CN111767776B - 一种异常车牌推选方法及装置 - Google Patents

一种异常车牌推选方法及装置 Download PDF

Info

Publication number
CN111767776B
CN111767776B CN201911384960.1A CN201911384960A CN111767776B CN 111767776 B CN111767776 B CN 111767776B CN 201911384960 A CN201911384960 A CN 201911384960A CN 111767776 B CN111767776 B CN 111767776B
Authority
CN
China
Prior art keywords
license plate
track
distance
judging
time
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
CN201911384960.1A
Other languages
English (en)
Other versions
CN111767776A (zh
Inventor
吴帅君
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.)
Xi'an Yu Vision Mdt Infotech Ltd
Original Assignee
Xi'an Yu Vision Mdt Infotech 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 Xi'an Yu Vision Mdt Infotech Ltd filed Critical Xi'an Yu Vision Mdt Infotech Ltd
Priority to CN201911384960.1A priority Critical patent/CN111767776B/zh
Publication of CN111767776A publication Critical patent/CN111767776A/zh
Application granted granted Critical
Publication of CN111767776B publication Critical patent/CN111767776B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/48—Matching video sequences
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种异常车牌推选方法及装置，根据目标车辆的轨迹进行模型分析，判断该目标车辆是否存在车牌变更行为，同时利用了全国有效机动车号牌库、污损车牌分析和改进的套牌分析模型联合进行异常车牌的初步筛选，提取分析命中目标的特征，将命中目标的特征与目标车辆特征进行比对，在存在关联时，将关联的过车记录作为异常车牌推选结果保存。本发明使得与目标车辆进行特征关联比对的目标车辆数大为减少，提高了准确度。

