为的智能分析，完成对可疑车辆、黑运营车辆等的判别；并通过匹配各路口拍摄各车辆的车牌信息并结合车辆的行车轨迹，能达到精确匹配，实现精准的人车关联。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的一种人车关联处理方法的流程示意图；
图2为本发明另一实施例提供的一种人车关联处理方法的流程示意图；
图3为本发明一实施例提供的道路分段示意图；
图4为本发明一实施例提供的手机聚类过程示意图；
图5为本发明一实施例提供的聚类阈值确定的流程示意图；
图6为本发明一实施例提供的黄金分割法的基本原理示意图；
图7为本发明一实施例提供的一种人车关联处理装置的结构示意图；
图8为本发明一实施例提供的电子设备的逻辑框图。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
图1示出了本实施例提供的一种人车关联处理方法的流程示意图，包括：
S101、根据预设间隔获取路面上各移动终端的第一定位信息，获取各路口的第二定位信息，并根据各移动终端所述预设间隔的第一定位信息，计算得到各移动终端的对象间距离。
其中，所述各移动终端为各用户随身携带的终端。
所述预设间隔为预先确定得收集移动终端定位信息得间隔，例如10s。
所述第一定位信息为移动终端每隔预设间隔收集得到的定位信息，一般采用经度和纬度表示。
所述第二定位信息为收集得到的各个路口的定位信息，一般采用经度和纬度表示。
所述对象间距离表示两个移动终端之间的距离。
S102、对所述各移动终端的对象间距离进行聚类分析，根据聚类阈值得到若干个移动终端类，并根据每个移动终端类中各移动终端的时长和/或频次确定各移动终端类中的司机终端。
其中，所述聚类阈值用于判断对象间的距离差且可结束聚类分析的阈值。
所述聚类分析是研究(样品或指标)分类问题的一种统计分析方法，其算法之一划分法是用数学方法研究和处理所给对象的分类以及各类之间的亲疏程度，它的目的是把具有相似属性的东西归为一类，即同一个簇中的对象尽可能相互接近或相关，而不同的簇中的对象尽可能远离或不同。因此，可用该算法识别移动终端属性的相似程度。
所述移动终端类为对所有移动终端的对象间距离进行聚类分析后，将移动终端划分为若干个不同的类，每个移动终端类中的移动终端为相互距离小于一定判断值的移动终端。经过聚类分析后，每个移动终端类中的移动终端为处于同一车辆中的移动终端，例如车辆A中的乘客1的手机、乘客2的手机、乘客3的手机以及司机的手机，即当前的移动终端类中包括四个移动终端。
移动终端的时长为移动终端在满足特定条件下运行的时间，例如，移动终端的速度大于40km/h的运行时间。
移动终端的频次用于比较相邻预设间隔中的同车用户，只有一个相同用户的认为该移动终端的频次为2。例如前一间隔时间段内处于同车的移动终端为1、2、3，在后一间隔时间段内处于同车的移动终端为1、2，则认为该移动终端频次为1；如果前一间隔时间段内处于同车的移动终端为1、2、3，在后一间隔时间段内处于同车的移动终端为1、5，则认为该移动终端频次为2。
S103、根据所述各路口的第二定位信息以及各司机终端在各时刻的第一定位信息，生成各车辆的行车轨迹。
具体地，在一个移动终端类中，仅存在一个司机终端，因此司机终端与车辆是一对一的关系，通过确定司机终端的定位信息，能够确定其对应的车辆的定位信息，从而得到该车辆的行车轨迹。
为了准确确定同时方便查看车辆的行车轨迹，结合各路口的第二定位信息生成车辆的行车轨迹，即车辆的行车轨迹中包含其经过的各个路口的定位信息。
S104、获取各路口拍摄的各车辆的车牌信息，根据所述各车辆的行车轨迹和所述各车辆的车牌信息，得到带有车牌信息的车辆与各司机终端的匹配关系，并根据所述匹配关系对带有车牌信息的车辆与对应的移动终端类中的所有移动终端进行关联，以完成人车关联。
通过各路口安装的高清摄像装置，拍摄经过各路口的车辆，从而处理得到经过各路口的车辆的车牌信息；进一步地，结合拍摄的时间与步骤S103得到的各车辆的行车轨迹，实现车牌信息与司机终端的匹配，即得到了各行车轨迹对应的车辆的车票信息，从而获知各个带有车牌信息的车辆中的所有移动终端；由于移动终端经过实名认证，因此可知各个带有车牌信息的车辆中的所有乘客及司机的个人身份信息。
本实施例通过移动终端的第一定位信息，便于取证并协助交管部门打击非法运营；通过采用聚类分析识别司机终端，进而识别各个独立车辆，实现车辆行为的智能分析，完成对可疑车辆、黑运营车辆等的判别；并通过匹配各路口拍摄各车辆的车牌信息并结合车辆的行车轨迹，能达到精确匹配，实现精准的人车关联。
进一步地，在上述方法实施例的基础上，S101具体包括：
