CN113160565B - 一种套牌车辆的识别方法、装置、存储介质及终端 - Google Patents

一种套牌车辆的识别方法、装置、存储介质及终端 Download PDF

Info

Publication number
CN113160565B
CN113160565B CN202110402582.6A CN202110402582A CN113160565B CN 113160565 B CN113160565 B CN 113160565B CN 202110402582 A CN202110402582 A CN 202110402582A CN 113160565 B CN113160565 B CN 113160565B
Authority
CN
China
Prior art keywords
vehicle
record
time sequence
track
nth
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
CN202110402582.6A
Other languages
English (en)
Other versions
CN113160565A (zh
Inventor
郭胜敏
董彪
李智
陈智宏
倪艳
路芳
黄宜婕
李运才
苏欣
夏曙东
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.)
Beijing Palmgo Information Technology Co ltd
Road Network Monitoring and Emergency Response Center of Ministry of Transport
Original Assignee
Beijing Palmgo Information Technology Co ltd
Road Network Monitoring and Emergency Response Center of Ministry of Transport
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 Beijing Palmgo Information Technology Co ltd, Road Network Monitoring and Emergency Response Center of Ministry of Transport filed Critical Beijing Palmgo Information Technology Co ltd
Priority to CN202110402582.6A priority Critical patent/CN113160565B/zh
Publication of CN113160565A publication Critical patent/CN113160565A/zh
Application granted granted Critical
Publication of CN113160565B publication Critical patent/CN113160565B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种套牌车辆的识别方法、装置、存储介质及终端，方法包括：提取待识别目标车牌在预设时间段内所关联的车辆通行记录集合；获取车辆通行记录集合中各车辆通行记录内的牌照识别时刻；根据获取的牌照识别时刻的先后顺序将各车辆通行记录进行排序，生成轨迹时序；识别轨迹时序中所包含的异常时序，并将识别的异常时序从轨迹时序中剔除后生成目标轨迹时序；针对目标轨迹时序执行层次空间聚类，生成至少一条的轨迹片段；基于至少一条的轨迹片段确定待识别目标车牌是否存在套牌车辆。因此，采用本申请实施例，由于通过分析待识别车牌的轨迹时序来确定套牌车辆的轨迹片段，从而提升了套牌车辆识别的准确率。

Description

一种套牌车辆的识别方法、装置、存储介质及终端
技术领域
本发明涉及智能交通技术领域，特别涉及一种套牌车辆的识别方法、装置、存储介质及终端。
背景技术
套牌车辆是指非法套用他人机动车车牌的车辆。近年来，随着经济的迅猛发展，城市机动车保有量日益增长，套牌车现象日趋泛滥。套牌行为不但造成了国家规费的流失，还损害了车主的利益，同时也扰乱了正常的交通秩序，给社会带来一定的不稳定因素。因此，发现和识别车辆套牌现象是提升交通执法能力，维护社会公平正义的迫切需求。
在现有的套牌车辆识别方案中，现有技术一直致力于通过视频识别等手段，通过分析同一号牌(车辆)在时空分布上的合理性来发现和识别套牌车辆。典型的现有方案例如：一种套牌分析的方法和装置(CN103914986B)、一种套牌车辆侦查系统(CN102332211A)、基于智慧城市的套牌车车辆的捕获方法(CN103116989B)等。上述方案在套牌车的发现和治理上发挥了很大的作用，但也有一定的不足：在功能上，上述方案多关注车牌是否被套用的判定，而忽略了对不同套牌车辆轨迹的剥离，而轨迹的剥离恰恰可以回答更多的细节问题，例如车牌被几辆车套用以及套牌车辆分别分布在何处，还包括车辆的行驶轨迹等等，上述细节信息的挖掘，将更有助于公安机关对套牌车辆进行取证和治理；在方法上，更多地关注车辆空间维度分布的合理性，却忽略了车辆轨迹作为时间序列数据的隐含特性，加之传感设备引入的误差，这往往会影响算法的计算效率和计算准确性，从而降低了套牌车辆识别的准确率。
发明内容
本申请实施例提供了一种套牌车辆的识别方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种套牌车辆的识别方法，方法包括：
提取待识别目标车牌在预设时间段内所关联的车辆通行记录集合；
获取车辆通行记录集合中各车辆通行记录内的牌照识别时刻；
根据获取的牌照识别时刻的先后顺序将各车辆通行记录进行排序，生成轨迹时序；
识别轨迹时序中所包含的异常时序，并将识别的异常时序从轨迹时序中剔除后生成目标轨迹时序；
针对目标轨迹时序执行层次空间聚类，生成至少一条的轨迹片段；
基于至少一条的轨迹片段确定待识别目标车牌是否存在套牌车辆。
可选的，基于至少一条的轨迹片段确定待识别目标车牌是否存在套牌车辆，包括：
从至少一条的轨迹片段中识别只有单个车辆通行记录的轨迹片段；
将识别的只有单个车辆通行记录的轨迹片段从至少一条的轨迹片段中过滤，生成过滤后的至少一条的轨迹片段；
输出过滤后的至少一条的轨迹片段；
当输出的过滤后的至少一条的轨迹片段中只存在一条轨迹片段时，确定待识别目标车牌不存在套牌车辆。
可选的，当输出的过滤后的至少一条的轨迹片段中只存在一条轨迹片段时，确定待识别目标车牌不存在套牌车辆，包括：
当输出的过滤后的至少一条的轨迹片段中存在多条轨迹片段时，确定待识别目标车牌存在多个套牌车辆；
获取多个套牌车辆各自对应的车辆通行记录；
将多个套牌车辆各自对应的车辆通行记录发送至相关部门进行预警。
可选的，识别轨迹时序中所包含的异常时序，包括：
从轨迹时序中获取第m个车辆通行记录与第n车辆通行记录；
基于第m个车辆通行记录与第n车辆通行记录计算车辆的空间转移速度，并根据速度判断第m个车辆通行记录与第n车辆通行记录之间的时序是否为异常时序；
当第m个车辆通行记录与第n车辆通行记录之间的时序为异常时序时，将第m个车辆通行记录与第n车辆通行记录之间的时序确定为异常时序；
继续执行从所述轨迹时序中抽取第m个车辆通行记录与第n车辆通行记录的步骤，直到轨迹时序中相邻车辆通行记录遍历结束；
其中，从轨迹时序中获取第m个车辆通行记录与第n车辆通行记录的公式为m＝k，n＝k+1；其中m、n均指获取的车辆通行记录，k为抽取次数。
可选的，基于计算第m个车辆通行记录与第n车辆通行记录计算车辆的空间转移速度，并根据速度判断第m个车辆通行记录与第n车辆通行记录是否为异常时序，包括：
计算第m个车辆通行记录与第n车辆通行记录的球面或平面距离；
计算第n车辆通行记录与第m个车辆通行记录的通行时刻的差值；
将球面或平面距离与通行时刻的差值之间的比值确定为目标车辆空间转移速度；
计算第m个车辆通行记录与第n车辆通行记录的空间转移速度的阈值；
当目标车辆空间转移速度大于等于空间转移速度的阈值时，确定第m个车辆通行记录与第n车辆通行记录之间的时序为异常时序；或者，
当目标车辆空间转移速度小于空间转移速度的阈值时，确定第m个车辆通行记录和第n车辆通行记录之间的时序不为异常时序；其中，
异常时序判断公式为：
Figure BDA0003020882800000031
Figure BDA0003020882800000032
其中，
Figure BDA0003020882800000033
为第m个车辆通行记录中牌照识别设备的坐标，
Figure BDA0003020882800000034
为第n车辆通行记录中牌照识别设备的坐标，
