CN114781546A - 用于确定车辆异常行为的方法和装置 - Google Patents
用于确定车辆异常行为的方法和装置 Download PDFInfo
- Publication number
- CN114781546A CN114781546A CN202210524835.1A CN202210524835A CN114781546A CN 114781546 A CN114781546 A CN 114781546A CN 202210524835 A CN202210524835 A CN 202210524835A CN 114781546 A CN114781546 A CN 114781546A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- determining
- points
- sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 34
- 230000005856 abnormality Effects 0.000 claims abstract description 33
- 230000004044 response Effects 0.000 claims abstract description 19
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 11
- 206010015856 Extrasystoles Diseases 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 4
- 230000002547 anomalous effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G06Q50/40—
-
- 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
本公开提供了一种用于确定车辆异常行为的方法和装置,计算机技术领域,尤其涉及车路协同、智慧交通技术。实现方案为:获取车辆的轨迹序列,其中所述轨迹序列包括预定时间范围内的多个轨迹点,其中每个轨迹点对应于一个捕获设备的位置;对于所述轨迹序列中在时间上相邻的每个轨迹点对,确定该轨迹点对中的两个轨迹点分别对应的捕获设备的之间的可达参数,其中所述可达参数指示连接该轨迹点对中的两个轨迹点路径上捕获设备的数量,基于所述轨迹序列中每个时间上相邻的轨迹点对的可达参数确定所述车辆的轨迹序列的异常参数;以及响应于所述异常参数高于异常阈值,确定所述车辆存在异常行为。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及车路协同、智慧交通技术,具体涉及一种用于确定车辆异常行为的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
近年来,随着车路协同技术的发展,用于违法拍照或公共视频路线的卡口设备作为交通数字化的重要手段越发广泛的部署于城市的重要路口。随着路侧感知设备的丰富,有越来越多的感知数据被收集,这些数据被用于如违法打击、智能红绿灯、交通优化、车路协同、自动驾驶等场景。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种用于确定车辆异常行为的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种用于确定车辆异常行为的方法,包括:获取车辆的轨迹序列,其中所述轨迹序列包括预定时间范围内的多个轨迹点,其中每个轨迹点对应于一个捕获设备的位置;对于所述轨迹序列中在时间上相邻的每个轨迹点对,确定该轨迹点对中的两个轨迹点分别对应的捕获设备的之间的可达参数,其中所述可达参数指示连接该轨迹点对中的两个轨迹点路径上捕获设备的数量,基于所述轨迹序列中每个时间上相邻的轨迹点对的可达参数确定所述车辆的轨迹序列的异常参数;以及响应于所述异常参数高于异常阈值,确定所述车辆存在异常行为。
根据本公开的另一方面,提供了一种用于确定车辆异常行为的装置,包括:轨迹序列获取单元,被配置成获取车辆的轨迹序列,其中所述轨迹序列包括预定时间范围内的多个轨迹点,其中每个轨迹点对应于一个捕获设备的位置;可达参数确定单元,被配置成对于所述轨迹序列中在时间上相邻的每个轨迹点对,确定该轨迹点对中的两个轨迹点分别对应的捕获设备的之间的可达参数,其中所述可达参数指示连接该轨迹点对中的两个轨迹点路径上捕获设备的数量;异常参数确定单元,被配置成基于所述轨迹序列中每个时间上相邻的轨迹点对的可达参数确定所述车辆的轨迹序列的异常参数;以及车辆异常确定单元,被配置成响应于所述异常参数高于异常阈值,确定所述车辆存在异常行为。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行根据本公开的实施例的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据本公开的实施例的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现根据本公开的实施例的方法。
