CN113360523A - 基于车辆大数据的多重筛选系统 - Google Patents
基于车辆大数据的多重筛选系统 Download PDFInfo
- Publication number
- CN113360523A CN113360523A CN202011435317.XA CN202011435317A CN113360523A CN 113360523 A CN113360523 A CN 113360523A CN 202011435317 A CN202011435317 A CN 202011435317A CN 113360523 A CN113360523 A CN 113360523A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- database
- data
- characteristic
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012216 screening Methods 0.000 title claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000003032 molecular docking Methods 0.000 claims description 10
- 239000003795 chemical substances by application Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000010006 flight Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000013500 data storage Methods 0.000 claims 1
- 230000006399 behavior Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000005065 mining Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010042635 Suspiciousness Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- 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
Abstract
本发明为基于车辆大数据的多重筛选系统,采集模块采集车辆图片、车辆视频流和过车记录数据;前端数据库将采集模块采集的车辆数据存储和整理,形成特征车辆数据库;后端数据库存储有标准车辆数据库,标准车辆数据库包括有车辆属性信息,及与车辆属性信息对应的人员信息、历史事件信息、物品特征信息;车辆研判模块接收特征车辆数据库,并将特征车辆数据库与后端数据库中的标准车辆数据库进行比对,获得特征车辆数据库对应的信息;实现车辆、车主、关系人、行为特征、事件及社会关系数据的关联碰撞比对,进行实时更新和多角度研判,通过对关键信息的自动提取、检索和分析处理,对待查询目标、待查询事件、待查询行为与区域的实时提醒和分析。
Description
技术领域
本发明涉及人脸识别技术领域,尤其涉及一种基于车辆大数据的多重筛选系统。
背景技术
随着经济的日益发展,车辆数量日趋增多。随着安防技术的发展,公路上设有监控摄像头,采集车辆的行驶数据和信息。目前,大多数采用人工和文档的方式进行车辆大数据分析,随着视频监控点不断增多以及摄像机分辨率的不断提高,视频联网管理平台存储的视频文件越来越多,对快速处理大量视频的需求也越来越迫切。传统的做法是对大量视频线索和待查询目标靠人工进行慢慢甄别,已经无法满足业务的需要。
同时现实中,在各种场景采集的视频图像通常背景复杂、光照不均、分辨率低等情况,这些都给搜索系统带来了很大的困难。越来越多的用户要求能够通过海量录像的分析,达到预测提醒的作用,实现从事后分析向实时布置、事前预测转变。同时,现有的车辆大数据所采用的判断标准单一,应用功能也比较单一,无法进行多维数据碰撞,使得空有数据而无法进行多维不空,所以,需要对数据进行分层级的分析研判,使得目标数据和数据库能够更加精准、快速的匹配,从而实现应用目的。
发明内容
