CN115083169A

CN115083169A - 一种假冒救护车的嫌疑车辆的发现方法

Info

Publication number: CN115083169A
Application number: CN202210664155.XA
Authority: CN
Inventors: 蔡岗; 黄淑兵; 张森; 施一珑; 黄瑛; 张慧辰; 尤冬海
Original assignee: Traffic Management Research Institute of Ministry of Public Security
Current assignee: Traffic Management Research Institute of Ministry of Public Security
Priority date: 2022-06-14
Filing date: 2022-06-14
Publication date: 2022-09-20
Anticipated expiration: 2042-06-14
Also published as: CN115083169B

Abstract

本发明提供的一种假冒救护车的嫌疑车辆的发现方法，其构建了救护车特征检测模型、救护车判定模型和综合判断模型；其中，救护车特征检测模型中包括：号牌检测模型、车型检测模型、品牌检测模型、颜色检测模型、救护车典型特征检测模型，从救护车的外形特征角度将类似救护车的机动车筛选出来；然后通过救护车判定模型从救护车外形上进一步缩小数据范围，最后，基于车辆等级信息，使用综合判断模型进行筛选，从车辆登记信息中的车辆登记地、车辆使用性质、车辆所有者三个角度进行判断，找出假冒救护车的嫌疑车辆。

Description

一种假冒救护车的嫌疑车辆的发现方法

技术领域

本发明涉及智能交通控制技术领域，具体为一种假冒救护车的嫌疑车辆的发现方法。

背景技术

救护车由于其特殊性，与常规车辆相比，不受部分通行规则限制(例如，紧急情况下可以闯红灯、疫情防控期间可正常通行)。少数不法分子利用此规则，驾驶假冒救护车，即：外观为救护车外观，但登记的使用性质并非救护车的车辆，高价揽客、随意通行。而在实际工作中，因为救护车的特殊使用性质，一般情况下交管人员不会对救护车拦截检查。而现有技术中，对于没有交通违法行为的黑救护车只能通过交管人员人工排查的方式进行确定，同时因为对车辆的排查需要不间断的进行，所以需要投入较多的人力资源，而且会发生排查遗漏的问题。

发明内容

为了解决现有技术中只能通过人工方式排查黑救护车，需要较大的人力成本以及容易遗漏的问题，本发明提供一种假冒救护车的嫌疑车辆的发现方法，其可以基于现有的道路监控设备主动发现假冒救护车的嫌疑车辆，为交管人员缩小排查范围，降低人力资源投入，同时可以持续的实时监控排查，降低遗漏的概率。

本发明的技术方案是这样的：一种假冒救护车的嫌疑车辆的发现方法，其特征在于，其包括以下步骤：

S1：基于深度学习技术构建救护车特征检测模型；

救护车特征包括：号牌、车型、品牌、颜色、救护车典型特征；

所述救护车特征检测模型包括：号牌检测模型、车型检测模型、品牌检测模型、颜色检测模型、救护车典型特征检测模型，其对应的输出分为：号牌识别结果、车型识别结果、品牌识别结果、颜色识别结果、救护车典型特征识别结果；