Description

一种异常车牌推选方法及装置
技术领域
本发明属于异常车牌排查技术领域，尤其涉及一种异常车牌推选方法及装置，用于鉴别被盗车辆采用哪种异常车牌方式逃离案发现场、藏匿和销赃。
背景技术
汽车已经成为家庭的必要交通工具，近年来随着汽车的普及，以汽车作为线索来寻求破案，已经成为一种常用的技术手段。
对于机动车盗窃案件，如摩托车，汽车的盗窃案件，或利用机动车进行逃逸的案件，嫌疑人在作案后，为了逃避视频网络摄像机对车牌的识别，避免被公共安全人员快速掌握其行踪，以便进行逃逸或销赃，通常会对机动车进行掩饰。
常见的掩饰包括对车牌进行遮挡或污损、使用假牌、使用套牌等，对于这些做法，会大大增加排查难度，容易导致线索中断。如果无法判别这些被盗车辆逃离案发现场的方式，追踪很可能无法进行，甚至追踪方向南辕北辙。
现有技术也有一些技术方案对此进行了研究，例如通过车辆特征智能识别技术，识别车辆的特征信息进行相似度比较。特征信息通常包括基础特征和个性特征。首先，利用基础特征与目标车辆的机动车登记信息进行比对，得到多个比对不一致的初步目标车辆；其次，通过目标车辆的基础特征和个性特征与指定范围和时段的所有过车记录进行特征相似度比较，进一步获得多个目标车辆的行驶轨迹，最后进行人工审核确认轨迹。
但是该方案仅利用了目标车辆本身的特征识别来判别目标车辆和获取追踪轨迹，干扰的噪点数据仍然较多；仅利用了目标车辆的基础特征信息，如车辆类型、型号、车身颜色等，就得到了需要进行分析的目标车辆，这对于车辆类型、型号、车身颜色等基础特征信息均一致的“克隆”套牌车，无法进行区分。
发明内容
针对上述情形，本发明提出了一种异常车牌推选方法，针对采用车辆逃逸，或被盗车辆进行异常车牌推选，用于鉴别采用哪种异常车牌方式逃离案发现场、藏匿和销赃，能够克服背景技术中技术方案干扰较多、无法区分套牌车的弊端。
为了实现上述目的，本申请技术方案如下：
一种异常车牌推选方法，所述方法包括：
获取目标车辆特征，进行轨迹搜索，利用轨迹特征判断模型判断是否存在车牌变更行为；
在判断存在车牌变更行为时，对分析条件内的所有过车记录按照车牌变更行为类型分别进行分析，提取分析命中目标的特征；
将命中目标的特征与目标车辆特征进行比对，在存在关联时，将关联的过车记录作为异常车牌推选结果保存。
进一步的，所述进行轨迹搜索，利用轨迹特征判断模型判断是否存在车牌变更行为，包括：
判断轨迹中出现的点位总数是否小于等于第一数量阈值，如果是，则统计轨迹中抓拍卡口数量，
当抓拍卡口数量大于第二数量阈值时，判断存在车牌变更行为；
当抓拍卡口数量小于等于第二数量阈值，或轨迹中出现的点位总数大于第一数量阈值时，计算最后出现的点位和案发地的距离，以及最后出现的时间与当前分析时间的时间差；
判断最后出现的点位和案发地的距离是否小于第一距离阈值，且时间差是否大于第一时间阈值，如果否，则判断不存在车牌变更行为；如果是，则根据抓拍卡口数量、最后出现的点位和案发地的距离、时间差计算存在车牌变更行为的概率；
当存在异常车牌的概率大于预设概率阈值时，判断存在车牌变更行为。
进一步的，所述根据抓拍卡口数量、最后出现的点位和案发地的距离和时间差计算存在车牌变更行为的概率，包括：
求取抓拍卡口数量、最后出现的点位和案发地的距离、时间差的倒数与对应权重的乘积的和，作为存在车牌变更行为的概率。
进一步的，所述进行轨迹搜索，利用轨迹特征判断模型判断是否存在车牌变更行为，包括：
根据轨迹搜索结果，计算最后出现的点位和案发地的距离，以及最后出现的时间与当前分析时间的时间差；
最后出现的点位和案发地的距离小于第一距离阈值，且时间差大于第一时间阈值，则认为存在车牌变更行为，否则认为不存在车牌变更行为。
进一步的，所述分析条件，包括案发区域和时段，以及各个已知目标车辆的点位附近区域和时段。
本申请还提出了一种异常车牌推选装置，所述装置包括：
轨迹搜索模块，用于获取目标车辆特征，进行轨迹搜索，利用轨迹特征判断模型判断是否存在车牌变更行为；
过车记录分析模块，用于在判断存在车牌变更行为时，对分析条件内的所有过车记录按照车牌变更行为类型分别进行分析，提取分析命中目标的特征；
比对模块，用于将命中目标的特征与目标车辆特征进行比对，在存在关联时，将关联的过车记录作为异常车牌推选结果保存。
进一步的，所述轨迹搜索模块进行轨迹搜索，利用轨迹特征判断模型判断是否存在车牌变更行为，执行如下操作：
判断轨迹中出现的点位总数是否小于等于第一数量阈值，如果是，则统计轨迹中抓拍卡口数量，
当抓拍卡口数量大于第二数量阈值时，判断存在车牌变更行为；
当抓拍卡口数量小于等于第二数量阈值，或轨迹中出现的点位总数大于第一数量阈值时，计算最后出现的点位和案发地的距离，以及最后出现的时间与当前分析时间的时间差；