根据各移动终端所述预设间隔的第一定位信息得到各移动终端在各时刻的位置信息、速度信息和加速度信息，并根据各移动终端在各时刻的位置信息、速度信息和加速度信息，计算得到各移动终端的对象间距离。
相应地，S103具体包括：
根据所述各路口的第二定位信息以及各司机终端在各时刻的位置信息、速度信息和加速度信息，生成各车辆的行车轨迹。
具体地，同一辆车上的车载手机(移动终端)的位置较接近，即聚集在某一较小范围内，并且同车的车载手机具有较接近的速度和加速度。考虑车载手机的这些特点，将车载手机的位置、速度、加速度作为研究对象的属性，认为三个属性接近至一定程度的手机属于同一辆车。
本实施例提供的人车关联处理方法将城市道路上行驶车辆的车载手机作为研究对象，根据其定位信息分析路段各独立车辆的运行状态；然后根据每辆车上的手机出现时长和频次识别司机和乘客生成基于手机的连续的运行轨迹；再获取各路口拍摄的高清车牌信息生成基于车牌的路口遍历序列，并与基于手机的运行轨迹进行匹配完成人车关联。
进一步地，在上述方法实施例的基础上，所述S101之后，还包括：
S1012、根据各移动终端在各时刻的速度信息计算得到各终端在第一预设时间段的平均速度，并将平均速度大于速度阈值的终端确定为高速用户终端。
相应地，S102中所述对所述各移动终端的对象间距离进行聚类分析，根据聚类阈值得到若干个移动终端类具体包括：
对所述各高速用户终端的对象间距离进行聚类分析，根据聚类阈值得到若干个移动终端类。
具体地，通过筛选高速用户终端，并对筛选后的高速用户终端的对象间距离进行聚类分析，能够删除大量低速车辆(例如在路上的行人和非机动车辆)中的终端信息，以分析意义较小的分析数据，提高方法处理效率。
进一步地，在上述方法实施例的基础上，S104中所述获取各路口拍摄的各车辆的车牌信息，根据所述各车辆的行车轨迹和所述各车辆的车牌信息，得到带有车牌信息的车辆与各司机终端的匹配关系，具体包括：
S1041、获取各路口拍摄的各车辆的车牌信息，匹配带有车牌信息的目标车辆的拍摄时间的第二预设时间段内经过对应路口的司机终端。
S1042、获取所述目标车辆在若干个路口匹配得到的所有司机终端，并将匹配次数最多的司机终端确定为与所述目标车辆具备匹配关系的司机终端。
通过采用多个路口的司机终端匹配，将匹配次数最多的司机终端确定为与所述目标车辆具备匹配关系的司机终端，能够提高匹配的正确性。
进一步地，在上述方法实施例的基础上，S101具体包括：
根据各移动终端在各时刻的位置信息、速度信息和加速度信息，生成终端信息矩阵，对所述终端信息矩阵进行无量纲化处理，得到标准化矩阵，并根据所述标准化矩阵计算得到各移动终端的对象间距离。
通过生成终端信息矩阵，并对所述终端信息矩阵进行无量纲化处理，方便后续计算。
具体来说，如图2所示，在进行人车关联的过程中，包括以下具体步骤：
A1、获取手机实时定位信息
采集UE_MR XDR数据通过三角定位和指纹定位计算手机的经纬度。
生成的手机定位信息如下表所示，其中IMSI(International Mobile SubscriberIdentification Number，国际移动用户识别码)为手机的全球唯一标识号，TIME为信息收集时间，LON(longitude，经度)和LAT(Latitude，纬度)分别为收集的手机的经度信息和纬度信息：
IMSI TIME LON LAT
460027926358803 2016-11-25 10:00:00 121.465487 31.258564
460027926358803 2016-11-25 10:00:10 121.466852 31.258487
460027926358803 2016-11-25 10:00:22 121.468038 31.258425
460027926358803 2016-11-25 10:00:40 121.470194 31.258379
460027926358803 2016-11-25 10:00:54 121.470194 31.259722
A2、获取路口信息
采集路口信息，如下表所示：
路口名称 LON LAT
中兴路-大统路 121.465487 31.258564
中兴路-长兴路 121.468038 31.258425
中兴路-共和新路 121.470194 31.258379
共和新路-中华新路 121.470194 31.259722
每隔10s采集一次手机位置信息，并结合路口信息，得到汇总表，如下表所示：
Figure BDA0001667027010000111
A3、数据清洗
首先计算每个用户10s内的平均速度：
Figure BDA0001667027010000121
即tk至tk+1时刻路段i上手机j的平均速度；然后计算每个用户平均速度大于高速状态40km/h的时长，筛选出高速用户。
