CN112633163B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112633163B CN112633163B CN202011533534.2A CN202011533534A CN112633163B CN 112633163 B CN112633163 B CN 112633163B CN 202011533534 A CN202011533534 A CN 202011533534A CN 112633163 B CN112633163 B CN 112633163B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- module
- type
- training
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 67
- 238000010801 machine learning Methods 0.000 title claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 72
- 230000004927 fusion Effects 0.000 claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 38
- 238000012216 screening Methods 0.000 claims abstract description 24
- 230000006399 behavior Effects 0.000 claims description 37
- 238000007726 management method Methods 0.000 claims description 25
- 238000013500 data storage Methods 0.000 claims description 20
- 238000007500 overflow downdraw method Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000029305 taxis Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了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，涉及智能交通技术领域，解决了现有技术方案中非法运营车辆的检测精度不高且无法及时追踪的技术问题；本发明设置了数据初筛模块，该设置通过高清摄像头获取嫌疑车辆图像，对监控进行了初步筛选，为检测模型的高效识别奠定了基础；本发明设置了模型训练模块，该设置建立了融合模型，有助于提高非法运营车辆的识别的准确率；本发明设置了车辆追踪模块，该设置用于对非法运营车辆进行追踪，绘制非法运营车辆的行驶路线，有助于车辆运输管理部门及时定位到非法运营车辆。
Description
技术领域
本发明属于智能交通领域，涉及人工智能技术，具体是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。
背景技术
非法运营车辆的存在不仅给社会治安带来恶劣影响，而且还给正常交通运输市场秩序造成极大的冲击，危害颇多；但是，目前并没有一种有效的方法或系统可实现非法运营车辆的自动识别和自动追踪报警。
公开号为CN104809180A的发明专利提供了一种基于无监督智能学习算法的非法运营车辆识别方法及系统，包括输入待识别车辆的筛选条件；在Hadoop大数据平台上检索出与筛选条件相关的车辆的过车数据；对检索出来的过车数据进行数据预处理；采用无监督智能学习算法对预处理后的过车数据进行分析处理；对分析结果进行统计分析，并将统计结果与阈值进行比较后，识别车辆是否为非法运营车辆，将最终的识别结果呈现给用户。
上述方案对符合筛选条件的车辆的过车数据进行快速检索，接着进行数据预处理，使用无监督智能学习算法进行分析，并将分析结果呈现给用户，从而提高运营部门对非法运营车辆的监督管理能力；当时，上述方案使用挑选单一的智能算法对过车数据进行分析，导致预测结果的精度无法保证，且无法充分利用分析结果；因此，上述方案仍需进一步改进。
发明内容