针对上述技术中存在的技术问题,特提出一种基于车辆大数据的多重筛选系统。
具体为一种基于车辆大数据的多重筛选系统,包括:
多个分布在不同地域的采集模块,所述采集模块用于采集车辆图片、车辆视频流和过车记录数据;
前端数据库:用于将所述采集模块采集的车辆数据进行存储和整理,形成特征车辆数据库;
后端数据库:存储有标准车辆数据库,所述标准车辆数据库包括有车辆属性信息,及与车辆属性信息对应的人员信息、历史事件信息、物品特征信息;
车辆研判模块;用于接收特征车辆数据库,并将所述特征车辆数据库与所述后端数据库中的标准车辆数据库进行比对,获得所述特征车辆数据库对应的信息,并基于所述特征车辆数据库进行所述标准车辆数据库的更新;
数据库拓展模块:用于接入其他存储有所述标准车辆数据库的车辆数据。
作为优选,在所述后端数据库中,还存储有市面上各品牌、各车型的未改装和使用时的车辆精准特征,以构建车辆精准特征数据库;所述车辆精准特征包括:车身颜色、车标、车型、款式、子型号、车牌;当所述车辆研判模块接收到所述特征车辆数据库时,将所述特征车辆数据库分别与所述标准车辆数据库和所述车辆精准特征数据库进行比较,当所述特征车辆数据库与所述车辆精准特征数据库的重合度大于设定的第一阈值,且所述特征车辆数据库与所述标准车辆数据库的重合度大于设定的第二阈值时,将所述特征车辆数据库与所述标准车辆数据库相比时得到的新特征加上时间轴进行存储,并将新特征更新至原有的所述标准车辆数据库中,并输出所述标准车辆数据库进行展示。
作为优选,所述标准车辆数据库还包括有车身颜色、车标、车型、款式、子型号、车牌、车检标、遮阳板、挂件、摆件的相对位置信息。
作为优选,所述车辆研判模块中包括有车型识别单元、数据研判单元和对接代理单元;所述车型识别单元采用storm流式架构技术实现海量图片的实时二次识别;所述数据研判单元采用storm架构实现车辆大数据积分分析集群功能;所述对接代理单元用于与工作人员信息资源库对接获取所述标准车辆数据库。
作为优选,所述后端数据库未Orale数据库;所述车辆研判模块还包括有,
分布式检索集群,基于SPARK+SLOR技术,负责进行车型和/或车牌检索的海量索引存储和检索加速,与所述车型识别单元、所述数据研判单元进行数据交互;并提供基于Restful API的开放接口;
客户端,用于输入检索信息,所述分布式检索集群根据所述Orale数据库和所述车型识别单元、所述数据研判单元的对比结果输出研判结果。
作为优选,在所述数据研判单元进行数据比对过程中,构建车辆维度模型,以所述特征车辆数据库为基础形成信息关系网进行数据碰撞形成产生积分规则模型;车辆维度模型的信息关系网和数据碰撞依靠以下规则进行积分研判:车辆属性规则:车辆归属、车辆基本信息车辆时空属性:首次出现、、凌晨出现、深夜出现、频繁进出城、全省高速轨迹信息;异常特征:白天放下遮阳板、描述不符、人员遮挡脸部。
作为优选,在所述数据研判单元进行数据比对过程中还需要构建人员维度模型,人员维度模型的判断特征包括:人员属性:车主基本信息;轨迹信息:旅馆和航班确定活动轨迹、暂住地址。
作为优选,在构建了车辆维度模型和人员维度模型后,所述数据研判单元获取所述标准车辆数据库进行多维度的碰撞分析,碰撞分析包括的车辆特征有:车型维度、车辆类别、车辆颜色、车牌维度、车辆信息标记。
作为优选,在进行多维度的碰撞分析时,将碰撞分析的特征顺序进行以下排序:时间地点过滤、车辆信息标记过滤、车型维度过滤、车辆类别过滤、车辆颜色过滤并进行输出目标车辆对应的所述特征车辆数据库和所述标准车辆数据库。
作为优选,在所述分布式检索集群接收到客户端的检索指令时,对输入的车辆信息进行特征提取建议特征向量模型,更加特征向量模型对比所述标准车辆数据库和所述特征车辆数据库,并输出相似度排序列表,同时展示对应的所述标准车辆数据库和所述特征处理数据库中的子数据。
本发明的有益效果是:本发明为一种基于车辆大数据的多重筛选系统,多个分布在不同地域的采集模块,采集模块用于采集车辆图片、车辆视频流和过车记录数据;前端数据库将采集模块采集的车辆数据进行存储和整理,形成特征车辆数据库;后端数据库存储有标准车辆数据库,标准车辆数据库包括有车辆属性信息,及与车辆属性信息对应的人员信息、历史事件信息、物品特征信息;车辆研判模块接收特征车辆数据库,并将特征车辆数据库与后端数据库中的标准车辆数据库进行比对,获得特征车辆数据库对应的信息,并基于特征车辆数据库进行标准车辆数据库的更新;数据库拓展模块接入其他存储有标准车辆数据库的车辆数据;实现车辆、车主、关系人、行为特征、事件及社会关系数据的关联碰撞比对,进行实时更新和多角度研判,实现车辆的行为轨迹与车辆属性信息、人员信息、历史事件信息、物品等数据的关联挖掘,通过对关键信息的自动提取、检索和分析处理,高效实现对待查询目标、待查询事件、待查询行为与区域的实时提醒和精准分析。
