CN111222587A - 基于特征融合的失证人员危险驾驶行为预测方法及系统 - Google Patents

基于特征融合的失证人员危险驾驶行为预测方法及系统 Download PDF

Info

Publication number
CN111222587A
CN111222587A CN202010321522.7A CN202010321522A CN111222587A CN 111222587 A CN111222587 A CN 111222587A CN 202010321522 A CN202010321522 A CN 202010321522A CN 111222587 A CN111222587 A CN 111222587A
Authority
CN
China
Prior art keywords
vehicle
information
driver
track information
dangerous driving
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
Application number
CN202010321522.7A
Other languages
English (en)
Inventor
徐熙豪
王雯婷
王倩
陈磊
吴善新
尹浩文
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.)
Nanjing Sengen Safety Technology Co Ltd
Original Assignee
Nanjing Sengen Safety Technology 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 Nanjing Sengen Safety Technology Co Ltd filed Critical Nanjing Sengen Safety Technology Co Ltd
Priority to CN202010321522.7A priority Critical patent/CN111222587A/zh
Publication of CN111222587A publication Critical patent/CN111222587A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Abstract

本发明公开了一种基于特征融合的失证人员危险驾驶行为预测方法及系统，属于计算机技术领域。包括：通过身份特征采集设备，采集经过该设备附近的人员轨迹信息、车辆轨迹信息；对采集到的人员轨迹信息、车辆轨迹信息进行去重处理，保存至本地数据库中；筛选出区域活跃车辆，根据采集到的人员轨迹信息、车辆轨迹信息进行人‑车关联，找出潜在的车辆实际驾驶人；对可能存在危险驾驶行为的驾驶人进行预测，给相关工作人员进行实时的告警推送。本发明的有益效果是，从多维度采集目标人员的身份特征信息，可以对驾驶人的危险驾驶行为进行精准预测和防范打击，能有效解放人力成本、降低交通事故率，保障公众的生命财产安全。

