CN110880244A - 一种辨别出租车是否为克隆车的方法及系统 - Google Patents

Abstract

一种辨别出租车是否为克隆车的方法及系统。本发明提供了一种识别车辆是否为克隆车的方法，该方法包括：使用多个摄像头识别车辆信息，计算车辆与摄像头的最短距离并与阈值对比，将对比结果使用众包方法进行处理，得到该车是克隆车的概率。找出概率大于0.5的车牌，并绘制其GPS轨迹，将轨迹与摄像头安装位置进行对比，验证该车是否为克隆车。对比现有技术，该方法通过利用车辆的GPS数据和摄像头数据，有效的减少了摄像头因外界因素影响而导致的识别不准确，使得对车牌信息识别的正确率增加，且有效地减少了误判，使得克隆车识别的准确性和稳定性都得到了提升，为监管部门提供了很大的便利。

Description

一种辨别出租车是否为克隆车的方法及系统

技术领域

本发明涉及一种利用大数据以及计算机技术与交通信息结合以判断出租车是否为克隆车的方法，属于智能交通领域。

背景技术

出租车作为城市交通中不可缺少的一部分，在城市交通运营中有着重要地位。随着城市经济的发展，生活节奏的加快，越来越多的人选择乘坐便捷高效的出租车出行，无疑给出租车市场带来了巨大的活力，同时也有越来越多的人关注到出租车市场潜在的巨大利润，选择将社会车辆改装为克隆出租车。

克隆车是指：不法分子参照出租车真实牌照，将牌照相同的假牌套在经过改装后与出租车外形相似的私家车上，然后进行非法运营以牟取利润。出租车行业的克隆车现象对社会有极大的危害，不仅扰乱公安机关对公共安全的管控，制造社会不稳定因素，而且一旦克隆车涉及违法交通事故，由于难以辨别该克隆车的真实社会车辆的牌照，会使案件的侦破难度大大增加。而现在相关执法部门主要通过乘客举报，监管出租车驾驶员等方法进行监管，但由于出租车车辆与监管人员之间巨大的数量差，所以此类方法效率很低。有效管控克隆车对社会的稳定以及提高监管工作的效率具有重大意义。

目前针对克隆车研究的方法主要包括：

通过判断待识别车辆的车辆编码和车辆驾驶员的注册号码是否一致来判断车辆是否是克隆车；通过固定时间对出现在某固定区域的车辆外形以及车辆编码进行识别来判断车辆是否是克隆车；通过在路网设置多个车辆采集点得到车辆图像信息形成车辆行驶轨迹，然后通过图像采集设备拍到的车牌号形成车辆行驶轨迹，将两个轨迹进行对比，得到车辆是否是克隆车的结论；根据出租车GPS数据以及摄像头位置信息，计算出租车与摄像头的距离，从而判断出租车是否是克隆车。

上述方法在实际应用中不能保证准确性，且理论可靠性不强，在路网设置多个车辆采集点需耗费大量人力物力且资源再利用的可能性不高，在实际使用中，由于摄像头识别准确率受到各种外界因素的影响，例如：摄像头安装高度、拍摄角度、光线强弱以及人员的随意走动造成的遮挡，导致摄像头会对车辆的车牌信息识别错误，从而导致误判其为克隆车，大大影响实验结果的准确性。据此，此研究方案以北京市信息中心整合的全市出租车车辆信息，包括出租车的GPS信息以及计价器数据，以及北京市交通执法总队在各个重要的交通卡口安装的摄像头信息为依据展开研究，将上述出现的摄像头识别车辆不准确的问题通过众包的方法进行纠正，提高辨别车辆是否是克隆车的准确性、稳定性。

发明内容

本发明的目的是利用众包的方法提升车牌识别的正确率，并且有效地减少误判的发生，从而大大提高了监管部门的工作效率。本发明的方法适用于各种车辆，包括出租车，大货车，家用轿车等。

本发明提供了一种识别车辆是否为克隆车的方法，包括如下步骤：

步骤1、使用不同位置的多个摄像头对车辆信息进行识别；

步骤2、将拍摄时间t，多个摄像头位置信息和车牌信息上传至信息中心；

步骤3、通过车牌信息查询所述车辆的GPS位置，并计算所述车辆与每个摄像头之间的距离；

步骤4、将所述车辆与每个摄像头之间的距离与阈值对比，构造[0,1]矩阵；

步骤5、将所述[0,1]矩阵作为输入特征，用众包算法得到车辆是克隆车的概率；

步骤6、将该结果中概率大于阈值的车牌取出；

步骤7、验证所述取出的车牌的GPS轨迹和摄像头位置以及车牌识别准确性。

进一步的，所述步骤1-2中，车辆经过摄像头架设地点时，摄像头对车辆进行拍照并识别车辆车牌号信息，具体包括：车辆车身颜色、车辆车牌信息、拍摄时间、拍摄地点；将识别得到的车辆车牌信息、拍摄时间以及拍摄地点上传至信息中心，所述拍摄地点用经纬度表示为

