CN113470369A - 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 - Google Patents

Abstract

本发明涉及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，所述方法包括：根据实际车辆属性特征信息和登记车辆属性特征信息的相似性比较，得到疑似套牌车辆；获得目标过车数据和疑似套牌车辆的第二预设时间，将疑似套牌车辆的实际车辆属性特征信息和目标过车数据中各目标车辆的实际车辆属性特征信息进行比较，将具有相似比较逻辑结果为“是”的疑似套牌车辆作为嫌疑车辆；根据历史出行频次和放下遮阳板频次判断当前嫌疑车辆是否为套用车牌车辆，若判断逻辑结果为“是”，则将当前嫌疑车辆在第二预设时间内车牌号码作为套牌车辆的真实号牌。本发明能够可快速找出最有可能为套牌车辆的真实号牌，有效降低数据计算量和节省人力，提高效率。

Description

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

技术领域

本发明涉及套用车牌甄别技术领域，具体涉及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。

背景技术

汽车作为一种机动车，其已经成为一种大众化产品，机动车保有量越来越庞大。在国内，机动车保有量已经达到亿量级，截止目前，机动车保有量超过两亿。伴随着道路交通的飞速发展，汽车作为一种便捷的交通运输工具，也保持着继续增长态势。

由于汽车有着便捷性，使用汽车进行盗窃作案也时有发生，导致涉车类案件频发，危害人民群众生命财产安全。而为了逃避侦查打击，作案人员往往套用他人车牌以掩盖自己的真实号牌，躲避执法机关查处和惩罚的同时，还嫁祸他人，扰乱正常社会管理秩序。因此，对应套用他人号牌的套牌车辆的追查有着现实意义。

目前对于套牌车辆研判分析主要基于车辆大数据，通过对车辆的时空信息筛除相关车辆，剩余的车辆作为嫌疑车辆，并对嫌疑车辆再进行线下人工追踪排查分析。但通过时空信息筛除相关车辆存在固有缺陷，被套牌车辆与套牌车辆同时出现的概率较低，从而时空信息筛除往往只能把极少数车辆排除，还剩余大量的嫌疑车辆。另外，即便分析嫌疑车辆存在套牌行为，也无法区分套牌车辆和被套牌车辆，套牌车辆的真实车牌信息仍难以及时掌握。

此外，一个城市特别是一线城市，汽车保有量是巨大的，一般城市卡口采集的每日过车数据量达几百万之多，一线城市卡口采集的日过车数据超千万，在每日全部海量的过车数据中查询相似特征属性车辆的过车记录，带来的车辆大数据(主要是卡口拍摄的过车数据)的数据量级是惊人的，通过大数据分析，计算量非常巨大，需要消耗大量的算力支撑。同时，卡口设备受外部道路环境、设备运维不到位等因素的干扰严重影响对车辆号牌、车型、车辆颜色等属性特征的识别准确度，即使按照国家规范要求日间车牌号码识别准确度要求达到95％以上，对于千万级别过车辆的城市而言，每日会有50万过车记录的车牌号码等属性特征会误识别，严重影响对隐匿套牌车辆的数据挖掘分析准确性、有效性。为此，希望能够更好筛查出嫌疑车辆并且准确找到套牌车辆的真实号牌，以减少计算量提高识别真实号牌速度。

发明内容

针对现有技术的不足，本发明的目的之一提供一种基于多维度信息判断套牌车辆真实号牌的方法，其能够解决判断套牌车辆的真实号牌的问题；

本发明的目的之二提供一种基于多维度信息判断套牌车辆真实号牌的系统，其能够解决判断套牌车辆的真实号牌的问题；

实现本发明的目的之一的技术方案为：一种基于多维度信息判断套牌车辆真实号牌的方法，包括以下步骤：

获得当前车辆的实际车辆属性特征信息和当前车辆的登记车辆属性特征信息；

实际车辆属性特征信息和登记车辆属性特征信息进行相似性比较，将相似性比较逻辑结果为“是”的当前车辆作为疑似套牌车辆；

获得目标过车数据和疑似套牌车辆的第二预设时间，第二预设时间表征疑似套牌车辆未被拍摄记录时间之外的指向疑似使用套牌车辆事件案发前后时间内的其余时间，

将疑似套牌车辆的实际车辆属性特征信息和目标过车数据中各目标车辆的实际车辆属性特征信息进行比较，将具有相似比较逻辑结果为“是”的疑似套牌车辆作为嫌疑车辆；

获得嫌疑车辆在指向疑似使用套牌车辆事件案发前的历史出行频次和放下遮阳板频次，历史出行频次表征嫌疑车辆案发前出现在指向疑似使用套牌车辆事件案发地的频繁程度，放下遮阳板频次表征嫌疑车辆在案发前处于预定义特定环境放下遮阳板的频繁程度，

根据历史出行频次和放下遮阳板频次判断当前嫌疑车辆是否为套用车牌车辆，若判断逻辑结果为“是”，则将当前嫌疑车辆在第二预设时间内车牌号码作为套牌车辆的真实号牌。

进一步地，所述获得当前车辆的实际车辆属性特征信息和当前车辆的登记车辆属性特征信息，其具体实现包括以下步骤：

获得第一卡口过车数据，第一卡口过车数据表征从指向疑似使用套牌车辆事件案发地离开之后所拍摄到的过车数据，第一卡口过车数据包括过车图片和车牌号码，对过车图片进行二次识别解析，得到表征当前车辆特征的实际车辆属性特征信息，