判断最后出现的点位和案发地的距离是否小于第一距离阈值，且时间差是否大于第一时间阈值，如果否，则判断不存在车牌变更行为；如果是，根据抓拍卡口数量、最后出现的点位和案发地的距离、时间差计算存在车牌变更行为的概率；
当存在异常车牌的概率大于预设概率阈值时，判断存在车牌变更行为。
进一步的，所述轨迹搜索模块根据抓拍卡口数量、最后出现的点位和案发地的距离和时间差计算存在车牌变更行为的概率，执行如下操作：
求取抓拍卡口数量、最后出现的点位和案发地的距离、时间差的倒数与对应权重的乘积的和，作为存在车牌变更行为的概率。
进一步的，所述轨迹搜索模块进行轨迹搜索，利用轨迹特征判断模型判断是否存在车牌变更行为，执行如下操作：
根据轨迹搜索结果，计算最后出现的点位和案发地的距离，以及最后出现的时间与当前分析时间的时间差；
最后出现的点位和案发地的距离小于第一距离阈值，且时间差大于第一时间阈值，则认为存在车牌变更行为，否则认为不存在车牌变更行为。
进一步的，所述分析条件，包括案发区域和时段，以及各个已知目标车辆的点位附近区域和时段。
本申请还提出了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的一种异常车牌推选方法。
本申请还提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种异常车牌推选方法。
本申请提出的一种异常车牌推选方法及装置，根据目标车辆的轨迹进行模型分析，判断该目标车辆是否存在车牌变更行为，同时利用了全国有效机动车号牌库、污损车牌分析和改进的套牌分析模型联合进行异常车牌的初步筛选，使得与目标车辆进行特征关联比对的目标车辆数大为减少，提高了准确度。
附图说明
图1为本申请实施例一种异常车牌推选方法流程图；
图2为本申请实施例轨迹特征判断模型判断流程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请提供的一种异常车牌推选方法，针对的异常车牌包括被盗车辆车牌、随机伪造的假牌、“克隆车”套牌和污损、遮挡导致无有效字符的变造车牌等等，有利于及时追踪和轨迹搜寻。
在一个实施例中，如图1所示，提供了一种异常车牌推选方法，包括：
步骤S1、获取目标车辆特征，进行轨迹搜索，利用轨迹特征判断模型判断是否存在车牌变更行为。
本实施例以被盗车辆作为目标车辆为例进行说明，对于利用车辆逃逸的其他行为也同样适用，以下不再赘述。
目标车辆特征包括车牌号码、车牌污损特征等，示例性的，本申请实施例中根据被盗车辆的车牌号码进行案发时间后的轨迹搜索，那么得到的情形包括以下三种。情形一、总的轨迹点位数量较少，具体为轨迹点位数量少于第一数量阈值。情形二、有轨迹信息，但轨迹表现为突然中断，具体为该轨迹信息的最后位置与案发现场的距离小于第一距离阈值，且最后出现的时刻与当前分析时刻的时间差大于第一时间阈值。情形三、有轨迹信息，并且轨迹信息在持续更新，具体为该轨迹信息的最后位置与案发现场的距离大于第二距离阈值，且最后出现的时刻与当前分析时刻的时间差小于第二时间阈值，其中，第二距离阈值大于等于第一距离阈值，第二时间阈值小于等于第一时间阈值。
需要说明的是，上述情形仅为一些具体的例子，本领域技术人员可以根据被盗车辆逃逸的具体情形设定对应的判断模型，以下不再赘述。
对于情形一，根据目标车辆特征抓拍到的目标车辆轨迹点位数量较少，可能由于在逃逸路线的指定的监控范围内中抓拍卡口的数量较少，导致抓拍到的目标车辆轨迹点位数量较少，也可能由于在逃逸的指定的监控范围内中抓拍卡口的数量较多，但嫌疑人在盗窃现场附近变更了异常车牌，导致抓拍到的目标车辆轨迹点位数量较少。因此可以进一步判断，在逃逸的指定的监控范围内中抓拍卡口的数量，如果数量大于第二数量阈值，则判定为在盗窃现场附近变更了异常车牌；如果小于第二数量阈值，则需要结合情形二和情形三通过概率拟合公式判定。
对于情形二，由于盗车人员一般情况下不会在距离案发现场较近的区域持续藏匿或者就近销赃，可以判断盗窃人员在案发区域附近的临时藏匿区进行了异常车牌变更。
即根据轨迹搜索结果，计算最后出现的点位和案发地的距离，以及最后出现的时间与当前分析时间的时间差。最后出现的点位和案发地的距离小于第一距离阈值，且最后出现的时刻与当前分析时刻的时间差大于第一时间阈值，则认为存在车牌变更行为，否则认为不存在车牌变更行为。
对于情形三，该情况判断为仍使用原被盗车辆的车牌进行逃逸。
容易理解的是，关于轨迹搜索，可以通过车牌号码进行过车记录中进行搜索，以获得活动轨迹，这已经是比较常用的技术，这里不再赘述。