附图说明
图1为本发明的系统架构图;
图2为本发明的数据类型框架图;
图3为本发明的特征车辆数据库类别示意图;
图4为本发明的多维度特征筛选顺序示意图。
主要元件符号说明如下:
1、前端数据库;2、后端数据库;3、车辆研判模块;31、车型识别单元;32、数据研判单元;33、对接代理单元;34、分布式检索集群;35、客户端;4、数据库拓展模块。
具体实施方式
为了更清楚地表述本发明,下面结合附图对本发明作进一步地描述。
系统通过独创大数据研判模型,可将“车辆、车主、车主关系人、车辆行为事件”的特征、行为信息与工作人员信息资源库与车辆库自动比对,对发现的异常行为进行实时提醒和布置。
系统依托海量数据智能挖掘技术和大数据分析算法,系统可整合道路卡口/图片视频资源、工作人员信息库、社会资源信息、互联网高价值信息等,以过车数据为主线,实现车辆的行为轨迹与车辆属性信息、人员信息(车主、关系人)、历史事件信息、物品等数据的关联挖掘,通过对关键信息的自动提取、检索和分析处理,高效实现对待查询目标、待查询事件、待查询行为与区域的实时提醒和精准分析。
通过以下方案进行实现,具体为一种基于车辆大数据的多重筛选系统,请参阅图1,包括:
多个分布在不同地域的采集模块,采集模块用于采集车辆图片、车辆视频流和过车记录数据;多数布置了采集模块的地域都是视频流数据,所以视频数据也是重点分析特征的一种手段;
前端数据库1:用于将采集模块采集的车辆数据进行存储和整理,形成特征车辆数据库;因为以车辆数据和车辆图片为主线,联动工作人员网上业务数据进行“车辆、车主、关系人、行为特征、事件及社会关系数据”,实现全方位的大数据关联串并和碰撞比对,对车辆进行深度挖掘提醒,进一步放大和倍增数据价值;车辆比对均是以特征比对的方式进行研判,所以输出和存储特征是最快捷的方式;
后端数据库2:存储有标准车辆数据库,标准车辆数据库包括有车辆属性信息,及与车辆属性信息对应的人员信息、历史事件信息、物品特征信息;标准车辆数据库的建立一是依赖原有的交通内网车辆数据,二是由前端数据库的反复迭代形成的数据,所以能够在数据采集多的情况下,逐步随着时间轴进行自我迭代和更新;
车辆研判模块3;用于接收特征车辆数据库,并将特征车辆数据库与后端数据库中的标准车辆数据库进行比对,获得特征车辆数据库对应的信息,并基于特征车辆数据库进行标准车辆数据库的更新;在特征车辆数据库中是相对较新的数据,而标准车辆数据库是更加全面的数据,所以在两个不同维度的数据进行交叉检索时,能够展现出原有已经存储的车辆特征和相关信息,从而反馈给客户端准确全面的车辆数据,而特征车辆数据库则将随时间轴变化的特征:如车主、车外形改装、年检标志等更新至标准车辆数据库中,形成实时更新的动态数据模型。
数据库拓展模块4:用于接入其他存储有标准车辆数据库的车辆数据;例如接入工作人员内网、交通内网和各区域停车场的数据。
在本实施例中,请参阅图2-图3,在后端数据库中,还存储有市面上各品牌、各车型的未改装和使用时的车辆精准特征,以构建车辆精准特征数据库;车辆精准特征包括:车身颜色、车标、车型、款式、子型号、车牌;当车辆研判模块接收到特征车辆数据库时,将特征车辆数据库分别与标准车辆数据库和车辆精准特征数据库进行比较,当特征车辆数据库与车辆精准特征数据库的重合度大于设定的第一阈值,且特征车辆数据库与标准车辆数据库的重合度大于设定的第二阈值时,将特征车辆数据库与标准车辆数据库相比时得到的新特征加上时间轴进行存储,并将新特征更新至原有的标准车辆数据库中,并输出标准车辆数据库进行展示。车辆精准特征数据库,就是超过200种品牌3000种车型的精准特征分析-车身颜色、车标、车型、款式、子型号、等;进而实现真牌还原、原形毕露-有效破解传统单纯依赖车牌或车标识别追踪目标车辆的难题,以提高检索准确率;同时车辆信息首先比对的必要特征就是标准车辆数据库中的不易更改的数据,同时随着时间改变也不会有打的改变,所以车辆精准特征是裸车车辆特征,能够直接将所搜索范围减小,只有在满足了第一阈值时,才能够再进行与标准车辆数据库的重合度比对,而标准车辆数据库是实时更新的,所以会存在和采集到的特征车辆数据库完全不相符的特征,如果没有车辆精准特征数据库的预排和限定,则容易出现错排和漏检,而在本方案中,有了前提的保证下,形成了双重比对,那么针对车辆上容易更替、改装的特征(如挂件、年检标志、车辆贴纸等)就可以进行时间轴更新,保证车辆信息的实时准确性,达到检索精准匹配、后续数据标准的效果。