CN111369805B - 套牌检测的方法、装置、电子设备及计算机可读存储介质 - Google Patents
套牌检测的方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111369805B CN111369805B CN202010020730.3A CN202010020730A CN111369805B CN 111369805 B CN111369805 B CN 111369805B CN 202010020730 A CN202010020730 A CN 202010020730A CN 111369805 B CN111369805 B CN 111369805B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- passing
- records
- brand
- record
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Abstract
本申请公开了检测套牌的方法、装置、电子设备及计算机可读存储介质。一种检测套牌的方法,包括:按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列,所述同一车辆的过车记录为具有相同车辆标识的过车记录,所述车辆标识用以区分不同车辆;从所述过车记录序列中提取过车记录,而得到目标子序列,所述目标子序列中任意相邻两个过车记录的两个卡口标识之间的关联度小于关联度阈值;确定所述任意相邻两个过车记录之间的时差是否低于所述任意相邻两个过车记录的卡口标识之间的时长下限阈值;在确定所述时差低于所述时长下限阈值时,确定所述任意两个过车记录对应的车辆具有套牌嫌疑。
Description
技术领域
本申请涉及软件技术领域,特别涉及检测套牌的方法、装置、电子设备及计算机可读存储介质。
背景技术
套牌是指安装伪造车牌或者套用其他车辆的车牌。套牌行为对公共交通管理和公共安全维护等方面造成负面影响。套牌检测可以发现套牌车辆,以便维护公共交通秩序。
目前,套牌检测方案可以获取各卡口的抓拍设备抓拍到的车辆图像,然后识别车辆图像中车牌、车辆颜色等信息,最后根据识别出的信息进行套牌检测。例如,套牌检测可以根据车辆行驶时长确定车辆通过卡口的时间是否合理,如果时间不合理,确定车辆存在套牌可能。
然而,由于卡口距离远近不同,容易引起套牌检测的准确度不高。因此,套牌检测的准确度有待提高。
发明内容
为此,本申请提出了新的套牌检测方案,能够提高套牌检测的准确度。
根据本申请一个方面,提供一种检测套牌的方法,包括:
按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列,所述同一车辆的过车记录为具有相同车辆标识的过车记录,所述车辆标识用以区分不同车辆;
从所述过车记录序列中提取过车记录,而得到目标子序列,所述目标子序列中任意相邻两个过车记录的两个卡口标识之间的关联度小于关联度阈值,其中,所述两个卡口标识之间的关联度与所述两个卡口标识对应的两个卡口之间的相邻程度成正比;
确定所述任意相邻两个过车记录之间的时差是否低于所述任意相邻两个过车记录的卡口标识之间的时长下限阈值;
在确定所述时差低于所述时长下限阈值时,确定所述任意两个过车记录对应的车辆具有套牌嫌疑。
在一些实施例中,所述两个卡口标识之间的关联度的确定方法包括:
获取多个卡口的历史过车记录;
按照时间周期和车牌对所述多个卡口的历史过车记录进行划分,得到多个历史过车记录的分组,其中,每个历史过车记录的分组中历史过车记录具有相同的时间段和相同车牌;
对每个历史过车记录的分组中历史过车记录按照过车时间进行排序,得到每个历史过车记录的分组的排序结果;
提取每个历史过车记录的分组的排序结果中卡口标识,得到每个历史过车记录的分组对应的卡口标识序列;
将各历史过车记录的分组对应的卡口标识序列输入词向量生成模型,由词向量生成模型输出卡口标识对应的词向量;
计算所述两个卡口标识对应的两个词向量之间的相似度,并将所述相似度作为所述两个卡口标识之间的关联度。
在一些实施例中,所述按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列之前,上述方法还包括:
确定同一车辆的过车记录中车牌号和车牌颜色的组合对应的车辆识别代码;
查询与所述车辆识别代码对应的车辆品牌;
在未查询到车辆品牌时,执行所述按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列的步骤;
在查询到车辆品牌时,确定查询到的车辆品牌与所述过车记录中的车辆品牌是否一致;
在确定查询到的车辆品牌与所述同一车辆的过车记录的车辆品牌一致时,执行所述按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列的步骤。
在一些实施例中,所述查询与所述车辆识别代码对应的车辆品牌,包括:
从品牌数据库中查询与所述车辆识别代码对应的车辆品牌,所述品牌数据库用于存放车辆识别代码与车辆品牌之间的关联记录;
在未查询到车辆品牌时,校验所述车辆识别代码;
在所述车辆识别代码通过校验时,通过网络爬虫方式和/或第三方应用查询所述车辆识别代码对应的车辆品牌;
将查询到的车辆品牌与所述车辆识别代码的对应关系存储为所述品牌数据库中一个关联记录。
在一些实施例中,所述车辆标识包括车牌和车辆特征;则所述按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列,包括:
获取具有相同车牌的过车记录的集合;
按照车辆特征对所述集合进行分组,每个分组的过车记录具有相同的车辆特征;
确定每个分组在所述集合中的占比是否达到预设比例阈值;
将在所述集合中占比达到比例阈值的分组作为同一车辆的过车记录;
按照过车时间对所述同一车辆的过车记录进行排序,得到过车记录序列。
根据本申请一个方面,提供一种检测套牌的装置,包括:
排序单元,按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列,所述同一车辆的过车记录为具有相同车辆标识的过车记录,所述车辆标识用以区分不同车辆;
提取单元,从所述过车记录序列中提取过车记录,而得到目标子序列,所述目标子序列中任意相邻两个过车记录的两个卡口标识之间的关联度小于关联度阈值,其中,所述两个卡口标识之间的关联度与所述两个卡口标识对应的两个卡口之间的相邻程度成正比;
判断单元,确定所述任意相邻两个过车记录之间的时差是否低于所述任意相邻两个过车记录的卡口标识之间的时长下限阈值;
套牌管理单元,在所述判断单元确定所述时差低于所述时长下限阈值时,确定所述任意两个过车记录对应的车辆具有套牌嫌疑。
根据本申请一个方面,提供所述提取单元根据下述方式确定两个卡口标识之间的关联度:
获取多个卡口的历史过车记录;
按照时间周期和车牌对所述多个卡口的历史过车记录进行划分,得到多个历史过车记录的分组,其中,每个历史过车记录的分组中历史过车记录具有相同的时间段和相同车牌;
对每个历史过车记录的分组中历史过车记录按照过车时间进行排序,得到每个历史过车记录的分组的排序结果;
提取每个历史过车记录的分组的排序结果中卡口标识,得到每个历史过车记录的分组对应的卡口标识序列;
将各历史过车记录的分组对应的卡口标识序列输入词向量生成模型,由词向量生成模型输出卡口标识对应的词向量;
计算所述两个卡口标识对应的两个词向量之间的相似度,并将所述相似度作为所述两个卡口标识之间的关联度。
根据本申请一个方面,提供上述装置进一步包括第一查询单元,用于:在排序单元执行所述按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列之前,
确定同一车辆的过车记录中车牌号和车牌颜色的组合对应的车辆识别代码;
查询与所述车辆识别代码对应的车辆品牌;
在未查询到车辆品牌时,指示所述排序单元执行所述按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列的操作;