为了解决上述方案存在的问题，本发明提供了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。
本发明的目的可以通过以下技术方案实现：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，所述检测方法包括以下步骤：
步骤一：通过高清摄像头采集抓拍位置的监控视频；通过数据初筛模块将监控视频分解成单帧图像并进行图像预处理之后获取监控图像；通过监控图像车辆提取嫌疑车辆图像；
步骤二：通过第三方平台获取车辆数据和获取训练图像；对训练图像进行行为标记；将训练图像、训练图像对应的车牌号、车牌号对应的业务名称和经营范围标记为标准车辆信息；构建融合模型并对融合模型进行训练，将训练完成的融合模型标记为检测模型；
步骤三：获取嫌疑车辆图像中第一类型车的图像并标记为第一类型图像；通过第一类型图像提取识别号，根据第三方平台车牌号获取识别号对应的道路运输证，根据识别号和道路运输证生成识别号对应的标准车辆信息并输入至检测模型获取行为标记；当行为标记为1时，则判定第一类型图像中的车辆为非法运营，通过处理器发送识别号和车辆追踪信号至车辆追踪模块；
步骤四：当车辆追踪模块接收到车辆追踪信号时，获取非法运营车辆的识别号和第二类型图像；结合至少两个高清摄像头获取非法运营车辆的行驶路线；将非法运营车辆的行驶路线发送至预警管理模块。
优选的，所述数据初筛模块是控制系统的组成部分，所述控制系统还包括处理器、车辆检测模块、车辆追踪模块、预警管理模块、数据存储模块、数据初筛模块和模型训练模块；所述数据初筛模块与图像采集单元通信连接，所述图像采集单元包括高清摄像头、动作云台和信号收发器，所述图像采集单元安装在抓拍位置；所述抓拍位置包括学校门口、十字路口和道路卡口；所述数据初筛模块通过抓拍位置的监控视频提取嫌疑车辆图像，包括：
通过高清摄像头采集抓拍位置的监控视频；将监控视频分解成单帧图像并进行图像预处理之后获取监控图像；所述图像预处理包括图像分割、图像去噪和灰度变换；
通过监控图像车辆提取嫌疑车辆图像；所述嫌疑车辆图像包括私家车图像、货车图像、出租车图像、三轮车图像和摩托车图像；
通过处理器将嫌疑车辆图像分别发送至车辆检测模块和数据存储模块，同时发送车辆检测信号至车辆检测模块。
优选的，所述模型训练模块用于获取检测模型，包括：
通过第三方平台获取车辆数据；所述车辆数据包括车牌号、道路运输证；所述第三方平台为车辆运输管理部门；通过道路运输证提取业户名称和经营范围；
获取训练图像；所述训练图像中包括车辆正常运营的图像和车辆非法运营的图像；对训练图像进行行为标记；
将训练图像、训练图像对应的车牌号、车牌号对应的业务名称和经营范围标记为标准车辆信息；
构建融合模型；所述融合模型通过SVM、LR和GBDT三种基线模型结合融合方式构建的模型，所述融合方式包括线性加权融合法、交叉融合法、瀑布融合法、特征融合法和预测融合法；
将标准车辆信息和行为标记按照设定比例随机生成训练集、验证集和测试集；通过训练集、验证集和测试集对融合模型进行训练、验证和测试，当融合模型的目标精度达到要求时，则判定融合模型训练完成，将训练完成的融合模型标记为检测模型；
通过处理器将检测模型发送至数据存储模块进行存储。
优选的，所述车辆检测模块包括模型检测单元和轨迹检测单元，所述模型检测单元用于判定第一类型车的非法运营行为，包括：
获取嫌疑车辆图像中第一类型车的图像并标记为第一类型图像；所述第一类型车包括私家车、货车和出租车；
通过第一类型图像提取识别号，根据第三方平台车牌号获取识别号对应的道路运输证，根据识别号和道路运输证生成识别号对应的标准车辆信息并输入至检测模型获取行为标记；当行为标记为1时，则判定第一类型图像中的车辆为非法运营，通过处理器发送识别号和车辆追踪信号至车辆追踪模块；所述识别号为第一类型图像中车辆的车牌号；
通过处理器将非法运营车辆的识别号发送至数据存储模块进行存储。
优选的，所述轨迹检测单元用于判定第二类型车的非法运营行为，包括：
获取嫌疑车辆图像中第二类型车的图像并标记为第二类型图像；所述第一类型车包括三轮车和摩托车；
通过图像识别方法获取第二类型车在设定周期内被同一高清摄像头拍摄到的最高次数，将最高次数标记为ZC；所述设定周期包括一小时、六小时和一天；
当最高次数ZC满足L1≤ZC时，则判定第二类型车为非法运营，通过处理器将第二类型图像和车辆追踪信号发送至车辆追踪模块；其中L1为最高次数阈值，且L1>0；