其中c_i表示第i个摄像头；根据摄像头识别得到的车辆车牌号在信息中心数据库中搜索相应车辆的GPS数据，取该车辆在被拍摄时间前后三分钟的GPS数据。

进一步的，所述步骤3中，每辆车在多个摄像头下出现，得到多组车辆被拍摄时间前后三分钟的GPS数据向量，对每组GPS数据向量进行位数控制处理以及去漂移处理，然后按照时间的先后顺序进行排序，得到2×N的矩阵，经纬度数据有经度和维度2个数据，2作为矩阵行数，N代表车辆在N个摄像头下出现，N作为矩阵的列数，分别计算GPS矩阵的每维数据与摄像头之间的直线距离，得到1×N的距离向量，取该距离向量中最小值，将该数值记为di，其中i表示第i个摄像头；最终，对于每辆车得到与车辆在摄像头下出现的次数相等的最小直线距离个数。

进一步的，所述对GPS进行位数控制处理以及去漂移处理，所述位数控制处理是指：当车辆经过立交桥以及高大建筑物附近时，GPS信号会受到干扰，导致GPS数据出现丢失位的现象，将此类GPS数据做丢弃处理；

所述去漂移处理是指，用所在地区的地域GPS坐标范围对车辆的GPS数据进行校正。

进一步的，所述步骤3中，通过得到每辆车在多个摄像头下出现时车辆与摄像头的最短距离，将车辆与摄像头之间的最短距离di与阈值S进行对比，构建[0,1]矩阵。

具体为当d_i＞S时，记Label_i＝1，表示该车辆的标签为1，即该车辆被第i个摄像头判断为克隆车；当d_i＜S时，记Label_i＝0，表示该车辆的标签为0，即该车辆被第i个摄像头判断为正常车；对每辆车而言，经过构建[0,1]矩阵后，得到一组仅包含0,1数值的1×N的向量，其中N为一辆出租车在摄像头下出现的次数。

进一步的，所述步骤5中，用众包算法对所述[0,1]矩阵进行判断处理，所述众包算法利用考虑车辆在摄像头下出现的次数、摄像头识别结果的可信程度、以及车辆真实的属性三个因素的影响，计算得到每辆车是克隆车的概率。

进一步的，所述摄像头的阈值为：计算所有在该摄像头下出现的车辆与摄像头之间的距离，并绘制距离分布图，观察到车辆和摄像头之间的距离集中在预定值以内，选择该预定值作为阈值。

进一步的，对于摄像头拍摄并识别车牌号得到的正确信息的可能性以及摄像头识别车牌的水平，在建模时分别用参数β_j和α_i表示，所述摄像头i判断车辆j是否为克隆车通过计算摄像头i对车辆j识别正确的概率来判断：

其中，参数Z_j代表车辆j的真实标签，即Z_j＝1代表车辆j是克隆车；参数1/β_j代表第j辆车被识别正确的难度，取值范围为[0,∞)，其中1/β_j＝∞表示车辆难以被判别，1/β_j＝0表示车辆很容易被判别；参数α_i代表第i个摄像头识别车牌的水平，取值范围为(-∞,+∞)，当α_i＝+∞时表示第i个摄像头识别车牌几乎没有出错；当α_i＝-∞时表示第i个摄像头识别车牌几乎均出错；当α_i＝0时代表第i个摄像头不能对第j辆车的真实标签Z_j进行区分，α_i的值与摄像头的安装位置、安装高度以及安装角度有关，由于只有是克隆车或者不是克隆车两种结果，故可得：当概率大于0.5时，判断其是克隆车，即L_i置为1；概率小于0.5时，判断其不是克隆车，即L_i置为0。

进一步的，所述步骤7包括：最终验证车辆是否为克隆车，是将概率大于0.5的车牌号取出，在数据中心搜索车牌所对应的GPS轨迹，通过对比其摄像头拍摄时间的GPS轨迹与摄像头位置来验证该车辆是否为克隆车。