Figure BDA0003020882800000035
为第n车辆通行记录中车辆通行时刻，
Figure BDA0003020882800000036
为第m个车辆通行记录中车辆通行时刻，dis(，)函数给出了点
Figure BDA0003020882800000037
和
Figure BDA0003020882800000038
之间的球面或平面距离，v()函数给出了空间转移速度的阈值。
可选的，基于第m个车辆通行记录与第n车辆通行记录计算车辆的空间转移速度，并根据速度判断第m个车辆通行记录和第n车辆通行记录之间的时序是否为异常时序，包括：
基于第m个车辆通行记录与第n车辆通行记录计算车辆的最短行驶路径；
计算车辆最短行驶路径的行程距离，该行程距离等于该最短行驶路径包含的所有路段长度的总和；
计算第n车辆通行记录与第m个车辆通行记录的通行时刻的差值；
将行程距离与通行时刻的差值之间的比值确定为目标车辆的空间转移速度；
计算第m个车辆通行记录与第n车辆通行记录的空间转移速度的阈值；
当目标车辆空间转移速度大于等于空间转移速度的阈值时，确定第m个车辆通行记录与第n车辆通行记录之间的时序为异常时序；或者，
当目标车辆空间转移速度小于等于空间转移速度的阈值时，确定第m个车辆通行记录与第n车辆通行记录之间的时序不为异常时序；
异常时序判断公式为：
Figure BDA0003020882800000041
Figure BDA0003020882800000042
其中，path(，)函数给出了点
Figure BDA0003020882800000043
和
Figure BDA0003020882800000044
之间的最短行驶路径；
Figure BDA0003020882800000045
为第m个车辆通行记录中牌照识别设备的坐标，
Figure BDA0003020882800000046
为第n车辆通行记录中牌照识别设备的坐标，
Figure BDA0003020882800000047
为第n车辆通行记录中车辆通行时刻，
Figure BDA0003020882800000048
为第m个车辆通行记录中车辆通行时刻，dis(path(，))函数给出了点
Figure BDA0003020882800000049
和
Figure BDA00030208828000000410
之间的最短行驶路径的行程距离，v()函数给出了空间转移速度的阈值。
可选的，基于第m个车辆通行记录与第n车辆通行记录计算车辆的空间转移速度，并根据速度判断第m个车辆通行记录与第n车辆通行记录之间的时序是否为异常时序，包括：
基于第m个车辆通行记录与第n车辆通行记录计算车辆的最短行驶路径；
提取最短行驶路径上的摄像头数量；
将提取的摄像头数量和预设单个摄像头的处罚里程做积后生成做积后的处罚里程；
计算车辆最短行驶路径的行程距离；
将做积后的处罚里程与车辆最短行驶路径的行程距离做和，生成做和后的值；
计算第n车辆通行记录与第m个车辆通行记录的通行时刻的差值；
将做和后的值与通行时刻的差值作商后生成目标车辆的空间转移速度；
计算第m个车辆通行记录与第n车辆通行记录的空间转移速度的阈值；
当目标车辆空间转移速度大于等于空间转移速度的阈值时，确定第m个车辆通行记录与第n车辆通行记录为异常时序；或者，
当目标车辆空间转移速度小于等于空间转移速度的阈值时，确定第m个车辆通行记录和第n车辆通行记录不为异常时序；其中，
异常时序判断公式为：
Figure BDA0003020882800000051
Figure BDA0003020882800000052
其中，path(，)函数给出了点
Figure BDA0003020882800000053
和
Figure BDA0003020882800000054
之间的最短行驶路径，m()函数为提取了点
Figure BDA0003020882800000055
和
Figure BDA0003020882800000056
之间的最短路径上的摄像头数量，γ为单个摄像头对应的车辆行驶里程的罚值；
Figure BDA0003020882800000057
为第m个车辆通行记录中牌照识别设备的坐标，
Figure BDA0003020882800000058
为第n车辆通行记录中牌照识别设备的坐标，
Figure BDA0003020882800000059
为第n车辆通行记录中车辆通行时刻，
Figure BDA00030208828000000510
为第m个车辆通行记录中车辆通行时刻，dis(path(，))函数给出了点
Figure BDA00030208828000000511
和
Figure BDA00030208828000000512
之间的最短行驶路径的行程距离，v()函数给出了空间转移速度的阈值。
第二方面，本申请实施例提供了一种套牌车辆的识别装置，装置包括：
通行记录获取模块，用于提取待识别目标车牌在预设时间段内所关联的车辆通行记录集合；
牌照识别时刻获取模块，用于获取车辆通行记录集合中各车辆通行记录内的牌照识别时刻；
通行记录排序模块，用于根据获取的牌照识别时刻的先后顺序将各车辆通行记录进行排序，生成轨迹时序；
异常时序剔除模块，用于识别轨迹时序中所包含的异常时序，并将识别的异常时序从轨迹时序中剔除后生成目标轨迹时序；
套牌车辆判定模块，用于针对目标轨迹时序执行层次空间聚类，生成至少一条的轨迹片段；
套牌车辆确定模块，用于基于至少一条的轨迹片段确定待识别目标车牌是否存在套牌车辆。
第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果：
在本申请实施例中，套牌车辆的识别装置首先提取待识别目标车牌在预设时间段内所关联的车辆通行记录集合，然后获取车辆通行记录集合中各车辆通行记录内的牌照识别时刻，再根据获取的牌照识别时刻的先后顺序将各车辆通行记录进行排序，生成轨迹时序，其次识别轨迹时序中所包含的异常时序，并将识别的异常时序从轨迹时序中剔除后生成目标轨迹时序，再针对目标轨迹时序执行层次空间聚类，生成至少一条的轨迹片段，最后基于至少一条的轨迹片段确定待识别目标车牌是否存在套牌车辆。由于本申请通过分析待识别车牌的轨迹时序来确定套牌车辆的轨迹片段，从而提升了套牌车辆识别的准确率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是本申请实施例提供的一种套牌车辆的识别方法的流程示意图；
图2是本申请实施例提供的一种待识别车牌关联的通行轨迹示意图；
图3是本申请实施例提供的一种划分通行轨迹后的异常时序与正常时序示意图；
图4是本申请实施例提供的一种点位时序性对距离度量的耦合影响示意图；
图5是本申请实施例提供的一种套牌车辆时间不耦合的场景示意图；
图6是本申请实施例提供的一种轨迹片段示意图；
图7是本申请实施例提供的一种轨迹片段的层次聚类过程示意图；
图8是本申请实施例提供的一种套牌车辆的识别装置的装置示意图；
图9是本申请实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，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作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。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提供了一种套牌车辆的识别方法、装置、存储介质及终端，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，由于通过对套牌车辆时序轨迹的挖掘，给出了不同套牌车辆轨迹剥离的算法，不仅能够回答套牌车辆的细节信息，也能够有效避免传感器错误导致的误判事件发生，从而提升了套牌车辆的识别准确率，下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图7，对本申请实施例提供的套牌车辆的识别方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的套牌车辆的识别装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。其中，本申请实施例中的套牌车辆的识别装置可以为用户终端，包括但不限于：个人电脑、平板电脑、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中用户终端可以叫做不同的名称，例如：用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personal digital assistant，PDA)、5G网络或未来演进网络中的终端设备等。
请参见图1，为本申请实施例提供了一种套牌车辆的识别方法的流程示意图。如图1所示，本申请实施例的方法可以包括以下步骤：