在本实施例中，上述情形可以单独来作为轨迹特征判断模型来判断是否存在车牌变更行为，也可以相互结合来判断。
本申请的一个实施例，所述进行轨迹搜索，利用轨迹特征判断模型判断是否存在车牌变更行为，包括：
判断轨迹中出现的点位总数是否小于等于第一数量阈值，如果是，则统计轨迹中抓拍卡口数量，
当抓拍卡口数量大于第二数量阈值时，判断存在车牌变更行为；
当抓拍卡口数量小于等于第二数量阈值，或轨迹中出现的点位总数大于第一数量阈值时，计算最后出现的点位和案发地的距离，以及最后出现的时间与当前分析时间的时间差；
判断最后出现的点位和案发地的距离是否小于第一距离阈值，且时间差是否大于第一时间阈值，如果否，则判断不存在车牌变更行为；如果是，则根据抓拍卡口数量、最后出现的点位和案发地的距离、时间差计算存在车牌变更行为的概率；
当存在异常车牌的概率大于预设概率阈值时，判断存在车牌变更行为。
本实施例的轨迹特征判断模型结合了上述三种情形，如图2所示，例如，假设最后出现的点位与案发地的距离为d，最后出现的点位与当前分析时间的时间差为t，目标车辆逃逸路线的指定的监控范围内中抓拍卡口数量为p。首先判断轨迹中出现的点位总数是否大于第一数量阈值，如果不大于第一数量阈值则统计轨迹中抓拍卡口数量p，当抓拍卡口数量p大于第二数量阈值(抓拍卡口数量阈值)时，判断存在车牌变更行为。
当轨迹中出现的点位总数小于等于第一数量阈值且抓拍卡口数量小于等于第二数量阈值，或轨迹中出现的点位总数大于第一数量阈值时，计算最后出现的点位和案发地的距离d和时间差t；
判断最后出现的点位和案发地的距离d是否小于第一距离阈值(距离差阈值)，且时间差t是否大于第一时间阈值(时间差阈值)，如果否，则判断不存在车牌变更行为；如果是则根据抓拍卡口数量p、最后出现的点位和案发地的距离d和时间差t计算存在车牌变更行为的概率；
例如，假设最后出现的点位与案发地的距离为d，最后出现的点位与当前分析时间的时间差为t，目标车辆逃逸路线的指定的监控范围内(轨迹中)抓拍卡口数量为p，则根据如下公式计算存在车牌变更行为的概率Y：
Y＝k1/p+k2/d+k3/t
其中k1、k2、k3为系数或者权重。即求取抓拍卡口数量、最后出现的点位和案发地的距离、时间差的倒数与对应权重的乘积的和，作为存在车牌变更行为的概率。
当计算的到的存在车牌变更行为的概率Y大于预设概率阈值(概率阈值)时，判断存在车牌变更行为，否则判断为不存在车牌变更行为。
步骤S2、在判断存在车牌变更行为时，对分析条件内的所有过车记录按照车牌变更行为类型分别进行分析，提取分析命中的目标的特征。
本实施例通过在案发区域和时段，以及各个已知目标车辆的点位附近区域和时段进行假牌，套牌和未识别车牌等异常车牌所属车辆进行分析和提取，如有分析结果，将过车记录中的抓拍图片进行二次识别分析，提取车辆整体特征和局部特征，用于下一步和被盗车特征进行比较。
在本实施例中，分析条件为案发区域范围和时段，或者加上目标车辆的点位附近区域和时段，可以根据具体案情来具体设置。
在本申请中，主要讨论了三种将车牌变更为异常车牌的行为，其中异常车牌可以包括：假牌、污损和遮挡、套牌。对于其他的车牌变更行为，这里不一一列举，本领域技术人员可以根据实际情况来进一步设置。
假牌车的分析判定是将分析条件内的所有过车信息和全国有效机动车号牌库进行比对，如未命中则判定该车辆使用了伪造的无效车牌，即采用了假牌，将这些过车记录和抓拍图片进行存储作为命中的目标。
利用污损和遮挡变造车牌的车辆，利用车牌识别算法，将无法生成有效字符的识别结果，标记为未识别车牌，进而可以搜索出指定区域和时段内的未识别过车记录，将这些过车记录和抓拍图片进行存储作为命中的目标。
套牌车分析，由于按正常车速，同一辆车不可能在较短的时间间隔内出现在距离相隔较远的两个不同地点，本申请实施例针对同一个车牌，按时间排序后取相邻的两条过车记录计算时间差，与这两条过车记录对应的两地合理的车辆到达时间差做比较，如果实际时间差与合理时间差之间的差值大于第二时间阈值，则认为是两辆不同的车套用了同一个车牌。但是，在实际的车辆盗窃案件中，往往发生在午夜，如果盗窃人员套用的是本地车牌，而被套车辆最近一段时间并没有活动，则很可能满足合理的到达时间差。因此，在经过特征匹配上的具体套牌车后，需要对这个车牌进行作息规律分析，如果该车在案发时段和案发区域基本上不出现，则该车确实是套牌车的嫌疑加大。套牌车分析也有较多的现有技术方案，这里不一一赘述，将分析为套牌的过车记录和抓拍图片进行存储作为命中的目标。
本实施例在命中目标后，对保存的过车记录和抓拍图片进行重识别，得到对应的整体特征和局部特征。