根据车牌号码查询当前车辆的车辆登记信息，车辆登记信息包括表征当前车辆登记时车辆特征的登记车辆属性特征信息，从而得到当前车辆的登记车辆属性特征信息。

进一步地，所述第一卡口过车数据为案发时段的第一预设时间的卡口过车数据。

进一步地，所述实际车辆属性特征信息和登记车辆属性特征信息中的车辆属性特征为多个，实际车辆属性特征信息和登记车辆属性特征信息中相同的车辆属性特征记为相同类型车辆属性特征，所有的相同类型车辆属性特征构成相同类型车辆属性特征集合，

将相同类型车辆属性特征集合中的至少一个相同类型车辆属性特征进行相似性比较，将相似性比较逻辑结果为“是”的当前车辆作为疑似套牌车辆。

进一步地，所述将相同类型车辆属性特征集合中的至少一个相同类型车辆属性特征相似性比较，其具体实现过程包括：

按公式③计算出相似度f，相似度f与预设相似度阈值大小比较，相似度f＜预设相似度阈值，则相似性比较逻辑结果为“是”：

w_k表示实际车辆属性特征信息中第k个相同类型车辆属性特征的预设分值，w′_k表示登记车辆属性特征信息中第k个相同类型车辆属性特征的预设分值，ω_k表示第k个相同类型车辆属性特征的权重，m表示相同类型车辆属性特征集合中选择的相同类型车辆属性特征总个数。

进一步地，相同类型车辆属性特征的权重根据以下公式计算得到：

式中，r_k表示第k-1个车辆属性特征相对于第k个车辆属性特征的重要性程度，为常数。

进一步地，所述获得目标过车数据和疑似套牌车辆的第二预设时间，其具体实现过程如下：

以指向疑似使用套牌车辆事件案发时间为中心的前后若干时间作为疑似套牌车辆的初始活动时间，

在所述初始活动时间范围内，查找出疑似套牌车辆首次出现时间和最后一次出现时间，将首次出现时间至最后一次出现时间的时间段作为疑似套牌车辆的可疑活动时间范围，

在所述初始活动时间内除去可疑活动时间范围的剩余时间作为第二预设时间。

进一步地，所述目标过车数据为预设目标区域内的所有卡口的过车数据，预设目标区域覆盖指向疑似使用套牌车辆事件案发地及从案发地离开道路。

进一步地，根据历史出行频次和放下遮阳板频次判断若判断逻辑结果为“是”的当前嫌疑车辆后，还包括以下步骤：

将逻辑结果为“是”的当前嫌疑车辆与历史涉案车辆数据库中的车辆进行相似性比较，相似比较结果为“是”的当前嫌疑车辆作为最终的嫌疑车辆，将最终的嫌疑车辆在第二预设时间内车牌号码作为套牌车辆的真实号牌。

实现本发明的目的之二的技术方案为：一种基于多维度信息判断套牌车辆真实号牌的系统，包括：

数据读取模块，用于读取当前车辆的实际车辆属性特征信息、登记车辆属性特征信息、目标过车数据、疑似套牌车辆的第二预设时间、嫌疑车辆在指向疑似使用套牌车辆事件案发前的历史出行频次和放下遮阳板频次，

计算判断模块，用于实际车辆属性特征信息和登记车辆属性特征信息进行相似性比较，将相似性比较逻辑结果为“是”的当前车辆作为疑似套牌车辆，

以及将疑似套牌车辆的实际车辆属性特征信息和目标过车数据中各目标车辆的实际车辆属性特征信息进行比较，将具有相似比较逻辑结果为“是”的疑似套牌车辆作为嫌疑车辆，

以及根据历史出行频次和放下遮阳板频次判断当前嫌疑车辆是否为套用车牌车辆，若判断逻辑结果为“是”，则将当前嫌疑车辆在第二预设时间内车牌号码作为套牌车辆的真实号牌。

本发明的有益效果为：本发明能够很好地当发生涉车类案件后，在没有明确具体线索情况下，可从大量的过车数据中找出最有可能为套牌车辆的真实号牌，并且在此过程中，并不需要先确定哪辆车为套牌车辆后再根据此套牌车辆去追踪而得到真实号牌，可以有效降低数据计算量和人力。

附图说明

图1为实施例一的流程示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

实施例一

参考图1，图1给出了实现基于多维度信息判断套牌车辆真实号牌的方法的过程框架，更具体的，包括以下步骤：

步骤1：以涉车类案件的案发地为中心，根据道路的路网结构，分析出能够从案发地离开的所有道路，并获得这些道路的卡口信息，将所有卡口在涉车类案件的案发时间之后的第一预设时间内的所有过车数据进行汇集，得到涉车类案件案发后的第一卡口过车数据。第一卡口过车数据包括过车时间、过车位置所在经纬度、过车图片和车牌号码等。