S101，提取待识别目标车牌在预设时间段内所关联的车辆通行记录集合；
其中，可以是从数据中心内提取，数据中心用于保存公路上布设的牌照识别设备识别的车辆通行记录，牌照识别设备可以为高速公路上的ETC门架设备，也可以是其他道路上的图像采集识别设备。待识别目标车牌为需要识别车牌号是否被非法套用的目标车牌号。预设时间段可以为一天、也可以为一个月，预设时间段根据实际应用场景确定，此处不做限定。
通常，如图2所示为车辆在高速公路上的套牌场景。在高速收费场景中，车辆在经过ETC门架牌照识别设备时，会被记录一条通过的日志，此处记为pC＝<t，(x，y)，lp>，其中，t为车辆被记录经过门架的时刻；(x，y)为门架所在的坐标，被用来指代车辆的位置坐标；lp为车辆被门架牌照识别后输出的车牌结果；C为车辆的唯一标识，用于区分套用同一车牌的不同车辆，这里的C暂时是未知的，需要执行本发明的算法后给出。
在一种可能的实现方式中，当需要进行套牌车辆识别时，首先确定待识别目标车牌，目标车牌中具备唯一的车牌号，然后确定时间段中的起始时刻与结束时刻，再以车牌号、起始时刻与结束时刻为参数构造数据库查询语言的目标查询sql语句，最后执行目标查询sql语句查询该车牌号所关联的所有车辆通行记录集合。其中，每一条车辆通行记录中为：pC＝<t，(x，y)，lp>。
进一步地，在提取待识别目标车牌在预设时间段内所关联的车辆通行记录集合之前，当有车辆经过公路上布设的牌照识别设备时，该识别设备识别出该车辆的牌照，并记录通过时刻，最后将该车辆的牌照、通过时刻以及设备自身的坐标点组合成该通行车辆的通行记录pC＝<t，(x，y)，lp>，最后将该通行记录发送至数据中心。
S102，获取车辆通行记录集合中各车辆通行记录内的牌照识别时刻；
在本申请实施例中，车辆通行记录集合中每一条通行记录中都记录了车辆的通行时刻，因此提取车辆通行记录集合中每一条通行记录中的车辆通行时刻得到多个通行时刻。
S103，根据获取的牌照识别时刻的先后顺序将各车辆通行记录进行排序，生成轨迹时序；
在本申请实施例中，在基于步骤S102得到多个通行时刻后，根据通行时刻的先后顺序将各车辆通行记录进行排序，生成轨迹时序。
在一种可能的实现方式中，例如图1中，对于给定的一个目标车牌LP，提取到所有关联的车辆定位记录为
Figure BDA0003020882800000091
k为ΩLP中所有记录按照时刻pC.t从小到大排列后的顺序号。
对于给定的一个车牌LP以及关联的车辆定位记录ΩLP，本发明判定该车牌是否被套牌，以及对套牌的轨迹进行剥离，即判定不同的定位日志归属的车辆标识，如C1、C2和C3，从而得到套用该车牌的车辆数，以及不同车辆所在的位置及轨迹集合
Figure BDA0003020882800000092
其中，
Figure BDA0003020882800000093
Figure BDA0003020882800000094
S104，识别轨迹时序中所包含的异常时序，并将识别的异常时序从轨迹时序中剔除后生成目标轨迹时序；
在本申请实施例中，当得到轨迹时序后，首先从轨迹时序中抽取第m个车辆通行记录与第n车辆通行记录，然后基于第m个车辆通行记录与第n车辆通行记录计算车辆的空间转移速度，第一次抽取时，m＝1，并根据速度判断第m个车辆通行记录与第n车辆通行记录之间的时序是否为异常时序，并当第m个车辆通行记录与第n车辆通行记录之间的时序为异常时序时，再将第m个车辆通行记录与第n车辆通行记录之间的时序确定为异常时序，继续执行从所述轨迹时序中抽取第m个车辆通行记录与第n个车辆通行记录的步骤，直到轨迹时序中相邻车辆通行记录遍历结束；其中，第k次抽取时，从轨迹时序中获取第m个车辆通行记录与第n车辆通行记录的公式为：m＝k，n＝k+1；其中m、n均指获取的车辆通行记录，k为抽取次数。例如，第一次抽取时，首先从轨迹时序中抽取车辆的第一个通行记录及第二个通行记录，然后基于第一个车辆通行记录与第2个车辆通行记录计算车辆的空间转移速度，并根据速度判断第一个车辆通行记录与第2个车辆通行记录之间的时序是否为异常时序，然后进行第2次抽取，从轨迹时序中抽取车辆的第二个车辆通行记录与第三个车辆通行记录，判定该第二个车辆通行记录与第三个车辆通行记录是否为异常时序，继续执行第k次抽取，从轨迹时序中获取第m个车辆通行记录与第n车辆通行记录的公式为：m＝k，n＝k+1，直到轨迹时序中相邻车辆通行记录遍历结束。
在一种可能的实施方式中，当得到轨迹时序后，遍历获取车辆的轨迹时序中的所有的相邻车辆的通行记录，可不限于依照上述的顺序获取，可以从第一个记录与第二个记录开始，也可以从第三个通行记录与第四个通行记录开始，直至遍历完所有的通行记录即可。
在一种可能的实现方式中，在基于球面或平面距离判断异常时序时，首先计算第m个车辆通行记录与第n车辆通行记录的球面或平面距离，再计算第n车辆通行记录与第m个车辆通行记录的通行时刻的差值，然后将球面或平面距离与通行时刻的差值之间的比值确定为目标车辆空间转移速度，再计算第m个车辆通行记录与第n车辆通行记录的空间转移速度的阈值，最后当目标车辆空间转移速度大于等于空间转移速度的阈值时，确定第m个车辆通行记录与第n车辆通行记录之间的时序为异常时序；或者当目标车辆空间转移速度小于空间转移速度的阈值时，确定第m个车辆通行记录与第n车辆通行记录之间的时序不为异常时序；其中，
异常时序判断公式为：
Figure BDA0003020882800000101
Figure BDA0003020882800000111
其中，
Figure BDA0003020882800000112
为第m个车辆通行记录中牌照识别设备的坐标，
Figure BDA0003020882800000113
为第n车辆通行记录中牌照识别设备的坐标，
Figure BDA0003020882800000114
为第n车辆通行记录中车辆通行时刻，
Figure BDA0003020882800000115
为第m个车辆通行记录中车辆通行时刻，dis(，)函数给出了点
Figure BDA0003020882800000116
和
Figure BDA0003020882800000117
之间的球面或平面距离，v()函数给出了空间转移速度的阈值。
需要说明的是，空间转移速度的阈值不是一成不变的，考虑到长途行车的其他时间损耗，随着空间距离的增加，阈值v应该相应地降低。
在另一种可能的实现方式中，在基于路径距离判断异常时序时，首先基于第m个车辆通行记录与第n车辆通行记录计算车辆的最短行驶路径，然后计算车辆的最短行驶路径对应的行程距离；行程距离等于最短行驶路径包含的所有路段长度的总和，再计算第n车辆通行记录与第m个车辆通行记录的通行时刻的差值，其次将行程距离与通行时刻的差值之间的比值确定为目标车辆的空间转移速度，再计算第m个车辆通行记录与第n车辆通行记录的空间转移速度的阈值，最后当目标车辆空间转移速度大于等于空间转移速度的阈值时，确定第m个车辆通行记录与第n车辆通行记录之间的时序为异常时序；或者当目标车辆空间转移速度小于空间转移速度的阈值时，确定第m个车辆通行记录与第n车辆通行记录之间的时序不为异常时序；
异常时序判断公式为：
Figure BDA0003020882800000118
Figure BDA0003020882800000119
其中，path(，)函数给出了点
Figure BDA00030208828000001110
和
Figure BDA00030208828000001111
之间的最短行驶路径；
Figure BDA00030208828000001112
为第m个车辆通行记录中牌照识别设备的坐标，
Figure BDA00030208828000001113
为第n车辆通行记录中牌照识别设备的坐标，
Figure BDA00030208828000001114
为第n车辆通行记录中车辆通行时刻，
Figure BDA00030208828000001115
为第m个车辆通行记录中车辆通行时刻，dis(path(，))函数给出了点
Figure BDA00030208828000001116
和
Figure BDA00030208828000001117
之间的最短行驶路径的行程距离，v()函数给出了空间转移速度的阈值。如果点
Figure BDA00030208828000001118
和
Figure BDA00030208828000001119
之间不存在一条可达路径，则dis(path(，))＝∞。
在另一种可能的实现方式中，在基于路径距离+摄像头漏检里程处罚时，首先基于第m个车辆通行记录与第n车辆通行记录计算车辆的最短行驶路径，再提取最短行驶路径上的摄像头数量，然后将提取的摄像头数量和预设单个摄像头的处罚里程做积后生成做积后的处罚里程，再计算车辆最短行驶路径的行程距离，再将做积后的处罚里程与车辆的最短行驶路径的行程距离做和，生成做和后的值，再计算第n车辆通行记录与第m个车辆通行记录的通行时刻的差值，并将做和后的值与通行时刻的差值作商后生成目标车辆的空间转移速度，再计算第m个车辆通行记录与第n车辆通行记录的空间转移速度的阈值，最后当目标车辆空间转移速度大于等于空间转移速度的阈值时，确定第m个车辆通行记录与第n车辆通行记录之间的时序为异常时序；或者当目标车辆空间转移速度小于空间转移速度的阈值时，确定第m个车辆通行记录与第n车辆通行记录之间的时序不为异常时序；其中，