步骤S3、将目标的特征与目标车辆特征进行比对，在存在关联时，将关联的过车记录作为异常车牌推选结果保存。
本申请根据车辆失主提供的被盗车信息和图片，进行信息录入和特征提取，得到如车牌号码、车辆类型、车辆型号、车身颜色、挂饰特征、摆饰特征、年检信息粘贴特征等。
本实施例将命中目标的整体特征和局部特征与目标车辆的进行比对，对于结构化的整体特征，可以直接进行等值比较；而对于非机构化的局部特征，可以采用特征向量间的余弦距离进行相似度比较。综合比较结果大于相应阈值的，则确认该条过车记录和被盗车辆产生了关联。得到关联的过车记录列表，一类是采用了伪造车牌和套牌，有具体的车牌号码，可以按车牌号码进行新的轨迹搜索；另一类是污损车牌，不能得到具体的车牌号码，但是可以循环采用上述污损车牌分析模型，在周围的抓拍卡口进行分析，也可以持续得到无牌车辆的轨迹。
本申请技术方案，对于利用异常车牌进行逃逸，藏匿和销赃的行为，可以判定和推选这些具体的异常车牌或者识别异常车牌对应的车辆，减少办案人员对海量原始视频监控材料的排查工作，高效和精准地对被盗车辆进行进一步追踪布控。
在一个实施例中，本申请还提供了一种异常车牌推选装置，所述装置包括：
轨迹搜索模块，用于获取目标车辆特征，进行轨迹搜索，利用轨迹特征判断模型判断是否存在车牌变更行为；
过车记录分析模块，用于在判断存在车牌变更行为时，对分析条件内的所有过车记录按照车牌变更行为类型分别进行分析，提取分析命中目标的特征；
比对模块，用于将命中目标的特征与目标车辆特征进行比对，在存在关联时，将关联的过车记录作为异常车牌推选结果保存。
本装置的一个实施例，所述轨迹搜索模块进行轨迹搜索，利用轨迹特征判断模型判断是否存在车牌变更行为，执行如下操作：
判断轨迹中出现的点位总数是否小于等于第一数量阈值，如果是，则统计轨迹中抓拍卡口数量，
当抓拍卡口数量大于第二数量阈值时，判断存在车牌变更行为；
当抓拍卡口数量小于等于第二数量阈值，或轨迹中出现的点位总数大于第一数量阈值时，计算最后出现的点位和案发地的距离，以及最后出现的时间与当前分析时间的时间差；
判断最后出现的点位和案发地的距离是否小于第一距离阈值，且时间差是否大于第一时间阈值，如果否，则判断不存在车牌变更行为；如果是，根据抓拍卡口数量、最后出现的点位和案发地的距离、时间差计算存在车牌变更行为的概率；
当存在异常车牌的概率大于预设概率阈值时，判断存在车牌变更行为。
本装置的另一个实施例，所述轨迹搜索模块根据抓拍卡口数量、最后出现的点位和案发地的距离和时间差计算存在车牌变更行为的概率，执行如下操作：
求取抓拍卡口数量、最后出现的点位和案发地的距离、时间差的倒数与对应权重的乘积的和，作为存在车牌变更行为的概率。
本装置的另一个实施例，所述轨迹搜索模块进行轨迹搜索，利用轨迹特征判断模型判断是否存在车牌变更行为，执行如下操作：
根据轨迹搜索结果，计算最后出现的点位和案发地的距离，以及最后出现的时间与当前分析时间的时间差；
最后出现的点位和案发地的距离小于第一距离阈值，且时间差大于第一时间阈值，则认为存在车牌变更行为，否则认为不存在车牌变更行为。
本装置的另一个实施例，所述分析条件，包括案发区域和时段，以及各个已知目标车辆的点位附近区域和时段。
关于一种异常车牌推选装置的具体限定可以参见上文中对于一种异常车牌推选方法的限定，在此不再赘述。上述一种异常车牌推选装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，本申请还提出了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的一种异常车牌推选方法。
在另一个实施例中，本申请还提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的一种异常车牌推选方法。
所述一种电子设备、一种计算机可读存储介质，也以理解为一种异常车牌推选装置的另一种表现形式，这里不再赘述。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种异常车牌推选方法，其特征在于，所述方法包括：
获取目标车辆特征，进行轨迹搜索，利用轨迹特征判断模型判断是否存在车牌变更行为，所述轨迹特征判断模型的判断参数包括：轨迹中出现的点位总数、抓拍卡口数量、最后出现的点位和案发地的距离、最后出现的时间与当前分析时间的时间差任意一项或几项；
在判断存在车牌变更行为时，对分析条件内的所有过车记录按照车牌变更行为类型分别进行分析，提取分析命中目标的特征；
将命中目标的特征与目标车辆特征进行比对，在存在关联时，将关联的过车记录作为异常车牌推选结果保存。