在查询到车辆品牌时,确定查询到的车辆品牌与所述过车记录中的车辆品牌是否一致;
在确定查询到的车辆品牌与所述同一车辆的过车记录的车辆品牌一致时,指示所述排序单元执行所述按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列的操作。
在一些实施例中,所述查询单元根据下述方式查询与所述车辆识别代码对应的车辆品牌:
从品牌数据库中查询与所述车辆识别代码对应的车辆品牌,所述品牌数据库用于存放车辆识别代码与车辆品牌之间的关联记录;
在未查询到车辆品牌时,校验所述车辆识别代码;
在所述车辆识别代码通过校验时,通过网络爬虫方式和/或第三方应用查询所述车辆识别代码对应的车辆品牌;
将查询到的车辆品牌与所述车辆识别代码的对应关系存储为所述品牌数据库中一个关联记录。
在一些实施例中,所述排序单元根据下述方式执行所述按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列,包括:
获取具有相同车牌的过车记录的集合;
按照车辆特征对所述集合进行分组,每个分组的过车记录具有相同的车辆特征;
确定每个分组在所述集合中的占比是否达到预设比例阈值;
将在所述集合中占比达到比例阈值的分组作为同一车辆的过车记录;
按照过车时刻对所述同一车辆的过车记录进行排序,得到过车记录序列。
根据本申请一个方面,提供一种计算机可读存储介质,包括计算机程序,所述计算机程序被处理器执行时使得所述处理器执行如上所述的检测套牌的方法中的步骤。
根据本申请一个方面,提供一种电子设备,包括:存储器、处理器以及计算机程序,所述计算机程序存储在所述存储器中,所述处理器运行所述计算机程序执行如上所述的检测套牌的方法中的步骤。
综上,根据本申请的检测套牌的方案,可以获取反映出行车轨迹的过车记录序列,并且通过判断关联度的方式,能够得到目标子序列。由于目标子序列中任意相邻两个过车记录的两个卡口标识之间的关联度小于关联度阈值,可以避免目标子序列中相邻过车记录对应的关联度大于关联度阈值,从而能够避免两个卡口之间的实际通过时长波动较大造成的套牌检测误判,能够提高套牌检测的准确度。
附图说明
图1示出了根据本申请一些实施例的应用场景的示意图;
图2示出了根据本申请一些实施例的检测套牌的方法200的流程图;
图3示出了根据本申请一些实施例的检测套牌的方法300的流程图;
图4示出了根据本申请一些实施例的过车记录序列的方法400的流程图;
图5示出了根据本申请一些实施例的创建品牌数据库的方法500的流程图;
图6示出了根据本申请一些实施例的获取目标子序列的方法600的流程图;
图7A示出了根据本申请一些实施例的确定卡口标识之间关联度的方法700的流程图;
图7B示出根据本申请一些实施例的卡口标识的词向量的示意图;
图8示出了根据本申请一些实施例的建立关联度数据库的方法800的流程图;
图9示出了根据本申请一些实施例的检测套牌的装置900的示意图;
图10示出了根据本申请一些实施例的检测套牌的装置1000的示意图;
图11示出了根据本申请一些实施例的电子设备的示意图。
具体实施方式
为使本申请的目的、技术方案及优点更加清楚明白,以下参照附图并举实施例,对本申请进一步详细说明。
图1示出了根据本申请一些实施的应用场景100的示意图。如图1所示,应用场景100可以包括多个抓拍设备(例如图1示出的110、120和130)、至少一个图像收集设备140、图像处理平台150、至少一个检测服务器160。在应用场景100包括多个检测服务器160时,多个检测服务器160可以组成一个集群。
多个抓拍设备110可以部署在多个卡口处。每个抓拍设备110与一个卡口对应。这里,卡口是指对行驶的车辆进行监测的位置点。抓拍设备可以是各种用于拍摄车辆图像的摄像机。抓拍设备可以对经过该抓拍设备的车辆进行抓拍以产生过车图片(即车辆图像),以及产生过车图片被抓拍时所处的卡口标识、过车时间(即卡口的抓拍时间)、过车标识等附属信息。卡口标识是指拍摄过车图片的抓拍设备所处卡口的标识。过车标识(过车ID)是指抓拍到的过车图片的唯一标志。
图像收集设备140可以收集抓拍设备采集的车辆图像和车辆图像的附属信息,并通过数据传输接口实时将收集到车辆图像推送给下一个平台即图像处理平台150,并且将抓拍设备110产生的附属信息保存到检测服务器160。附属信息例如可以包括卡口标识、过车时间、过车标识等信息。图像收集设备140例如为网络硬盘录像机(NVR)或者图像收集服务器(TDA)等设备,本申请对此不做限制。
图像处理平台150可以从图像收集设备140获取接收车辆图像过车信息,过车信息包括车辆图像和抓拍设备产生的过车ID。图像处理平台150可以对车辆图像进行实时处理。针对任一张车辆图像,图像处理平台150可以进行图像识别操作,产生车辆的多个附属信息,例如车牌颜色、车牌号、车辆颜色和车辆品牌等信息。图像处理平台150可以将图像处理平台150产生的附属信息保存到检测服务器160。图像处理平台150例如为能够处理图像数据的人工智能平台。图像处理平台150可以包括一个或多个图像处理服务器。
检测服务器160可以存储过车记录。检测服务器160为同一条过车记录进行两次数据保存。其中,第一次数据保存(即,第一次本地持久化)为保存来自图像收集设备140的附属信息(例如卡口标识、过车时间)。这里,附属信息可以被存储为过车ID的属性。第二次数据保存(即,第二次本地持久化)为保存来自图像处理平台150的附属信息(例如车牌颜色、车牌号、车辆颜色和车辆品牌)。这里,附属信息可以被存储为过车ID的属性。两次保存的数据的过程是以过车ID为键(key),将相同的过车ID的不同属性合并成一条过车记录进行保存。一个过车记录可以例如可以包括:卡口标识、过车时间、车牌颜色、车牌号、车辆颜色和车辆品牌等内容。另外,检测服务器160可以对过车记录进行套牌检测,以确定存在套牌嫌疑的过车记录。下面结合图2对本申请实施例的套牌检测方案进行说明。
图2示出了根据本申请一些实施例的检测套牌的方法200的流程图。检测套牌的方法200例如可以由检测服务器160或者其他的电子设备执行,本申请对此不做限制。
如图2所示,在步骤S201中,按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列。换言之,每个过车记录序列是同一车辆的过车记录的排序结果。同一车辆的过车记录为具有相同车辆标识的过车记录,车辆标识用以区分不同车辆。车辆标识例如可以是车牌号码。又例如,车辆标识可以是车牌,车牌包括车牌号和车牌颜色的组合信息。又例如,车辆标识是车辆特征。车辆特征可以包括车辆品牌和车辆颜色等特征。又例如,车辆标识为车牌和车辆特征的组合信息。
步骤S201可以按照过车时间由早到晚的顺序进行排序。过车记录序列中各卡口标识的序列可以反映出车辆的行车轨迹。
在步骤S202中,从过车记录序列中提取过车记录,而得到目标子序列。目标子序列中任意相邻两个过车记录的两个卡口标识之间的关联度小于关联度阈值。
这里,关联度可以反映两个卡口标识(即两个卡口)之间的相邻程度,两个卡口标识之间的关联度与这两个卡口标识对应的两个卡口之间的相邻程度成正比,关联度越低,两个卡口之间相邻程度越小,两个卡口之间的卡口越多,因此,两个卡口的相邻程度也可以反映这两个卡口之间其他卡口的数量。关联度取值范围例如为[0,1]。如果值为1,可以说明这两个卡口在位置前后相邻,中间没有间隔其他卡口,如果为0,则可以表示中间卡口众多。
在套牌检测时,通常选取一个固定值作为两个卡口之间的最短通过时长,并将该最短通过时长与实际通过时长作对比,根据对比结果得到套牌检测结果,例如当实际通过时长小于最短通过时长时,可以判断存在套牌现象。而最短通过时长又是根据实际通过时长确定的,当两个卡口之间的实际通过时长波动较大时,例如由于道路拥堵造成实际通过时长大幅增加,如果还是与波动之前的最短通过时长作对比,则大幅增加后的实际通过时长必然大于最短通过时长,因此将不会检测到套牌,但该检测结果并不能反映实际情况。由于目标子序列中任意相邻两个过车记录的两个卡口标识之间的关联度小于关联度阈值,则目标子序列中任意相邻两个过车记录的两个卡口标识对应的两个卡口的相邻度被得到限制,即选取合适的卡口间隔,以使得实际通过时长的波动限制在合理范围内,提高套牌检测准确率。关联度阈值可以根据经验选取,例如为0.6,但不限于此方式。