Description

基于特征融合的失证人员危险驾驶行为预测方法及系统
技术领域
本发明涉及计算机技术领域，更具体地，是一种基于特征融合的失证人员危险驾驶行为预测方法及系统。
背景技术
随着社会的发展，以及居民生活水平的提高，我国汽车保有量逐年上升，随之而来的是交通事故率高居不下。据有关部门统计，失证人员危险驾驶行为正是造成交通事故频发的重要原因之一。失证人员危险驾驶行为主要包括无证驾驶、驾驶证过期、驾驶证被吊销、酒驾、醉驾、毒驾、历史犯罪人员高危驾驶等情形。上述危险驾驶行为极大地危害了公众的生命财产安全，社会不良影响极大，因此各地政府和公安部门都对该类行为予以重点打击查处。
传统的打击方法主要有两种，其一是人工排查，比如在某些路口设置警力随机抽查驾驶员的驾驶证、对驾驶员进行酒精浓度测试等；另外一种是事后发现，比如针对已经发生交通事故的驾驶员定责时才发现相应的危险驾驶行为。传统手段的主要问题在于会极大地耗费人力物力、且覆盖面不全，有较大的局限性。
当前，也出现了基于人工智能的危险驾驶行为检测方法，通常需要在车上加装智能检测设备来检测驾驶员的酒驾、疲劳驾驶等行为；此外，还有一些方法是通过道路卡口高清摄像头采集驾驶员的面部图片，基于图像识别的方法提取人脸面部特征以检测疲劳驾驶等行为。上述方法通常对设备有一定的依赖性，会增加较大的成本开销。前者需要在车上加装额外的设备，很多普通车型并不具备该条件，而后者对道路卡口的摄像头要求较高。
发明内容
为了解决上述问题，本发明提供了一种基于特征融合的失证人员危险驾驶行为预测方法及系统，其目的在于，实现对失证人员危险驾驶行为的精准预测，从而精确防范打击失证人员，降低交通事故率，保障公众的生命财产安全。
为了实现上述目的，本发明提供了一种基于特征融合的失证人员危险驾驶行为预测方法包括：
（S1）通过身份特征采集设备，采集经过该设备附近的人员轨迹信息和车辆轨迹信息；
（S2）对采集到的人员轨迹信息和车辆轨迹信息进行去重处理，并保存至本地数据库中；
（S3）筛选出区域活跃车辆，根据采集到的人员轨迹信息和车辆轨迹信息进行人-车关联，找出潜在的车辆实际驾驶人；
（S4）对可能存在危险驾驶行为的实际驾驶人进行预测，给相关工作人员进行实时的告警推送；
（S5）将告警结果汇总，导出危险驾驶人信息详细报表，转入步骤（S6）；
（S6）重复步骤（S1）~（S5），实现对失证人员危险驾驶行为的持续检测。
进一步地，所述步骤（S1）中，身份特征采集设备包括：侦码采集设备、MAC地址采集设备、人脸摄像头和车牌卡口。
进一步地，侦码采集设备、MAC地址采集设备以及人脸摄像头与车牌卡口安装于同一位置。
进一步地，所述步骤（S2）中对采集到的人员轨迹信息、车辆轨迹信息进行去重处理的方法包括：
针对某一较小时间段∆T内重复采集到的人员轨迹信息、车辆轨迹信息仅保留其中一个；
根据Relief法，选取了目标人员与车辆的出现天数D、共站站点数S、出现次数C三个特征来计算匹配度M。
进一步地，人员轨迹信息包括身份特征信息、人员地址信息以及人员时间戳，车辆信息包括车牌号、车辆地址信息以及车辆时间戳。
进一步地，所述步骤（S3）中筛选区域活跃车辆的方法包括：
（S31）统计N天内，某辆车出现的次数X，若X大于预先设定的阈值X0，则认为该车辆为活跃车辆。
进一步地，所述步骤（S3）中人-车关联的方法包括：
（S32）分别统计指定时间段内某个目标人员与车辆的出现天数D、共站站点数S和出现次数C，计算二者的天数匹配度MD、站点匹配度MS以及次数匹配度MC；
（S33）计算最终的匹配度M，计算公式如下：
Figure 782005DEST_PATH_IMAGE001
；
其中，a，b，c为权重，且满足a+b+c=1；
（S34）筛选出匹配度M大于匹配阈值M0的身份特征记录集合I，从集合I中选择出排名靠前的1-2条记录，该身份特征即与相应的车辆存在确认的关联关系；
（S35）根据本地内网数据、身份特征，确定驾驶员身份。
进一步地，所述步骤（S3）中人-车关联的方法还包括：