本发明技术解决的问题：对现有的技术进行改进，提高识别车牌的正确率，减少对克隆车的误判。在原有的基础上大大提高了识别克隆车的准确性和稳定性。

本发明与现有技术相比的优点：本发明使用众包的方法，对多个摄像头识别得到的车牌信息进行处理，提高识别车牌信息的准确率，从而有效地减少了现有识别方法带来的误判问题，增加了监管部门的工作效率，保障了公众的出行安全。

附图说明

图1为出租车克隆行为检测方法流程图；

图2为车辆与摄像头距离的高斯分布图；

图3为京BT6414的GPS轨迹与摄像头位置示意图；

图4为京BQ4293的GPS轨迹与摄像头位置示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

根据本发明的一个实施例，具体步骤如下，参见图1所示：

步骤1：车辆经过摄像头架设地点时，摄像头对车辆进行拍照并识别车辆车牌号信息，具体包括：车辆车身颜色、车辆车牌信息、拍摄时间、拍摄地点。将识别得到的车辆车牌信息、拍摄时间t以及拍摄地点(用经纬度表示为

其中c_i表示第i个摄像头)上传至信息中心。根据摄像头识别得到的车辆车牌号在信息中心数据库中搜索相应车辆的GPS数据，取该车辆在被拍摄时间前后三分钟的GPS数据。

对得到的GPS数据进行位数控制处理以及去漂移处理。具体地，位数控制处理是指：当出租车经过立交桥以及高大建筑物附近时，GPS信号会受到干扰，导致GPS数据出现丢失位的现象，将此类GPS数据做丢弃处理；去漂移处理是指：以北京地区出租车为例，车辆的GPS数据会从北京区域范围突然漂移到河北地区甚至黑龙江地区，对于此类GPS数据，以北京六环西北角以及东南角的GPS位置为限制，矫正车辆的GPS数据。

由于每辆出租车可能在多个摄像头下出现，由此得到多组车辆被拍摄时间前后三分钟的GPS数据向量，对每组GPS数据向量进行位数控制处理以及去漂移处理，然后按照时间的先后顺序进行排序，得到2×N的矩阵(2行代表经纬度数据，N代表车辆在N个摄像头下出现)，分别计算GPS矩阵的每维数据与摄像头之间的直线距离，得到与1×N的距离向量，取该距离向量中最小值，将该数值记为d_i，其中i表示第i个摄像头。最终，对于每辆出租车来说，得到与车辆在摄像头下出现的次数相等的最小直线距离个数。

步骤2：通过所述步骤1可以得到每辆出租车在多个摄像头下出现时车辆与摄像头的最短距离，根据事先确定的距离阈值构建[0,1]矩阵，其中，确定距离阈值的是根据步骤1绘制所有车辆与摄像头的最短距离高斯分布图，如图2所示，由图可以看出，车辆与摄像头之间的距离集中在5000米以内，为了保证结果的准确性，取距离阈值为5000米，记为S。将车辆与摄像头之间的距离d_i与阈值S进行对比，构建[0,1]矩阵。如表1所示，具体方法为：当d_i＞S时，记Label_i＝1，表示该车辆的标签为1，即该车辆被第i个摄像头判断为克隆车；当d_i＜S时，记Label_i＝0，表示该车辆的标签为0，即该车辆被第i个摄像头判断为正常车。对每辆车而言，经过构建[0,1]矩阵后，得到一组仅包含0,1数值的1×N的向量，其中N为一辆出租车在摄像头下出现的次数。

表1

摄像头与车辆的距离d<sub>i</sub>和阈值S的大小关系	L<sub>i</sub>
		d<sub>i</sub>＞S	1
d<sub>i</sub>＜S	0