异常时序判断公式为：
Figure BDA0003020882800000121
Figure BDA0003020882800000122
其中，path(，)函数给出了点
Figure BDA0003020882800000123
和
Figure BDA0003020882800000124
之间的最短行驶路径，m()函数为提取了点
Figure BDA0003020882800000125
和
Figure BDA0003020882800000126
之间的最短路径上的摄像头数量，γ为单个摄像头对应的车辆行驶里程的罚值；
Figure BDA0003020882800000127
为第m个车辆通行记录中牌照识别设备的坐标，
Figure BDA0003020882800000128
为第n车辆通行记录中牌照识别设备的坐标，
Figure BDA0003020882800000129
为第n车辆通行记录中车辆通行时刻，
Figure BDA00030208828000001210
为第m个车辆通行记录中车辆通行时刻，dis(path(，))函数给出了点
Figure BDA00030208828000001211
和
Figure BDA00030208828000001212
之间的最短行驶路径的行程距离，v()函数给出了空间转移速度的阈值。
经过上述方法，可以判定出异常的时序向量并从轨迹时序τLP中剔除，从而将τLP划分为正常向量构成的若干轨迹片段集合，记为目标轨迹时序Ψ(τLp)。图6中的(a)和(b)区域分别是图3和图5经过步骤S104后形成的轨迹片段示意图。
S105，针对目标轨迹时序执行层次空间聚类，生成至少一条的轨迹片段；
通常，在以往的套牌车检测算法中，更多的是利用空间方位的不合理性，如图2中相近的时间下，车辆不可能在
Figure BDA00030208828000001213
和
Figure BDA00030208828000001214
两处同时出现。本发明提出了一种新的视野，如果将车辆的定位轨迹看作一条时序数据(如图1中的
Figure BDA0003020882800000131
和
Figure BDA0003020882800000132
)，则套用同一车牌的不同车辆的轨迹时序会在时空上发生耦合而变异成新的轨迹时序(
Figure BDA0003020882800000133
记为τLP)，从而呈现出区别于正常车辆轨迹时序的特征。
本发明以耦合的轨迹时序τLP为输入，如果将τLP视为一个图(graph)或网络(network)，则对不同轨迹的剥离可以建模成子图(sub-graph)的划分问题，或者网络的社区发现(Community Detection)问题，本发明以子图划分为例作为解释。如图3所示，通过划分子图，将同一辆车的轨迹时序定位点划分到同一个子图中，则可以实现不同车辆轨迹的剥离。
如图3所示，将τLP中相邻两个位置间的向量关系分为正常和异常两类，如果相邻两个位置属于同一辆车，则其向量关系为正常，如果属于不同车辆，则其向量关系为异常。从图3中可以看出，子图的边界会割裂异常向量，而将正常向量保留在子图内部。在欧几里得空间中，如果将向量的正常和异常用向量间的距离函数来度量，异常的向量关系距离大，正常的向量关系距离小，则子图的划分问题可以定义为点的空间聚类问题，用基于密度的聚类方法如DBSCAN、或者层次聚类方法如Chameleon等来求解。
与传统的图不同，由于τLP仅是一个时序数据，所以其作为一个图是极其稀疏的，其突出表现是，同一车辆内正确的时序关系，如
Figure BDA0003020882800000134
和
Figure BDA0003020882800000135
并未在时序形成的过程中进行计算。DBSCAN方法需要得到任意两个点
Figure BDA0003020882800000136
和
Figure BDA0003020882800000137
之间的距离度量(时空合理性度量)，一方面会带来较大的计算复杂度，还有可能在时间维度上与
Figure BDA0003020882800000138
和
Figure BDA0003020882800000139
之间的其他点耦合(如图4中，若
Figure BDA00030208828000001310
和
Figure BDA00030208828000001311
之间存在一个点
Figure BDA00030208828000001312
且
Figure BDA00030208828000001313
与
Figure BDA00030208828000001314
距离更近，当
Figure BDA00030208828000001315
和
Figure BDA00030208828000001316
不满足距离约束时，尽管
Figure BDA00030208828000001317
和
Figure BDA00030208828000001318
满足距离约束，
Figure BDA00030208828000001319
和
Figure BDA00030208828000001320
划分为同一辆车的可能性也很低)；另一方面当
Figure BDA00030208828000001321
和
Figure BDA00030208828000001322
时间间隔较大时，其时空合理性的判定还会引入较大的误差，进而影响聚类的准确性。因此，本发明基于层级聚类方法来求解空间聚类问题。
套牌车辆在空间上的分布一定是有差异的，这是判定套牌车的基本原则。但在时间上是否耦合，却存在两种情况：
第一种，时间上不耦合
如图5所示，对于两辆车的轨迹
Figure BDA0003020882800000141
和
Figure BDA0003020882800000142
Figure BDA0003020882800000143
由于
Figure BDA0003020882800000144
故车辆C1和C2的轨迹在时间上不耦合。
第二种，时间上耦合
图3所示为车辆轨迹在时间上耦合的情况，对于轨迹对
Figure BDA0003020882800000145
如果存在
Figure BDA0003020882800000146
中的一个点
Figure BDA0003020882800000147
以及
Figure BDA0003020882800000148
中的两个点
Figure BDA0003020882800000149
和
Figure BDA00030208828000001410
满足
Figure BDA00030208828000001411
则说明车辆C1和C2的轨迹在时间上耦合。
从轨迹的时间耦合性分析角度可以看出，对于同一辆车内部的轨迹时序，如图5中的
Figure BDA00030208828000001412
和
Figure BDA00030208828000001413
以及图3中的
Figure BDA00030208828000001414
Figure BDA00030208828000001415
和
Figure BDA00030208828000001416
只要对异常时序进行割裂，则这些正常的时序就是天然保留下来的，这种特性在进行子图的划分计算时应当被加以利用，以期对算法过程进行加速，特别是在轨迹时间不耦合的情况下。如图5所示，只要判定
Figure BDA00030208828000001417
为异常序列，则
Figure BDA00030208828000001418
和
Figure BDA00030208828000001419
无法在空间上聚为一类，子图的划分算法就可以返回了。空间层次聚类的过程可以很好地融合这个特性，反观其他聚类方法如DBSCAN、KNN，则需要对节点间的关系拆解重构，计算如
Figure BDA00030208828000001420
等非相邻点间的距离度量，在本发明的场景中这是缺乏物理意义的，且极易引入其他的计算误差。因此，本发明采用空间层次聚类算法来聚合生成每辆车的正确行驶轨迹。
在一种可能的实现方式中，将目标轨迹时序Ψ(τLP)执行层次空间聚类，执行层次空间聚类的步骤分为以下子步骤：
1.1将Ψ(τLP)中的每一个轨迹片段看成是一类，基于计算两两之间的向量距离度量；
设
Figure BDA00030208828000001421
和
Figure BDA00030208828000001422
Figure BDA00030208828000001423