多库配合协同的方式,通过采用kafka分布式消息系统,对全网数据流进行高速缓存分发,破解传统数据流以数据库为中心,先存后取再应用,受限于Oracle等传统数据库单机性能瓶颈以及大数据量下读取延迟高的缺点,极大提升布置提醒的时效性,实现布置提醒,秒级响应。
在本实施例中,标准车辆数据库还包括有车身颜色、车标、车型、款式、子型号、车牌、车检标、遮阳板、挂件、摆件的相对位置信息。系统支持车型二次识别功能,通过本应用方案,可以将非结构化车辆图像数据,转化为可准确描述、理解、查询的结构化描述信息,破解了传统单纯依赖车牌或车标识别,难以准确、快速锁定目标车辆及人员的难题。具体有:1、品牌型号识别服务;对提交的图片中的车辆进行品牌型号的识别,识别结果包括厂家品牌(车标,如:本田)、车辆子型号(如:雅阁),能够区分出厂年份的款式还应该包括年份(如:2008款)。2、车身颜色识别服务;对提交的图片中的车辆进行车身的颜色的识别,以判断其为黑、白、蓝、黄(橙)、绿、红((粉、紫)、灰、青色中的哪一种。3、车辆类型识别服务;对提交的图片中的车辆进行车辆类型的识别,以判断其为轿车、面包车、客车、货车、三轮车等等12种车型的哪一种。4、车辆信息比对服务;将图片中识别的信息,与通过车牌号从车管数据库中查询到的车辆信息进行比对,进行假牌、套牌可疑度评价。在车型识别的基础上,即使目标车辆中途更换、篡改、遮挡、拆卸车牌,或使用假牌、套牌,系统也能够基于车辆局部特征唯一性进行分析、识别、提取,在短时间内锁定目标车辆。5、车牌二次识别服务;支持对提交的图片中的车辆进行车牌颜色及车牌号的识别,可有效应对已建卡口相机车牌识别算法准确率低的问题,在后台进行二次识别,保证已建规模化采集模块能最大发挥实际价值。
在本实施例中,车辆研判模块3中包括有车型识别单元31、数据研判单元32和对接代理单元33;车型识别单元31采用storm流式架构技术实现海量图片的实时二次识别;数据研判单元32采用storm架构实现车辆大数据积分分析集群功能;对接代理单元33用于与工作人员信息资源库对接获取标准车辆数据库。后端数据库未Orale数据库;车辆研判模块还包括有,分布式检索集群34,基于SPARK+SLOR技术,负责进行车型和/或车牌检索的海量索引存储和检索加速,与车型识别单元、数据研判单元进行数据交互;并提供基于RestfulAPI的开放接口;客户端35,用于输入检索信息,分布式检索集群根据Orale 数据库和车型识别单元、数据研判单元的对比结果输出研判结果。
在本实施例中,请参阅图2-图3,在数据研判单元进行数据比对过程中,构建车辆维度模型,以特征车辆数据库为基础形成信息关系网进行数据碰撞形成产生积分规则模型;车辆维度模型的信息关系网和数据碰撞依靠以下规则进行积分研判:车辆属性规则:车辆归属、车辆基本信息车辆时空属性:首次出现、凌晨出现、深夜出现、频繁进出城、全省高速轨迹信息;异常特征:白天放下遮阳板、描述不符、人员遮挡脸部。例如通过批量方式和手动方式添加“安全”车辆到可信列表中,对于可信车辆系统将不进行车辆积分规则研判,以提高系统的分析效率,但是会对所有车辆图片进行车型二次分析,保证后续所有车辆的有效真牌还原;把当地城市中持续“朝九晚五”的车辆智能添加到可信车辆列表中,保留系统资源首先研判行为不规律的车辆:通过预设值的车辆积分研判规则,通过对车辆实施积分计算达到红色积分底线(如积分达到120分判定为红色提醒,100为橙色提醒、80为蓝色提醒、40为一般提醒)的车辆信息详细展示。对于系统经过积分研判产生的车辆或者手动布置车辆,系统自动进行提醒,并在电子地图上通过图标闪烁的形式进行提醒。当点击单条报告记录后,系统自动在电子地图上生成车辆的轨迹路线,便于对车辆的运行状态进行实时把握。布置提醒:通过管理人员录入的稽查布置车辆信息产生的实时提醒信息展示。产生提醒信息后,系统提供如下的提醒处理功能,特别是通过手机APP联动界面人员进行对车辆的针对性拦截和排查,实现一次积分提醒的有效闭环。