通过处理器将最高次数和第二类型图像发送至数据存储模块进行存储。
优选的，所述车辆追踪模块用于对非法运营车辆进行追踪，包括：
当车辆追踪模块接收到车辆追踪信号时，获取非法运营车辆的识别号和第二类型图像；
结合至少两个高清摄像头获取非法运营车辆的行驶路线；所述行驶路线按照时间先后顺序绘制；
同时将非法运营车辆的行驶路线分别发送至数据存储模块和预警管理模块。
优选的，所述预警管理模块向车辆运营管理部门进行预警，所述车辆运营管理部门包括交通运输局和出租车运营公司。
优选的，所述行为标记是对训练图像进行分类，当训练图像中的车辆为非法运营时，则训练图像的行为标记为1；当训练图像中的车辆为正常运营时，则训练图像的行为标记为0。
与现有技术相比，本发明的有益效果是：
1、本发明设置了数据初筛模块，该设置通过抓拍位置的监控视频提取嫌疑车辆图像；通过高清摄像头采集抓拍位置的监控视频；通过数据初筛模块将监控视频分解成单帧图像并进行图像预处理之后获取监控图像；通过监控图像车辆提取嫌疑车辆图像；数据初筛模块通过高清摄像头获取嫌疑车辆图像，对监控进行了初步筛选，为检测模型的高效识别奠定了基础；
2、本发明设置了模型训练模块，该设置用于获取检测模型；通过第三方平台获取车辆数据和获取训练图像；对训练图像进行行为标记；将训练图像、训练图像对应的车牌号、车牌号对应的业务名称和经营范围标记为标准车辆信息；构建融合模型并对融合模型进行训练，将训练完成的融合模型标记为检测模型；模型训练模块建立了融合模型，有助于提高非法运营车辆的识别的准确率；
3、本发明设置了车辆追踪模块，该设置用于对非法运营车辆进行追踪；当车辆追踪模块接收到车辆追踪信号时，获取非法运营车辆的识别号和第二类型图像；结合至少两个高清摄像头获取非法运营车辆的行驶路线；将非法运营车辆的行驶路线发送至预警管理模块；车辆追踪模块绘制非法运营车辆的行驶路线，有助于车辆运输管理部门及时定位到非法运营车辆。
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，还可以根据这些附图获得其他的附图。
图1为本发明的步骤示意图；
图2为本发明控制系统的原理示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1-图2，一种基于机器学习算法实现非法运营车辆检测的检测方法，检测方法包括以下步骤：
步骤一：通过高清摄像头采集抓拍位置的监控视频；通过数据初筛模块将监控视频分解成单帧图像并进行图像预处理之后获取监控图像；通过监控图像车辆提取嫌疑车辆图像；
步骤二：通过第三方平台获取车辆数据和获取训练图像；对训练图像进行行为标记；将训练图像、训练图像对应的车牌号、车牌号对应的业务名称和经营范围标记为标准车辆信息；构建融合模型并对融合模型进行训练，将训练完成的融合模型标记为检测模型；
步骤三：获取嫌疑车辆图像中第一类型车的图像并标记为第一类型图像；通过第一类型图像提取识别号，根据第三方平台车牌号获取识别号对应的道路运输证，根据识别号和道路运输证生成识别号对应的标准车辆信息并输入至检测模型获取行为标记；当行为标记为1时，则判定第一类型图像中的车辆为非法运营，通过处理器发送识别号和车辆追踪信号至车辆追踪模块；
步骤四：当车辆追踪模块接收到车辆追踪信号时，获取非法运营车辆的识别号和第二类型图像；结合至少两个高清摄像头获取非法运营车辆的行驶路线；将非法运营车辆的行驶路线发送至预警管理模块。
进一步地，数据初筛模块是控制系统的组成部分，控制系统还包括处理器、车辆检测模块、车辆追踪模块、预警管理模块、数据存储模块、数据初筛模块和模型训练模块；数据初筛模块与图像采集单元通信连接，图像采集单元包括高清摄像头、动作云台和信号收发器，图像采集单元安装在抓拍位置；抓拍位置包括学校门口、十字路口和道路卡口；数据初筛模块通过抓拍位置的监控视频提取嫌疑车辆图像，包括：
通过高清摄像头采集抓拍位置的监控视频；将监控视频分解成单帧图像并进行图像预处理之后获取监控图像；图像预处理包括图像分割、图像去噪和灰度变换；
通过监控图像车辆提取嫌疑车辆图像；嫌疑车辆图像包括私家车图像、货车图像、出租车图像、三轮车图像和摩托车图像；
通过处理器将嫌疑车辆图像分别发送至车辆检测模块和数据存储模块，同时发送车辆检测信号至车辆检测模块。
进一步地，模型训练模块用于获取检测模型，包括：
通过第三方平台获取车辆数据；车辆数据包括车牌号、道路运输证；第三方平台为车辆运输管理部门；通过道路运输证提取业户名称和经营范围；