根据本公开的一个或多个实施例,可以基于预定时间范围内车辆的多个轨迹数据的统计结果来确定车辆是否存在异常行为,从而以较低的成本实现较高的预测准确率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图;
图2示出了根据本公开的实施例的用于确定车辆异常行为的方法的示例性流程图;
图3示出了根据本公开的实施例的用于确定车辆异常行为的装置的示例性框图;
图4示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行本公开的用于确定车辆异常行为的方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
用户可以使用客户端设备101、102、103、104、105和/或106来获取本公开提供的用于确定车辆异常行为的方法的各种信息,例如车辆的轨迹点信息和/或指示车辆存在异常行为的信息。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS);或包括各种移动操作系统,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开的实施例的用于确定车辆异常行为的方法的示例性流程图。可以利用图1中示出的客户端设备和/或服务器执行图2中示出的方法步骤。
如图2所示,在步骤S202中,获取车辆的轨迹序列,其中轨迹序列包括预定时间范围内的多个轨迹点,其中每个轨迹点对应于一个捕获设备的位置。
在步骤S204中,对于轨迹序列中在时间上相邻的每个轨迹点对,确定该轨迹点对中的两个轨迹点分别对应的捕获设备的之间的可达参数,其中上述可达参数指示连接该轨迹点对中的两个轨迹点路径上捕获设备的数量。
在步骤S206中,基于轨迹序列中每个时间上相邻的轨迹点对的可达参数确定车辆的轨迹序列的异常参数。
在步骤S208中,响应于车辆的异常参数高于异常阈值,确定车辆存在异常行为。
利用本公开的实施例提供的用于确定车辆异常行为的方法,可以基于预定时间范围内车辆的多个轨迹数据的统计结果来确定车辆是否存在异常行为,从而以较低的成本实现较高的预测准确率。
下面将具体描述本公开的方案的原理。
在步骤S202中,可以获取车辆的轨迹序列,其中轨迹序列包括预定时间范围内的多个轨迹点,其中每个轨迹点对应于一个捕获设备的位置。
当车辆在路网中行驶并经过一个用于路侧感知的捕获设备(也可以被称作是卡口设备)时,捕获设备将拍摄车辆的图像。响应于捕获设备所捕获到的车辆图像可以生成车辆的一个轨迹点的数据。在一些示例中,轨迹点可以包括以下参数:车辆标识;位置标识;以及时间标识。其中,车辆标识可以是用于识别车辆的唯一标识(例如车牌号或基于图像识别的车辆的任何其他唯一性的特征)。位置标识可以是捕获设备的标识或捕获设备所在的路口(进出道口)标识。位置标识可以指示被捕获图像时车辆所在的位置和/或车辆行驶的方向。时间标识可以指示被捕获图像时的具体时间。
可以基于轨迹点的时间标识将预定时间范围内同一车辆的多个轨迹点(即具有同一车辆标识的多个轨迹点)确定为该车辆的轨迹序列。在一些示例中,可以基于时间标识对各个轨迹点按时间顺序进行排序,以表示预定时间范围内车辆的空间轨迹。本领域技术人员可以根据实际情况确定预定时间范围的具体数值作为车辆轨迹的统计周期。例如,可以将预定时间范围设置为1小时、12小时、24小时、一周、一个月等任何合适的值,在此不限定预定时间范围的具体数值。
在步骤S204中,对于轨迹序列中在时间上相邻的每个轨迹点对,可以确定该轨迹点对中的两个轨迹点分别对应的捕获设备的之间的可达参数,其中上述可达参数指示连接该轨迹点对中的两个轨迹点路径上捕获设备的数量。
在一些实施例中,可以通过查找对应于车辆轨迹所在的路网的空间可达矩阵确定轨迹点对之间的可达参数。
可以基于路网的拓扑信息生成上述空间可达矩阵。在一些实施例中,空间可达矩阵中的元素指示路网中任意两个捕获设备之间的轨迹上经过的其他捕获设备的数量。例如,以路网中布置的捕获设备的数量为N为例,空间可达矩阵可以是N*N的矩阵:
其中,矩阵A中的元素Aij可以指示捕获设备i和捕获设备j之间的路径上布置的捕获设备的数量,其中i、j是索引参数。