S2：构建救护车判定模型；

所述救护车判定模型，包括：救护车特征、每个所述救护车特征对应的权重、每个救护车特征包括的元素和元素对应的得分；

所述救护车判定模型的输出为车型判断得分：

车型判断得分＝车型识别得分结果*0.1+品牌识别结果得分*0.1+颜色识别结果得分*0.1+救护车典型特征检测结果得分*0.7；

S3：构建综合判断模型；

所述综合判断模型包括：综合指标、每个综合指标对应的权重、每个综合指标对应的元素和元素对应的得分；

所述综合指标包括：车辆登记地、车辆使用性质、车辆所有者；

所述综合判断模型的输出为综合判断得分：

综合判断得分＝车辆登记地对应得分*0.4+车辆使用性质对应得分*0.3+车辆所有者对应得分*0.3；

S4：基于道路监控设备和救护车登记信息获取救护车通行图片数据，创建训练数据，对所述救护车特征检测模型进行训练，得到训练好的所述救护车特征检测模型；

S5：确定待识别路段，获取所述待识别路段上的监控设备采集到图像数据，将其中的机动车通行图片数据，记作待识别图像数据；

S6：将每一张所述待识别图像数据并发输入到每一个训练好的所述救护车特征检测模型中；

将每个所述救护车特征检测模型的识别结果按照所述待识别图像数据分组记录，记作：待分析基础数据；

S7：将每组所述待分析基础数据输入到所述救护车判定模型中，计算得到车型判断得分；

将每一个所述车型判断得分与预设的救护车车型判定阈值进行比较；

高于所述车型判定阈值的号牌，记作：待判定救护车；实施步骤S8；

小于等于所述车型判定阈值的号牌，判定车型为非救护车，结束判断；

S8：获取每一张所述待识别图像数据对应的车辆登记信息，记作：综合判定信息数据；

将所述综合判定信息数据输入到所述综合判断模型中，计算得到综合判定得分；

将每一张所述待识别图像数据对应的所述车型判断得分与预设的综合判定阈值进行比较；

大于等于所述综合判定阈值的号牌识别结果，判定为有假冒救护车的嫌疑车辆；实施步骤S9；

小于所述综合判定阈值的号牌，判定为无嫌疑的车辆，结束判断；

S9：将所有的所述嫌疑车辆的号牌和对应的通行数据、车辆登记信息共同发送给交管人员进行后续判断。

其进一步特征在于：

所述救护车典型特征包括：顶部蓝灯、红十字、AMBULANCE字样、120字样、急救字样；

步骤S4中，所述训练数据的构建方法，包括以下步骤：

a1：从机动车登记信息中获取使用性质登记为救护车的机动车清单，记作救护车清单；

a2：按照所述救护车清单，在通过监控设备获得的机动车通行信息中进行比对，获取救护车通行信息，下载通行图片，记作：基础图片数据；

a3：基于图像分析算法，识别所述基础图片数据中包括的所述救护车典型特征的位置信息；

a4：对所述基础图片数据上的所述救护车典型特征进行标注，得到所述救护车通行图片数据，作为所述训练数据；

所述综合判断模型中每个综合指标对应的元素和其对应的权重为：

所述车辆登记地中元素和权重包括：本地车：0、本省外地车：50、外省车：100；

所述车辆使用性质中元素和权重包括：救护车:0、其他：100；

所述车辆所有者中元素和权重包括：个人名下：100、公立医疗机构名下：0、公司名下：80、其他：50；

所述救护车判定模型中每个救护车特征对应的元素和其对应的权重为：

所述车型的特征中元素和权重包括：面包车：100、中巴车：80、SUV：80、MPV：70、其他：0；

所述品牌的特征中元素和权重包括：重点品牌：100、其他：0；

所述颜色的特征中元素和权重包括：白：100、灰：80、无法识别：70、其他颜色：0；

所述救护车典型特征中元素和权重包括：顶部蓝灯：10、红十字：30、AMBULANCE字样：20、120字样：10、急救字样：30；

所述救护车典型特征检测模型基于YOLO模型实现，所述救护车典型特征检测模型的输出层维度设置为：7*7*15；

所述车型判定阈值设置为50；

所述综合判定阈值设置为30。

本发明提供的一种假冒救护车的嫌疑车辆的发现方法，其构建了救护车特征检测模型、救护车判定模型和综合判断模型；其中，救护车特征检测模型中包括：号牌检测模型、车型检测模型、品牌检测模型、颜色检测模型、救护车典型特征检测模型，从救护车的外形特征角度将类似救护车的机动车筛选出来；然后通过救护车判定模型从救护车外形上进一步缩小数据范围，其中将救护车典型特征的权重调高，同时考虑车型、品牌、颜色，从这几个角度同时进行筛选，即便有些嫌疑车辆故意规避部分典型特征，也能被筛选出来，与单纯通过救护车电性特征进行筛选的方法相比，降低了误检、漏检的概率；最后，基于车辆等级信息，使用综合判断模型进行筛选，从车辆登记信息中的车辆登记地、车辆使用性质、车辆所有者三个角度进行判断，即便车辆的使用性质被登记为救护车，但是如果其登记地和所有者不符合规定也会被筛选为嫌疑车辆，与只通过车辆用途这一个性质进行判断的方法相比，进一步降低了降低了误检、漏检的概率。

附图说明

图1为假冒救护车的嫌疑车辆发现流程示意图；

图2为救护车典型特征的示例。

具体实施方式

如图1所示，本发明提供一种假冒救护车的嫌疑车辆的发现方法，其包括以下步骤。

S1：基于深度学习技术构建救护车特征检测模型；

救护车特征检测模型包括：号牌检测模型、车型检测模型、品牌检测模型、颜色检测模型、救护车典型特征检测模型；

救护车典型特征包括：顶部蓝灯、红十字、AMBULANCE字样、120字样、急救字样，具体的示例如图2所示。

具体实施时，其中号牌检测模型、车型检测模型、品牌检测模型、颜色检测模型基于现有技术中的检测算法实现即可。本实施例中，号牌检测模型、车型检测模型、品牌检测模型、颜色检测模型基于分类模型实现，如：将车型检测模型构建为一个10分类检测模型，实现对大客车、中巴车、小轿车、SUV、MPV、面包车、大货车、小货车、三轮车、摩托车的分类识别；品牌识别可识别超过200种品牌，例如：本田、奔驰等；颜色识别可识别白、灰、黄、红等10种常见颜色的分类识别。