此处的案件并不局限于是指法律意义上的事件，而是泛指概念下的事件。

大多数情况下，作案车辆会采用套牌车牌，即套用他人车牌号码。采用他人车牌号码的套牌车辆会从案发地离开并被卡口所拍摄到，也即第一卡口过车数据中大概率是包括套牌车辆的过车数据，这是符合实际情况的。

其中，涉车类案件通常是指经过官方(例如警方)初步认定为采用套牌车辆作案的事件，例如盗窃案件。当然也可以是作为民间(例如公司)认定的事实上已发生的相关事件，该事件涉及到套用车牌。

卡口可以是指任何具有抓拍功能的站点，包括市区内各个道路上的电子拍照点以及高速公路上的出入口、服务站、检查站、临时检查点等，只要能够拍摄到车辆并且记录了拍摄时间、拍摄位置、拍摄图片等的站点即可。

其中，案发时间之后的第一预设时间可以根据实际需要进行调整，例如，涉车类案件发生时间是某一天的上午9点，可以将当天的9点之后至下午2点的这段时间作为第一预设时间。第一预设时间的时间跨度越大，则获得的第一卡口过车数据越大，需要筛查的车辆越多，同时也越能包含套牌车辆；反之，则第一卡口过车数据越小，则包含套牌车辆的概率也越小。在绝大多数情况下，第一预设时间内的第一卡口过车数据是包括套牌车辆的过车数据，也即在该时间内，套牌车辆是大概率能够被卡口所拍摄记录到的。

步骤2：基于获取到的第一卡口过车数据，对第一卡口过车数据中的过车图片进行二次识别解析，得到实际车辆的二次识别信息，二次识别信息包括车牌号码、车型、车辆颜色、车牌颜色、车辆品牌、年检标识数量、遮阳板状态等车辆属性特征信息，遮阳板状态包括放下和收起，遮阳板包括主副驾驶位置上的两个遮阳板。其中，二次识别信息得到的车辆属性特征信息记为实际车辆属性特征信息，也即表征卡口实际拍摄到过车图片后被识别解析出的车辆属性特征信息，包括车牌号码、车型、车辆颜色、车牌颜色、车辆品牌、年检标识数量、遮阳板状态等。同时，将该车辆记为实际车辆，也即是卡口拍摄到有过车记录的所有车辆。

步骤3：根据实际车辆的车牌号码，查找该车牌号码在车管所(车辆管理法定单位)的车辆登记信息，车辆登记信息包括登记的车牌号码、车型、车辆颜色、车牌颜色、车辆品牌等车辆属性特征信息，并建立车辆基础档案库，同时将车辆登记信息所记录的车辆属性特征信息记为登记车辆属性特征信息。其中，正常情况下，每一辆实际车辆有对应的一个车牌号码，每一个车牌号码在车管所有对应的车辆登记信息。除非过车数据所拍摄到的车牌号码为假的车牌号码或者二次识别解析失败而无法得到车牌号码。

正常情况下，由于实际车辆属性特征信息包括了年检标识数量和遮阳板状态，登记车辆属性特征信息少于实际车辆属性特征信息。除年检标识数量和遮阳板状态之外，其余的车辆属性特征信息是相同且一一对应的，相同的车辆属性特征信息认为是相同类型的车辆属性特征信息。例如，实际车辆属性特征信息中的车辆颜色与登记车辆属性特征信息中的车辆颜色认为是相同类型的车辆属性特征信息。

本步骤中，默认套牌车辆的套牌号码是真实的车牌号码，也即套牌车辆只是套用别人的车牌号码或者套用还未实际使用但已备案合法的真实车牌号码，但套用的车牌号码是真实的，从而可以根据套牌号码在车管所查找出车辆登记信息。若套牌号码不是真实车牌号码，在车管所无法查找出该套牌号码，也即车管所未有该套牌号码登记信息。

在实际中，基本上套用车牌的都是使用真实的他人的车牌号码，若使用假的套牌号码是很容易被交警或电子警察所实时识别出来，因此，使用假的套牌号码的套牌车辆没有必要判断其真实号牌，现有技术足够快速甄别出来。

步骤4：筛选出实际车辆属性特征信息与登记车辆属性特征信息相同的车辆属性特征，得到相同类型车辆属性特征集合。将相同类型车辆属性特征集合中的各个车辆属性特征按重要程度由高到低进行排序。假设相同类型车辆属性特征集合中共有m个车辆属性特征，则对相同类型车辆属性特征集合中的车辆属性特征进行排序后如下：

{x₁,x₂,…,x_k,…,x_m}，2≤k≤m

其中，排序后的第k个车辆属性特征记为x_k，对应的权重系数为ω_k，m表示相同类型车辆属性特征集合中共有m个车辆属性特征。

相邻两个车辆属性特征的权重系数的关系如公式①和②所示，并根据公式公式①和②计算得到相同类型车辆属性特征集合中各个车辆属性特征的权重系数：

ω_k-1＝r_k*ω_k ------①

式中，r_k表示第k-1个车辆属性特征相对于第k个车辆属性特征的重要性程度，其取值为大于1的常数，可根据实际需要进行调整设置。本实施例中，r_k的取值如下表：

r<sub>k</sub>	赋值说明
		1	x<sub>k-1</sub>与x<sub>k</sub>具有同等重要性
1.2	x<sub>k-1</sub>比x<sub>k</sub>稍微重要
		1.4	x<sub>k-1</sub>比x<sub>k</sub>明显重要
1.6	x<sub>k-1</sub>比x<sub>k</sub>强烈重要
		1.8	x<sub>k-1</sub>比x<sub>k</sub>极端重要