步骤3:用众包算法对步骤2中得到的[0,1]矩阵进行判断处理，最后得到每辆车是克隆车的概率。众包算法主要的思想是通过综合考虑多种情况下多个测评的评价结果，避免因只用一个评价结果而造成偏颇；其中，在众包算法中，判断车辆是否为克隆车与三个因素有关，分别为：车辆在摄像头下出现的次数、摄像头对车辆车牌识别能力的高低即摄像头识别结果的可信程度以及车辆真实的属性即该车辆是否是克隆车。由于某些车辆在摄像头下仅出现过一次，对于此类车辆在本研究中直接剔除，因为仅出现一次时摄像头识别的误判率太高，且无法通过众包算法进行矫正；对于摄像头拍摄并识别车牌号得到的正确信息的可能性以及摄像头识别车牌的水平，在建模时分别用参数βj和αi表示，其中，参数1/β_j表示第j辆车的被正确识别的难度，取值范围为[0，∞)。当1/β_j＝∞时，表示车辆j难以被判别；当1/β_j＝0时，表示车辆j很容易被判别；参数α_i表示第i个摄像头识别车牌的能力，取值范围为(-∞,+∞)，当α_i＝+∞时表示第i个摄像头识别车牌几乎从不出错，当α_i＝-∞时代表第i个摄像头识别车牌几乎均出错，当α_i＝0时代表第i个摄像头不能对第j辆车的真实标签进行区分。在该实验中，摄像头的识别水平受安装位置、安装角度以及安装高度的影响。据此，可以得到第i个摄像头对第j辆车的判断模型：

其中，L_ij代表第i个摄像头对第j辆车判断结果，Z_j表示第j辆车的真实标签。上式表示在给定参数α_i和β_j的情况下，第i个摄像头对第j辆车识别正确的概率。

在此模型下，使用期望最大化算法((Expectation Maximization Algorithm)，简称EM算法，分别进行E-step与M-step建模，通过梯度下降法得到参数α与β的最优值。其中E-step建模方法为：参数α与β的值来自于上一轮的M-step。

其中，Z_j表示第j辆车的真实标签，l_j表示第j辆车所有标签的集合。基于条件独立性假设，在E-step中，我们用P(z_j)代替P(z_j|α,β_j)进行建模。

在M-step中，通过最大化目标函数优化参数，其中Z是由上一步E-step得来的。

通过局部最大化Q值，梯度下降迭代优化参数α与β。实验中设置α与β初始值均为0，参与的车辆个数为700辆，车辆在摄像头下出现次数至少为两次，车辆数据来源时间段为2018.10.18-2018.12.01。

步骤4：将众包算法所得到的概率矩阵中概率大于0.5的车牌信息取出，在数据中心中搜索其GPS轨迹并与摄像头的安装位置做对比，可以验证车辆是否为克隆车。

实验结果

使用众包方法在700辆出租车中判定有两辆车为克隆车，得到其GPS轨迹和摄像头安装的位置关系，如图3、图4所示。从图3中可以看出，车牌号为京BT6414的车辆在摄像头拍摄时间出现的位置与摄像头位置相距甚远，但摄像头却在此时拍摄到有该车牌信息的车辆，此时采取人工验证的方式对摄像头拍摄到的车辆车牌号进行验证。经过验证，发现摄像头拍摄车辆识别得到的车牌号为京BT6414，故而可得到该车牌号车辆为克隆车的结论。同理，车牌号为京BQ4293的车辆也为克隆车。

而使用单个摄像头对车辆进行识别，则无法准确的从这700辆车中找到这两辆克隆车。因此，通过上述方法不仅能提高识别结果的准确性而且能够保证找出来的车辆是克隆车，有效地防止了误判的发生。

最后，应该说明的是：以上实施例仅用以说明本发明的技术方案，而非对其进行限制；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转换；而这些修改或转换，并不使相应技术方案的本质脱离本发明各实施技术方案的精神和范围。

Claims (9)

1.一种识别车辆是否为克隆车的方法，其特征在于，包括如下步骤：

步骤1、使用不同位置的多个摄像头对车辆信息进行识别；

步骤2、将拍摄时间t，多个摄像头位置信息和车牌信息上传至信息中心；

步骤3、通过车牌信息查询所述车辆的GPS位置，并计算所述车辆与每个摄像头之间的距离；

步骤4、将所述车辆与每个摄像头之间的距离与阈值对比，构造[0,1]矩阵；

步骤5、将所述[0,1]矩阵作为输入特征，用众包算法得到车辆是克隆车的概率；

步骤6、将该结果中概率大于阈值的车牌取出；

步骤7、验证所述取出的车牌的GPS轨迹和摄像头位置以及车牌识别准确性。

2.根据权利要求1所述的一种识别车辆是否为克隆车的方法，其特征在于：

所述步骤1-2中，车辆经过摄像头架设地点时，摄像头对车辆进行拍照并识别车辆车牌号信息，具体包括：车辆车身颜色、车辆车牌信息、拍摄时间、拍摄地点；将识别得到的车辆车牌信息、拍摄时间以及拍摄地点上传至信息中心，所述拍摄地点用经纬度表示为