救护车典型特征检测模型基于标准YOLO模型实现，其中，救护车典型特征检测模型的输出层纬度设置为：7*7*15。即，将图片分为7*7个区域，每个区域设置两个预测框，每个预测框包括(x,y,w,h,c)五个量，其中x，y代表预测框的左上角坐标x,左上角坐标y，h和w为预测框的区域像素高度、和区域像素宽度，c为置信度；因为本实施例中的救护车典型特征包括5个，所以还有5个分类置信度。则将标准YOLO模型的输出层设置为：7*7*(2*5+5)；通过对标准YOLO模型改造实现本发明中的救护车典型特征，确保本发明技术方案容易实现，构建简单，适于推广使用。

S2：构建救护车判定模型；

救护车判定模型，包括：救护车特征、每个救护车特征对应的权重、每个救护车特征包括的元素和元素对应的得分；

待识别图片输入到每个救护车特征检测模型中，救护车特征检测模型的输出识别结果是待识别图片对应的救护车特征的元素，将元素输入到救护车判定模型中，根据对应的各个元素的识别得分，进而得到待识别图片对应的车型判断得分。

救护车判定模型的输出为车型判断得分：

车型判断得分＝车型识别结果得分*0.1+品牌识别结果得分*0.1+颜色识别结果得分*0.1+救护车典型特征检测结果得分*0.7；

具体的每个救护车特征对应的元素、元素对应的得分和救护车模型参照下面的表1所示；

如表1所示，车型的特征中元素包括：面包车、中巴车、SUV、MPV、其他；

品牌的特征中元素包括：重点品牌、其他；本实施例中，重点品牌指奔驰、福特、大通、丰田、汇众等救护车车架常见品牌；具体品牌可以根据实际变化进行调整，确保本方法适用于各种不同的应用场景；

颜色的特征中元素包括：白、灰、无法识别、其他颜色；

救护车典型特征中元素包括：顶部蓝灯、红十字、AMBULANCE字样、120字样、急救字样。

表1：救护车判定模型实施例

本实施例中，典型特征检测得分的权重较高，为0.7,，只要同时检测到多个典型特征，大概率会被判定为救护车，覆盖到嫌疑车辆的判断基础数据内；但是，本发明技术方案中，也从车型、品牌、颜色几个方面同时进行判断，即便有些车辆因为监控设备或者车辆的特征等原因，导致只检测到少数典型特征，但车型整体外观与常规救护车一致，即那些被普通人第一印象会判断为救护车的车辆，也可能被判定为符合救护车的特征，覆盖到嫌疑车辆的判断基础数据内。基于救护车判定模型判断得到的待识别图像数据覆盖的范围比单纯只靠救护车典型特征抓取的数据范围更广，更适应现实生活中的场景，降低了误检、漏检的概率。

S3：构建综合判断模型；

综合判断模型包括：综合指标、每个综合指标对应的权重、每个综合指标对应的元素和元素对应的得分；

综合指标包括：车辆登记地、车辆使用性质、车辆所有者；

综合判断模型的输出为综合判断得分：

具体的每个综合指标对应的元素和元素对应的权重和综合判断模型参照下面的表2所示：

表2：综合判断模型实施例

本实施例中，在后续判断中，大于等于综合判定阈值的号牌识别结果，判定为有假冒救护车的嫌疑车辆；根据综合判断模型，通常情况下，多数正常救护车满足以下条件：

本地登记+使用性质为救护+公里医疗机构名下。

如果车辆登记的使用性质不是“救护”，则得分为30，判定为有假冒救护车的嫌疑车辆。但是，当车辆用途为救护，但是属于外省车辆，得分为40，多数情况下，本地运行的救护车为本地医疗机构登记的本地车辆，所以按照判定模型，本地运行的外地救护车也会被判定为有假冒救护车的嫌疑车辆，降低了降低了误检、漏检的概率。

如果在某些情况下，某段时间里，存在大量的使用性质为救护，但是登记地为：外省车或者本省外地车的救护车在本地使用时，则可以通过调整相关元素的得分来控制判定结果的变化。确保本发明的技术方案能够适用于各种不同情况，更具实用性。