A4、独立车辆识别
将距离较长的道路分为较短距离的路段，如图3所示，可以按照道路路口进行分段。
计算车载手机的三个属性，位置、速度和加速度：
Figure BDA0001667027010000122
Figure BDA0001667027010000123
Figure BDA0001667027010000124
Figure BDA0001667027010000125
其中，
Figure BDA0001667027010000126
是tk时刻路段i上手机j的纬度，
Figure BDA0001667027010000127
是tk时刻路段i上手机j的经度，
Figure BDA0001667027010000128
是tk时刻路段i上手机j的位置，
Figure BDA0001667027010000129
是tk时刻路段i上手机j的原始速度，
Figure BDA00016670270100001210
是滤波后tk时刻路段i上手机j的运行速度，
Figure BDA00016670270100001211
是tk时刻路段i上手机j的加速度，T是采样周期。α取值范围：0.5<α<1，可通过最小二乘法确定。
采用聚类分析算法对车载手机进行分类，即划分各路段上的独立车辆：
A4.1、将手机位置
Figure BDA0001667027010000131
手机速度
Figure BDA0001667027010000132
手机加速度
Figure BDA0001667027010000133
组成该模型统计数据矩阵原型为一个3×m的矩阵：
Figure BDA0001667027010000134
其中，L1、L2和L3分别为手机1、手机2和手机3的位置，V1、V2和V3分别为手机1、手机2和手机3的速度，A1、A2和A3分别为手机1、手机2和手机3的加速度，m为手机数量。
A4.2、对原始数据矩阵进行无量纲化处理，使每个指标值统一在某一共同的数据特性范围内。这个处理过程称为数据标准化，应用均值标准化法计算，
Figure BDA0001667027010000135
得到标准化数据矩阵：
Figure BDA0001667027010000136
其中，L1’、L2’和L3’分别为手机1、手机2和手机3无量纲化处理后的位置，V1’、V2’和V3’分别为手机1、手机2和手机3无量纲化处理后的速度，A1’、A2’和A3’分别为手机1、手机2和手机3无量纲化处理后的加速度。
A4.3、应用欧式距离法计算得到对象间距离
Figure BDA0001667027010000137
则距离矩阵为：
Figure BDA0001667027010000141
距离矩阵中每个元素表示手机i与手机j在3维空间上的距离(对象属性的个数为3个)，手机i和手机j的距离彼此接近时，该数值接近0；该数值越大，表示手机i和手机j之间的距离越远。根据同辆车上车载手机位置、速度、加速度较接近，将距离矩阵中距离最小的两个类合并；并求取新的距离矩阵。不断合并类并计算新距离矩阵，直至满足一定聚类阈值使得聚类结束，同时获得类别数，即在路车辆数，具体如图4所示。
需要说明的是，聚类阈值的选取直接影响数据集的最佳分类数，最佳阈值选取步骤如下：
B1、求取类间距离平均值：
Figure BDA0001667027010000142
其中，m为手机数量，dij为距离矩阵中第i行第j列的元素，并应用回归分析法可求出聚类阈值与类间距离平均值存在某种关系，假设是一元线性关系：
Figure BDA0001667027010000143
此时，阈值区间为
Figure BDA0001667027010000144
其中，a和b均为常数向量。
B2、根据最优准则和黄金分割法寻找最佳阈值，如图5所示：
第1步：令
Figure BDA0001667027010000145
则阈值
Figure BDA0001667027010000146
(p为聚类阈值为
Figure BDA0001667027010000147
时的类别数，a1和b1分别为向量a和b的第一个元素)。
第2步：计算聚类有效性函数作为最优准则：
Figure BDA0001667027010000148
其中，m个手机tj∈TM(j＝1,2,…,m)分布于p辆车，μij表示第j个手机与第i个车辆的隶属关系，
Figure BDA0001667027010000151
mi表示第i辆车上的手机数，mj表示手机j所在车辆里的手机数，
Figure BDA0001667027010000152
表示第i类的中心，
Figure BDA0001667027010000153
表示第j类的中心。