在一些实现方式中,可以利用基于Dijkstra或A-Star最短路径算法对路网(或对应于路网的拓扑连通图)进行处理而得到的矩阵A中各个元素的值。在一些情况下,路网的拓扑连通图中的节点可以对应于路网中的各个进出道口。通过预先存储的捕获设备和进出道口之间的对应关系可以获取矩阵A中各个元素的值。
在步骤S206中,可以基于轨迹序列中每个时间上相邻的轨迹点对的可达参数确定车辆的轨迹序列的异常参数。
如前所述,空间可达矩阵A中的元素可以指示路网中任意两个捕获设备之间的路径上布置的捕获设备的数量。例如,Aij=2可以指示车辆从捕获设备i行驶到捕获设备j时所经过的路径上还布置有其他两个捕获设备。因此,车辆的轨迹序列中对应于捕获设备i的轨迹点Ri和对应于捕获设备j的轨迹点Rj之间应该存在由上述其他两个捕获设备采集到的另两个轨迹点。如果依据时间顺序进行排列的轨迹点和捕获设备在空间上的布置情况是一致的,可以认为车辆的行驶轨迹在时间-空间上具有很好的一致性,并可以进一步认为车辆不具有异常行为。相反,如果车辆的轨迹序列中对应于捕获设备i的轨迹点Ri和对应于捕获设备j的轨迹点Rj是在时间上相邻的两个轨迹点,则可能出现以下两种情况:(1)车辆在从捕获设备i行驶到捕获设备j的路径的过程中,路径上布置的其他两个捕获设备出现了漏拍的情况;(2)车辆存在异常行为,例如,车辆可能存在套牌行为,从而导致车辆的行驶轨迹出现时间-空间不一致的情况。例如,套牌行为可能导致车辆在时间上相邻的两个轨迹点在空间上不相邻,甚至距离较远。
在本公开提供的方法中,为了避免漏拍导致的车辆轨迹的时间-空间不一致被误认为是车辆异常行为,通过对预定时间范围内的多个轨迹点的异常情况进行统计,可以基于大量的轨迹数据以较低的成本识别出在该预定时间范围内车辆的异常情况。通过对预定时间范围内的轨迹异常进行统计,可以无需针对其中每个存在异常(例如漏拍)的轨迹点对之间的车辆驾驶行为进行详细分析,例如,无需考虑出现异常的轨迹点对之间的车辆的行驶速度是否合理等。
在一些实施例中,对于轨迹序列中每个时间上相邻的轨迹点对,可以基于该轨迹对的可达参数确定车辆在该轨迹点对之间的轨迹上的漏拍数量。例如,针对对应于捕获设备i的轨迹点Ri和对应于捕获设备j的轨迹点Rj,可以查询空间可达矩阵A,查询元素Aij的值作为轨迹点Ri和轨迹点Rj之间的轨迹上的漏拍数量。进一步地,可以基于轨迹序列中所有时间上相邻的轨迹点对之间的漏拍数量确定车辆在所述预定时间范围内的漏拍总数。
基于所述轨迹序列中轨迹点的数量和漏拍总数可以确定车辆在预定时间范围内的参考轨迹点总数。其中,参考轨迹点总数指的是预定时间范围内的车辆的轨迹序列所对应的轨迹在理想情况下(即,无漏拍的情况下)应当被捕获的轨迹点的总数。基于上述漏拍总数和上述参考轨迹点总数可由确定上述异常参数。例如,当轨迹序列中轨迹点数量为T,漏拍总数为A时,参考轨迹点总数可以被确定为K=A+T。
上述异常参数可以指示车辆的异常程度。在一些示例中,上述异常参数可以是漏拍总数和参考轨迹点总数的比值,即A/(A+T)。在这种情况下,异常参数可以指示车辆在预定时间范围内的漏拍率。漏拍率可以表示车辆在预定时间范围内的异常程度。当车辆在预定时间范围内的漏拍率较高时,可以认为车辆存在异常行为(如套牌)的概率较高。在另一些示例中,上述异常参数是基于多个车辆的漏拍总数和参考轨迹点总数的比值的排序而确定的。可以对多个车辆的漏拍率进行排序,并对多个车辆的漏拍率进行排名。可以将上述漏拍排名确定为上述异常参数。通过利用多个车辆的漏拍情况的排名评价车辆的异常情况,可以在进行车辆异常行为检测时综合考虑整个路网的设备运行状态和车辆行驶情况,而不单一地使用单个车辆的轨迹数据评价车辆是否异常。
在步骤S208中,响应于车辆的异常参数高于异常阈值,确定车辆存在异常行为。
在一些实施例中,当异常参数被表示为漏拍总数和参考轨迹点总数的比值时,可以预先设置漏拍率阈值作为上述异常阈值。当车辆的漏拍率高于预先设置的漏拍率阈值时,可以认为车辆存在异常行为。
在另一些实施例中,当异常参数被表示为上述漏拍排名时,可以预先设置漏拍排名阈值作为上述异常阈值。当车辆的漏拍排名高于预先设置的漏拍排名阈值时,可以认为车辆存在异常行为。
在一些情况下,响应于确定车辆的异常参数高于异常阈值,可以确定车辆是套牌车。在另一些情况下,响应于确定车辆的异常参数高于异常阈值,可以确定车辆存在套牌嫌疑。可以将具有套牌嫌疑的车辆的信息推送给相关的工作人员,并由工作人员进一步根据车辆信息人工确定车辆是否是套牌车。
图3示出了根据本公开的实施例的用于确定车辆异常行为的装置的示例性框图。
如图3所示,用于确定车辆异常行为的装置300可以包括轨迹序列获取单元310、可达参数确定单元320、异常参数确定单元330以及车辆异常确定单元340。