获取训练图像；训练图像中包括车辆正常运营的图像和车辆非法运营的图像；对训练图像进行行为标记；
将训练图像、训练图像对应的车牌号、车牌号对应的业务名称和经营范围标记为标准车辆信息；
构建融合模型；融合模型通过SVM、LR和GBDT三种基线模型结合融合方式构建的模型，融合方式包括线性加权融合法、交叉融合法、瀑布融合法、特征融合法和预测融合法；
将标准车辆信息和行为标记按照设定比例随机生成训练集、验证集和测试集；通过训练集、验证集和测试集对融合模型进行训练、验证和测试，当融合模型的目标精度达到要求时，则判定融合模型训练完成，将训练完成的融合模型标记为检测模型；
通过处理器将检测模型发送至数据存储模块进行存储。
进一步地，车辆检测模块包括模型检测单元和轨迹检测单元，模型检测单元用于判定第一类型车的非法运营行为，包括：
获取嫌疑车辆图像中第一类型车的图像并标记为第一类型图像；第一类型车包括私家车、货车和出租车；
通过第一类型图像提取识别号，根据第三方平台车牌号获取识别号对应的道路运输证，根据识别号和道路运输证生成识别号对应的标准车辆信息并输入至检测模型获取行为标记；当行为标记为1时，则判定第一类型图像中的车辆为非法运营，通过处理器发送识别号和车辆追踪信号至车辆追踪模块；识别号为第一类型图像中车辆的车牌号；
通过处理器将非法运营车辆的识别号发送至数据存储模块进行存储。
进一步地，轨迹检测单元用于判定第二类型车的非法运营行为，包括：
获取嫌疑车辆图像中第二类型车的图像并标记为第二类型图像；第一类型车包括三轮车和摩托车；
通过图像识别方法获取第二类型车在设定周期内被同一高清摄像头拍摄到的最高次数，将最高次数标记为ZC；设定周期包括一小时、六小时和一天；
当最高次数ZC满足L1≤ZC时，则判定第二类型车为非法运营，通过处理器将第二类型图像和车辆追踪信号发送至车辆追踪模块；其中L1为最高次数阈值，且L1>0；
通过处理器将最高次数和第二类型图像发送至数据存储模块进行存储。
进一步地，车辆追踪模块用于对非法运营车辆进行追踪，包括：
当车辆追踪模块接收到车辆追踪信号时，获取非法运营车辆的识别号和第二类型图像；
结合至少两个高清摄像头获取非法运营车辆的行驶路线；行驶路线按照时间先后顺序绘制；
同时将非法运营车辆的行驶路线分别发送至数据存储模块和预警管理模块。
进一步地，预警管理模块向车辆运营管理部门进行预警，车辆运营管理部门包括交通运输局和出租车运营公司。
进一步地，行为标记是对训练图像进行分类，当训练图像中的车辆为非法运营时，则训练图像的行为标记为1；当训练图像中的车辆为正常运营时，则训练图像的行为标记为0。
进一步地，处理器分别与数据初筛模块、车辆检测模块、车辆追踪模块、预警管理模块、数据存储模块、数据初筛模块和模型训练模块通信连接；数据存储模块与预警管理模块通信连接，预警管理模块与车辆追踪模块通信连接。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况设定。
本发明的工作原理：
通过高清摄像头采集抓拍位置的监控视频；通过数据初筛模块将监控视频分解成单帧图像并进行图像预处理之后获取监控图像；通过监控图像车辆提取嫌疑车辆图像；
通过第三方平台获取车辆数据和获取训练图像；对训练图像进行行为标记；将训练图像、训练图像对应的车牌号、车牌号对应的业务名称和经营范围标记为标准车辆信息；构建融合模型并对融合模型进行训练，将训练完成的融合模型标记为检测模型；
获取嫌疑车辆图像中第一类型车的图像并标记为第一类型图像；通过第一类型图像提取识别号，根据第三方平台车牌号获取识别号对应的道路运输证，根据识别号和道路运输证生成识别号对应的标准车辆信息并输入至检测模型获取行为标记；当行为标记为1时，则判定第一类型图像中的车辆为非法运营，通过处理器发送识别号和车辆追踪信号至车辆追踪模块；
当车辆追踪模块接收到车辆追踪信号时，获取非法运营车辆的识别号和第二类型图像；结合至少两个高清摄像头获取非法运营车辆的行驶路线；将非法运营车辆的行驶路线发送至预警管理模块。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (1)
1.一种基于机器学习算法实现非法运营车辆检测的检测方法，其特征在于，步骤一：通过高清摄像头采集抓拍位置的监控视频；通过数据初筛模块将监控视频分解成单帧图像并进行图像预处理之后获取监控图像；通过监控图像车辆提取嫌疑车辆图像；