更优的一个方案中,在数据研判单元进行数据比对过程中还需要构建人员维度模型,人员维度模型的判断特征包括:人员属性:车主基本信息;轨迹信息:旅馆和航班确定活动轨迹、暂住地址。在构建了车辆维度模型和人员维度模型后,数据研判单元获取标准车辆数据库进行多维度的碰撞分析,碰撞分析包括的车辆特征有:车型维度、车辆类别、车辆颜色、车牌维度、车辆信息标记。那么在多个维度独立可检索时,满足在已有车辆照片情况下,依据照片上的车辆局部特征,如车辆内饰、年检标示、车头标示等局部的唯一特征进行快速分析,查找该车辆的行车信息。相对于传统卡口系统只能依靠车牌进行碰撞分析,车辆大数据系统支持多维度的碰撞分析,可在不同的时间和现场过滤筛选具有同一车型和局部特征等的车辆,进而排除干扰,获得待查询车辆影像信息。除了“车脸”特征,车辆大数据系统还可以基于车辆历史数据,可通过时间、地点、车辆积分规则、车型、类别、颜色等的多个维度,层层过滤海量过车数据,辅助工作人员快速缩小待查询车辆范围,进一步对车辆和人员分析挖掘。通过大量数据的积累和变化规律进行深度的信息挖掘,系统可实现为第三方业务系统提供数据支持,帮助决策者和管理者提供有价值的线索信息,进行层层过滤式的待查询车辆挖掘。
在本实施例中,请参阅图4,在进行多维度的碰撞分析时,将碰撞分析的特征顺序进行以下排序:时间地点过滤:通过事件发生地点及时间,当发生多个类似事件时还通过时间以及地点的碰撞分析,查找同时出现的待查询车辆、车辆信息标记过滤:通过19项积分规则,快速排查待查询车辆。过滤待查询车辆、车型维度过滤:根据现场走访或者视频监控知道车辆的品牌、型号等信息后,可输入相关信息,比如大众-桑塔纳,快速过滤待查询车辆、车辆类别过滤:根据现场调查或者视频监控知道车辆的类别后,可通过类别,比如面包车、皮卡、SUV等过滤待查询车辆、车辆颜色过滤并进行输出目标车辆对应的特征车辆数据库和标准车辆数据库。层层迭代、过滤锁定目标车辆信息。
在本实施例中,在分布式检索集群接收到客户端的检索指令时,对输入的车辆信息进行特征提取建议特征向量模型,更加特征向量模型对比标准车辆数据库和特征车辆数据库,并输出相似度排序列表,同时展示对应的标准车辆数据库和特征处理数据库中的子数据。全车以图搜图-通过神经网络+深度学习技术,对车脸进行特征向量建模,实现以图搜图,根据特征向量相似度寻找目标车辆;以特征点作为搜索条件进行搜索,搜索结果以相似度排序。如果不选取特征点,则搜索结果默认以整车相似度进行排序。通过特征向量的以图搜车功能,可以自动识别出车辆凹槽、破损、保险杆凹痕、引擎盖等,通过以图搜图的方式查找相似车辆。
本发明的优势在于:
1、通过车辆大数据系统,可轻松打造城市海量车辆汇聚的数据仓库,可针对不同业务需求提供统计服务-掌握交通热点区域、车辆热点区域、人员活动态势、、车辆品牌统计分布等信息,为二次应用提供数据支撑,帮助系统管理人员掌握系统运行数据;
2、通过多个数据库之间的相互验证,保证数据库的实时准确性和检索快速、准确性;
3、系统根据长期调研所获取的全市一线人员使用习惯,有针对性地对系统进行细节优化,实现以一张图为中心的发散式追踪;
4、将“车辆、车主、车主关系人、车辆行为事件”的特征、行为信息与工作人员信息资源库和车辆库自动比对,对发现的异常行为进行实时提醒。
以上公开的仅为本发明的几个具体实施例,但是本发明并非局限于此,任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (10)
1.一种基于车辆大数据的多重筛选系统,其特征在于,包括:
多个分布在不同地域的采集模块,所述采集模块用于采集车辆图片、车辆视频流和过车记录数据;
前端数据库:用于将所述采集模块采集的车辆数据进行s存储和整理,形成特征车辆数据库;
后端数据库:存储有标准车辆数据库,所述标准车辆数据库包括有车辆属性信息,及与车辆属性信息对应的人员信息、历史事件信息、物品特征信息;
车辆研判模块;用于接收特征车辆数据库,并将所述特征车辆数据库与所述后端数据库中的标准车辆数据库进行比对,获得所述特征车辆数据库对应的信息,并基于所述特征车辆数据库进行所述标准车辆数据库的更新;
数据库拓展模块:用于接入其他存储有所述标准车辆数据库的车辆数据。