在步骤S203中,确定目标子序列中任意相邻两个过车记录之间的时差是否低于相邻两个过车记录的卡口标识之间的时长下限阈值。时长下限阈值是两个卡口之间的最短通过时长。
在步骤S203确定所述时差低于时长下限阈值时,方法200可以执行步骤S204,确定两个过车记录对应的车辆具有套牌嫌疑。这里,时差低于时长下限阈值,可以表明车辆通过两个卡口的时长不正常,车辆存在套牌嫌疑。在存在套牌嫌疑时,步骤S204例如可以将相邻两个过车记录加入到套牌集合中。
综上,根据本申请的检测套牌的方法200可以获取反映出行车轨迹的过车记录序列(即步骤S201),并且通过判断关联度的方式(即步骤S202),能够得到目标子序列。由于目标子序列中任意相邻两个过车记录的两个卡口标识之间的关联度小于关联度阈值,检测套牌的方法200可以避免目标子序列中相邻过车记录对应的关联度大于关联度阈值,从而能够避免由于两个卡口之间的实际通过时长波动较大造成的套牌检测误判,能够提高套牌检测的准确度。
在一些应用场景中,本申请的实施例在执行方法200之前(即在基于关联度进行套牌检测之前),还可以根据车牌和车辆品牌对过车记录进行套牌检测。下面结合图3进行说明。
图3示出了根据本申请一些实施例的检测套牌的方法300的流程图。检测套牌的方法300例如可以由检测服务器160或者其他的电子设备执行,本申请对此不做限制。
在步骤S301中,确定同一车辆的过车记录中车牌号和车牌颜色的组合对应的车辆识别代码(即车牌对应的车辆识别代码)。步骤S301例如可以从车管所的数据库获取车牌号和车牌颜色的组合对应的车辆识别代码(VIN)。车辆识别代码可以包括世界制造厂识别代号(WMI)、车辆说明部分(VDS)、车辆指示部分(VIS)。
在步骤S302中,查询与车辆识别代码对应的车辆品牌。在一些实施例中,步骤S302可以根据车辆识别代码,从品牌数据库中查询与车辆识别代码对应的车辆品牌。品牌数据库用于存放车辆识别代码与车辆品牌之间的关联记录。车管所的数据库中对车牌号和车牌颜色的组合信息,关联登记有车辆识别代码(VIN)和车辆品牌。这里用车管所的数据库中车辆识别代码区品牌数据库查询车辆品牌而不是直接从车管所的数据库中查询车辆品牌,主要原因是由于车辆信息在车管所登记时车辆识别代码是通过扫描登记文件将信息录入系统,出错率在1%以下(数据来源于J省Y市截止到201*年7月1日车管库信息)。而车辆品牌是人为填写,每个人对同一个车牌书写习惯不一致甚至出现书写错误的情况,出错率在30%--35%(数据来源于J省Y市截止到201*年7月1日车管库信息)。品牌数据库可以准确记录车辆识别代码与车辆品牌的关联关系。步骤S302通过利用车辆识别代码从品牌数据库查询车辆品牌,可以提高查询结果的准确性,从而提高套牌检测的准确度。
在步骤S302查询到车辆品牌时,方法300可以执行步骤S303,确定查询到的车辆品牌与同一车辆的过车记录中的车辆品牌是否一致。
在步骤S303确定查询到的车辆品牌与过车记录的车辆品牌不一致时,方法300可以执行步骤S304,确定同一车辆的过车记录具有套牌嫌疑。例如,方法300可以将同一个车辆的过车记录加入到套牌集合中。
在步骤S303确定查询到的车辆品牌与过车记录的车辆品牌一致时,方法300可以执行步骤S305,按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列。这里,步骤S305的实施方式与图2中步骤S201类似。
综上,本申请的实施例基于步骤S301-S304,可以通过车辆识别代码查询车辆品牌,并且判断查询到车辆品牌与过车记录中记录的车辆品牌一致,从而在不一致时确定过车记录存在套牌嫌疑。另外说明的是,步骤S302通过从品牌数据库查询车辆品牌(即利用品牌数据库替代人工登记的车辆识别代码与车辆品牌的对应关系),可以避免人工登记错误对套牌检测的干扰,并可以提高步骤S304中对车辆识别代码与车辆品牌的对应关系的判断准确度,从而提高套牌检测的准确度。
在步骤S302未查询到车辆品牌时,方法300不再执行步骤S303和S304,可以跳转到步骤S305。
在步骤S305确定过车记录序列后,方法300可以执行步骤S306,从过车记录序列中提取过车记录,而得到目标子序列。目标子序列中任意相邻两个过车记录的两个卡口标识之间的关联度小于关联度阈值。
在步骤S307中,确定目标子序列中任意相邻两个过车记录之间的时差是否低于相邻两个过车记录的卡口标识之间的时长下限阈值。时长下限阈值是两个卡口之间的最短通过时长。
在步骤S307确定所述时差低于时长下限阈值时,方法300可以执行步骤S308,确定两个过车记录对应的车辆具有套牌嫌疑。这里,时差低于时长下限阈值,可以表明车辆通过两个卡口的时长不正常,车辆存在套牌嫌疑。
在一些实施例中,具有套牌嫌疑的车辆的过车记录的集合可以称为套牌集合。方法300还可以包括步骤S309,对于套牌集合中来自目标子序列的过车记录中存在的任一个卡口标识,确定任一个卡口标识对应的过车记录在套牌集合中占比。
在步骤S309确定的占比达到占比阈值时,方法300可以执行步骤S310,将上述任一个卡口标识对应的过车记录移出套牌集合。这里,占比阈值例如为0.01。
例如,**省*市卡口标识为1302,在201x年4月29日内产生了86条与套牌有关的过车记录。而该市共有1000个卡口。一天共产生200条与套牌有关的过车记录。卡口1302产生与套牌有关过车记录的占比为86/200。从概率分布来说,每个卡口抓到套牌的概率比其他卡口的概率是相等的。如果某一个卡口的概率突增,则该卡口可能出现设备故障等异常。该实例中占比远高于占比阈值0.01,与客观规律不符合。本申请实施例可以将卡口1302的套牌记录删除。
另外说明的是,卡口经常出现掉线等状况时,容易出现设备时间与标准时间(例如北京时间)有差别等情况。该卡口的异常容易造成大量与套牌有关的过程记录。
综上,本申请实施例的方法300通过步骤S309和S310,能够过滤掉与异常卡口有关的过车记录,从而提高套牌检测的准确度。
在一些实施例中,上文中步骤S305可以实施为方法400。
在步骤S401中,获取具有相同车牌的过车记录的集合。这里,相同车牌是指车牌号相同且车牌颜色相同。
在步骤S402中,按照车辆特征对集合进行分组,每个分组的过车记录具有相同的车辆特征。这里,车辆特征包括车牌品牌和车辆颜色。相同的车辆特征是指车牌品牌相同,并且车辆颜色相同。
在步骤S403中,确定每个分组在集合中的占比是否达到预设比例阈值。这里,比例阈值例如为10%。
在步骤S404中,将在集合中占比达到比例阈值的分组作为同一车辆的过车记录。
在步骤S405中,按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列。综上,方法400可以通过分析每个分组在集合中占比,可以过滤掉占比低于比例阈值的分组。这里,比例低于比例阈值的分组很大概率属于偶然性的识别错误。由于光线不足、光线太强和拍摄角度等原因,过车记录中车辆颜色或品牌可能存在小概率的识别出错。方法400通过过滤掉占比低于比例阈值的分组,可以防止识别出错的过车记录对套牌检测的干扰,从而提高套牌检测的准确度。
为了更形象说明方法400的执行过程,下面结合表1进行举例说明。
例如,表1涉及的车牌号为粤*0C6M9,车牌颜色为蓝色。在201x年9月4日被抓拍到图像对应的过车记录共有36条。基于车辆颜色、车辆品牌的组合,在36条中的比例进行统计。需要说明的是,真实的车辆情况为车身颜色为黑色,车辆品牌为路虎。但是在部分过车记录中车身颜色被识别成白色、灰色。在部分过车记录中,车辆品牌被识别成比亚迪。
表1
编号 | 车辆颜色_车辆品牌 | 个数 | 车牌号 | 占比 |
1 | 白色_比亚迪 | 2 | 粤*006M9 | 5.56% |
2 | 黑色_路虎 | 28 | 粤*0C6M9 | 77.78% |
3 | 黑色_未知 | 1 | 粤*0C6M9 | 2.78% |
4 | 白色_路虎 | 1 | 粤*006M9 | 2.78% |