步骤二：通过第三方平台获取车辆数据和获取训练图像；对训练图像进行行为标记；将训练图像、训练图像对应的车牌号、车牌号对应的业务名称和经营范围标记为标准车辆信息；构建融合模型并对融合模型进行训练，将训练完成的融合模型标记为检测模型；
步骤三：获取嫌疑车辆图像中第一类型车的图像并标记为第一类型图像；通过第一类型图像提取识别号，根据第三方平台车牌号获取识别号对应的道路运输证，根据识别号和道路运输证生成识别号对应的标准车辆信息并输入至检测模型获取行为标记；当行为标记为1时，则判定第一类型图像中的车辆为非法运营，通过处理器发送识别号和车辆追踪信号至车辆追踪模块；
步骤四：当车辆追踪模块接收到车辆追踪信号时，获取非法运营车辆的识别号和第二类型图像；结合至少两个高清摄像头获取非法运营车辆的行驶路线；将非法运营车辆的行驶路线发送至预警管理模块；
所述数据初筛模块是控制系统的组成部分，所述控制系统还包括处理器、车辆检测模块、车辆追踪模块、预警管理模块、数据存储模块、数据初筛模块和模型训练模块；所述数据初筛模块与图像采集单元通信连接，所述图像采集单元包括高清摄像头、动作云台和信号收发器，所述图像采集单元安装在抓拍位置；所述抓拍位置包括学校门口、十字路口和道路卡口；所述数据初筛模块通过抓拍位置的监控视频提取嫌疑车辆图像，包括：
通过高清摄像头采集抓拍位置的监控视频；将监控视频分解成单帧图像并进行图像预处理之后获取监控图像；所述图像预处理包括图像分割、图像去噪和灰度变换；
通过监控图像车辆提取嫌疑车辆图像；所述嫌疑车辆图像包括私家车图像、货车图像、出租车图像、三轮车图像和摩托车图像；
通过处理器将嫌疑车辆图像分别发送至车辆检测模块和数据存储模块，同时发送车辆检测信号至车辆检测模块；
所述模型训练模块用于获取检测模型，包括：
通过第三方平台获取车辆数据；所述车辆数据包括车牌号、道路运输证；所述第三方平台为车辆运输管理部门；通过道路运输证提取业户名称和经营范围；
获取训练图像；所述训练图像中包括车辆正常运营的图像和车辆非法运营的图像；对训练图像进行行为标记；
将训练图像、训练图像对应的车牌号、车牌号对应的业务名称和经营范围标记为标准车辆信息；
构建融合模型；所述融合模型通过SVM、LR和GBDT三种基线模型结合融合方式构建的模型，所述融合方式包括线性加权融合法、交叉融合法、瀑布融合法、特征融合法和预测融合法；
将标准车辆信息和行为标记按照设定比例随机生成训练集、验证集和测试集；通过训练集、验证集和测试集对融合模型进行训练、验证和测试，当融合模型的目标精度达到要求时，则判定融合模型训练完成，将训练完成的融合模型标记为检测模型；
通过处理器将检测模型发送至数据存储模块进行存储；
所述车辆检测模块包括模型检测单元和轨迹检测单元，所述模型检测单元用于判定第一类型车的非法运营行为，包括：
获取嫌疑车辆图像中第一类型车的图像并标记为第一类型图像；所述第一类型车包括私家车、货车和出租车；
通过第一类型图像提取识别号，根据第三方平台车牌号获取识别号对应的道路运输证，根据识别号和道路运输证生成识别号对应的标准车辆信息并输入至检测模型获取行为标记；当行为标记为1时，则判定第一类型图像中的车辆为非法运营，通过处理器发送识别号和车辆追踪信号至车辆追踪模块；所述识别号为第一类型图像中车辆的车牌号；
通过处理器将非法运营车辆的识别号发送至数据存储模块进行存储；
所述轨迹检测单元用于判定第二类型车的非法运营行为，包括：
获取嫌疑车辆图像中第二类型车的图像并标记为第二类型图像；所述第二类型车包括三轮车和摩托车；
通过图像识别方法获取第二类型车在设定周期内被同一高清摄像头拍摄到的最高次数，将最高次数标记为ZC；所述设定周期包括一小时、六小时和一天；
当最高次数ZC满足L1≤ZC时，则判定第二类型车为非法运营，通过处理器将第二类型图像和车辆追踪信号发送至车辆追踪模块；其中L1为最高次数阈值，且L1>0；
通过处理器将最高次数和第二类型图像发送至数据存储模块进行存储；
所述车辆追踪模块用于对非法运营车辆进行追踪，包括：
当车辆追踪模块接收到车辆追踪信号时，获取非法运营车辆的识别号和第二类型图像；
结合至少两个高清摄像头获取非法运营车辆的行驶路线；所述行驶路线按照时间先后顺序绘制；