分别是Ψ(τLP)中的两个轨迹片段，计算
Figure BDA00030208828000001424
和
Figure BDA00030208828000001425
的距离度量
Figure BDA00030208828000001426
值如下：
Figure BDA0003020882800000151
其中，F(,)是前述异常判定公式F1(,)、F2(,)和F3(,)中的一种。
需要指出的是，轨迹片段的距离度量是带方向的，
Figure BDA0003020882800000152
与
Figure BDA0003020882800000153
是不同的结果；不仅要衡量轨迹端点之间的距离度量，还需要判定其时序关系。
1.2将距离最小的两个轨迹片段合并为一个新的轨迹片段；
1.3重新计算新的轨迹片段与其他轨迹片段间的距离度量；
1.4重复1.2、1.3步，直到不能再产生新的轨迹片段，算法退出。
图7中的(a)区域和(b)区域分别是对图6中的(a)区域和(b)区域执行层次空间聚类的过程示意图，红框中为聚类算法结束后对轨迹进行合并后的结果。图7中的(a)区域中，算法只要执行4轮，就可以形成
Figure BDA0003020882800000154
Figure BDA0003020882800000155
和
Figure BDA0003020882800000156
等三辆车的轨迹；图7中的(b)区域中算法只要执行1轮，就可以得到
Figure BDA0003020882800000157
和
Figure BDA0003020882800000158
等两辆车的轨迹，可见在本发明场景中层次聚类算法的执行效率较高。
S106，基于至少一条的轨迹片段确定待识别目标车牌是否存在套牌车辆。
在一种可能的实现方式中，在得到至少一条的轨迹片段时，首先从至少一条的轨迹片段中识别只有单个车辆通行记录的轨迹片段，再将识别的只有单个车辆通行记录的轨迹片段从至少一条的轨迹片段中删除，生成过滤后的至少一条的轨迹片段，然后输出过滤后的至少一条的轨迹片段，最后当输出的过滤后的至少一条的轨迹片段中只存在一条轨迹片段时，确定待识别目标车牌不存在套牌车辆。
进一步地，当输出的过滤后的至少一条的轨迹片段中存在多条轨迹片段时，确定待识别目标车牌存在多个套牌车辆，获取多个套牌车辆各自对应的车辆通行记录，并将多个套牌车辆各自对应的车辆通行记录发送至相关部门进行预警。
其中，每辆车的轨迹进行过滤，删除只有单个点的轨迹，这很有可能是由于牌照识别设备的随机误差导致的。输入过滤后的轨迹，如果轨迹超过1条，则说明存在套牌的现象，否则不存在套牌的现象。轨迹的数量则说明了有多少辆车套用该牌照，轨迹本身则说明了车辆活动的区域等信息，从而方便执法部门进行取证和治理。
在本申请实施例中，套牌车辆的识别装置首先提取待识别目标车牌在预设时间段内所关联的车辆通行记录集合，然后获取车辆通行记录集合中各车辆通行记录内的牌照识别时刻，再根据获取的牌照识别时刻的先后顺序将各车辆通行记录进行排序，生成轨迹时序，其次识别轨迹时序中所包含的异常时序，并将识别的异常时序从轨迹时序中剔除后生成目标轨迹时序，再针对目标轨迹时序执行层次空间聚类，生成至少一条的轨迹片段，最后基于至少一条的轨迹片段确定待识别目标车牌是否存在套牌车辆。由于本申请通过分析待识别车牌的轨迹时序来确定套牌车辆的轨迹片段，从而提升了套牌车辆识别的准确率。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
请参见图8，其示出了本发明一个示例性实施例提供的套牌车辆的识别装置的结构示意图。该套牌车辆的识别装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括通行记录获取模块10、牌照识别时刻获取模块20、通行记录排序模块30、异常时序剔除模块40、套牌车辆判定模块50、套牌车辆确定模块60。
通行记录获取模块10，用于提取待识别目标车牌在预设时间段内所关联的车辆通行记录集合；
牌照识别时刻获取模块20，用于获取车辆通行记录集合中各车辆通行记录内的牌照识别时刻；
通行记录排序模块30，用于根据获取的牌照识别时刻的先后顺序将各车辆通行记录进行排序，生成轨迹时序；
异常时序剔除模块40，用于识别轨迹时序中所包含的异常时序，并将识别的异常时序从轨迹时序中剔除后生成目标轨迹时序；
套牌车辆判定模块50，用于针对目标轨迹时序执行层次空间聚类，生成至少一条的轨迹片段；
套牌车辆确定模块60，用于基于至少一条的轨迹片段确定待识别目标车牌是否存在套牌车辆。
需要说明的是，上述实施例提供的套牌车辆的识别装置在执行套牌车辆的识别方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的套牌车辆的识别装置与套牌车辆的识别方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请实施例中，套牌车辆的识别装置首先提取待识别目标车牌在预设时间段内所关联的车辆通行记录集合，然后获取车辆通行记录集合中各车辆通行记录内的牌照识别时刻，再根据获取的牌照识别时刻的先后顺序将各车辆通行记录进行排序，生成轨迹时序，其次识别轨迹时序中所包含的异常时序，并将识别的异常时序从轨迹时序中剔除后生成目标轨迹时序，再针对目标轨迹时序执行层次空间聚类，生成至少一条的轨迹片段，最后基于至少一条的轨迹片段确定待识别目标车牌是否存在套牌车辆。由于本申请通过分析待识别车牌的轨迹时序来确定套牌车辆的轨迹片段，从而提升了套牌车辆识别的准确率。
本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的套牌车辆的识别方法。
本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的套牌车辆的识别方法。
请参见图9，为本申请实施例提供了一种终端的结构示意图。如图9所示，终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图9所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及套牌车辆的识别应用程序。
在图9所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的套牌车辆的识别应用程序，并具体执行以下操作：
提取待识别目标车牌在预设时间段内所关联的车辆通行记录集合；
获取车辆通行记录集合中各车辆通行记录内的牌照识别时刻；
根据获取的牌照识别时刻的先后顺序将各车辆通行记录进行排序，生成轨迹时序；
识别轨迹时序中所包含的异常时序，并将识别的异常时序从轨迹时序中剔除后生成目标轨迹时序；
针对目标轨迹时序执行层次空间聚类，生成至少一条的轨迹片段；
基于至少一条的轨迹片段确定待识别目标车牌是否存在套牌车辆。
在一个实施例中，处理器1001在执行基于至少一条的轨迹片段确定待识别目标车牌是否存在套牌车辆时，具体执行以下操作：
从至少一条的轨迹片段中识别只有单个车辆通行记录的轨迹片段；
将识别的只有单个车辆通行记录的轨迹片段从至少一条的轨迹片段中过滤，生成过滤后的至少一条的轨迹片段；
输出过滤后的至少一条的轨迹片段；
当输出的过滤后的至少一条的轨迹片段中只存在一条轨迹片段时，确定待识别目标车牌不存在套牌车辆。
在一个实施例中，处理器1001在执行当输出的过滤后的至少一条的轨迹片段中只存在一条轨迹片段时，确定待识别目标车牌不存在套牌车辆时，具体执行以下操作：
当输出的过滤后的至少一条的轨迹片段中存在多条轨迹片段时，确定待识别目标车牌存在多个套牌车辆；
获取多个套牌车辆各自对应的车辆通行记录；
将多个套牌车辆各自对应的车辆通行记录发送至相关部门进行预警。
在一个实施例中，处理器1001在执行识别轨迹时序中所包含的异常时序时，具体执行以下操作：
从轨迹时序中获取第m个车辆通行记录与第n车辆通行记录；
基于第m个车辆通行记录与第n车辆通行记录计算车辆的空间转移速度，并根据速度判断第m个车辆通行记录与第n车辆通行记录之间的时序是否为异常时序；
当第m个车辆通行记录与第n车辆通行记录之间的时序为异常时序时，将第m个车辆通行记录与第n车辆通行记录之间的时序确定为异常时序；
继续执行从所述轨迹时序中抽取第m个车辆通行记录与第n车辆通行记录的步骤，直到轨迹时序中相邻车辆通行记录遍历结束；
其中，从轨迹时序中获取第m个车辆通行记录与第n车辆通行记录的公式为：m＝k，n＝k+1；其中m、n均指获取的车辆通行记录，k为抽取次数。
在一个实施例中，处理器1001在执行基于第m个车辆通行记录与第n车辆通行记录计算车辆的空间转移速度，并根据速度判断第m个车辆通行记录与第n车辆通行记录之间的时序是否为异常时序时，具体执行以下操作：
计算第m个车辆通行记录与第n车辆通行记录的球面或平面距离；
计算第n车辆通行记录与第m个车辆通行记录的通行时刻的差值；