（S36）查询机动车驾驶证库，查找该车辆对应的驾驶人信息，以确定车辆的驾驶人。
进一步地，所述步骤（S4）中对可能存在危险驾驶行为的驾驶人进行预测的方法包括：
（S41）根据已经得到的车辆驾驶人信息以及车辆信息，在交通驾驶人信息库中获取该驾驶人的驾照状态，包括驾照正常、驾照过期以及吊销驾照；若不存在该驾驶人信息，则为无证驾驶；
（S42）在数据资源共享平台中获取驾驶人的前科信息，包括酒驾、醉驾、毒驾以及刑事犯罪信息；若驾驶人存在上述犯罪历史，则预测可能会继续进行危险驾驶。
本发明同时提供了一种基于特征融合的失证人员危险驾驶行为预测系统，包括：数据采集模块、数据处理模块、人-车关联模块、驾驶人危险驾驶行为预测模块以及告警模块；
所述数据采集模块，用于采集经过身份特征采集设备附近的人员轨迹信息、车辆轨迹信息；
所述数据处理模块，用于剔除人员轨迹信息、车辆轨迹信息中的重复数据记录；
所述数据处理模块，还用于筛选区域活跃车辆；
所述人-车关联模块，用于确认车辆与实际驾驶人之间的关系；
所述驾驶人危险驾驶行为预测模块，用于预测可能存在危险驾驶行为的驾驶人信息；
所述告警模块，用于将驾驶人危险驾驶行为预测模块预测的驾驶人信息给相应的工作人员进行实时告警推送，并导出危险驾驶人信息详细报表。
本发明的有益效果：
（1）本发明所提供的一种基于特征融合的失证人员危险驾驶行为预测方法及系统，从多维度采集目标人员的身份特征信息，对目标人员的身份特征和车辆进行关联计算，实现人-车关系的确认，进而根据驾驶人的驾照状态、历史犯罪信息等，可以对驾驶人的危险驾驶行为进行精准预测和防范打击，能有效降低交通事故率，保障公众的生命财产安全；
（2）本发明所提供的一种基于特征融合的失证人员危险驾驶行为预测方法及系统，不需要在车上加装额外的设备，便能够从多角度定位到目标的活动轨迹信息，具有极高的准确性且覆盖面广，能有效解放人力成本，提高工作效率。
附图说明
图1为本发明实施例提供的一种基于特征融合的失证人员危险驾驶行为预测方法的流程图；
图2为本发明实施例提供的一种基于特征融合的失证人员危险驾驶行为预测系统的逻辑结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明作进一步地详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提供了一种基于特征融合的失证人员危险驾驶行为预测方法，其具体步骤如下：
（S1）通过身份特征采集设备，采集经过该设备附近的人员轨迹信息、车辆轨迹信息，人员轨迹信息主要包括身份特征、地址、时间戳等，车辆信息主要包括车牌号、地址、时间戳等；
可选地，所述身份特征采集设备包括：侦码采集设备、MAC地址采集设备、人脸摄像头、车牌卡口等；
可选地，所述虚拟采集设备满足如下条件：侦码采集设备、MAC地址采集设备、人脸摄像头需与车牌卡口安装于同一位置；
（S2）对采集到的人员轨迹信息、车辆轨迹信息进行去重处理，保存至本地数据库中；
可选地，所述步骤（S2）中对采集到的人员轨迹信息、车辆轨迹信息进行去重处理的方法包括：针对某一较小时间段∆T内重复采集到的人员轨迹信息、车辆轨迹信息仅保留其中一个；根据Relief法，选取了目标人员与车辆的出现天数D、共站站点数S、出现次数C三个特征来计算匹配度M；
其中，∆T在本实施例中设置为5分钟，在实际场景中，∆T相差5分钟才可能保证是同一时刻采集到目标人员和车辆的轨迹信息，也可根据需要进一步减小∆T；
可选地，所述步骤（S2）中的本地库可用于存储数据，包括GreenPlum数据库；
（S3）筛选出区域活跃车辆，根据采集到的人员轨迹信息、车辆轨迹信息进行人-车关联，找出潜在的车辆实际驾驶人；
可选地，所述步骤（S3）中筛选区域活跃车辆的方法包括：统计N天内，某辆车出现的次数X，若X大于预先设定的阈值X0，则认为该车辆为活跃车辆。
举例来说，可以令N=7，X0=4，N和X0是根据大量的测试结果来确定的，也可根据具体情况自行设置。
可选地，所述步骤（S3）中人-车关联的方法包括：