5 | 灰色_路虎 | 1 | 粤*0C6M9 | 2.78% |
6 | 灰色_比亚迪 | 1 | 粤*006M9 | 2.78% |
7 | 黑色_比亚迪 | 1 | 粤*0C6M9 | 2.78% |
8 | 黑色_比亚迪 | 1 | 粤*006M9 | 2.78% |
步骤S403可以对分组编号1-8的各分组进行比例判断。步骤S404可以过滤掉分组编号为1、3-8的过车记录,然后单独将分组编号为2的28条记录作为一个待检测的分组。
另外,为了更形象说明上文中步骤S301至S303,下面结合表2进行举例说明。
例如,分组编号1-5的各分组中过车记录的车牌号为粤*009NX,车牌颜色为蓝色。一个分组为同一车辆的过车记录。在201x年8月13日被抓拍到的图像对应的过程记录共有29条。真实情况是,黑色_奔驰和灰色_迈巴赫套用同一个车牌号码。
表2
编号 | 车身颜色_车辆品牌 | 个数 | 识别出对应的车牌号码 | 比例 |
1 | 黑色_奔驰 | 12 | 粤*009NX | 41.38% |
2 | 灰色_迈巴赫 | 13 | 粤*009NX | 44.83% |
3 | 灰色_奔驰 | 1 | 粤*009NX | 3.45% |
4 | 黑色_迈巴赫 | 2 | 粤*0C9NX | 6.90% |
5 | 未知_路虎 | 1 | 粤*0C9NX | 3.45% |
步骤S301通过查询得到了车辆识别代码。步骤S302通过查询品牌数据库确定车辆识别代码对应的车辆品牌为“奔驰”。对于表示分组编号为2的分组(即分组2中同一车辆的过车记录),步骤S303可以判断该分组的车辆品牌“迈巴赫”与查询到的“奔驰”不一致。在此基础上,步骤S304可以确定分组编号2对应的过车记录存在套牌嫌疑。
在一些实施例中,上文步骤S302涉及的品牌数据库例如可以通过方法500建立和维护。
如图5所示,在步骤S501中,获取车辆识别代码。在步骤S502中,查询品牌数据库是否存在获取到的车辆识别代码与车辆品牌的关联记录。
在步骤S502确定不存在车辆识别代码与车辆品牌的关联记录时,方法500可以执行步骤S503,校验车辆识别代码。这里,步骤S503例如可以通过车辆识别代码的第9位校验码,利用车辆识别代码校验公式进行校验,从而能够过滤掉格式错误的车辆识别代码。
在车辆识别代码通过校验时,方法500可以执行步骤S504,通过网络爬虫方式和/或第三方应用查询车辆识别代码对应的车辆品牌。第三方应用是指能够提高车辆识别代码和车辆品牌数据的应用。第三方应用例如为车辆制造商提供的应用。通过网络爬虫方式获取车辆品牌,是指利用网络爬虫工具从互联网获取车辆识别代码与车辆品牌的对应关系。
在步骤S504中同时采用两种方式(网络爬虫和第三方应用)获取车辆品牌时,可以将两种方式各自获取到的数据的并集作为查询结果。
在步骤S505中,将查询到的车辆品牌与车辆识别代码的对应关系存储为品牌数据库中一个关联记录。综上,根据本申请的实施例通过利用网络爬虫方式和/或第三方应用查询车辆品牌与车辆识别代码的关联关系,可以提高品牌数据库中关联记录的准确度。
在一些实施例中,步骤S306可以实施为方法600。
如图6所示,在步骤S601中,从过车记录序列中第一个过车记录开始,确定一个包含两个过车记录的滑动窗口。换言之,步骤S601可以确定一个包含第一个和第二个过车记录的初始的滑动窗口。这里,滑动窗口也可以称为一个过车记录子序列。
在步骤S602中,确定滑动窗口中两个过车记录的卡口标识之间的关联度是否达到关联度阈值。
在步骤S602确定小于关联度阈值时,方法600可以执行步骤S603,将两个过车记录加入目标子序列,并且在滑动窗口未到达过车记录序列尾部时,控制滑动窗口进行滑动,而使得滑动窗口删除首部的过车记录,并且加入一个新的过车记录。换言之,步骤S603控制滑动窗口滑动一个单位。控制滑动窗口滑动就是更新滑动窗口中过车记录。这里,一个单位是一个过车记录。滑动窗口滑动一个单位,就是将滑动窗口之后的一个过车记录加入到滑动窗口中。另外,方法600在执行步骤S603后会跳转到步骤S602。
在步骤S602确定达到关联度阈值时,方法600可以执行步骤S604,删除滑动窗口尾部的过车记录,并在滑动窗口未到达过车记录序列尾部时将删除的过车记录之后的一个过车记录加入到滑动窗口。方法600在执行步骤S604后会跳转到步骤S602。
另外说明的是,在执行步骤S603时,如果确定滑动窗口到达过车记录序列尾部,方法600会停止执行控制滑动窗口进行滑动的操作,并退出方法600的执行流程。在执行步骤S604时,如果确定滑动窗口到达过车记录序列尾部,方法600会停止执行将删除的过车记录之后的一个过车记录加入到滑动窗口的操作,并退出方法600的执行流程。
综上,方法600可以通过滑动窗口方式从过车记录序列中抽取出目标子序列,从而能够保证目标子序列中任意相邻两个过车记录的两个卡口标识之间的关联度小于关联度阈值。
在一些实施例中,方法600中涉及的任意两个卡口标识之间的关联度可以通过方法700确定。
如图7A所示,在步骤S701中,获取多个卡口的历史过车记录。这里,历史过车记录例如为过去30天内的过车记录,但不限于此。
在步骤S702中,按照时间周期和车牌对多个卡口的历史过车记录进行划分,得到多个历史过车记录的分组。其中,每个历史过车记录的分组中历史过车记录具有相同的时间段和相同车牌。这里,时间周期例如为天、小时等时长单位。步骤S702通过按照时间周期划分历史过车记录可以控制每个分组中过车记录的数量规模。另外,步骤S702通过按照车牌进行分组,可以使得每个分组中过车记录为相同车牌的过车记录。
在步骤S703中,对每个历史过车记录的分组中历史过车记录按照过车时间进行排序,得到每个历史过车记录的分组的排序结果。
在步骤S704中,提取每个历史过车记录的分组的排序结果中卡口标识,得到每个历史过车记录的分组对应的卡口标识序列。这里,卡口标识序列为关于卡口标识的一个字符串。步骤S704通过提取排序结果中卡口标识序列,可以使得卡口标识序列能够表征车辆的行车轨迹特征。行车轨迹可以体现卡口标识之间的关联性。
在步骤S705中,将各历史过车记录的分组对应的卡口标识序列输入词向量生成模型,由词向量生成模型输出卡口标识对应的词向量。步骤S705通过将卡口标识序列输入词向量生成模型,可以使得词向量生成模型可以从车辆的行车轨迹特征中提取出各卡口标识的特征。各个卡口标识的特征可以表示为一个词向量。另外说明的是,步骤S702通过时间周期控制每个分组中过车记录的数量规模,从而可以控制步骤S704中卡口标识序列的长度。卡口标识序列的长度与词向量生成模型的执行效率成反比。
在一些实施例中,词向量生成模型例如为word2vec工具中的skip-gram模型,但不限于此。步骤S705可以将卡口标识序列中每个卡口标识作为一个单词。步骤S705通过skip-gram模型可以得到每个卡口标识的词向量。步骤S705可以将每个卡口标识的特征表示为一个较低维度(例如2维或3维,但不限于此)的词向量。更具体而言,步骤S705可以通过卡口标识序列中单词,对上下文单词进行预测,在位置上前后越相邻地单词之间夹角越小。在正常行车的过车场景中,地理位置前后相邻的卡口在卡口标识序列中也会前后相邻,因此,在地理位置上越相邻的卡口对应的卡口标识,在向量空间上的夹角会越小,余弦相似度越大。
在步骤S706中,计算两个卡口标识对应的两个词向量之间的相似度,并将相似度作为两个卡口标识之间的关联度。例如,步骤S706可以计算词向量之间的余弦相似度,并将余弦相似度作为关联度。两个卡口之间的关联度用于表征两个卡口之间的相邻程度。
为了更形象解释方法700确定关联度的过程。下面举例说明。假设一个地理区域A包括5个卡口,卡口标识分别为id1,id2,id3,id4和id5,区域A中历史过车记录生成的卡口标识序列为:
[
[id1,id2,id3,id4,id5;
[id3,id4,id5,id4];
[id4,id5,id4];
[id1,id5,id4,id3];
[id1,id2,id3,id4,id5];
[id4,id5,id4,id5,id4,id3];
……
]