将球面或平面距离与通行时刻的差值之间的比值确定为目标车辆空间转移速度；
计算第m个车辆通行记录与第n车辆通行记录的空间转移速度的阈值；
当目标车辆空间转移速度大于等于空间转移速度的阈值时，确定第m个车辆通行记录与第n车辆通行记录之间的时序为异常时序；或者，
当目标车辆空间转移速度小于空间转移速度的阈值时，确定第m个车辆通行记录与第n车辆通行记录之间的时序不为异常时序；其中，
异常时序判断公式为：
Figure BDA0003020882800000201
Figure BDA0003020882800000202
其中，
Figure BDA0003020882800000203
为第m个车辆通行记录中牌照识别设备的坐标，
Figure BDA0003020882800000204
为第n车辆通行记录中牌照识别设备的坐标，
Figure BDA0003020882800000205
为第n车辆通行记录中车辆通行时刻，
Figure BDA0003020882800000206
为第m个车辆通行记录中车辆通行时刻，dis(，)函数给出了点
Figure BDA0003020882800000207
和
Figure BDA0003020882800000208
之间的球面或平面距离，v()函数给出了空间转移速度的阈值。
在一个实施例中，处理器1001在执行基于第m个车辆通行记录与第n车辆通行记录计算车辆的空间转移速度，并根据速度判断第m个车辆通行记录与第n车辆通行记录之间的时序是否为异常时序时，具体执行以下操作：
基于第m个车辆通行记录与第n车辆通行记录计算车辆的最短行驶路径；
计算车辆的最短行驶路径对应的行程距离；行程距离等于最短行驶路径包含的所有路段长度的总和；
计算第n车辆通行记录与第m个车辆通行记录的通行时刻的差值；
将行程距离与通行时刻的差值之间的比值确定为目标车辆的空间转移速度；
计算第m个车辆通行记录与第n车辆通行记录的空间转移速度的阈值；
当目标车辆空间转移速度大于等于空间转移速度的阈值时，确定第m个车辆通行记录与第n车辆通行记录之间的时序为异常时序；或者，
当目标车辆空间转移速度小于空间转移速度的阈值时，确定第m个车辆通行记录与第n车辆通行记录之间的时序不为异常时序；
异常时序判断公式为：
Figure BDA0003020882800000211
Figure BDA0003020882800000212
其中，path(，)函数给出了点
Figure BDA0003020882800000213
和
Figure BDA0003020882800000214
之间的最短行驶路径；
Figure BDA0003020882800000215
为第m个车辆通行记录中牌照识别设备的坐标，
Figure BDA0003020882800000216
为第n车辆通行记录中牌照识别设备的坐标，
Figure BDA0003020882800000217
为第n车辆通行记录中车辆通行时刻，
Figure BDA0003020882800000218
为第m个车辆通行记录中车辆通行时刻，dis(path(，))函数给出了点
Figure BDA0003020882800000219
和
Figure BDA00030208828000002110
之间的最短行驶路径的行程距离，v()函数给出了空间转移速度的阈值。
在一个实施例中，处理器1001在执行基于第m个车辆通行记录与第n车辆通行记录计算车辆的空间转移速度，并根据速度判断第m个车辆通行记录与第n车辆通行记录之间的时序是否为异常时序时，具体执行以下操作：
基于第m个车辆通行记录与第n车辆通行记录计算车辆的最短行驶路径；
提取最短行驶路径上的摄像头数量；
将提取的摄像头数量和预设单个摄像头的处罚里程做积后生成做积后的处罚里程；
计算车辆最短行驶路径的行程距离；
将做积后的处罚里程与车辆的最短行驶路径的行程距离做和，生成做和后的值；
计算第n车辆通行记录与第m个车辆通行记录的通行时刻的差值；
将做和后的值与通行时刻的差值作商后生成目标车辆的空间转移速度；
计算第m个车辆通行记录与第n车辆通行记录的空间转移速度的阈值；
当目标车辆空间转移速度大于等于空间转移速度的阈值时，确定第m个车辆通行记录与第n车辆通行记录之间的时序为异常时序；或者，
当目标车辆空间转移速度小于空间转移速度的阈值时，确定第m个车辆通行记录与第n车辆通行记录之间的时序不为异常时序；其中，
异常时序判断公式为：
Figure BDA0003020882800000221
Figure BDA0003020882800000222
其中，path(，)函数给出了点
Figure BDA0003020882800000223
和
Figure BDA0003020882800000224
之间的最短行驶路径，m()函数为提取了点
Figure BDA0003020882800000225
和
Figure BDA0003020882800000226
之间的最短路径上的摄像头数量，γ为单个摄像头对应的车辆行驶里程的罚值；
Figure BDA0003020882800000227
为第m个车辆通行记录中牌照识别设备的坐标，
Figure BDA0003020882800000228
为第n车辆通行记录中牌照识别设备的坐标，
Figure BDA0003020882800000229
为第n车辆通行记录中车辆通行时刻，
Figure BDA00030208828000002210
为第m个车辆通行记录中车辆通行时刻，dis(path(，))函数给出了点
Figure BDA00030208828000002211
和
Figure BDA00030208828000002212
之间的最短行驶路径的行程距离，v()函数给出了空间转移速度的阈值。
在本申请实施例中，套牌车辆的识别装置首先提取待识别目标车牌在预设时间段内所关联的车辆通行记录集合，然后获取车辆通行记录集合中各车辆通行记录内的牌照识别时刻，再根据获取的牌照识别时刻的先后顺序将各车辆通行记录进行排序，生成轨迹时序，其次识别轨迹时序中所包含的异常时序，并将识别的异常时序从轨迹时序中剔除后生成目标轨迹时序，再针对目标轨迹时序执行层次空间聚类，生成至少一条的轨迹片段，最后基于至少一条的轨迹片段确定待识别目标车牌是否存在套牌车辆。由于本申请通过分析待识别车牌的轨迹时序来确定套牌车辆的轨迹片段，从而提升了套牌车辆识别的准确率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (9)

1.一种套牌车辆的识别方法，其特征在于，所述方法包括：
提取待识别目标车牌在预设时间段内所关联的车辆通行记录集合；
获取所述车辆通行记录集合中各车辆通行记录内的牌照识别时刻；
根据所述获取的牌照识别时刻的先后顺序将所述各车辆通行记录进行排序，生成轨迹时序；
识别所述轨迹时序中所包含的异常时序，并将所述识别的异常时序从所述轨迹时序中剔除后生成目标轨迹时序；其中，所述识别所述轨迹时序中所包含的异常时序，包括：
从所述轨迹时序中抽取第m个车辆通行记录与第n个车辆通行记录；
基于所述第m个车辆通行记录与所述第n个车辆通行记录计算车辆的空间转移速度，并根据所述速度判断所述第m个车辆通行记录与所述第n个车辆通行记录之间的时序是否为异常时序；
当所述第m个车辆通行记录与所述第n个车辆通行记录之间的时序为异常时序时，将所述第m个车辆通行记录与所述第n个车辆通行记录之间的时序确定为异常时序；
继续执行从所述轨迹时序中抽取第m个车辆通行记录与第n个车辆通行记录的步骤，直到所述轨迹时序中相邻车辆通行记录遍历结束；
其中，所述从所述轨迹时序中获取第m个车辆通行记录与第n个车辆通行记录的公式为：m＝k，n＝k+1；其中m、n均指获取的车辆通行记录，k为抽取次数；
针对所述目标轨迹时序执行层次空间聚类，生成至少一条的轨迹片段；
基于所述至少一条的轨迹片段确定所述待识别目标车牌是否存在套牌车辆。
2.根据权利要求1所述的方法，其特征在于，所述基于所述至少一条的轨迹片段确定所述待识别目标车牌是否存在套牌车辆，包括：
从所述至少一条的轨迹片段中识别只有单个车辆通行记录的轨迹片段；
将识别的所述只有单个车辆通行记录的轨迹片段从所述至少一条的轨迹片段中过滤，生成过滤后的至少一条的轨迹片段；
输出所述过滤后的至少一条的轨迹片段；
当输出的所述过滤后的至少一条的轨迹片段中只存在一条轨迹片段时，确定所述待识别目标车牌不存在套牌车辆。
3.根据权利要求2所述的方法，其特征在于，所述当输出的所述过滤后的至少一条的轨迹片段中只存在一条轨迹片段时，确定所述待识别目标车牌不存在套牌车辆，包括：
当输出的所述过滤后的至少一条的轨迹片段中存在多条轨迹片段时，确定所述待识别目标车牌存在多个套牌车辆；
获取所述多个套牌车辆各自对应的车辆通行记录；
将所述多个套牌车辆各自对应的车辆通行记录发送至相关部门进行预警。