分别统计指定时间段内某个目标人员与车辆的出现天数D、共站站点数S、出现次数C，计算二者的天数匹配度MD、站点匹配度MS、次数匹配度MC；
计算最终的匹配度M，计算公式如下：
其中，a，b，c为权重，且满足a+b+c=1，权重反映了不同特征的重要程度，需根据数据样本的不同，自行分配权重，在本发明中根据Relief法计算各属性对应的统计量分量，得知出现次数C是最重要的特征。
筛选出匹配度M大于匹配阈值M0的身份特征记录集合I，从集合I中选择出排名靠前的1-2条记录，该身份特征即与相应的车辆存在确认的关联关系；
根据本地内网数据、该身份特征，确定驾驶员身份。
在本发明的一个实施例中，根据Relief法计算各属性对应的统计量分量，确认出现次数C为最重要的特征，出现天数D和共站站点数S重要程度大致相当，故设置a=b=0.3，c=0.4。
至于M0的设置，是根据多次测试结果来设定的，经验证M0=0.8时准确率较高，当M0过大时，会漏掉不少匹配结果。
可选地，所述步骤（S3）中人-车关联的方法还包括：
查询机动车驾驶证库，查找该车辆对应的驾驶人信息，以确定车辆的驾驶人。
（S4）对可能存在危险驾驶行为的驾驶人进行预测，给相关工作人员进行实时的告警推送；
可选地，所述步骤（S4）中对可能存在危险驾驶行为的驾驶人进行预测的方法包括：
根据已经得到的车辆驾驶人信息、车辆信息，在交通驾驶人信息库中获取该驾驶人的驾照状态，包括驾照正常、驾照过期、吊销驾照等，若不存在该驾驶人信息，则为无证驾驶；
在数据资源共享平台中获取驾驶人的前科信息，包括酒驾、醉驾、毒驾、刑事犯罪等信息，若存在上述犯罪历史的驾驶人，则预测可能会继续进行危险驾驶；
（S5）将告警结果汇总，导出危险驾驶人信息详细报表；
（S6）重复步骤（S1）~（S5），实现对失证人员危险驾驶行为的持续检测。
如图2所示，本发明同时提供了一种基于特征融合的失证人员危险驾驶行为预测系统，包括：
数据采集模块、数据处理模块、人车关联模块、驾驶人危险驾驶行为预测模块以及告警模块；
所述数据采集模块，用于采集经过身份特征采集设备附近的人员轨迹信息、车辆轨迹信息；
所述数据处理模块，用于剔除人员轨迹信息、车辆轨迹信息中的重复数据记录；
所述数据处理模块，还用于筛选区域活跃车辆；
所述人车关联模块，用于确认车辆与实际驾驶人之间的关系；
所述驾驶人危险驾驶行为预测模块，用于预测可能存在危险驾驶行为的驾驶人；
所述告警模块，用于给相应的工作人员进行实时告警推送，并形成危险驾驶人信息详细报表。
本发明所提供的一种基于特征融合的失证人员危险驾驶行为预测方法及系统，从多维度采集目标人员的身份特征信息，对目标人员的身份特征和车辆进行关联计算，实现人-车关系的确认，进而根据驾驶人的驾照状态、历史犯罪信息等，可以对驾驶人的危险驾驶行为进行精准预测和防范打击，能有效解放人工排查成本、降低交通事故率，保障公众的生命财产安全。在实际应用中，通过本发明提供的方法来判断失证人员危险驾驶行为，正确率高达94.6%，效果良好。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于特征融合的失证人员危险驾驶行为预测方法，其特征在于，包括以下步骤：
S1通过身份特征采集设备，采集经过该设备附近的人员轨迹信息和车辆轨迹信息；
S2对采集到的人员轨迹信息和车辆轨迹信息进行去重处理，并保存至本地数据库中；
S3筛选出区域活跃车辆，根据采集到的人员轨迹信息和车辆轨迹信息进行人-车关联，找出潜在的车辆实际驾驶人；
S4对可能存在危险驾驶行为的实际驾驶人进行预测，给相关工作人员进行实时的告警推送；
S5将告警结果汇总，导出危险驾驶人信息详细报表，转入步骤S6；
S6重复步骤S1-S5，实现对失证人员危险驾驶行为的持续检测。
2.如权利要求1所述的一种基于特征融合的失证人员危险驾驶行为预测方法，其特征在于，所述步骤S1中，身份特征采集设备包括：侦码采集设备、MAC地址采集设备、人脸摄像头和车牌卡口。
3.如权利要求2所述的一种基于特征融合的失证人员危险驾驶行为预测方法，其特征在于，侦码采集设备、MAC地址采集设备以及人脸摄像头与车牌卡口安装于同一位置。