同时将非法运营车辆的行驶路线分别发送至数据存储模块和预警管理模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011533534.2A CN112633163B (zh) | 2020-12-22 | 2020-12-22 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011533534.2A CN112633163B (zh) | 2020-12-22 | 2020-12-22 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112633163A CN112633163A (zh) | 2021-04-09 |
| CN112633163B true CN112633163B (zh) | 2023-08-01 |
Family
ID=75321294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011533534.2A Active CN112633163B (zh) | 2020-12-22 | 2020-12-22 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112633163B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114023076B (zh) * | 2021-10-22 | 2022-10-04 | 北京商海文天科技发展有限公司 | 一种基于多源异构数据的特定车辆追踪方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104809180B (zh) * | 2014-12-15 | 2018-09-07 | 安徽四创电子股份有限公司 | 基于无监督智能学习算法的非法运营车辆识别方法 |
| CN105976617B (zh) * | 2016-03-21 | 2019-01-22 | 江苏智通交通科技有限公司 | 非法营运车辆检测方法和系统 |
| KR101698026B1 (ko) * | 2016-06-17 | 2017-01-19 | 주식회사 파킹패스 | 이동차량 추적에 의한 cctv 불법주정차 단속시스템 |
| WO2018037355A1 (en) * | 2016-08-24 | 2018-03-01 | Bhagavant Rajkumar | A system and method for automated vehicle and face detection and their classification |
| CN109493608B (zh) * | 2018-12-06 | 2020-10-16 | 湖南科创信息技术股份有限公司 | 非法营运车辆的识别方法及系统和计算机可读的存储介质 |
| CN110969190B (zh) * | 2019-11-07 | 2023-05-12 | 厦门大学 | 非法营运车辆检测方法、介质、设备及装置 |
| CN111429484B (zh) * | 2020-03-31 | 2022-03-15 | 电子科技大学 | 一种基于交通监控视频的多目标车辆轨迹实时构建方法 |
-
2020
- 2020-12-22 CN CN202011533534.2A patent/CN112633163B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| "Detection of the vehicle license plate using a kernel density with default search radius algorithm filter";X. Ascar Davix等;《Optik》;第218卷;第1-8页 * |
| 深度学习在嫌疑车辆追逃中的应用研究;侯文雷;李潇;冯臻存;;中国安全防范技术与应用(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112633163A (zh) | 2021-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tian et al. | An automatic car accident detection method based on cooperative vehicle infrastructure systems | |