其中，r₁可以预先设置，即事先将重要程度最高的车辆属性特征与次重要程度最高的车辆属性特征的权重比值，相当于作为初始值计算后续的r_k。

本实施例中，相同类型车辆属性特征集合为{车牌号码、车型、车辆颜色、车牌颜色、车牌品牌}。

步骤5：分别对实际车辆属性特征信息、登记车辆属性特征信息中的相同类型车辆属性赋予属性特征指标分值。其中，实际车辆属性特征信息第k个属性特征指标分值记为w_k,登记车辆属性特征信息第k个属性特征指标分值记为w′_k。例如，在本实施例中，实际车辆属性特征信息、登记车辆属性特征信息中的相同类型车辆属性包括车牌号码、车型、车辆颜色、车牌颜色、车牌品牌。w₂表示实际车辆属性特征信息中车型的属性特征指标分值，w′₂表示登记车辆属性特征信息中车型的属性特征指标分值。

根据实际车辆属性特征信息、登记车辆属性特征信息中的相同类型车辆属性的属性特征指标分值按公式③计算出实际车辆和登记车辆的相似度f:

根据公式③计算出每一辆实际车辆与之对应的登记车辆的相似度f，从而得到每一辆实际车辆对应的相似度f。

根据计算出的相似度f与预设相似度阈值进行比较，根据比较结果确定该实际车辆是否为疑似套牌车辆，从而得到疑似套牌车辆集合。也即，若相似度f小于预设相似度阈值，则认为实际车辆与登记车辆不相似，该实际车辆有套牌嫌疑，故作为疑似套牌车辆。

本实施例中，若相似度f＜预设相似度阈值，则将该实际车辆作为疑似套牌车辆，反之，则将该实际车辆作为正常车辆。相似度小于预设相似度阈值，也即表示该实际车辆与登记车辆的车辆相差较大(相似度小)，从而该实际车辆有可能是套牌车辆。将每一个实际车辆按公式③计算其对应的相似度f，从而得到每一辆实际车辆对应的相似度f，从而可以确定过车数据中哪些车辆为疑似套牌车辆，哪些属于正常车辆(即没有套用车牌嫌疑的车辆)，从而能够从大范围的第一卡口过车数据中比较准确的筛选出疑似套牌车辆，以便在疑似套牌车辆中再找出套牌车辆的真实号牌。

步骤6：以所述涉车类案件的案发时间为中心的前后各若干时间内作为疑似套牌车辆的初始活动时间。例如，以前后各12小时作为初始活动时间，也即，假设涉车类案件的案发时间为上午9点，则将前一天的晚上9点至当天的晚上9点之间的这个时间段作为疑似套牌车辆的初始活动时间。在所述初始活动时间范围内，查找出疑似套牌车辆集合中各个疑似套牌车辆各自的首次出现时间和最后一次出现时间，将首次出现时间至最后一次出现时间的时间段作为疑似套牌车辆的可疑活动时间范围。由于疑似套牌车辆集合中各个疑似套牌车辆的首末出现时间均不同，因此，每一辆疑似套牌车辆均有自身对应的可疑活动时间范围。

然后，在所述初始活动时间内除去可疑活动时间范围的剩余时间作为第二预设时间，从而得到每一辆疑似套牌车辆对应的第二预设时间。

步骤7：获取预设目标区域内的所有卡口的过车数据，得到第二卡口过车数据，第二卡口过车数据同样包括过车时间、过车位置所在经纬度、过车图片和车牌号码等过车信息。预设目标区域可以根据实际情况进行调整，预设目标区域的区域范围可以大于步骤1中的所有道路覆盖的区域。例如，预设目标区域可以设置为所述涉车类案件所在地的市辖区或整个市区。

根据每一辆疑似套牌车辆对应的第二预设时间，在第二卡口过车数据中查找出位于第二预设时间内与疑似套牌车辆的车牌号码不一致且与疑似套牌车辆相似的其他车辆，查找出的相似车辆作为嫌疑车辆。将所有疑似套牌车辆各自查找出的嫌疑车辆构成嫌疑车辆集合。

其中，判断疑似套牌车辆与其他车辆是否相似同样通过所述公式③得到，也即通过判断疑似套牌车辆与其他车辆的车辆属性特征的相似度来判断两车辆的相似度。不过注意的是，此时比较相似的两个车辆的相同类型车辆属性特征还包括年检标识数量、遮阳板状态等。

例如，假设步骤5得到的疑似套牌车辆集合中包含3辆车，分别记为车辆A、车辆B、车辆C，车辆A、车辆B、车辆C的第二预设时间依次为TA、TB、TC。在TA时间内，从第二卡口过车数据中找出与车辆A车牌不一致但与车辆A相似的车辆，假设能够查找出且该相似车辆记为XA，则车辆XA作为嫌疑车辆。同样的，假设车辆B未找出与之相似的车辆，车辆C的相似车辆为XC，则最终的嫌疑车辆集合包括车辆XA和车辆XC。