4.根据权利要求1所述的方法，其特征在于，所述基于所述第m个车辆通行记录与所述第n个车辆通行记录计算车辆的空间转移速度，并根据所述速度判断所述第m个车辆通行记录与所述第n个车辆通行记录之间的时序是否为异常时序，包括：
计算所述第m个车辆通行记录与所述第n个车辆通行记录的球面或平面距离；
计算所述第n个车辆通行记录与所述第m个车辆通行记录的通行时刻的差值；
将球面或平面距离与通行时刻的差值之间的比值确定为目标车辆空间转移速度；
计算所述第m个车辆通行记录与所述第n个车辆通行记录的空间转移速度的阈值；
当所述目标车辆空间转移速度大于等于所述空间转移速度的阈值时，确定所述第m个车辆通行记录与所述第n个车辆通行记录之间的时序为异常时序；或者，
当所述目标车辆空间转移速度小于所述空间转移速度的阈值时，确定所述第m个车辆通行记录与所述第n个车辆通行记录之间的时序不为异常时序；其中，
所述异常时序判断公式为：
Figure FDA0003903031810000031
Figure FDA0003903031810000032
其中，
Figure FDA0003903031810000033
为第m个车辆通行记录中牌照识别设备的坐标，
Figure FDA0003903031810000034
为第n个车辆通行记录中牌照识别设备的坐标，
Figure FDA0003903031810000035
为第n个车辆通行记录中车辆通行时刻，
Figure FDA0003903031810000036
为第m个车辆通行记录中车辆通行时刻，dis(,)函数给出了点
Figure FDA0003903031810000037
和
Figure FDA0003903031810000038
之间的球面或平面距离，v()函数给出了空间转移速度的阈值。
5.根据权利要求1所述的方法，其特征在于，所述基于所述第m个车辆通行记录与所述第n个车辆通行记录计算车辆的空间转移速度，并根据所述速度判断所述第m个车辆通行记录与所述第n个车辆通行记录之间的时序是否为异常时序，包括：
基于所述第m个车辆通行记录与所述第n个车辆通行记录计算车辆的最短行驶路径；
计算所述车辆的最短行驶路径对应的行程距离；所述行程距离等于所述最短行驶路径包含的所有路段长度的总和；
计算所述第n个车辆通行记录与所述第m个车辆通行记录的通行时刻的差值；
将所述行程距离与所述通行时刻的差值之间的比值确定为目标车辆的空间转移速度；
计算所述第m个车辆通行记录与所述第n个车辆通行记录的空间转移速度的阈值；
当所述目标车辆空间转移速度大于等于所述空间转移速度的阈值时，确定所述第m个车辆通行记录与所述第n个车辆通行记录之间的时序为异常时序；或者，
当所述目标车辆空间转移速度小于所述空间转移速度的阈值时，确定所述第m个车辆通行记录与所述第n个车辆通行记录之间的时序不为异常时序；
所述异常时序判断公式为：
Figure FDA0003903031810000041
Figure FDA0003903031810000042
其中，path(,)函数给出了点
Figure FDA0003903031810000043
和
Figure FDA0003903031810000044
之间的最短行驶路径；
Figure FDA0003903031810000045
为第m个车辆通行记录中牌照识别设备的坐标，
Figure FDA0003903031810000046
为第n个车辆通行记录中牌照识别设备的坐标，
Figure FDA0003903031810000047
为第n个车辆通行记录中车辆通行时刻，
Figure FDA0003903031810000048
为第m个车辆通行记录中车辆通行时刻，dis(path(,))函数给出了点
Figure FDA0003903031810000049
和
Figure FDA00039030318100000410
之间的最短行驶路径的行程距离，v()函数给出了空间转移速度的阈值。
6.根据权利要求1所述的方法，其特征在于，所述基于所述第m个车辆通行记录与所述第n个车辆通行记录计算车辆的空间转移速度，并根据所述速度判断所述第m个车辆通行记录与所述第n个车辆通行记录之间的时序是否为异常时序，包括：
基于所述第m个车辆通行记录与所述第n个车辆通行记录计算车辆的最短行驶路径；
提取所述最短行驶路径上的摄像头数量；
将所述提取的摄像头数量和预设单个摄像头的处罚里程做积后生成做积后的处罚里程；
计算所述车辆最短行驶路径的行程距离；
将所述做积后的处罚里程与所述车辆的最短行驶路径的行程距离做和，生成做和后的值；
计算所述第n个车辆通行记录与所述第m个车辆通行记录的通行时刻的差值；
将所述做和后的值与所述通行时刻的差值作商后生成目标车辆的空间转移速度；
计算所述第m个车辆通行记录与所述第n个车辆通行记录的空间转移速度的阈值；
当所述目标车辆空间转移速度大于等于所述空间转移速度的阈值时，确定所述第m个车辆通行记录与所述第n个车辆通行记录之间的时序为异常时序；或者，
当所述目标车辆空间转移速度小于所述空间转移速度的阈值时，确定所述第m个车辆通行记录与所述第n个车辆通行记录之间的时序不为异常时序；其中，
所述异常时序判断公式为：
Figure FDA0003903031810000051
Figure FDA0003903031810000052
其中，path(,)函数给出了点
Figure FDA0003903031810000053
和
Figure FDA0003903031810000054
之间的最短行驶路径，m()函数为提取了点
Figure FDA0003903031810000055
和
Figure FDA0003903031810000056
之间的最短路径上的摄像头数量，γ为单个摄像头对应的车辆行驶里程的罚值；
Figure FDA0003903031810000057
为第m个车辆通行记录中牌照识别设备的坐标，
Figure FDA0003903031810000058
为第n个车辆通行记录中牌照识别设备的坐标，
Figure FDA0003903031810000059
为第n个车辆通行记录中车辆通行时刻，
Figure FDA00039030318100000510
为第m个车辆通行记录中车辆通行时刻，dis(path(,))函数给出了点
Figure FDA00039030318100000511
和
Figure FDA00039030318100000512
之间的最短行驶路径的行程距离，v()函数给出了空间转移速度的阈值。
7.一种套牌车辆的识别装置，其特征在于，所述装置包括：
通行记录获取模块，用于提取待识别目标车牌在预设时间段内所关联的车辆通行记录集合；
牌照识别时刻获取模块，用于获取所述车辆通行记录集合中各车辆通行记录内的牌照识别时刻；
通行记录排序模块，用于根据所述获取的牌照识别时刻的先后顺序将所述各车辆通行记录进行排序，生成轨迹时序；
异常时序剔除模块，用于识别所述轨迹时序中所包含的异常时序，并将所述识别的异常时序从所述轨迹时序中剔除后生成目标轨迹时序；其中，所述识别所述轨迹时序中所包含的异常时序，包括：
从所述轨迹时序中抽取第m个车辆通行记录与第n个车辆通行记录；
基于所述第m个车辆通行记录与所述第n个车辆通行记录计算车辆的空间转移速度，并根据所述速度判断所述第m个车辆通行记录与所述第n个车辆通行记录之间的时序是否为异常时序；
当所述第m个车辆通行记录与所述第n个车辆通行记录之间的时序为异常时序时，将所述第m个车辆通行记录与所述第n个车辆通行记录之间的时序确定为异常时序；
继续执行从所述轨迹时序中抽取第m个车辆通行记录与第n个车辆通行记录的步骤，直到所述轨迹时序中相邻车辆通行记录遍历结束；
其中，所述从所述轨迹时序中获取第m个车辆通行记录与第n个车辆通行记录的公式为：m＝k，n＝k+1；其中m、n均指获取的车辆通行记录，k为抽取次数；
套牌车辆判定模块，用于针对所述目标轨迹时序执行层次空间聚类，生成至少一条的轨迹片段；
套牌车辆确定模块，用于基于所述至少一条的轨迹片段确定所述待识别目标车牌是否存在套牌车辆。
8.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-6任意一项的方法。
9.一种终端，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-6任意一项的方法。
CN202110402582.6A 2021-04-14 2021-04-14 一种套牌车辆的识别方法、装置、存储介质及终端 Active CN113160565B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110402582.6A CN113160565B (zh) 2021-04-14 2021-04-14 一种套牌车辆的识别方法、装置、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110402582.6A CN113160565B (zh) 2021-04-14 2021-04-14 一种套牌车辆的识别方法、装置、存储介质及终端