其中c_i表示第i个摄像头；根据摄像头识别得到的车辆车牌号在信息中心数据库中搜索相应车辆的GPS数据，取该车辆在被拍摄时间前后三分钟的GPS数据。

3.根据权利要求2所述的一种识别车辆是否为克隆车的方法，其特征在于：

所述步骤3中，每辆车在多个摄像头下出现，得到多组车辆被拍摄时间前后三分钟的GPS数据向量，对每组GPS数据向量进行位数控制处理以及去漂移处理，然后按照时间的先后顺序进行排序，得到2×N的矩阵，经纬度数据有经度和维度2个数据，2作为矩阵行数，N代表车辆在N个摄像头下出现，N作为矩阵的列数，分别计算GPS矩阵的每维数据与摄像头之间的直线距离，得到1×N的距离向量，取该距离向量中最小值，将该数值记为di，其中i表示第i个摄像头；最终，对于每辆车得到与车辆在摄像头下出现的次数相等的最小直线距离个数。

4.根据权利要求1所述的一种识别车辆是否为克隆车的方法，其特征在于：

所述对GPS进行位数控制处理以及去漂移处理，所述位数控制处理是指：当车辆经过立交桥以及高大建筑物附近时，GPS信号会受到干扰，导致GPS数据出现丢失位的现象，将此类GPS数据做丢弃处理；

所述去漂移处理是指，用所在地区的地域GPS坐标范围对车辆的GPS数据进行校正。

5.根据权利要求1所述的一种识别车辆是否为克隆车的方法，其特征在于：

所述步骤3中，通过得到每辆车在多个摄像头下出现时车辆与摄像头的最短距离，将车辆与摄像头之间的最短距离di与阈值S进行对比，构建[0,1]矩阵。

具体为当d_i＞S时，记Label_i＝1，表示该车辆的标签为1，即该车辆被第i个摄像头判断为克隆车；当d_i＜S时，记Label_i＝0，表示该车辆的标签为0，即该车辆被第i个摄像头判断为正常车；对每辆车而言，经过构建[0,1]矩阵后，得到一组仅包含0,1数值的1×N的向量，其中N为一辆车在摄像头下出现的次数。

6.根据权利要求1所述的一种识别车辆是否为克隆车的方法，其特征在于：

所述步骤5中，用众包算法对所述[0,1]矩阵进行判断处理，所述众包算法考虑车辆在摄像头下出现的次数、摄像头识别结果的可信程度、以及车辆真实的属性三个因素的影响，从而计算得到每辆车是克隆车的概率。

7.根据权利要求5所述的一种识别车辆是否为克隆车的方法，其特征在于：

所述摄像头的阈值为：计算所有在该摄像头下出现的车辆与摄像头之间的距离，并绘制高斯密度距离分布图，观察车辆和摄像头之间的距离集中范围，取距离集中范围的上限值，以此作为距离阈值。

8.根据权利要求6所述的一种识别车辆是否为克隆车的方法，其特征在于：

对于摄像头拍摄并识别车牌号得到的正确信息的可能性以及摄像头识别车牌的水平，在建模时分别用参数β_j和α_i表示，所述摄像头i对判断车辆j是否为克隆车是通过摄像头i对车辆j识别正确的概率来判定：

其中，参数Z_j代表车辆j的真实标签，即Z_j＝1代表车辆j是克隆车；参数1/β_j代表第j辆车被识别正确的难度，取值范围为[0,∞)，其中1/β_j＝∞表示车辆难以被判别，1/β_j＝0表示车辆很容易被判别；参数α_i代表第i个摄像头识别车牌的水平，取值范围为(-∞,+∞)，当α_i＝+∞时表示第i个摄像头识别车牌几乎没有出错；当α_i＝-∞时表示第i个摄像头识别车牌几乎均出错；当α_i＝0时代表第i个摄像头不能对第j辆车的真实标签Z_j进行区分，α_i的值与摄像头的安装位置、安装高度以及安装角度有关，由于只有是克隆车或者不是克隆车两种结果，故可得：当概率大于0.5时，判断其是克隆车，即L_i置为1；概率小于0.5时，判断其不是克隆车，即L_i置为0。

9.根据权利要求7所述的一种识别车辆是否为克隆车的方法，其特征在于：

所述步骤7包括：最终验证车辆是否为克隆车，是将概率大于0.5的车牌号取出，在数据中心搜索车牌所对应的GPS轨迹，通过对比其摄像头拍摄时间的GPS轨迹与摄像头位置来验证该车辆是否为克隆车。

Images