2.根据权利要求1所述的异常车牌推选方法，其特征在于，所述进行轨迹搜索，利用轨迹特征判断模型判断是否存在车牌变更行为，包括：
判断轨迹中出现的点位总数是否小于等于第一数量阈值，如果是，则统计轨迹中抓拍卡口数量，
当抓拍卡口数量大于第二数量阈值时，判断存在车牌变更行为；
当抓拍卡口数量小于等于第二数量阈值，或轨迹中出现的点位总数大于第一数量阈值时，计算最后出现的点位和案发地的距离，以及最后出现的时间与当前分析时间的时间差；
判断最后出现的点位和案发地的距离是否小于第一距离阈值，且时间差是否大于第一时间阈值，如果否，则判断不存在车牌变更行为；如果是，则根据抓拍卡口数量、最后出现的点位和案发地的距离、时间差计算存在车牌变更行为的概率；
当存在异常车牌的概率大于预设概率阈值时，判断存在车牌变更行为。
3.根据权利要求2所述的异常车牌推选方法，其特征在于，所述根据抓拍卡口数量、最后出现的点位和案发地的距离和时间差计算存在车牌变更行为的概率，包括：
求取抓拍卡口数量、最后出现的点位和案发地的距离、时间差的倒数与对应权重的乘积的和，作为存在车牌变更行为的概率。
4.根据权利要求1所述的异常车牌推选方法，其特征在于，所述进行轨迹搜索，利用轨迹特征判断模型判断是否存在车牌变更行为，包括：
根据轨迹搜索结果，计算最后出现的点位和案发地的距离，以及最后出现的时间与当前分析时间的时间差；
最后出现的点位和案发地的距离小于第一距离阈值，且时间差大于第一时间阈值，则认为存在车牌变更行为，否则认为不存在车牌变更行为。
5.根据权利要求1所述的异常车牌推选方法，其特征在于，所述分析条件，包括案发区域和时段，以及各个已知目标车辆的点位附近区域和时段。
6.一种异常车牌推选装置，其特征在于，所述装置包括：
轨迹搜索模块，用于获取目标车辆特征，进行轨迹搜索，利用轨迹特征判断模型判断是否存在车牌变更行为，所述轨迹特征判断模型的判断参数包括：轨迹中出现的点位总数、抓拍卡口数量、最后出现的点位和案发地的距离、最后出现的时间与当前分析时间的时间差任意一项或几项；
过车记录分析模块，用于在判断存在车牌变更行为时，对分析条件内的所有过车记录按照车牌变更行为类型分别进行分析，提取分析命中目标的特征；
比对模块，用于将命中目标的特征与目标车辆特征进行比对，在存在关联时，将关联的过车记录作为异常车牌推选结果保存。
7.根据权利要求6所述的异常车牌推选装置，其特征在于，所述轨迹搜索模块进行轨迹搜索，利用轨迹特征判断模型判断是否存在车牌变更行为，执行如下操作：
判断轨迹中出现的点位总数是否小于等于第一数量阈值，如果是，则统计轨迹中抓拍卡口数量，
当抓拍卡口数量大于第二数量阈值时，判断存在车牌变更行为；
当抓拍卡口数量小于等于第二数量阈值，或轨迹中出现的点位总数大于第一数量阈值时，计算最后出现的点位和案发地的距离，以及最后出现的时间与当前分析时间的时间差；
判断最后出现的点位和案发地的距离是否小于第一距离阈值，且时间差是否大于第一时间阈值，如果否，则判断不存在车牌变更行为；如果是，则根据抓拍卡口数量、最后出现的点位和案发地的距离、时间差计算存在车牌变更行为的概率；
当存在异常车牌的概率大于预设概率阈值时，判断存在车牌变更行为。
8.根据权利要求6所述的异常车牌推选装置，其特征在于，所述轨迹搜索模块进行轨迹搜索，利用轨迹特征判断模型判断是否存在车牌变更行为，执行如下操作：
根据轨迹搜索结果，计算最后出现的点位和案发地的距离，以及最后出现的时间与当前分析时间的时间差；
最后出现的点位和案发地的距离小于第一距离阈值，且时间差大于第一时间阈值，则认为存在车牌变更行为，否则认为不存在车牌变更行为。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的异常车牌推选方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的异常车牌推选方法。
CN201911384960.1A 2019-12-28 2019-12-28 一种异常车牌推选方法及装置 Active CN111767776B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911384960.1A CN111767776B (zh) 2019-12-28 2019-12-28 一种异常车牌推选方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911384960.1A CN111767776B (zh) 2019-12-28 2019-12-28 一种异常车牌推选方法及装置