其中,轨迹序列获取单元310可以被配置成获取车辆的轨迹序列,其中所述轨迹序列包括预定时间范围内的多个轨迹点,其中每个轨迹点对应于一个捕获设备的位置。可达参数确定单元可以被配置成对于所述轨迹序列中在时间上相邻的每个轨迹点对,确定该轨迹点对中的两个轨迹点分别对应的捕获设备的之间的可达参数,其中所述可达参数指示连接该轨迹点对中的两个轨迹点路径上捕获设备的数量。异常参数确定单元330可以被配置成基于所述轨迹序列中每个时间上相邻的轨迹点对的可达参数确定所述车辆的轨迹序列的异常参数。车辆异常确定单元340可以被配置成响应于所述异常参数高于异常阈值,确定所述车辆存在异常行为。
在一些实施例中,所述轨迹点响应于捕获设备捕获的车辆图像而生成并包括以下参数:车辆标识;位置标识;以及时间标识。
在一些实施例中,所述可达参数确定单元进一步被配置成:通过查找对应于车辆轨迹所在的路网的空间可达矩阵确定所述可达参数,其中,所述空间可达矩阵中的元素指示所述路网中任意两个捕获设备之间的轨迹上经过的其他捕获设备的数量。
在一些实施例中,所述空间可达矩阵中的元素的值是通过基于Dijkstra或A-Star最短路径算法对所述路网进行处理而得到的。
在一些实施例中,所述异常参数确定单元进一步被配置成:对于所述轨迹序列中每个时间上相邻的轨迹点对,基于该轨迹对的可达参数确定车辆在该轨迹点对之间的轨迹上的漏拍数量;基于所述轨迹序列中所有时间上相邻的轨迹点对之间的漏拍数量确定所述车辆在所述预定时间范围内的漏拍总数;基于所述轨迹序列中轨迹点的数量和所述漏拍总数确定所述车辆在所述预定时间范围内的参考轨迹点总数;基于所述漏拍总数和所述参考轨迹点总数确定所述异常参数。
在一些实施例中,所述异常参数是所述漏拍总数和所述参考轨迹点总数的比值。
在一些实施例中,所述异常参数是基于多个车辆的所述漏拍总数和所述参考轨迹点总数的比值的排序而确定的。
在一些实施例中,所述车辆异常确定单元进一步被配置成:响应于确定所述异常参数高于异常阈值,确定所述车辆是套牌车。
可以利用图3中示出的单元310~340执行图2中示出的步骤S202~S208,在此不再加以赘述。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,还提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行根据本公开的实施例的方法。
根据本公开的实施例,还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据本公开的实施例的方法。
根据本公开的实施例,还提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现根据本公开的实施例的方法。
参考图4,现将描述可以作为本公开的服务器或客户端的电子设备400的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示,电子设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储电子设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
电子设备400中的多个部件连接至I/O接口405,包括:输入单元406、输出单元407、存储单元408以及通信单元409。输入单元406可以是能向电子设备400输入信息的任何类型的设备,输入单元406可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元407可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元408可以包括但不限于磁盘、光盘。通信单元409允许电子设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理,例如方法200。例如,在一些实施例中,方法200可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到电子设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的方法200的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (19)
1.一种用于确定车辆异常行为的方法,包括:
获取车辆的轨迹序列,其中所述轨迹序列包括预定时间范围内的多个轨迹点,其中每个轨迹点对应于一个捕获设备的位置;
对于所述轨迹序列中在时间上相邻的每个轨迹点对,确定该轨迹点对中的两个轨迹点分别对应的捕获设备的之间的可达参数,其中所述可达参数指示连接该轨迹点对中的两个轨迹点路径上捕获设备的数量,
基于所述轨迹序列中每个时间上相邻的轨迹点对的可达参数确定所述车辆的轨迹序列的异常参数;以及