黄金分割法基本思想如图6所示：计算最初的两个阈值试探点λ1＝a1+0.382×(b1-a1)，μ1＝a1+0.618×(b1-a1)，计算聚类有效性函数maxψ≈ψ(t)，t为自变量，令计数参数k＝1，计算ψ(λ1)，ψ(μ1)。
第3步：比较有效性函数值。若ψ(λk)<ψ(μk)，则转第4步，否则转第5步。
第4步：若bk-λk≤δ，则停止计算，输出μk；否则，令ak+1＝λk，bk+1＝bk，λk+1＝μk，μk+1＝ak+1+0.618×(bk+1-ak+1)，计算ψ(λk+1)，ψ(μk+1)，k＝k+1，转第3步，其中，δ为阈值，λk+1和μk+1均为第k+1个阈值试探点。
第5步：若μk-ak≤δ，则停止计算，输出λk；否则，令ak+1＝ak，bk+1＝μk，μk+1＝λk，λk+1＝ak+1+0.382×(bk+1-ak+1)，计算ψ(λk+1)，ψ(μk+1)，k＝k+1，转第3步。
第6步：输出最佳的聚类阈值。
达到聚类终止条件，即满足聚类阈值，生成各路段的独立车辆序列，如下表所示：
Figure BDA0001667027010000154
通过前后时刻是否有相同手机用户拼接各路段车辆，同时计算每个手机用户出现时长和频次，判别司机和乘客，生成独立车辆行车轨迹，如下表所示：
Figure BDA0001667027010000161
A5、生成车牌遍历路口序列
获取高清车牌信息，生成车牌遍历路口序列，如下表所示：
Figure BDA0001667027010000162
A6、完成人车关联
通过路口名称和时间匹配IMSI和车牌号，车牌在路口的拍照时间前后2min内经过路口的车辆都在匹配范围内；并计算各车辆与路口匹配数，匹配数最高的为最终人车关联结果，如下表所示：
Figure BDA0001667027010000163
Figure BDA0001667027010000171
本实施例通过基于手机实时定位，便于取证，能够协助交管部门打击非法运营；采用聚类分析识别独立车辆，对大数据深入挖掘，实现智能分析车辆行为，完成对可疑车辆、黑运营车辆等的判别；通过匹配路口的高清车牌运行序列与独立车辆的运行轨迹，能达到精确匹配，实现精准的人车关联。
图7示出了本实施例提供的一种人车关联处理装置的结构示意图，所述装置包括：精准定位模块701、司机画像模块702、轨迹拼接模块703和人车关联模块704，其中：
所述精准定位模块701用于根据预设间隔获取路面上各移动终端的第一定位信息，获取各路口的第二定位信息，并根据各移动终端所述预设间隔的第一定位信息，计算得到各移动终端的对象间距离；
所述司机画像模块702用于对所述各移动终端的对象间距离进行聚类分析，根据聚类阈值得到若干个移动终端类，并根据每个移动终端类中各移动终端的时长和/或频次确定各移动终端类中的司机终端；
所述轨迹拼接模块703用于根据所述各路口的第二定位信息以及各司机终端在各时刻的第一定位信息，生成各车辆的行车轨迹；
所述人车关联模块704用于获取各路口拍摄的各车辆的车牌信息，根据所述各车辆的行车轨迹和所述各车辆的车牌信息，得到带有车牌信息的车辆与各司机终端的匹配关系，并根据所述匹配关系对带有车牌信息的车辆与对应的移动终端类中的所有移动终端进行关联，以完成人车关联；
其中，所述各移动终端为各用户随身携带的终端。
具体地，所述精准定位模块701根据预设间隔获取路面上各移动终端的第一定位信息，获取各路口的第二定位信息，并根据各移动终端所述预设间隔的第一定位信息，计算得到各移动终端的对象间距离；所述司机画像模块702对所述各移动终端的对象间距离进行聚类分析，根据聚类阈值得到若干个移动终端类，并根据每个移动终端类中各移动终端的时长和/或频次确定各移动终端类中的司机终端；所述轨迹拼接模块703根据所述各路口的第二定位信息以及各司机终端在各时刻的第一定位信息，生成各车辆的行车轨迹；所述人车关联模块704获取各路口拍摄的各车辆的车牌信息，根据所述各车辆的行车轨迹和所述各车辆的车牌信息，得到带有车牌信息的车辆与各司机终端的匹配关系，并根据所述匹配关系对带有车牌信息的车辆与对应的移动终端类中的所有移动终端进行关联，以完成人车关联。
本实施例通过移动终端的第一定位信息，便于取证并协助交管部门打击非法运营；通过采用聚类分析识别司机终端，进而识别各个独立车辆，实现车辆行为的智能分析，完成对可疑车辆、黑运营车辆等的判别；并通过匹配各路口拍摄各车辆的车牌信息并结合车辆的行车轨迹，能达到精确匹配，实现精准的人车关联。
进一步地，在上述装置实施例的基础上，所述精准定位模块701具体用于：
根据各移动终端所述预设间隔的第一定位信息得到各移动终端在各时刻的位置信息、速度信息和加速度信息，并根据各移动终端在各时刻的位置信息、速度信息和加速度信息，计算得到各移动终端的对象间距离；