上文示出了区域A的5个卡口标识序列,但不限于此。通过在设置为N维向量空间的skip-gram模型中进行训练,步骤S705可以得到id1,id2,id3,id4和id5在N维空间向量表示。N为大于1的正整数。例如,N为2。图7B示出根据本申请一些实施例的卡口标识的2维词向量。例如,表3示出了卡口标识之间关联度的数据示例。
综上,根据本申请实施例的方法700,通过对历史过车记录进行分组和排序,能够得到反映车辆行车轨迹的卡口标识序列。在此基础上,方法700通过词向量生成模型,可以根据卡口标识序列得到各卡口标识在向量空间的词向量,从而利用词向量的相似度表征卡口标识之间的关联度。
表3
卡口 | 卡口 | 关联度 | 卡口 | 卡口 | 关联度 |
id1 | id2 | 0.84 | id2 | id3 | 0.76 |
id1 | id3 | 0.67 | id2 | id4 | 0.54 |
id1 | id4 | 0.55 | id2 | id5 | 0.21 |
id1 | id5 | 0.14 | id3 | id4 | 0.88 |
id4 | id5 | 0.73 |
另外,为了更形象说明方法600,下面结合表3进行举例说明。
例如,一个过车记录按照通过卡口的时间进行增序排序,其序列中卡口标识的序列为id1--->id2--->id3--->id4--->id5--->id4--->id3
关联度阈值例如为0.6。步骤S601可以确定初始的滑动窗口包括id1--->id2对应的两个过车记录。步骤S602可以确定卡口标识id1与id2的关联度为0.84。因此,步骤S602确定关联度达到了关联度阈值。步骤S604可以删除过车记录序列中id2对应的过程记录(即原始过车记录序列中第二个过车记录),并且将id2之后的过车记录(卡口标识为id3)加入到滑动窗口。在此基础上,更新后的滑动窗口中两个过车记录对应id1--->id3。类似地,步骤S604删除id3对应的过车记录(即原始过车记录序列中第三个过车记录)。另外,步骤S602确定id1与id4之间的关联度低于关联度阈值。步骤S603可以将id1和id4对应的两个过车记录加入到目标子序列中。另外,步骤S603可以滑动窗口,使得更新后窗口包括与id4--->id5对应的过车记录。类似的,由于id4分别与id5,id4,id3之间关联度均大于关联度阈值,步骤S604可以删除id5--->id4--->id3对应的过车记录。最后,方法600得到的目标子序列包括id1和id4对应的两个过车记录,即按照该车通过卡口的过车时间增序排序,得到其通过卡口的目标子序列为id1--->id4。
在一些实施例中,上文中步骤S602可以从关联度数据库查询两个过车记录的卡口标识之间的关联度,并判断查询到的关联度是否达到关联度阈值。下面结合图8对步骤S602涉及的关联度数据库的建立过程进行说明。
如图8所示,在步骤S801中,获取多个卡口的历史过车记录。这里,历史过车记录例如为过去30天内的过车记录,但不限于此。
在步骤S802中,按照车牌和时间周期对历史过车记录进行划分,得到多个历史过车记录的分组。其中,每个历史过车记录的分组中历史过车记录具有相同的车牌颜色、相同的车牌号码和相同的时间段。时间周期例如为天、小时等时长单位。
在步骤S803中,对每个历史过车记录的分组中历史过车记录按照过车时间进行排序,得到每个历史过车记录的分组的排序结果。例如,步骤S803按照升序对每个历史过车记录的分组进行排序。
在步骤S804中,提取每个历史过车记录的分组的排序结果中卡口标识,得到每个历史过车记录的分组对应的卡口标识序列。例如,步骤S804可以按照排序结果中历史过车记录的顺序,依次提取卡口标识,从而得到卡口标识序列。这里,卡口标识序列为关于卡口标识的一个字符串。
在步骤S805中,将各历史过车记录的分组对应的卡口标识序列输入词向量生成模型,由词向量生成模型输出卡口标识对应的词向量。
在步骤S806中,计算词向量之间的相似度,并将任意两个词向量的相似度作为任意两个词向量对应的卡口标识之间的关联度。例如,步骤S806可以计算词向量之间的余弦相似度,并将余弦相似度作为关联度。任意两个卡口之间的关联度用于表征所述任意两个卡口之间的相邻程度。
在步骤S807中,将得到的任意两个卡口标识之间的关联度存储到关联度数据库中。
综上,方法800能够利用历史的过车记录,确定每个卡口标识的词向量,从而基于词向量确定卡口标识之间的关联度,并建立关联度数据库。
图9示出了根据本申请一些实施例的检测套牌的装置900的示意图。装置900例如可以部署在电子设备中。
如图9所示,装置900例如可以包括排序单元901、提取单元902、判断单元903和套牌管理单元904。
排序单元901按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列。同一车辆的过车记录为具有相同车辆标识的过车记录。车辆标识用以区分不同车辆。
提取单元902可以从过车记录序列中提取过车记录,而得到目标子序列。这里,目标子序列中任意相邻两个过车记录的两个卡口标识之间的关联度小于关联度阈值。其中,两个卡口标识之间的关联度与两个卡口标识对应的两个卡口之间的相邻程度成正比。
判断单元903,确定任意相邻两个过车记录之间的时差是否低于任意相邻两个过车记录的卡口标识之间的时长下限阈值。
在判断单元903确定时差低于时长下限阈值时,套牌管理单元904可以确定所述任意两个过车记录对应的车辆具有套牌嫌疑。
综上,根据本申请的检测套牌的装置900可以获取反映出行车轨迹的过车记录序列,并且通过判断关联度的方式,能够得到目标子序列。由于目标子序列中任意相邻两个过车记录的两个卡口标识之间的关联度小于关联度阈值,检测套牌的装置900可以避免目标子序列中相邻过车记录对应的关联度大于关联度阈值,从而能够避免两个卡口之间的实际通过时长波动较大造成的套牌检测误判,能够提高套牌检测的准确度。
装置900更具体实施方式与方法200类似,这里不再赘述。
图10示出了根据本申请一些实施例的检测套牌的装置1000的示意图。如图10所示,装置1000可以包括排序单元1001、提取单元1002、判断单元1003、套牌管理单元1004、查询单元1005、关联度训练单元1007和品牌数据库管理单元1008。
排序单元1001按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列。同一车辆的过车记录为具有相同车辆标识的过车记录。车辆标识用以区分不同车辆。
提取单元1002可以从过车记录序列中提取过车记录,而得到目标子序列。这里,目标子序列中任意相邻两个过车记录的两个卡口标识之间的关联度小于关联度阈值。其中,两个卡口标识之间的关联度与两个卡口标识对应的两个卡口之间的相邻程度成正比。
判断单元1003,确定任意相邻两个过车记录之间的时差是否低于任意相邻两个过车记录的卡口标识之间的时长下限阈值。
在判断单元1003确定时差低于时长下限阈值时,套牌管理单元1004,确定所述任意两个过车记录对应的车辆具有套牌嫌疑。
在一些实施例中,为了确定两个卡口标识之间的关联度,排序单元1001可以获取多个卡口的历史过车记录。排序单元1001可以按照时间周期和车牌对多个卡口的历史过车记录进行划分,得到多个历史过车记录的分组。其中,每个历史过车记录的分组中历史过车记录具有相同的时间段和相同车牌。对每个历史过车记录的分组中历史过车记录按照过车时间进行排序,排序单元1001可以得到每个历史过车记录的分组的排序结果。排序单元1001可以提取每个历史过车记录的分组的排序结果中卡口标识,得到每个历史过车记录的分组对应的卡口标识序列。排序单元1001可以将各历史过车记录的分组对应的卡口标识序列输入词向量生成模型,由词向量生成模型输出卡口标识对应的词向量。在此基础上,排序单元1001计算两个卡口标识对应的两个词向量之间的相似度,并将相似度作为两个卡口标识之间的关联度。