在本步骤中，通常套牌车辆在涉车类案件作案后会在一定的时间范围内更换为其真实车牌。例如，多数涉车盗窃案件发生在夜间，套牌车辆趁着夜色掩护，连夜转移赃物，然后在白天更换回真实车牌，从而能够通过研判前后时间内具有相同车辆属性特征但车牌不同的车辆挖掘出套牌车辆的真实车牌。

步骤8：遍历嫌疑车辆集合，获取每一辆嫌疑车辆在所述涉车类案件的案发地的历史出行频次，历史出行频次表征嫌疑车辆在案发前的若干时间段内出现的次数，案发前的若干时间段可以预设，即案发前预设时间。涉案车辆在实施涉车类案件(如盗窃案件)之前通常是会多次进行临时踩点，而正常车辆(即不是作案车辆)的出行通常较为规律，不会多次出现在案发地进行踩点，因此在案发前涉案车辆出现在案发地是大概率的，可以通过历史出行频次反映出来。同时，还获取每一辆嫌疑车辆在案发前预设时间内处于夜间或光线不足时放下遮阳板频次，放下遮阳板是指将遮阳板从收纳状态打下而能够遮挡光照(阳光、灯光)的状态，放下遮阳板频次表征了驾驶嫌疑车辆的驾驶人员或副驾驶的司乘人员放下遮阳板的频繁程度。

在一个可选的实施例中，放下遮阳板的频次为主驾驶位的遮阳板放下频次或副驾驶位的遮阳板放下频次或主副驾驶位遮阳板放下总频次。

通常正常车辆行驶在白天强光照射影响驾驶视线时放下遮阳板，夜间光线较差时收起遮阳板，而作案人员(如盗窃而套用他人车牌的人员)为躲避卡口抓拍其面部特征，即使在夜间或光线不足的环境也会放下遮阳板，因此查询上述嫌疑套牌车辆在案犯地点夜间行车卡口抓拍记录中放下遮阳板的频次，可以很好地判断是否为套牌车辆。

步骤9：赋予嫌疑车辆的历史出行频次的分值和权重，以及遮阳板放下频次的分值和权重，对嫌疑车辆的历史出行频次和遮阳板频次的分值进行加权平均，得到加权平均结果，将加权平均结果与频次特征预设阈值进行比较，若加权平均结果≥频次特征预设阈值，则将加权平均结果对应的嫌疑车辆作为所述涉车类案件作案所用的套牌车辆。其中，频次特征预设阈值是预设的常数，用于表征包括历史出行频次和放下遮阳板频次在内的频繁程度。

将嫌疑车辆在初始活动时间活动的车牌号码作为套牌车辆的真实号牌，从而完成判断套牌车辆的真实号牌。

在一个可选的实施方式中，根据加权平均结果获得涉车类案件作案所用的套牌车辆后，将套牌车辆与包括盗窃等案件的历史涉案车辆数据库进行车辆相似度比对，若历史涉案车辆数据库中存在与套牌车辆相似的车辆，则在加权平均结果的基础上再增加历史涉案车辆比中分值，得到最终结果，若该结果超过预设阈值，则将该套牌车辆作为最终套牌车辆。然后，将最终套牌车辆在第二预设时间内活动的车牌号码作为套牌车辆的真实号牌，从而完成判断套牌车辆的真实号牌。

相比于现实中，当发生涉车类案件后，在没有明确具体线索情况下，需要找到套牌车辆以及套牌车辆的真实号牌往往是大海捞针，毫无头绪，费时费力，而且效果也不理想。而本实施例正好能够从大量的过车数据中找出最有可能为套牌车辆的真实号牌，并且在此过程中，并不需要先确定哪辆车为套牌车辆后再根据此套牌车辆去追踪而得到真实号牌，可以有效降低数据计算量和人力。因为，在现实中，涉车类案件发生后，往往不能确定哪辆车辆作为作案的套牌车辆，无法先根据套牌车辆来持续跟踪而获得该套牌车辆的真实号牌。但套牌车辆是大概率混迹在过车数据中，可以从过车数据中筛选出更换过车牌号码的车辆，从而可以筛选出套牌车辆的真实号牌。

以下例举一案例，以有助于上述过程的理解。

假设某某盗窃案件为涉车类案件，其案发地为A，案发时间为7月25日上午9点。

步骤1：以案发地A为中心，查找出从案发地可离开的所有道路以及这些道路的所有卡口，获得所有这些卡口在25日上午9点之后的3小时内的所有过车数据，即将第一预设时间限定为7月25日上午9点至12点之间，从而获得第一卡口过车数据，且假设第一卡口过车数据包括10辆车，具体的，第一卡口过车数据为{a1,a2,a3,a4,a5,a6,a7,a8,a9,a10}。

步骤2：基于第一卡口过车数据对每一辆车辆进行二次识别解析，得到这10辆车作为实际车辆的二次识别信息，包括车牌号码、车型、车辆颜色、车牌颜色、车辆品牌、年检标识数量、遮阳板状态等车辆属性特征信息。