相应地，所述轨迹拼接模块703具体用于：
根据所述各路口的第二定位信息以及各司机终端在各时刻的位置信息、速度信息和加速度信息，生成各车辆的行车轨迹。
进一步地，在上述装置实施例的基础上，所述装置还包括：
用户数据清洗模块，用于根据各移动终端在各时刻的速度信息计算得到各终端在第一预设时间段的平均速度，并将平均速度大于速度阈值的终端确定为高速用户终端；
相应地，所述司机画像模块702具体用于：
对所述各高速用户终端的对象间距离进行聚类分析，根据聚类阈值得到若干个移动终端类。
进一步地，在上述装置实施例的基础上，所述人车关联模块704具体用于：
获取各路口拍摄的各车辆的车牌信息，匹配带有车牌信息的目标车辆的拍摄时间的第二预设时间段内经过对应路口的司机终端；
获取所述目标车辆在若干个路口匹配得到的所有司机终端，并将匹配次数最多的司机终端确定为与所述目标车辆具备匹配关系的司机终端。
进一步地，在上述装置实施例的基础上，所述精准定位模块701具体用于：
根据各移动终端在各时刻的位置信息、速度信息和加速度信息，生成终端信息矩阵，对所述终端信息矩阵进行无量纲化处理，得到标准化矩阵，并根据所述标准化矩阵计算得到各移动终端的对象间距离。
本实施例所述的人车关联处理装置可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。
参照图8，所述电子设备，包括：处理器(processor)801、存储器(memory)802和总线803；
其中，
所述处理器801和存储器802通过所述总线803完成相互间的通信；
所述处理器801用于调用所述存储器802中的程序指令，以执行上述各方法实施例所提供的方法。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种人车关联处理方法，其特征在于，包括：
根据预设间隔获取路面上各移动终端的第一定位信息，获取各路口的第二定位信息，并根据各移动终端所述预设间隔的第一定位信息，计算得到各移动终端的对象间距离；
对所述各移动终端的对象间距离进行聚类分析，根据聚类阈值得到若干个移动终端类，并根据每个移动终端类中各移动终端的时长和/或频次确定各移动终端类中的司机终端；
根据所述各路口的第二定位信息以及各司机终端在各时刻的第一定位信息，生成各车辆的行车轨迹；
获取各路口拍摄的各车辆的车牌信息，根据所述各车辆的行车轨迹和所述各车辆的车牌信息，得到带有车牌信息的车辆与各司机终端的匹配关系，并根据所述匹配关系对带有车牌信息的车辆与对应的移动终端类中的所有移动终端进行关联，以完成人车关联；
其中，所述各移动终端为各用户随身携带的终端；
所述获取各路口拍摄的各车辆的车牌信息，根据所述各车辆的行车轨迹和所述各车辆的车牌信息，得到带有车牌信息的车辆与各司机终端的匹配关系，具体包括：
获取各路口拍摄的各车辆的车牌信息，匹配带有车牌信息的目标车辆的拍摄时间的第二预设时间段内经过对应路口的司机终端；
获取所述目标车辆在若干个路口匹配得到的所有司机终端，并将匹配次数最多的司机终端确定为与所述目标车辆具备匹配关系的司机终端。
2.根据权利要求1所述的方法，其特征在于，所述根据各移动终端所述预设间隔的第一定位信息，计算得到各移动终端的对象间距离，具体包括：
根据各移动终端所述预设间隔的第一定位信息得到各移动终端在各时刻的位置信息、速度信息和加速度信息，并根据各移动终端在各时刻的位置信息、速度信息和加速度信息，计算得到各移动终端的对象间距离；
相应地，所述根据所述各路口的第二定位信息以及各司机终端在各时刻的第一定位信息，生成各车辆的行车轨迹，具体包括：
根据所述各路口的第二定位信息以及各司机终端在各时刻的位置信息、速度信息和加速度信息，生成各车辆的行车轨迹。
3.根据权利要求2所述的方法，其特征在于，所述根据各移动终端所述预设间隔的第一定位信息得到各移动终端在各时刻的位置信息、速度信息和加速度信息，并根据各移动终端在各时刻的位置信息、速度信息和加速度信息，计算得到各移动终端的对象间距离之后，还包括：
根据各移动终端在各时刻的速度信息计算得到各终端在第一预设时间段的平均速度，并将平均速度大于速度阈值的终端确定为高速用户终端；
相应地，所述对所述各移动终端的对象间距离进行聚类分析，根据聚类阈值得到若干个移动终端类具体包括：
对所述各高速用户终端的对象间距离进行聚类分析，根据聚类阈值得到若干个移动终端类。
4.根据权利要求2或3所述的方法，其特征在于，所述根据各移动终端在各时刻的位置信息、速度信息和加速度信息，计算得到各移动终端的对象间距离，具体包括：