在一些实施例中,在排序单元1001按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列之前,查询单元1005可以确定同一车辆的过车记录中车牌号和车牌颜色的组合对应的车辆识别代码。查询单元1005查询与车辆识别代码对应的车辆品牌。在未查询到车辆品牌时,查询单元1005指示排序单元1001执行按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列的操作。在查询到车辆品牌时,查询单元1005确定查询到的车辆品牌与过车记录中的车辆品牌是否一致。在确定查询到的车辆品牌与所述同一车辆的过车记录的车辆品牌一致时,查询单元1005指示排序单元1001执行所述按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列的操作。
在一些实施例中,为了确定与车辆识别代码对应的车辆品牌,查询单元1005可以从品牌数据库中查询与车辆识别代码对应的车辆品牌。品牌数据库用于存放车辆识别代码与车辆品牌之间的关联记录。在未查询到车辆品牌时,查询单元1005可以校验车辆识别代码。
在车辆识别代码通过校验时,查询单元1005通过网络爬虫方式和/或第三方应用查询车辆识别代码对应的车辆品牌。这样,查询单元1005可以将查询到的车辆品牌与车辆识别代码的对应关系存储为品牌数据库中一个关联记录。
在一些实施例中,排序单元1001可以获取具有相同车牌的过车记录的集合。排序单元1001可以按照车辆特征对集合进行分组,每个分组的过车记录具有相同的车辆特征。排序单元1001可以确定每个分组在集合中的占比是否达到预设比例阈值。排序单元1001将在集合中占比达到比例阈值的分组作为同一车辆的过车记录。在此基础上,排序单元1001按照过车时刻对同一车辆的过车记录进行排序,得到过车记录序列。装置1000更具体的实施方式与方法300类似,这里不再赘述。
综上,根据本申请实施例的检测套牌的装置1000通过从品牌数据库查询车辆品牌(即利用品牌数据库替代人工登记的车辆识别代码与车辆品牌的对应关系),可以避免人工登记错误对套牌检测的干扰,并可以提高对车辆识别代码与车辆品牌的对应关系的判断准确度,从而提高套牌检测的准确度。
图11示出了一个电子设备的组成结构图。如图11所示,该电子设备包括一个或者多个处理器(CPU)1102、通信模块1104、存储器1106、用户接口1110,以及用于互联这些组件的通信总线1108。
处理器1102可通过通信模块1104接收和发送数据以实现网络通信和/或本地通信。
用户接口1110包括一个或多个输出设备1112,其包括一个或多个扬声器和/或一个或多个显示器。用户接口1110也包括一个或多个输入设备1114。输入设备1114例如可以接收键盘、鼠标、触控指令,但不限于此。
存储器1106可以是高速随机存取存储器,诸如DRAM、SRAM、DDR RAM、或其他随机存取固态存储设备;或者非易失性存储器,诸如一个或多个磁盘存储设备、光盘存储设备、闪存设备,或其他非易失性固态存储设备。
存储器1106存储处理器1102可执行的指令集,包括:
操作系统1116,包括用于处理各种基本系统服务和用于执行硬件相关任务的程序;
应用1118,包括用于实现上述检测套牌的方法200和300的各种程序,各种程序能够实现上述各实例中的处理流程。应用1118例如可以包括检测套牌的装置900或者1000。
另外,本申请的每一个实例可以通过由数据处理设备如计算机执行的数据处理程序来实现。显然,数据处理程序构成了本发明。此外,通常存储在一个存储介质中的数据处理程序通过直接将程序读取出存储介质或者通过将程序安装或复制到数据处理设备的存储设备(如硬盘和或内存)中执行。因此,这样的存储介质也构成了本发明。存储介质可以使用任何类型的记录方式,例如纸张存储介质(如纸带等)、磁存储介质(如软盘、硬盘、闪存等)、光存储介质(如CD-ROM等)、磁光存储介质(如MO)等。
因此本申请还公开了一种计算机可读存储介质。计算机可读存储介质包括计算机程序。计算机程序被处理器执行时使得处理器执行本申请上述检测套牌的方法200和300的任何一种实例。
另外,本申请所述的方法步骤除了可以用数据处理程序来实现,还可以由硬件来实现,例如,可以由逻辑门、开关、专用集成电路(ASIC)、可编程逻辑控制器和嵌微控制器等来实现。因此这种可以实现本申请检测套牌的方法的硬件也可以构成本申请。
以上所述仅为本申请的较佳实施例而已,并不用以限制本申请,凡在申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请保护的范围之内。
Claims (12)
1.一种检测套牌的方法,其特征在于,包括:
按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列,所述同一车辆的过车记录为具有相同车辆标识的过车记录,所述车辆标识用以区分不同车辆;
从所述过车记录序列中提取过车记录,而得到目标子序列,所述目标子序列中任意相邻两个过车记录的两个卡口标识之间的关联度小于关联度阈值,其中,所述两个卡口标识之间的关联度与所述两个卡口标识对应的两个卡口之间的相邻程度成正比;
确定所述目标子序列中任意相邻两个过车记录之间的时差是否低于所述目标子序列中任意相邻两个过车记录的卡口标识之间的时长下限阈值;
在确定所述时差低于所述时长下限阈值时,确定所述目标子序列中任意相邻两个过车记录对应的车辆具有套牌嫌疑。
2.如权利要求1所述的检测套牌的方法,其特征在于,所述两个卡口标识之间的关联度的确定方法包括:
获取多个卡口的历史过车记录;
按照时间周期和车牌对所述多个卡口的历史过车记录进行划分,得到多个历史过车记录的分组,其中,每个历史过车记录的分组中历史过车记录具有相同的时间段和相同车牌;
对每个历史过车记录的分组中历史过车记录按照过车时间进行排序,得到每个历史过车记录的分组的排序结果;
提取每个历史过车记录的分组的排序结果中卡口标识,得到每个历史过车记录的分组对应的卡口标识序列;
将各历史过车记录的分组对应的卡口标识序列输入词向量生成模型,由词向量生成模型输出卡口标识对应的词向量;
计算所述两个卡口标识对应的两个词向量之间的相似度,并将所述相似度作为所述两个卡口标识之间的关联度。
3.如权利要求1所述的检测套牌的方法,其特征在于,所述按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列之前,所述方法还包括:
确定同一车辆的过车记录中车牌号和车牌颜色的组合对应的车辆识别代码;
查询与所述车辆识别代码对应的车辆品牌;
在未查询到车辆品牌时,执行所述按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列的步骤;
在查询到车辆品牌时,确定查询到的车辆品牌与所述同一车辆的过车记录中的车辆品牌是否一致;
在确定查询到的车辆品牌与所述同一车辆的过车记录的车辆品牌一致时,执行所述按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列的步骤。
4.如权利要求3所述的检测套牌的方法,其特征在于,所述查询与所述车辆识别代码对应的车辆品牌,包括:
从品牌数据库中查询与所述车辆识别代码对应的车辆品牌,所述品牌数据库用于存放车辆识别代码与车辆品牌之间的关联记录;
在未查询到车辆品牌时,校验所述车辆识别代码;
在所述车辆识别代码通过校验时,通过网络爬虫方式和/或第三方应用查询所述车辆识别代码对应的车辆品牌;
将查询到的车辆品牌与所述车辆识别代码的对应关系存储为所述品牌数据库中一个关联记录。
5.如权利要求1至4中任一项所述的检测套牌的方法,其特征在于,所述车辆标识包括车牌和车辆特征;所述按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列,包括:
获取具有相同车牌的过车记录的集合;
按照车辆特征对所述集合进行分组,每个分组的过车记录具有相同的车辆特征;
确定每个分组在所述集合中的占比是否达到预设比例阈值;
将在所述集合中占比达到比例阈值的分组作为同一车辆的过车记录;
按照过车时间对所述同一车辆的过车记录进行排序,得到过车记录序列。
6.一种检测套牌的装置,其特征在于,包括:
排序单元,按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列,所述同一车辆的过车记录为具有相同车辆标识的过车记录,所述车辆标识用以区分不同车辆;
提取单元,从所述过车记录序列中提取过车记录,而得到目标子序列,所述目标子序列中任意相邻两个过车记录的两个卡口标识之间的关联度小于关联度阈值,其中,所述两个卡口标识之间的关联度与所述两个卡口标识对应的两个卡口之间的相邻程度成正比;
判断单元,确定所述目标子序列中任意相邻两个过车记录之间的时差是否低于所述目标子序列中任意相邻两个过车记录的卡口标识之间的时长下限阈值;
套牌管理单元,在所述判断单元确定所述时差低于所述时长下限阈值时,确定所述目标子序列中任意相邻两个过车记录对应的车辆具有套牌嫌疑。
7.如权利要求6所述的检测套牌的装置,其特征在于,所述提取单元根据下述方式确定两个卡口标识之间的关联度:
获取多个卡口的历史过车记录;
按照时间周期和车牌对所述多个卡口的历史过车记录进行划分,得到多个历史过车记录的分组,其中,每个历史过车记录的分组中历史过车记录具有相同的时间段和相同车牌;
对每个历史过车记录的分组中历史过车记录按照过车时间进行排序,得到每个历史过车记录的分组的排序结果;
提取每个历史过车记录的分组的排序结果中卡口标识,得到每个历史过车记录的分组对应的卡口标识序列;
将各历史过车记录的分组对应的卡口标识序列输入词向量生成模型,由词向量生成模型输出卡口标识对应的词向量;
计算所述两个卡口标识对应的两个词向量之间的相似度,并将所述相似度作为所述两个卡口标识之间的关联度。
8.如权利要求6所述的检测套牌的装置,其特征在于,进一步包括查询单元,用于:在排序单元执行所述按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列之前,
确定同一车辆的过车记录中车牌号和车牌颜色的组合对应的车辆识别代码;
查询与所述车辆识别代码对应的车辆品牌;
在未查询到车辆品牌时,指示所述排序单元执行所述按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列的操作;
在查询到车辆品牌时,确定查询到的车辆品牌与所述过车记录中的车辆品牌是否一致;
在确定查询到的车辆品牌与所述同一车辆的过车记录的车辆品牌一致时,指示所述排序单元执行所述按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列的操作。
9.如权利要求8所述的检测套牌的装置,其特征在于,所述查询单元根据下述方式查询与所述车辆识别代码对应的车辆品牌:
从品牌数据库中查询与所述车辆识别代码对应的车辆品牌,所述品牌数据库用于存放车辆识别代码与车辆品牌之间的关联记录;
在未查询到车辆品牌时,校验所述车辆识别代码;
在所述车辆识别代码通过校验时,通过网络爬虫方式和/或第三方应用查询所述车辆识别代码对应的车辆品牌;
将查询到的车辆品牌与所述车辆识别代码的对应关系存储为所述品牌数据库中一个关联记录。
10.如权利要求6至9中任一项所述的检测套牌的装置,其特征在于,所述排序单元根据下述方式执行所述按照过车时间对同一车辆的过车记录进行排序,得到过车记录序列,包括:
获取具有相同车牌的过车记录的集合;
按照车辆特征对所述集合进行分组,每个分组的过车记录具有相同的车辆特征;
确定每个分组在所述集合中的占比是否达到预设比例阈值;
将在所述集合中占比达到比例阈值的分组作为同一车辆的过车记录;
按照过车时刻对所述同一车辆的过车记录进行排序,得到过车记录序列。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括计算机程序,所述计算机程序被处理器执行时使得所述处理器执行如权利要求1至5中任一项所述的检测套牌的方法中的步骤。
12.一种电子设备,其特征在于,包括:存储器、处理器以及计算机程序,所述计算机程序存储在所述存储器中,所述处理器运行所述计算机程序执行如权利要求1至5中任一项所述的检测套牌的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010020730.3A CN111369805B (zh) | 2020-01-09 | 2020-01-09 | 套牌检测的方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010020730.3A CN111369805B (zh) | 2020-01-09 | 2020-01-09 | 套牌检测的方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111369805A CN111369805A (zh) | 2020-07-03 |
CN111369805B true CN111369805B (zh) | 2021-08-06 |
Family
ID=71209946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010020730.3A Active CN111369805B (zh) | 2020-01-09 | 2020-01-09 | 套牌检测的方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369805B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915799B (zh) * | 2020-07-17 | 2021-09-14 | 江阴市富仁高科股份有限公司 | 一种可防止车辆套牌的无感支付加油方法 |
CN112115946B (zh) * | 2020-09-25 | 2023-03-24 | 重庆紫光华山智安科技有限公司 | 车牌的套牌识别方法、装置、存储介质和电子设备 |
CN112183367B (zh) * | 2020-09-29 | 2022-12-02 | 重庆紫光华山智安科技有限公司 | 车辆数据检错方法、装置、服务器及存储介质 |
CN113160565B (zh) * | 2021-04-14 | 2022-12-30 | 北京掌行通信息技术有限公司 | 一种套牌车辆的识别方法、装置、存储介质及终端 |
CN115440037B (zh) * | 2022-08-30 | 2024-03-26 | 阿波罗智联(北京)科技有限公司 | 交通流量数据采集方法、装置、电子设备及存储介质 |
CN115601974B (zh) * | 2022-09-29 | 2023-06-16 | 广州天长信息技术有限公司 | 一种高速路套牌车辆确定方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102436746A (zh) * | 2011-09-29 | 2012-05-02 | 杭州海康威视系统技术有限公司 | 高效实时的车辆套牌嫌疑分析方法及其装置 |
JP2012164228A (ja) * | 2011-02-08 | 2012-08-30 | Fujitsu Ltd | 車両認識装置、車両認識方法および車両認識プログラム |
CN102881169A (zh) * | 2012-09-26 | 2013-01-16 | 青岛海信网络科技股份有限公司 | 套牌车的检测方法 |
CN103377556A (zh) * | 2012-04-26 | 2013-10-30 | 上海竞天科技股份有限公司 | 套牌车辆的检测装置、检测系统及其检测方法 |
CN104517445A (zh) * | 2014-12-09 | 2015-04-15 | 浪潮电子信息产业股份有限公司 | 一种基于大数据的套牌车辆识别方法 |
CN106128113A (zh) * | 2016-08-01 | 2016-11-16 | 深圳市永兴元科技有限公司 | 套牌车辆的识别方法及装置 |
CN106971552A (zh) * | 2017-04-06 | 2017-07-21 | 北京悦畅科技有限公司 | 套牌现象检测方法和系统 |