4.如权利要求1所述的一种基于特征融合的失证人员危险驾驶行为预测方法，其特征在于，所述步骤S2中对采集到的人员轨迹信息和车辆轨迹信息进行去重处理的方法包括：
S21针对某一较小时间段∆T内重复采集到的人员轨迹信息、车辆轨迹信息仅保留其中一个；
S22根据Relief（Relevant Features）法，选取目标人员与车辆的出现天数D、共站站点数S、出现次数C三个特征来计算匹配度M。
5.如权利要求1所述的一种基于特征融合的失证人员危险驾驶行为预测方法，其特征在于，人员轨迹信息包括身份特征信息、人员地址信息以及人员时间戳，车辆信息包括车牌号、车辆地址信息以及车辆时间戳。
6.如权利要求1所述的一种基于特征融合的失证人员危险驾驶行为预测方法，其特征在于，所述步骤S3中筛选区域活跃车辆的方法包括：
S31统计N天内，某辆车出现的次数X，若X大于预先设定的阈值X0，则认为该车辆为活跃车辆。
7.如权利要求1所述的一种基于特征融合的失证人员危险驾驶行为预测方法，其特征在于，所述步骤S3中人-车关联的方法包括：
S32分别统计指定时间段内某个目标人员与车辆的出现天数D、共站站点数S和出现次数C，计算二者的天数匹配度MD、站点匹配度MS以及次数匹配度MC；
S33计算最终的匹配度M，计算公式如下：
Figure 875433DEST_PATH_IMAGE001
；
其中，a，b，c为权重，且满足a+b+c=1；
S34筛选出匹配度M大于匹配阈值M0的身份特征记录集合I，从集合I中选择出排名靠前的1-2条记录，该身份特征即与相应的车辆存在确认的关联关系；
S35根据本地内网数据、身份特征，确定驾驶员身份。
8.如权利要求1所述的一种基于特征融合的失证人员危险驾驶行为预测方法，其特征在于，所述步骤S3中人-车关联的方法还包括：
S36查询机动车驾驶证库，查找该车辆对应的驾驶人信息，以确定车辆的驾驶人。
9.如权利要求1-8所述的一种基于特征融合的失证人员危险驾驶行为预测方法，其特征在于，所述步骤S4中对可能存在危险驾驶行为的驾驶人进行预测的方法包括：
S41根据已经得到的车辆驾驶人信息以及车辆信息，在交通驾驶人信息库中获取该驾驶人的驾照状态，包括驾照正常、驾照过期以及吊销驾照；若不存在该驾驶人信息，则为无证驾驶；
S42在数据资源共享平台中获取驾驶人的前科信息，包括酒驾、醉驾、毒驾以及刑事犯罪信息；若驾驶人存在上述犯罪历史，则预测可能会继续进行危险驾驶。
10.一种基于特征融合的失证人员危险驾驶行为预测系统，其特征在于，包括：数据采集模块、数据处理模块、人-车关联模块、驾驶人危险驾驶行为预测模块以及告警模块；
所述数据采集模块，用于采集经过身份特征采集设备附近的人员轨迹信息、车辆轨迹信息；
所述数据处理模块，用于剔除人员轨迹信息、车辆轨迹信息中的重复数据记录；
所述数据处理模块，还用于筛选区域活跃车辆；
所述人-车关联模块，用于确认车辆与实际驾驶人之间的关系；
所述驾驶人危险驾驶行为预测模块，用于预测可能存在危险驾驶行为的驾驶人信息；
所述告警模块，用于将驾驶人危险驾驶行为预测模块预测的驾驶人信息给相应的工作人员进行实时告警推送，并导出危险驾驶人信息详细报表。
CN202010321522.7A 2020-04-22 2020-04-22 基于特征融合的失证人员危险驾驶行为预测方法及系统 Pending CN111222587A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010321522.7A CN111222587A (zh) 2020-04-22 2020-04-22 基于特征融合的失证人员危险驾驶行为预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010321522.7A CN111222587A (zh) 2020-04-22 2020-04-22 基于特征融合的失证人员危险驾驶行为预测方法及系统