根据各移动终端在各时刻的位置信息、速度信息和加速度信息，生成终端信息矩阵，对所述终端信息矩阵进行无量纲化处理，得到标准化矩阵，并根据所述标准化矩阵计算得到各移动终端的对象间距离。
5.一种人车关联处理装置，其特征在于，包括：
精准定位模块，用于根据预设间隔获取路面上各移动终端的第一定位信息，获取各路口的第二定位信息，并根据各移动终端所述预设间隔的第一定位信息，计算得到各移动终端的对象间距离；
司机画像模块，用于对所述各移动终端的对象间距离进行聚类分析，根据聚类阈值得到若干个移动终端类，并根据每个移动终端类中各移动终端的时长和/或频次确定各移动终端类中的司机终端；
轨迹拼接模块，用于根据所述各路口的第二定位信息以及各司机终端在各时刻的第一定位信息，生成各车辆的行车轨迹；
人车关联模块，用于获取各路口拍摄的各车辆的车牌信息，根据所述各车辆的行车轨迹和所述各车辆的车牌信息，得到带有车牌信息的车辆与各司机终端的匹配关系，并根据所述匹配关系对带有车牌信息的车辆与对应的移动终端类中的所有移动终端进行关联，以完成人车关联；
其中，所述各移动终端为各用户随身携带的终端；
所述获取各路口拍摄的各车辆的车牌信息，根据所述各车辆的行车轨迹和所述各车辆的车牌信息，得到带有车牌信息的车辆与各司机终端的匹配关系，具体包括：
获取各路口拍摄的各车辆的车牌信息，匹配带有车牌信息的目标车辆的拍摄时间的第二预设时间段内经过对应路口的司机终端；
获取所述目标车辆在若干个路口匹配得到的所有司机终端，并将匹配次数最多的司机终端确定为与所述目标车辆具备匹配关系的司机终端。
6.根据权利要求5所述的装置，其特征在于，所述精准定位模块具体用于：
根据各移动终端所述预设间隔的第一定位信息得到各移动终端在各时刻的位置信息、速度信息和加速度信息，并根据各移动终端在各时刻的位置信息、速度信息和加速度信息，计算得到各移动终端的对象间距离；
相应地，所述轨迹拼接模块具体用于：
根据所述各路口的第二定位信息以及各司机终端在各时刻的位置信息、速度信息和加速度信息，生成各车辆的行车轨迹。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
用户数据清洗模块，用于根据各移动终端在各时刻的速度信息计算得到各终端在第一预设时间段的平均速度，并将平均速度大于速度阈值的终端确定为高速用户终端；
相应地，所述司机画像模块具体用于：
对所述各高速用户终端的对象间距离进行聚类分析，根据聚类阈值得到若干个移动终端类。
8.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。
9.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机程序，所述计算机程序使所述计算机执行如权利要求1至4任一所述的方法。
CN201810487138.7A 2018-05-21 2018-05-21 一种人车关联处理方法及装置 Active CN110517500B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810487138.7A CN110517500B (zh) 2018-05-21 2018-05-21 一种人车关联处理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810487138.7A CN110517500B (zh) 2018-05-21 2018-05-21 一种人车关联处理方法及装置

Publications (2)

Publication Number Publication Date
CN110517500A CN110517500A (zh) 2019-11-29
CN110517500B true CN110517500B (zh) 2021-04-13

Family

ID=68621583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810487138.7A Active CN110517500B (zh) 2018-05-21 2018-05-21 一种人车关联处理方法及装置

Country Status (1)

Country Link
CN (1) CN110517500B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110459059B (zh) * 2019-08-14 2021-04-13 深圳市天彦通信股份有限公司 交通违规确认方法和相关装置
CN111177487A (zh) * 2019-12-19 2020-05-19 北京明略软件系统有限公司 关联关系确定方法、装置、电子设备及存储介质