CN107204114A (zh) * | 2016-03-18 | 2017-09-26 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN107563288A (zh) * | 2017-07-31 | 2018-01-09 | 东软集团股份有限公司 | 一种套牌车车辆的识别方法和装置 |
CN107967806A (zh) * | 2017-12-01 | 2018-04-27 | 深圳云天励飞技术有限公司 | 车辆套牌检测方法、装置、可读存储介质及电子设备 |
CN108091140A (zh) * | 2016-11-23 | 2018-05-29 | 杭州海康威视数字技术股份有限公司 | 一种确定套牌车辆的方法和装置 |
CN109426796A (zh) * | 2017-09-05 | 2019-03-05 | 杭州海康威视系统技术有限公司 | 车牌检测方法、装置及系统 |
CN110176145A (zh) * | 2019-05-28 | 2019-08-27 | 中国科学技术大学 | 套牌车的检测方法及装置、卡口 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107749164B (zh) * | 2017-11-23 | 2020-08-11 | 浪潮软件科技有限公司 | 一种车辆聚集分析方法及装置 |
-
2020
- 2020-01-09 CN CN202010020730.3A patent/CN111369805B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012164228A (ja) * | 2011-02-08 | 2012-08-30 | Fujitsu Ltd | 車両認識装置、車両認識方法および車両認識プログラム |
CN102436746A (zh) * | 2011-09-29 | 2012-05-02 | 杭州海康威视系统技术有限公司 | 高效实时的车辆套牌嫌疑分析方法及其装置 |
CN103377556A (zh) * | 2012-04-26 | 2013-10-30 | 上海竞天科技股份有限公司 | 套牌车辆的检测装置、检测系统及其检测方法 |
CN102881169A (zh) * | 2012-09-26 | 2013-01-16 | 青岛海信网络科技股份有限公司 | 套牌车的检测方法 |
CN104517445A (zh) * | 2014-12-09 | 2015-04-15 | 浪潮电子信息产业股份有限公司 | 一种基于大数据的套牌车辆识别方法 |
CN107204114A (zh) * | 2016-03-18 | 2017-09-26 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN106128113A (zh) * | 2016-08-01 | 2016-11-16 | 深圳市永兴元科技有限公司 | 套牌车辆的识别方法及装置 |
CN108091140A (zh) * | 2016-11-23 | 2018-05-29 | 杭州海康威视数字技术股份有限公司 | 一种确定套牌车辆的方法和装置 |
CN106971552A (zh) * | 2017-04-06 | 2017-07-21 | 北京悦畅科技有限公司 | 套牌现象检测方法和系统 |
CN107563288A (zh) * | 2017-07-31 | 2018-01-09 | 东软集团股份有限公司 | 一种套牌车车辆的识别方法和装置 |
CN109426796A (zh) * | 2017-09-05 | 2019-03-05 | 杭州海康威视系统技术有限公司 | 车牌检测方法、装置及系统 |
CN107967806A (zh) * | 2017-12-01 | 2018-04-27 | 深圳云天励飞技术有限公司 | 车辆套牌检测方法、装置、可读存储介质及电子设备 |
CN110176145A (zh) * | 2019-05-28 | 2019-08-27 | 中国科学技术大学 | 套牌车的检测方法及装置、卡口 |
Non-Patent Citations (2)
Title |
---|
基于全国机动车缉查布控云平台精确分析跨区域套牌嫌疑车辆;周建宁;《道路交通与安全》;20161231;第16卷(第6期);14-20、39 * |
基于车辆异常行为的套牌车并行检测方法;康晨傲 等;《智能计算机与应用》;20190531;第9卷(第3期);11-15、22 * |
Also Published As
Publication number | Publication date |
---|---|
CN111369805A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369805B (zh) | 套牌检测的方法、装置、电子设备及计算机可读存储介质 | |
US8027504B2 (en) | Apparatus and method for analyzing image identifications generated by an OCR device | |
CN112309126B (zh) | 车牌检测方法、装置、电子设备及计算机可读存储介质 | |
CN111145555B (zh) | 一种检测车辆违章的方法和装置 | |
US11172168B2 (en) | Movement or topology prediction for a camera network | |
CN114743165A (zh) | 车辆轨迹线的确定方法、装置、存储介质及电子装置 | |
CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
US20190088038A1 (en) | Same vehicle detection device, toll collection facility, same vehicle detection method, and program | |
CN114708304B (zh) | 一种跨摄像头的多目标追踪方法、装置、设备及介质 | |
CN111627204B (zh) | 路径确定方法、装置、电子设备及存储介质 | |
CN110533906B (zh) | 一种路况信息的获取方法及相关装置 | |
CN115761655A (zh) | 一种目标跟踪方法及装置 | |
CN106446102B (zh) | 基于地图围栏的终端定位方法和装置 | |
CN114155488A (zh) | 获取客流数据的方法、装置、电子设备以及存储介质 | |
CN112447060A (zh) | 识别车道的方法、装置及计算设备 | |
CN112115946B (zh) | 车牌的套牌识别方法、装置、存储介质和电子设备 | |
CN111696360A (zh) | 一种停车监控方法、系统及摄像机 | |
CN113887391A (zh) | 用于识别路面标识的方法、装置以及自动驾驶车辆 | |
CN111613056A (zh) | 一种交通异常事件检测方法及装置 | |
CN111860412A (zh) | 基于历史数据的车牌信息修复方法及系统 | |
CN109255283A (zh) | 一种基于多帧的车牌号码确定方法、装置及电子设备 | |
CN111371984A (zh) | 确定抓拍机异常的方法、装置及存储介质 | |
CN114627319A (zh) | 目标数据的上报方法、装置、存储介质及电子装置 | |
CN109740518B (zh) | 一种视频中对象的确定方法及装置 | |
CN111639640A (zh) | 基于人工智能的车牌识别方法、装置及设备 |
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 |