步骤3：根据{a1,a2,a3,a4,a5,a6,a7,a8,a9,a10}这10辆车各自的车辆号码，查找出这10辆车各自的车辆登记信息，车辆登记信息包括登记的车牌号码、车型、车辆颜色、车牌颜色、车辆品牌等车辆属性特征信息。

步骤4：筛选出{a1,a2,a3,a4,a5,a6,a7,a8,a9,a10}这10辆车的二次识别信息和车辆登记信息相同类型车辆属性特征，得到相同类型车辆属性特征集合。假设此10辆车二次识别信息和车辆登记信息仅包括5个相同类型车辆属性特征，具体为{车牌号码、车型、车辆颜色、车牌颜色、车牌品牌}。且车辆属性特征按重要程度由高到底排序后也是{车牌号码、车型、车辆颜色、车牌颜色、车牌品牌}，则按车辆属性特征进行排序后的相同车辆属性特征集合为{x1、x2、x3、x4、x5}。X1表示车牌号码，X2表示车型，X3表示车辆颜色，X4表示车牌颜色，X5表示车牌品牌。

并假设x1比x2稍微重要、x2比x3明显重要，x3比x4强烈重要，x4比x5极端重要。因此，有r2＝1.2,r3＝1.4,r4＝1.6,r5＝1.8。然后根据公式①和②计算出ω₁-ω₅。假设计算出的结果为ω₁＝0.1，ω₂＝0.2，ω₃＝0.3，ω₄＝0.4，ω₅＝0.5。

步骤5：分别对实际车辆属性特征信息、登记车辆属性特征中的{x1、x2、x3、x4、x5}赋予分值。以车辆a1为例，其实际车辆属性特征信息中的{x1、x2、x3、x4、x5}分值依次记为w₁、w₂、w₃、w₄、w₅，对应的分值依次为60、62、73、70、85。登记车辆属性特征中的{x1、x2、x3、x4、x5}分值依次记为w`<sub>1</sub>、w`₂、w`<sub>3</sub>、w`₄、w`₅，对应的分值依次为62、58、70、72、80。则根据公式③计算出实际车辆a1与对应登记车辆的相似度f1：

f1＝0.1*|60-62|+0.2*|62-58|+0.3*|73-70|+0.4*|70-72|+0.5*|85-80|

通过上式计算得到f1＝5.2。同样的，假设通过公式③计算出其余9辆车的相似度f依次为f2＝4.8、f3＝5.6、f4＝5.5、f5＝6、f6＝6.8、f7＝4.7、f8＝8、f9＝5.4、f10＝7.6。

并且预设相似度阈值设置为5.5，则将此10辆实际车辆各自的相似度f分别与预设相似度阈值进行大小比较，将小于预设相对阈值对应的实际车辆作为疑似套牌车辆，从而得到疑似套牌车辆集合。根据上述比较，得到的疑似套牌车辆集合为{a1,a2,a7,a9}，从原先的10辆实际车辆中筛选出4辆实际车辆作为疑似套牌车辆。

步骤6：以案发时间7月25日上午9点为中心的前后12小时作为疑似套牌车辆集合{a1,a2,a7,a9}的初始活动时间，因此，疑似套牌车辆集合{a1,a2,a7,a9}的初始活动时间为7月24日晚上9点至7月25日晚上9点之间。在初始活动时间内，查找出{a1,a2,a7,a9}这4辆车各自首次和最后一次出现时间，将此时间段作为各自疑似套牌车辆的可疑活动时间范围。以疑似套牌车辆a1为例，假设车辆a1的首次出现时间是7月25早上6点，最后一次出现时间是7月25日下午6点。则疑似套牌车辆a1的可疑活动时间范围为7月25早上6点至下午6点的12个小时。同样的，其余3辆疑似套牌车辆也有各自的可疑活动时间范围。

在初始活动时间内除去可疑活动时间范围的剩余时间作为第二预设时间，因此，疑似套牌车辆a1的第二预设时间为7月24日晚上9点至7月25日早上6点、7月25日下午6点至晚上9点，也即第二预设时间是不连续的两个时间片段。同样的，其余3辆疑似套牌车辆也有各自的可疑活动时间范围，也即对应的第二预设时间。

步骤7：预设目标区域设置为案发地所在的整个市辖区内所有卡口在初始活动时间内的过车数据，得到第二卡口过车数据。假设第二卡口过车数据在初始活动时间内共有5辆车，具体为{b1,b2,b3,b4,b5}。

继续以疑似套牌车辆a1为例，在疑似套牌车辆a1的第二预设时间内，查找出与疑似套牌车辆a1的车牌号码不一致，但与疑似套牌车辆a1相似的车辆，假设车辆{b1,b2,b3,b4,b5}中均与疑似套牌车辆a1的车牌号码不一致，但车辆b1和b3均与疑似套牌车辆a1相似，即车辆b1和b3均与车辆a1根据公式③判断两车辆相似，从而得到疑似套牌车辆a1的嫌疑车辆集合{b1,b3}。同样的，也得到另外3辆疑似套牌车辆{a2,a7,a9}各自的嫌疑车辆集合。然后将所有疑似套牌车辆的嫌疑车辆集合合并为一个大的嫌疑车辆集合。假设疑似套牌车辆a2的嫌疑车辆集合为{b1,b2}，疑似套牌车辆a7的嫌疑车辆集合为{b3,b5}，疑似套牌车辆a9的嫌疑车辆集合为{b1,b3},则最终得到的嫌疑车辆集合为{b1,b2,b3,b5}。