Publications (2)

Publication Number Publication Date
CN113160565A CN113160565A (zh) 2021-07-23
CN113160565B true CN113160565B (zh) 2022-12-30

Family

ID=76890476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110402582.6A Active CN113160565B (zh) 2021-04-14 2021-04-14 一种套牌车辆的识别方法、装置、存储介质及终端

Country Status (1)

Country Link
CN (1) CN113160565B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115599836B (zh) * 2022-09-30 2023-06-23 广州天长信息技术有限公司 一种基于时间序列高速公路跨省逃费车辆关联挖掘方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101359332B1 (ko) * 2013-12-05 2014-02-24 (주)엔토스정보통신 불법 주정차 단속을 위한 자동차 번호판 추적 및 인식 방법
CN103914986A (zh) * 2014-03-14 2014-07-09 浙江宇视科技有限公司 一种套牌分析的方法和装置
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
CN108520629A (zh) * 2018-04-09 2018-09-11 天津中兴智联科技有限公司 一种假套牌识别系统及其判断方法
CN110362557A (zh) * 2019-05-27 2019-10-22 华南理工大学 一种基于机器学习和车牌识别数据的缺失路径修复方法
CN111105637A (zh) * 2019-12-27 2020-05-05 智慧互通科技有限公司 一种基于电子标签的违法车辆预警方法及系统
CN111369801A (zh) * 2019-08-27 2020-07-03 杭州海康威视系统技术有限公司 车辆识别方法、装置、设备和存储介质
CN111369805A (zh) * 2020-01-09 2020-07-03 杭州海康威视系统技术有限公司 套牌检测的方法、装置、电子设备及计算机可读存储介质
CN111368868A (zh) * 2019-07-31 2020-07-03 杭州海康威视系统技术有限公司 确定车辆套牌的方法、装置及设备
CN112115946A (zh) * 2020-09-25 2020-12-22 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
CN112309126A (zh) * 2020-10-30 2021-02-02 杭州海康威视数字技术股份有限公司 车牌检测方法、装置、电子设备及计算机可读存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103413440B (zh) * 2013-04-11 2016-04-06 江苏省邮电规划设计院有限责任公司 基于智慧城市数据仓库和识别规则库的套牌车识别方法
KR102463718B1 (ko) * 2017-12-14 2022-11-07 현대자동차주식회사 차량의 위조된 위치정보를 탐지하는 시스템 및 방법
CN110675639B (zh) * 2019-12-03 2020-05-19 武汉中科通达高新技术股份有限公司 基于卡口过车数据分析套牌车所属真牌的方法
CN111078973B (zh) * 2019-12-16 2023-10-20 浙江省北大信息技术高等研究院 基于大数据的套牌车识别方法、设备及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101359332B1 (ko) * 2013-12-05 2014-02-24 (주)엔토스정보통신 불법 주정차 단속을 위한 자동차 번호판 추적 및 인식 방법
CN103914986A (zh) * 2014-03-14 2014-07-09 浙江宇视科技有限公司 一种套牌分析的方法和装置
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
CN108520629A (zh) * 2018-04-09 2018-09-11 天津中兴智联科技有限公司 一种假套牌识别系统及其判断方法
CN110362557A (zh) * 2019-05-27 2019-10-22 华南理工大学 一种基于机器学习和车牌识别数据的缺失路径修复方法
CN111368868A (zh) * 2019-07-31 2020-07-03 杭州海康威视系统技术有限公司 确定车辆套牌的方法、装置及设备
CN111369801A (zh) * 2019-08-27 2020-07-03 杭州海康威视系统技术有限公司 车辆识别方法、装置、设备和存储介质
CN111105637A (zh) * 2019-12-27 2020-05-05 智慧互通科技有限公司 一种基于电子标签的违法车辆预警方法及系统
CN111369805A (zh) * 2020-01-09 2020-07-03 杭州海康威视系统技术有限公司 套牌检测的方法、装置、电子设备及计算机可读存储介质
CN112115946A (zh) * 2020-09-25 2020-12-22 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
CN112309126A (zh) * 2020-10-30 2021-02-02 杭州海康威视数字技术股份有限公司 车牌检测方法、装置、电子设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN113160565A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN110390262B (zh) 视频分析方法、装置、服务器及存储介质
CN112863172B (zh) 高速公路交通运行状态判定方法、预警方法、装置及终端
CN112447041B (zh) 识别车辆的营运行为的方法、装置及计算设备
CN109615853B (zh) 识别高速公路疑似非法营运车辆的方法及设备
CN112447189A (zh) 语音事件检测方法、装置、电子设备及计算机存储介质
CN110517500B (zh) 一种人车关联处理方法及装置
CN111192451B (zh) 车辆到达时间的预测方法、装置、计算机设备及存储介质
CN107993444B (zh) 基于卡口过车大数据分析的嫌疑车认定方法
CN112598192B (zh) 一种车辆进入物流园区的预测方法、装置、存储介质及终端
CN111259444B (zh) 一种融合隐私保护的轨迹数据标签聚类方法
CN112734956B (zh) 一种etc门架确定的方法、装置及存储介质
CN112925820B (zh) 一种车辆偷逃通行费的识别方法、装置及系统
CN101593418A (zh) 嫌疑车辆关联查找方法
CN106297304A (zh) 一种基于MapReduce面向大规模卡口数据的套牌车识别方法
CN108615359B (zh) 一种车辆落脚点分析方法和装置
CN112434260A (zh) 一种公路的交通状态检测方法、装置、存储介质及终端
CN113160565B (zh) 一种套牌车辆的识别方法、装置、存储介质及终端
CN111368617B (zh) 车辆出入数据处理方法及装置
CN111369790B (zh) 过车记录校正方法、装置、设备及存储介质
CN113724493A (zh) 一种流量通道的分析方法、装置、存储介质及终端
CN112801048A (zh) 最优目标图像的识别方法、装置、设备及存储介质
CN110555449B (zh) 用于输出信息的方法和装置
CN111368868A (zh) 确定车辆套牌的方法、装置及设备
CN112950961B (zh) 车流量统计方法、装置、设备和存储介质
CN112182302B (zh) 基于换乘管理的地铁乘车路线溯源方法及装置

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
GR01 Patent grant
GR01 Patent grant