响应于所述异常参数高于异常阈值,确定所述车辆存在异常行为。
2.如权利要求1所述的方法,其中,所述轨迹点响应于捕获设备捕获的车辆图像而生成并包括以下参数:
车辆标识;
位置标识;以及
时间标识。
3.如权利要求1所述的方法,其中,确定该轨迹点对中的两个轨迹点分别对应的捕获设备的之间的可达参数包括:
通过查找对应于车辆轨迹所在的路网的空间可达矩阵确定所述可达参数,
其中,所述空间可达矩阵中的元素指示所述路网中任意两个捕获设备之间的轨迹上经过的其他捕获设备的数量。
4.如权利要求3所述的方法,其中,所述空间可达矩阵中的元素的值是通过基于Dijkstra或A-Star最短路径算法对所述路网进行处理而得到的。
5.如权利要求1所述的方法,其中,基于所述轨迹序列中每个时间上相邻的轨迹点对的可达参数确定所述车辆的异常参数包括:
对于所述轨迹序列中每个时间上相邻的轨迹点对,基于该轨迹对的可达参数确定车辆在该轨迹点对之间的轨迹上的漏拍数量;
基于所述轨迹序列中所有时间上相邻的轨迹点对之间的漏拍数量确定所述车辆在所述预定时间范围内的漏拍总数;
基于所述轨迹序列中轨迹点的数量和所述漏拍总数确定所述车辆在所述预定时间范围内的参考轨迹点总数;
基于所述漏拍总数和所述参考轨迹点总数确定所述异常参数。
6.如权利要求5所述的方法,其中,所述异常参数是所述漏拍总数和所述参考轨迹点总数的比值。
7.如权利要求5所述的方法,其中所述异常参数是基于多个车辆的所述漏拍总数和所述参考轨迹点总数的比值的排序而确定的。
8.如权利要求1-6中任一项所述的方法,其中,响应于所述异常参数高于异常阈值,确定所述车辆存在异常行为包括:
响应于确定所述异常参数高于异常阈值,确定所述车辆是套牌车。
9.一种用于确定车辆异常行为的装置,包括:
轨迹序列获取单元,被配置成获取车辆的轨迹序列,其中所述轨迹序列包括预定时间范围内的多个轨迹点,其中每个轨迹点对应于一个捕获设备的位置;
可达参数确定单元,被配置成对于所述轨迹序列中在时间上相邻的每个轨迹点对,确定该轨迹点对中的两个轨迹点分别对应的捕获设备的之间的可达参数,其中所述可达参数指示连接该轨迹点对中的两个轨迹点路径上捕获设备的数量;
异常参数确定单元,被配置成基于所述轨迹序列中每个时间上相邻的轨迹点对的可达参数确定所述车辆的轨迹序列的异常参数;以及
车辆异常确定单元,被配置成响应于所述异常参数高于异常阈值,确定所述车辆存在异常行为。
10.如权利要求9所述的装置,其中,所述轨迹点响应于捕获设备捕获的车辆图像而生成并包括以下参数:
车辆标识;
位置标识;以及
时间标识。
11.如权利要求9所述的装置,其中,所述可达参数确定单元进一步被配置成:
通过查找对应于车辆轨迹所在的路网的空间可达矩阵确定所述可达参数,
其中,所述空间可达矩阵中的元素指示所述路网中任意两个捕获设备之间的轨迹上经过的其他捕获设备的数量。
12.如权利要求11所述的装置,其中,所述空间可达矩阵中的元素的值是通过基于Dijkstra或A-Star最短路径算法对所述路网进行处理而得到的。
13.如权利要求9所述的装置,其中,所述异常参数确定单元进一步被配置成:
对于所述轨迹序列中每个时间上相邻的轨迹点对,基于该轨迹对的可达参数确定车辆在该轨迹点对之间的轨迹上的漏拍数量;
基于所述轨迹序列中所有时间上相邻的轨迹点对之间的漏拍数量确定所述车辆在所述预定时间范围内的漏拍总数;
基于所述轨迹序列中轨迹点的数量和所述漏拍总数确定所述车辆在所述预定时间范围内的参考轨迹点总数;
基于所述漏拍总数和所述参考轨迹点总数确定所述异常参数。
14.如权利要求13所述的装置,其中,所述异常参数是所述漏拍总数和所述参考轨迹点总数的比值。
15.如权利要求13所述的装置,其中所述异常参数是基于多个车辆的所述漏拍总数和所述参考轨迹点总数的比值的排序而确定的。
16.如权利要求9-15中任一项所述的装置,其中,所述车辆异常确定单元进一步被配置成:
响应于确定所述异常参数高于异常阈值,确定所述车辆是套牌车。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210524835.1A CN114781546A (zh) | 2022-05-13 | 2022-05-13 | 用于确定车辆异常行为的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210524835.1A CN114781546A (zh) | 2022-05-13 | 2022-05-13 | 用于确定车辆异常行为的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114781546A true CN114781546A (zh) | 2022-07-22 |