2.根据权利要求1所述的基于车辆大数据的多重筛选系统,其特征在于,在所述后端数据库中,还存储有市面上各品牌、各车型的未改装和使用时的车辆精准特征,以构建车辆精准特征数据库;所述车辆精准特征包括:车身颜色、车标、车型、款式、子型号、车牌;当所述车辆研判模块接收到所述特征车辆数据库时,将所述特征车辆数据库分别与所述标准车辆数据库和所述车辆精准特征数据库进行比较,当所述特征车辆数据库与所述车辆精准特征数据库的重合度大于设定的第一阈值,且所述特征车辆数据库与所述标准车辆数据库的重合度大于设定的第二阈值时,将所述特征车辆数据库与所述标准车辆数据库相比时得到的新特征加上时间轴进行存储,并将新特征更新至原有的所述标准车辆数据库中,并输出所述标准车辆数据库进行展示。
3.根据权利要求2所述的基于车辆大数据的多重筛选系统,其特征在于,所述标准车辆数据库还包括有车身颜色、车标、车型、款式、子型号、车牌、车检标、遮阳板、挂件、摆件的相对位置信息。
4.根据权利要求1所述的基于车辆大数据的多重筛选系统,其特征在于,所述车辆研判模块中包括有车型识别单元、数据研判单元和对接代理单元;所述车型识别单元采用storm流式架构技术实现海量图片的实时二次识别;所述数据研判单元采用storm架构实现车辆大数据积分分析集群功能;所述对接代理单元用于与工作人员信息资源库对接获取所述标准车辆数据库。
5.根据权利要求4所述的基于车辆大数据的多重筛选系统,其特征在于,所述后端数据库未Orale数据库;所述车辆研判模块还包括有,
分布式检索集群,基于SPARK+SLOR技术,负责进行车型和/或车牌检索的海量索引存储和检索加速,与所述车型识别单元、所述数据研判单元进行数据交互;并提供基于RestfulAPI的开放接口;
客户端,用于输入检索信息,所述分布式检索集群根据所述Orale数据库和所述车型识别单元、所述数据研判单元的对比结果输出研判结果。
6.根据权利要求5所述的基于车辆大数据的多重筛选系统,其特征在于,在所述数据研判单元进行数据比对过程中,构建车辆维度模型,以所述特征车辆数据库为基础形成信息关系网进行数据碰撞形成产生积分规则模型;车辆维度模型的信息关系网和数据碰撞依靠以下规则进行积分研判:车辆属性规则:车辆归属、车辆基本信息车辆时空属性:首次出现、凌晨出现、深夜出现、频繁进出城、全省高速轨迹信息;异常特征:白天放下遮阳板、描述不符、人员遮挡脸部。
7.根据权利要求6所述的基于车辆大数据的多重筛选系统,其特征在于,在所述数据研判单元进行数据比对过程中还需要构建人员维度模型,人员维度模型的判断特征包括:人员属性:车主基本信息、轨迹信息:旅馆和航班确定活动轨迹、暂住地址。
8.根据权利要求7所述的基于车辆大数据的多重筛选系统,其特征在于,在构建了车辆维度模型和人员维度模型后,所述数据研判单元获取所述标准车辆数据库进行多维度的碰撞分析,碰撞分析包括的车辆特征有:车型维度、车辆类别、车辆颜色、车牌维度、车辆信息标记。
9.根据权利要求8所述的基于车辆大数据的多重筛选系统,其特征在于,在进行多维度的碰撞分析时,将碰撞分析的特征顺序进行以下排序:时间地点过滤、车辆信息标记过滤、车型维度过滤、车辆类别过滤、车辆颜色过滤并进行输出目标车辆对应的所述特征车辆数据库和所述标准车辆数据库。
10.根据权利要求8所述的基于车辆大数据的多重筛选系统,其特征在于,在所述分布式检索集群接收到客户端的检索指令时,对输入的车辆信息进行特征提取建议特征向量模型,更加特征向量模型对比所述标准车辆数据库和所述特征车辆数据库,并输出相似度排序列表,同时展示对应的所述标准车辆数据库和所述特征处理数据库中的子数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011435317.XA CN113360523A (zh) | 2020-12-10 | 2020-12-10 | 基于车辆大数据的多重筛选系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011435317.XA CN113360523A (zh) | 2020-12-10 | 2020-12-10 | 基于车辆大数据的多重筛选系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113360523A true CN113360523A (zh) | 2021-09-07 |
Family