| US11840239B2 (en) | Multiple exposure event determination | |
| CN106652468B (zh) | 车辆道路前车违规检测和自车违规预警提醒装置及方法 | |
| CN107730905A (zh) | 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法 | |
| CN110689724B (zh) | 一种基于深度学习的机动车斑马线礼让行人自动审核方法 | |
| CN109993138A (zh) | 一种车牌检测与识别方法及装置 | |
| CN107886731A (zh) | 一种非法营运车辆智能检测方法 | |
| CN110619277A (zh) | 一种多社区智慧布控方法以及系统 | |
| CN113160575A (zh) | 一种非机动车辆及驾驶人的交通违法行为检测方法及系统 | |
| CN107346435A (zh) | 一种基于车辆特征库的嫌疑套牌车捕获方法 | |
| CN111274886B (zh) | 一种基于深度学习的行人闯红灯违法行为分析方法及系统 | |
| CN110838230B (zh) | 一种移动视频监控方法、监控中心及系统 | |
| CN106340205A (zh) | 交通监控方法及交通监控装置 | |
| CN112883936A (zh) | 一种对车辆违规行为的检测方法及其系统 | |
| CN111444843B (zh) | 一种多模态驾驶员及车辆违法行为监测方法及系统 | |
| Xue et al. | A context-aware framework for risky driving behavior evaluation based on trajectory data | |
| Ghoreyshi et al. | Simultaneous vehicle detection and classification model based on deep YOLO networks | |
| 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 | |
| CN114926824A (zh) | 一种不良驾驶行为判别方法 | |
| Xu et al. | A machine learning approach to vehicle occupancy detection | |
| Yardy et al. | Detecting malicious driving with machine learning | |
| CN116434203A (zh) | 考虑驾驶人语言因素的愤怒驾驶状态识别方法 | |
| CN110956072B (zh) | 一种基于大数据分析的驾驶技能培训方法 | |
| CN113177443A (zh) | 一种基于图像视觉的智能识别道路交通违章的方法 | |
| CN113850112A (zh) | 基于孪生神经网络的路况识别方法和系统 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240227 Address after: Room 1902, Block A, Building 2, No. 469 Huatuo Lane, High tech Zone, Hefei City, Anhui Province, 230093 Patentee after: Hefei Pinen Zhifu Intelligent Technology Co.,Ltd. Country or region after: China Address before: 230000 5th floor, C3 building, animation base, 800 Wangjiang West Road, Hefei City, Anhui Province Patentee before: HEFEI PINEN INTELLIGENT TECHNOLOGY CO.,LTD. Country or region before: China |