Family
ID=82437748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210524835.1A Pending CN114781546A (zh) | 2022-05-13 | 2022-05-13 | 用于确定车辆异常行为的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781546A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114495495A (zh) * | 2022-01-11 | 2022-05-13 | 北京百度网讯科技有限公司 | 异常转向行为的检测方法、装置及电子设备 |
CN115345261A (zh) * | 2022-10-18 | 2022-11-15 | 永立数智(北京)科技有限公司 | 车辆轨迹真实性校验方法、装置及电子设备 |
-
2022
- 2022-05-13 CN CN202210524835.1A patent/CN114781546A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114495495A (zh) * | 2022-01-11 | 2022-05-13 | 北京百度网讯科技有限公司 | 异常转向行为的检测方法、装置及电子设备 |
CN114495495B (zh) * | 2022-01-11 | 2024-03-26 | 北京百度网讯科技有限公司 | 异常转向行为的检测方法、装置及电子设备 |
CN115345261A (zh) * | 2022-10-18 | 2022-11-15 | 永立数智(北京)科技有限公司 | 车辆轨迹真实性校验方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583668B (zh) | 交通拥堵检测方法、装置、电子设备和存储介质 | |
CN112634621B (zh) | 交通灯数据质量检测方法、装置、电子设备和介质 | |
CN114781546A (zh) | 用于确定车辆异常行为的方法和装置 | |
CN112507949A (zh) | 目标跟踪方法、装置、路侧设备以及云控平台 | |
CN114202924B (zh) | 冗余交通限制信息的识别方法及装置、电子设备和介质 | |
CN113411645A (zh) | 信息推荐方法及装置、电子设备和介质 | |
CN114445667A (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN113723305A (zh) | 图像和视频检测方法、装置、电子设备和介质 | |
CN114495103A (zh) | 文本识别方法、装置、电子设备和介质 | |
CN111324616A (zh) | 车道线变化信息的检测方法、装置及设备 | |
CN113596011B (zh) | 流量识别方法及装置,计算设备和介质 | |
CN116894317A (zh) | 数据处理方法、装置、电子设备和介质 | |
CN115797660A (zh) | 图像检测方法、装置、电子设备和存储介质 | |
CN114741623A (zh) | 兴趣点状态确定方法、模型训练方法及装置 | |
CN112579587A (zh) | 数据清洗方法及装置、设备和存储介质 | |
CN112085268B (zh) | 居民出行信息的测算方法、装置、设备和可读存储介质 | |
CN114494797A (zh) | 用于训练图像检测模型的方法和装置 | |
CN114676062A (zh) | 用于接口的差异数据测试方法及装置、电子设备和介质 | |
CN112382090A (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
CN114238794A (zh) | 常驻点识别方法及装置、电子设备和介质 | |
CN111694912B (zh) | 地图兴趣点的检测方法、装置、设备和可读存储介质 | |
CN114297964A (zh) | 复位电路验证方法、装置、电子设备及介质 | |
CN114238792A (zh) | 用于轨迹点数据挖掘的方法及装置、电子设备和介质 | |
CN115601561A (zh) | 高精地图目标检测方法、装置、设备及介质 | |
CN114491270A (zh) | 出行服务的推荐方法及装置、设备和介质 |
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 |