ID=77524536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011435317.XA Pending CN113360523A (zh) | 2020-12-10 | 2020-12-10 | 基于车辆大数据的多重筛选系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113360523A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115116229A (zh) * | 2022-07-02 | 2022-09-27 | 海南师范大学 | 一种智慧交通管控平台装置 |
CN115952314A (zh) * | 2023-03-15 | 2023-04-11 | 潍坊职业学院 | 一种基于数据识别的数据处理系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897677A (zh) * | 2017-02-06 | 2017-06-27 | 桂林电子科技大学 | 一种车辆特征分类检索系统和方法 |
CN107610465A (zh) * | 2017-09-22 | 2018-01-19 | 杭州玳数科技有限公司 | 一种交通监控数据匹配方法、系统及存储设备 |
CN109658698A (zh) * | 2019-01-25 | 2019-04-19 | 合肥市智信汽车科技有限公司 | 一种基于深度学习的机动车违法行驶检测及抓拍方法 |
CN110415511A (zh) * | 2018-04-28 | 2019-11-05 | 杭州海康威视数字技术股份有限公司 | 车辆信息管理方法、装置及存储介质 |
CN110415512A (zh) * | 2018-04-28 | 2019-11-05 | 杭州海康威视数字技术股份有限公司 | 车辆信息管理方法、装置及存储介质 |
CN110415369A (zh) * | 2019-07-26 | 2019-11-05 | 石家庄汉邦科技有限公司 | 一种基于大数据分析研判的绿通车辆查验方法 |
CN111009120A (zh) * | 2019-10-22 | 2020-04-14 | 广州阳光耐特电子有限公司 | 一种车辆综合应用管理系统 |
US20200292322A1 (en) * | 2019-03-11 | 2020-09-17 | Toyota Research Institute, Inc. | Crowdsourcing annotations of roadway information |
CN111814751A (zh) * | 2020-08-14 | 2020-10-23 | 深延科技(北京)有限公司 | 基于深度学习目标检测和图像识别的车辆属性分析方法及系统 |
-
2020
- 2020-12-10 CN CN202011435317.XA patent/CN113360523A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897677A (zh) * | 2017-02-06 | 2017-06-27 | 桂林电子科技大学 | 一种车辆特征分类检索系统和方法 |
CN107610465A (zh) * | 2017-09-22 | 2018-01-19 | 杭州玳数科技有限公司 | 一种交通监控数据匹配方法、系统及存储设备 |
CN110415511A (zh) * | 2018-04-28 | 2019-11-05 | 杭州海康威视数字技术股份有限公司 | 车辆信息管理方法、装置及存储介质 |
CN110415512A (zh) * | 2018-04-28 | 2019-11-05 | 杭州海康威视数字技术股份有限公司 | 车辆信息管理方法、装置及存储介质 |
CN109658698A (zh) * | 2019-01-25 | 2019-04-19 | 合肥市智信汽车科技有限公司 | 一种基于深度学习的机动车违法行驶检测及抓拍方法 |
US20200292322A1 (en) * | 2019-03-11 | 2020-09-17 | Toyota Research Institute, Inc. | Crowdsourcing annotations of roadway information |