Publications (2)

Publication Number Publication Date
CN111767776A CN111767776A (zh) 2020-10-13
CN111767776B true CN111767776B (zh) 2024-03-29

Family

ID=72718342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911384960.1A Active CN111767776B (zh) 2019-12-28 2019-12-28 一种异常车牌推选方法及装置

Country Status (1)

Country Link
CN (1) CN111767776B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113723316B (zh) * 2021-09-01 2024-04-16 杭州智诚惠通科技有限公司 一种车辆识别方法、装置、设备及存储介质
CN114140780A (zh) * 2021-11-19 2022-03-04 杭州海康威视数字技术股份有限公司 一种异常车辆的检测方法、装置及设备
CN116071931B (zh) * 2022-12-29 2024-01-09 北京中科神通科技有限公司 一种高速公路通行车辆信息预测方法和系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521986A (zh) * 2011-12-05 2012-06-27 沈阳聚德视频技术有限公司 一种套牌车辆自动检测系统及其控制方法
CN103700262A (zh) * 2013-12-26 2014-04-02 福建省视通光电网络有限公司 一种套牌车车辆的区域自动捕获方法
CN104200671A (zh) * 2014-09-09 2014-12-10 安徽四创电子股份有限公司 一种基于大数据平台的虚拟卡口管理方法及系统
CN104933870A (zh) * 2015-05-21 2015-09-23 中兴软创科技股份有限公司 基于车辆行为分析的车辆套牌识别方法与装置
CN105719489A (zh) * 2016-03-24 2016-06-29 银江股份有限公司 一种基于卡口车辆流向概率的套牌车检测方法
CN105893953A (zh) * 2016-03-30 2016-08-24 上海博康智能信息技术有限公司 一车两牌车辆检测方法及其系统
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
CN107506368A (zh) * 2017-07-04 2017-12-22 青岛海信网络科技股份有限公司 一种类案嫌疑车辆的确定方法及装置
CN107610471A (zh) * 2016-07-11 2018-01-19 中兴通讯股份有限公司 车辆套牌检测方法及系统
CN107680385A (zh) * 2017-10-27 2018-02-09 泰华智慧产业集团股份有限公司 一种确定套牌车的方法及系统
CN107730898A (zh) * 2016-11-08 2018-02-23 北京奥斯达兴业科技有限公司 停车场非法车辆识别方法及系统
CN108765952A (zh) * 2018-06-12 2018-11-06 西安银江智慧城市技术有限公司 一种交通大数据嫌疑车辆缉查布控方法及装置
CN110164137A (zh) * 2019-05-17 2019-08-23 湖南科创信息技术股份有限公司 基于卡口对行车时间的套牌车辆的识别方法及系统、介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10255514B2 (en) * 2017-08-21 2019-04-09 Sap Se Automatic identification of cloned vehicle identifiers