CN111199644B (zh) * 2020-01-06 2021-05-11 山东合天智汇信息技术有限公司 一种自动进行人车拟合的方法及系统
CN111710170B (zh) * 2020-06-02 2021-11-09 广州市泰睿科技有限公司 一种高速路口辅助进行温度检测的方法及装置
CN113870555B (zh) * 2021-09-08 2023-11-03 南京静态交通产业技术研究院 基于手机imsi码与电子车牌的人车协同识别方法
CN113870574B (zh) * 2021-09-17 2022-09-02 南京熊猫电子股份有限公司 一种自动检测客车违章载客预警的系统和方法
CN114529311B (zh) * 2022-02-16 2023-04-28 安徽宇疆科技有限公司 一种基于定位曲线相似性的路线轨迹匹配方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810851A (zh) * 2014-01-23 2014-05-21 广州地理研究所 一种基于手机定位的交通出行模式识别方法
CN106251629A (zh) * 2016-09-30 2016-12-21 福建工程学院 识别公交车司机与乘客的方法及系统
CN106504520A (zh) * 2016-12-01 2017-03-15 广州麦仑信息科技有限公司 多个出行人共享一辆载客服务车辆的方法和系统
CN107808522A (zh) * 2017-11-10 2018-03-16 珠海德百祺科技有限公司 用于车辆驾驶员身份验证的方法、系统和设备
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

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050071452A (ko) * 2005-06-17 2005-07-07 최경천 모바일 단말기를 이용한 택시 조회 및 범죄 예방 시스템
CN101465867A (zh) * 2007-12-18 2009-06-24 黄金富 乘客用手机查证营业车辆的车牌真假的防黑车系统和方法
US20110281562A1 (en) * 2010-05-14 2011-11-17 General Motors Llc Providing customized in-vehicle services using a vehicle telematics unit
CN104658248A (zh) * 2013-11-22 2015-05-27 上海宝康电子控制工程有限公司 对闯红灯车辆进行人像自动关联处理控制的系统及方法
CN104408919B (zh) * 2014-11-25 2016-09-07 深圳大学 一种基于移动智能终端的道路交通参数人工调查系统
CN105701123B (zh) * 2014-11-27 2019-07-16 阿里巴巴集团控股有限公司 人车关系的识别方法及装置
CN104468787A (zh) * 2014-12-09 2015-03-25 浪潮电子信息产业股份有限公司 一种基于大数据的人车关联识别方法
CN104596507B (zh) * 2015-02-09 2017-10-03 成都小步创想畅联科技有限公司 一种移动终端出行轨迹的确定方法
CN105390015B (zh) * 2015-12-02 2017-09-29 百度在线网络技术（北京）有限公司 实时公交跟踪的方法和装置
CN106332005A (zh) * 2016-08-12 2017-01-11 南京工程学院 一种基于手机定位的车辆违停报警和处理方法
CN107861957B (zh) * 2016-09-22 2020-10-02 杭州海康威视数字技术股份有限公司 一种数据分析方法及装置
CN106611167A (zh) * 2016-12-28 2017-05-03 山东合天智汇信息技术有限公司 一种跟踪方法及系统
CN107463940B (zh) * 2017-06-29 2020-02-21 清华大学 基于手机数据的车辆类型识别方法和设备
CN107452104A (zh) * 2017-07-26 2017-12-08 北京声迅电子股份有限公司 一种基于智能监控的车辆卡口的车辆控制方法及系统
CN107644533B (zh) * 2017-10-27 2021-02-12 上海云砥信息科技有限公司 基于移动网络数据的高速公路虚拟断面车流量监测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810851A (zh) * 2014-01-23 2014-05-21 广州地理研究所 一种基于手机定位的交通出行模式识别方法