步骤8：遍历嫌疑车辆集合{b1,b2,b3,b5}内每一辆嫌疑车辆，查询嫌疑车辆在案发地历史出行频次和嫌疑车辆在案发前的预设时间内处于夜间或光线不足环境放下遮阳板的频次。以嫌疑车辆b1为例，假设嫌疑车辆b1在案发地的历史出行频次为6，即表示嫌疑车辆b1在案发前共6次出现在案发地，也即表征6次踩点。嫌疑车辆b1在案发前的3个小时内放下遮阳板频次为15。该放下遮阳板频次可以为主驾驶位置上放下遮阳板的频次或副驾驶位置上放下遮阳板的频次或主副驾驶放下遮阳板的总频次。

步骤9：赋予嫌疑车辆的历史出行频次的分值和权重，以及遮阳板放下频次的分值和权重，对嫌疑车辆的历史出行频次和遮阳板频次的分值进行加权平均，得到加权平均结果。并对加权平均结果和预设的频次特征预设阈值进行比较，频次特征预设阈值是一个常数，可根据实际情况进行调整。若加权平均结果≥频次特征预设阈值，说明该嫌疑车辆有较大概率即是该涉车类案件的套牌车辆(即作案车辆)，且该套牌车辆已换回真实车牌，从而将该嫌疑车辆的车牌号码作为套牌车辆的真实号牌，也即将此时卡口拍摄到的嫌疑车辆的车牌号码作为套牌车辆的真实号牌。

当然，若有多辆(两辆以上)嫌疑车辆均满足上述加权平均结果≥频次特征预设阈值的条件，则满足条件的这些嫌疑车辆均作为套牌车辆，即将这些嫌疑车辆的车牌号码作为套牌车辆的真实号牌。但在现实中，出现多辆嫌疑车辆满足上述条件的概率是较低的，原因在于通常正常车辆是不会更换车牌的，只有作案车辆(套牌车辆)才会更换车牌进行套牌。

当然，实际使用时，也可以将满足加权平均结果≥频次特征预设阈值的条件的这些嫌疑车辆再进一步筛选，判断这些嫌疑车辆与历史涉案车辆数据中的车辆是否相似，只有相似的嫌疑车辆作为最终涉车类案件的套牌车辆。也即表明这些套牌车辆不是第一次牵连到涉车类案件，而是多次，以进一步提高判断为套牌车辆的真实号牌的准确性。

实施例二

本实施例提供实现一种基于多维度信息判断套牌车辆真实号牌的系统，包括：

数据读取模块，用于读取当前车辆的实际车辆属性特征信息、登记车辆属性特征信息、目标过车数据、疑似套牌车辆的第二预设时间、嫌疑车辆在指向疑似使用套牌车辆事件案发前的历史出行频次和放下遮阳板频次，

计算判断模块，用于实际车辆属性特征信息和登记车辆属性特征信息进行相似性比较，将相似性比较逻辑结果为“是”的当前车辆作为疑似套牌车辆，

以及将疑似套牌车辆的实际车辆属性特征信息和目标过车数据中各目标车辆的实际车辆属性特征信息进行比较，将具有相似比较逻辑结果为“是”的疑似套牌车辆作为嫌疑车辆，

以及根据历史出行频次和放下遮阳板频次判断当前嫌疑车辆是否为套用车牌车辆，若判断逻辑结果为“是”，则将当前嫌疑车辆在第二预设时间内车牌号码作为套牌车辆的真实号牌。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种基于多维度信息判断套牌车辆真实号牌的方法，其特征在于，包括以下步骤：

获得当前车辆的实际车辆属性特征信息和当前车辆的登记车辆属性特征信息；

实际车辆属性特征信息和登记车辆属性特征信息进行相似性比较，将相似性比较逻辑结果为“是”的当前车辆作为疑似套牌车辆；

获得目标过车数据和疑似套牌车辆的第二预设时间，第二预设时间表征疑似套牌车辆未被拍摄记录时间之外的指向疑似使用套牌车辆事件案发前后时间内的其余时间，

将疑似套牌车辆的实际车辆属性特征信息和目标过车数据中各目标车辆的实际车辆属性特征信息进行比较，将具有相似比较逻辑结果为“是”的疑似套牌车辆作为嫌疑车辆；

获得嫌疑车辆在指向疑似使用套牌车辆事件案发前的历史出行频次和放下遮阳板频次，历史出行频次表征嫌疑车辆案发前出现在指向疑似使用套牌车辆事件案发地的频繁程度，放下遮阳板频次表征嫌疑车辆在案发前处于预定义特定环境放下遮阳板的频繁程度，