Publications (1)

Publication Number Publication Date
CN111222587A true CN111222587A (zh) 2020-06-02

Family

ID=70808022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010321522.7A Pending CN111222587A (zh) 2020-04-22 2020-04-22 基于特征融合的失证人员危险驾驶行为预测方法及系统

Country Status (1)

Country Link
CN (1) CN111222587A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112866919A (zh) * 2021-01-05 2021-05-28 西安交通大学 基于室内人员定位和行为感知的非入侵安防方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014174848A (ja) * 2013-03-11 2014-09-22 Kochi Univ Of Technology 自動車安全運転能力測定システム
DE102013019424A1 (de) * 2013-11-20 2015-05-21 Audi Ag Verfahren zum Betrieb eines Fahrzeugsystems zur Überwachung eines Fahrers und Kraftfahrzeug
CN105575118A (zh) * 2015-12-25 2016-05-11 银江股份有限公司 一种失驾人员筛选方法
CN109634946A (zh) * 2018-12-06 2019-04-16 南京森根科技发展有限公司 一种基于大数据挖掘的轨迹智能匹配关联分析算法模型
CN109635857A (zh) * 2018-11-29 2019-04-16 东软集团股份有限公司 人车轨迹监测分析方法、装置、设备及存储介质
DE102018122926A1 (de) * 2018-09-19 2020-03-19 Valeo Schalter Und Sensoren Gmbh Verfahren zum Parken eines Fahrzeugs auf einem Parkplatz
CN110909567A (zh) * 2018-09-17 2020-03-24 杭州海康威视系统技术有限公司 抓捕失驾人员的方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014174848A (ja) * 2013-03-11 2014-09-22 Kochi Univ Of Technology 自動車安全運転能力測定システム
DE102013019424A1 (de) * 2013-11-20 2015-05-21 Audi Ag Verfahren zum Betrieb eines Fahrzeugsystems zur Überwachung eines Fahrers und Kraftfahrzeug
CN105575118A (zh) * 2015-12-25 2016-05-11 银江股份有限公司 一种失驾人员筛选方法
CN110909567A (zh) * 2018-09-17 2020-03-24 杭州海康威视系统技术有限公司 抓捕失驾人员的方法和装置
DE102018122926A1 (de) * 2018-09-19 2020-03-19 Valeo Schalter Und Sensoren Gmbh Verfahren zum Parken eines Fahrzeugs auf einem Parkplatz
CN109635857A (zh) * 2018-11-29 2019-04-16 东软集团股份有限公司 人车轨迹监测分析方法、装置、设备及存储介质
CN109634946A (zh) * 2018-12-06 2019-04-16 南京森根科技发展有限公司 一种基于大数据挖掘的轨迹智能匹配关联分析算法模型

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112866919A (zh) * 2021-01-05 2021-05-28 西安交通大学 基于室内人员定位和行为感知的非入侵安防方法及系统
CN112866919B (zh) * 2021-01-05 2022-02-11 西安交通大学 基于室内人员定位和行为感知的非入侵安防方法及系统

Similar Documents

Publication Publication Date Title
Craglia et al. A comparative evaluation of approaches to urban crime pattern analysis
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
US7299152B1 (en) Correlating event data for large geographic area
CN110379176B (zh) 基于图像识别的无证驾驶违法行为预警拦截方法
CN107346435A (zh) 一种基于车辆特征库的嫌疑套牌车捕获方法
CN103246876A (zh) 基于图像特征比对的车辆套牌识别方法
CN107832364B (zh) 一种基于时空数据锁定目标对象的方法及装置
CN110619277A (zh) 一种多社区智慧布控方法以及系统
CN107067730B (zh) 基于卡口设备的网约车人车不一致监测方法
CN103294775A (zh) 基于地理时空约束的警务云图像识别车辆管控系统
CN109767618B (zh) 一种公安交管业务异常数据综合研判方法及系统
CN110288823B (zh) 一种基于朴素贝叶斯网络的交通违章误判识别方法
CN109900494B (zh) 一种测试用例的生成方法
CN109993098A (zh) 城市车辆黑烟智能识别大数据分析系统及方法
CN112380892B (zh) 一种图像识别方法、装置、设备及介质
CN112507939A (zh) 一种重点车辆检测方法、系统、设备及存储介质
CN111222587A (zh) 基于特征融合的失证人员危险驾驶行为预测方法及系统
CN112580470A (zh) 城市视觉感知方法、装置、电子设备和存储介质
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
CN110909641A (zh) 一种检测摩托车超载的方法、装置及系统
CN109389700A (zh) 一种基于区块链技术的车辆可见性违法行为识别方法
CN110852456A (zh) 车辆综合管理系统
CN101527080A (zh) 异地车辆交通违法行为处罚方法与系统
CN112991717B (zh) 车辆轨迹展示方法及相关产品
CN110060452A (zh) 车辆进出场所的警示方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200602

RJ01 Rejection of invention patent application after publication