CN106251629A (zh) * 2016-09-30 2016-12-21 福建工程学院 识别公交车司机与乘客的方法及系统
CN106504520A (zh) * 2016-12-01 2017-03-15 广州麦仑信息科技有限公司 多个出行人共享一辆载客服务车辆的方法和系统
CN107808522A (zh) * 2017-11-10 2018-03-16 珠海德百祺科技有限公司 用于车辆驾驶员身份验证的方法、系统和设备
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)

* Cited by examiner, † Cited by third party
Title
基于聚类感知的交通检测技术研究;孙文博，张蕾，杨宏;《中国现代教育装备》;20130331;全文 *

Also Published As

Publication number Publication date
CN110517500A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
CN110517500B (zh) 一种人车关联处理方法及装置
CN111507989A (zh) 语义分割模型的训练生成方法、车辆外观检测方法、装置
CN112085952A (zh) 监控车辆数据方法、装置、计算机设备及存储介质
CN108197544B (zh) 人脸分析、过滤方法、装置、嵌入式设备、介质和集成电路
Jain et al. Performance analysis of object detection and tracking algorithms for traffic surveillance applications using neural networks
CN111931683B (zh) 图像识别方法、装置及计算机可读存储介质
CN110147731A (zh) 车辆类型识别方法及相关产品
Ketcham et al. Recognizing the Illegal Parking Patterns of Cars on the Road in Front of the Bus Stop Using the Support Vector Machine
CN108304852B (zh) 道路路段类型的确定方法、装置以及存储介质、电子装置
CN111368617B (zh) 车辆出入数据处理方法及装置
CN114973211A (zh) 对象识别方法、装置、设备及存储介质
Kejriwal et al. Vehicle detection and counting using deep learning basedYOLO and deep SORT algorithm for urban traffic management system
Balci et al. Front-View Vehicle Damage Detection using Roadway Surveillance Camera Images.
CN112580457A (zh) 车辆视频的处理方法、装置、计算机设备和存储介质
CN110619256A (zh) 道路监控检测方法及装置
CN106778765B (zh) 一种车牌识别的方法及装置
CN112150814B (zh) 基于智能交通的信息处理方法、装置及智能交通系统
US20230196772A1 (en) Query-oriented event recognition system and method
CN114693722B (zh) 一种车辆行驶行为检测方法、检测装置及检测设备
CN112633163B (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
CN112818847A (zh) 车辆检测方法、装置、计算机设备和存储介质
CN115131725A (zh) 交通流统计方法、装置、设备及存储介质
CN114283361A (zh) 状态信息的确定方法和装置、存储介质及电子装置
CN113592901A (zh) 图像处理方法、装置、计算机设备及计算机可读存储介质
CN112801048A (zh) 最优目标图像的识别方法、装置、设备及存储介质

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