根据历史出行频次和放下遮阳板频次判断当前嫌疑车辆是否为套用车牌车辆，若判断逻辑结果为“是”，则将当前嫌疑车辆在第二预设时间内车牌号码作为套牌车辆的真实号牌。

2.根据权利要求1所述的基于多维度信息判断套牌车辆真实号牌的方法，其特征在于，所述获得当前车辆的实际车辆属性特征信息和当前车辆的登记车辆属性特征信息，其具体实现包括以下步骤：

获得第一卡口过车数据，第一卡口过车数据表征从指向疑似使用套牌车辆事件案发地离开之后所拍摄到的过车数据，第一卡口过车数据包括过车图片和车牌号码，对过车图片进行二次识别解析，得到表征当前车辆特征的实际车辆属性特征信息，

根据车牌号码查询当前车辆的车辆登记信息，车辆登记信息包括表征当前车辆登记时车辆特征的登记车辆属性特征信息，从而得到当前车辆的登记车辆属性特征信息。

3.根据权利要求2所述的基于多维度信息判断套牌车辆真实号牌的方法，其特征在于，所述第一卡口过车数据为案发时段的第一预设时间的卡口过车数据。

4.根据权利要求1所述的基于多维度信息判断套牌车辆真实号牌的方法，其特征在于，所述实际车辆属性特征信息和登记车辆属性特征信息中的车辆属性特征为多个，实际车辆属性特征信息和登记车辆属性特征信息中相同的车辆属性特征记为相同类型车辆属性特征，所有的相同类型车辆属性特征构成相同类型车辆属性特征集合，

将相同类型车辆属性特征集合中的至少一个相同类型车辆属性特征进行相似性比较，将相似性比较逻辑结果为“是”的当前车辆作为疑似套牌车辆。

5.根据权利要求1所述的基于多维度信息判断套牌车辆真实号牌的方法，其特征在于，所述将相同类型车辆属性特征集合中的至少一个相同类型车辆属性特征相似性比较，其具体实现过程包括：

按公式③计算出相似度f，相似度f与预设相似度阈值大小比较，相似度f＜预设相似度阈值，则相似性比较逻辑结果为“是”：

w_k表示实际车辆属性特征信息中第k个相同类型车辆属性特征的预设分值，w′_k表示登记车辆属性特征信息中第k个相同类型车辆属性特征的预设分值，ω_k表示第k个相同类型车辆属性特征的权重，m表示相同类型车辆属性特征集合中选择的相同类型车辆属性特征总个数。

6.根据权利要求5所述的基于多维度信息判断套牌车辆真实号牌的方法，其特征在于，相同类型车辆属性特征的权重根据以下公式计算得到：

式中，r_k表示第k-1个车辆属性特征相对于第k个车辆属性特征的重要性程度，为常数。

7.根据权利要求1所述的基于多维度信息判断套牌车辆真实号牌的方法，其特征在于，所述获得目标过车数据和疑似套牌车辆的第二预设时间，其具体实现过程如下：

以指向疑似使用套牌车辆事件案发时间为中心的前后若干时间作为疑似套牌车辆的初始活动时间，

在所述初始活动时间范围内，查找出疑似套牌车辆首次出现时间和最后一次出现时间，将首次出现时间至最后一次出现时间的时间段作为疑似套牌车辆的可疑活动时间范围，

在所述初始活动时间内除去可疑活动时间范围的剩余时间作为第二预设时间。

8.根据权利要求1所述的基于多维度信息判断套牌车辆真实号牌的方法，其特征在于，所述目标过车数据为预设目标区域内的所有卡口的过车数据，预设目标区域覆盖指向疑似使用套牌车辆事件案发地及从案发地离开道路。

9.根据权利要求1所述的基于多维度信息判断套牌车辆真实号牌的方法，其特征在于，根据历史出行频次和放下遮阳板频次判断若判断逻辑结果为“是”的当前嫌疑车辆后，还包括以下步骤：

将逻辑结果为“是”的当前嫌疑车辆与历史涉案车辆数据库中的车辆进行相似性比较，相似比较结果为“是”的当前嫌疑车辆作为最终的嫌疑车辆，将最终的嫌疑车辆在第二预设时间内车牌号码作为套牌车辆的真实号牌。

10.一种基于多维度信息判断套牌车辆真实号牌的系统，其特征在于，包括：

数据读取模块，用于读取当前车辆的实际车辆属性特征信息、登记车辆属性特征信息、目标过车数据、疑似套牌车辆的第二预设时间、嫌疑车辆在指向疑似使用套牌车辆事件案发前的历史出行频次和放下遮阳板频次，

计算判断模块，用于实际车辆属性特征信息和登记车辆属性特征信息进行相似性比较，将相似性比较逻辑结果为“是”的当前车辆作为疑似套牌车辆，

以及将疑似套牌车辆的实际车辆属性特征信息和目标过车数据中各目标车辆的实际车辆属性特征信息进行比较，将具有相似比较逻辑结果为“是”的疑似套牌车辆作为嫌疑车辆，

以及根据历史出行频次和放下遮阳板频次判断当前嫌疑车辆是否为套用车牌车辆，若判断逻辑结果为“是”，则将当前嫌疑车辆在第二预设时间内车牌号码作为套牌车辆的真实号牌。

Images