CN110415369A (zh) * | 2019-07-26 | 2019-11-05 | 石家庄汉邦科技有限公司 | 一种基于大数据分析研判的绿通车辆查验方法 |
CN111009120A (zh) * | 2019-10-22 | 2020-04-14 | 广州阳光耐特电子有限公司 | 一种车辆综合应用管理系统 |
CN111814751A (zh) * | 2020-08-14 | 2020-10-23 | 深延科技(北京)有限公司 | 基于深度学习目标检测和图像识别的车辆属性分析方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115116229A (zh) * | 2022-07-02 | 2022-09-27 | 海南师范大学 | 一种智慧交通管控平台装置 |
CN115952314A (zh) * | 2023-03-15 | 2023-04-11 | 潍坊职业学院 | 一种基于数据识别的数据处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866123B (zh) | 基于数据模型构建数据图谱的方法及构建数据图谱的系统 | |
CN102187336B (zh) | 用于识别视频档案中的对象的方法 | |
US20060036577A1 (en) | Commercial shape search engine | |
CN113360523A (zh) | 基于车辆大数据的多重筛选系统 | |
Barai | Data mining applications in transportation engineering | |
CN102880692A (zh) | 一种面向检索的监控视频语义描述和检测建模方法 | |
CN102402615B (zh) | 一种基于结构化查询语言语句的源信息追踪方法 | |
CN105138525B (zh) | 交通视频处理装置和方法及检索装置和方法 | |
CN111241305A (zh) | 数据处理方法和装置、电子设备及计算机可读存储介质 | |
CN107862072B (zh) | 基于大数据技术分析车辆入城套牌作案的方法 | |
CN106227788A (zh) | 一种以Lucene为基础的数据库查询方法 | |
EP2735984A1 (en) | Video query method, device and system | |
CN111814751A (zh) | 基于深度学习目标检测和图像识别的车辆属性分析方法及系统 | |
Zhao et al. | An association rule based method to integrate metro-public bicycle smart card data for trip chain analysis | |
CN113470369B (zh) | 一种基于多维度信息判断套牌车辆真实号牌的方法及系统 | |
Herrmann et al. | Using ontologies for dataset engineering in automotive AI applications | |
CN112052405A (zh) | 一种基于司机经验的寻客区域推荐方法 | |
CN112232885A (zh) | 一种基于多模态信息融合的仓租价格预测方法 | |
CN116013084A (zh) | 交通管控场景确定方法、装置、电子设备及存储介质 | |
CN113076308B (zh) | 一种时空大数据服务系统 | |
CN115080636A (zh) | 一种基于网络服务的大数据分析系统 | |
CN111639672B (zh) | 一种基于多数投票的深度学习城市功能区分类方法 | |
CN110415511A (zh) | 车辆信息管理方法、装置及存储介质 | |
CN112651992B (zh) | 一种轨迹追踪方法及系统 | |
CN113239008A (zh) | 一种应急大数据研判系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |
|
RJ01 | Rejection of invention patent application after publication |