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521986A (zh) * 2011-12-05 2012-06-27 沈阳聚德视频技术有限公司 一种套牌车辆自动检测系统及其控制方法
CN103700262A (zh) * 2013-12-26 2014-04-02 福建省视通光电网络有限公司 一种套牌车车辆的区域自动捕获方法
CN104200671A (zh) * 2014-09-09 2014-12-10 安徽四创电子股份有限公司 一种基于大数据平台的虚拟卡口管理方法及系统
CN104933870A (zh) * 2015-05-21 2015-09-23 中兴软创科技股份有限公司 基于车辆行为分析的车辆套牌识别方法与装置
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
CN105719489A (zh) * 2016-03-24 2016-06-29 银江股份有限公司 一种基于卡口车辆流向概率的套牌车检测方法
CN105893953A (zh) * 2016-03-30 2016-08-24 上海博康智能信息技术有限公司 一车两牌车辆检测方法及其系统
CN107610471A (zh) * 2016-07-11 2018-01-19 中兴通讯股份有限公司 车辆套牌检测方法及系统
CN107730898A (zh) * 2016-11-08 2018-02-23 北京奥斯达兴业科技有限公司 停车场非法车辆识别方法及系统
CN107506368A (zh) * 2017-07-04 2017-12-22 青岛海信网络科技股份有限公司 一种类案嫌疑车辆的确定方法及装置
CN107680385A (zh) * 2017-10-27 2018-02-09 泰华智慧产业集团股份有限公司 一种确定套牌车的方法及系统
CN108765952A (zh) * 2018-06-12 2018-11-06 西安银江智慧城市技术有限公司 一种交通大数据嫌疑车辆缉查布控方法及装置
CN110164137A (zh) * 2019-05-17 2019-08-23 湖南科创信息技术股份有限公司 基于卡口对行车时间的套牌车辆的识别方法及系统、介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Research on Analysis Method of Deck Suspected Vehicles in City Range;Jianning Zhou等;《2019 4th International Conference on Intelligent Transportation Engineering (ICITE)》;第180-184页 *
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;周建宁等;《道路交通与安全》;第16卷(第6期);第14-20页 *

Also Published As

Publication number Publication date
CN111767776A (zh) 2020-10-13

Similar Documents

Publication Publication Date Title
CN111767776B (zh) 一种异常车牌推选方法及装置
CN110717414B (zh) 一种目标检测追踪方法、装置及设备
CN110191424B (zh) 一种特定嫌疑人的轨迹生成方法和装置
CN110379176B (zh) 基于图像识别的无证驾驶违法行为预警拦截方法
EP2713308B1 (en) Method and system for using fingerprints to track moving objects in video
CN112037245B (zh) 一种确定追踪目标相似度的方法和系统
WO2014072971A1 (en) Method of determining a license plate of a vehicle tracked by a surveillance system
CN107563310A (zh) 一种违章变道检测方法
CN109615904A (zh) 停车管理方法、装置、计算机设备和存储介质
CN110907909B (zh) 一种基于概率统计的雷达目标识别方法
WO2016201804A1 (zh) 物体定位方法及装置
CN113887304A (zh) 一种基于目标检测与行人追踪的占道经营监测方法
CN106710225A (zh) 一种车辆号牌违法的识别方法和监测平台
CN111949701B (zh) 一种基于轨迹相似度的移动对象出行规律分析方法及装置
CN112434566A (zh) 客流统计方法、装置、电子设备及存储介质
CN112017444A (zh) 一种套牌车辆检测方法及其装置、介质和系统
CN111402185B (zh) 一种图像检测方法及装置
CN116434161B (zh) 用于判断基于高位视频的停车行为是否可信的方法和系统
CN112465747A (zh) 一种输电杆塔金具锈蚀的智能识别方法
CN117237883A (zh) 一种基于视觉目标跟踪的交通违法行为检测方法及系统
Amodio et al. Automatic vehicle model recognition and lateral position estimation based on magnetic sensors
CN110674749A (zh) 套牌车识别方法、装置和存储介质
Patel et al. Vehicle tracking and monitoring in surveillance video
Srivastava et al. Standoff video analysis for the detection of security anomalies in vehicles
CN114737455A (zh) 一种路面检测方法、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