S4：基于道路监控设备和救护车登记信息获取救护车通行图片数据，创建训练数据，对救护车特征检测模型进行训练，得到训练好的救护车特征检测模型；

步骤S4中，对救护车特征检测模型进行训练时，

训练数据的构建方法，包括以下步骤：

a2：按照救护车清单，在通过监控设备获得的机动车通行信息中进行比对，获取救护车通行信息，下载通行图片，记作：基础图片数据；

a3：基于现有的图像分析算法，识别基础图片数据中包括的救护车典型特征的位置信息；

a4：对基础图片数据上的救护车典型特征进行标注，确保得到的训练数据中至少包括一个救护车典型特征，得到救护车通行图片数据，作为训练数据。

根据本方法得到的训练数据，可以用来训练救护车典型特征检测模型，也可以用来对救护车特征检测模型中其他的模型进行训练。

S5：确定待识别路段，获取待识别路段上的监控设备采集到图像数据，基于现有的图像识别算法，找到所有的机动车图片，将机动车通行图片数据，记作待识别图像数据。

S6：将每一张待识别图像数据并发输入到每一个训练好的救护车特征检测模型中；

将每个救护车特征检测模型的识别结果按照待识别图像数据分组记录，记作：待分析基础数据；

待分析基础数据中包括：号牌识别结果、车型识别结果、品牌识别结果、颜色识别结果、救护车典型特征识别结果。

S7：将每组待分析基础数据输入到救护车判定模型中，计算得到车型判断得分；

将每一个车型判断得分与预设的救护车车型判定阈值进行比较；

高于车型判定阈值的号牌，记作：待判定救护车；实施步骤S8；

小于等于车型判定阈值的号牌，判定车型为非救护车，结束判断；

本实施例中，车型判定阈值设置为50。

S8：获取每一张待识别图像数据对应的车辆登记信息，记作：综合判定信息数据；

将综合判定信息数据输入到综合判断模型中，计算得到综合判定得分；

将每一张待识别图像数据对应的车型判断得分与预设的综合判定阈值进行比较；

大于等于综合判定阈值的号牌识别结果，判定为有假冒救护车的嫌疑车辆；实施步骤S9；

小于综合判定阈值的号牌，判定为无嫌疑的车辆，结束判断；

本实施例中，综合判定阈值设置为30。总分大于30分即认为存在嫌疑，得分越高，嫌疑越大。

S9：将所有的嫌疑车辆的号牌和对应的通行数据、车辆登记信息共同发送给交管人员进行后续判断。将车辆相关信息发送给交管人员后，在具体实施过程中会根据综合判定得分从高到低逐个排查。

本发明的技术方案中，将待识别图像数据送入到救护车特征检测模型、救护车判定模型、综合判断模型中进行检测、判断和计算时，是以待识别图像数据为单位进行的，而非以车牌号码为单位进行的，因为在假冒救护车的行为中也存在套牌假冒的可能，基于本发明技术方案，这种套牌假冒的嫌疑车辆也被覆盖在内，根据车辆的具体情况，存在被发现的可能性，降低了漏检的概率。

Claims

1.一种假冒救护车的嫌疑车辆的发现方法，其特征在于，其包括以下步骤：

S1：基于深度学习技术构建救护车特征检测模型；

S2：构建救护车判定模型；

所述救护车判定模型的输出为车型判断得分：

车型判断得分 = 车型识别得分结果*0.1+品牌识别结果得分*0.1+颜色识别结果得分*0.1+救护车典型特征检测结果得分*0.7；

S3：构建综合判断模型；

所述综合判断模型的输出为综合判断得分：

综合判断得分 = 车辆登记地对应得分*0.4+车辆使用性质对应得分*0.3+车辆所有者对应得分*0.3；

2.根据权利要求1所述一种假冒救护车的嫌疑车辆的发现方法，其特征在于：所述救护车典型特征包括：顶部蓝灯、红十字、AMBULANCE字样、120字样、急救字样。

3.根据权利要求1所述一种假冒救护车的嫌疑车辆的发现方法，其特征在于：步骤S4中，所述训练数据的构建方法，包括以下步骤：

a4：对所述基础图片数据上的所述救护车典型特征进行标注，得到所述救护车通行图片数据，作为所述训练数据。

4.根据权利要求1所述一种假冒救护车的嫌疑车辆的发现方法，其特征在于：所述综合判断模型中每个综合指标对应的元素和其对应的权重为：

所述车辆所有者中元素和权重包括：个人名下：100、公立医疗机构名下：0、公司名下：80、其他：50。

5.根据权利要求1所述一种假冒救护车的嫌疑车辆的发现方法，其特征在于：所述救护车判定模型中每个救护车特征对应的元素和其对应的权重为：

所述救护车典型特征中元素和权重包括：顶部蓝灯：10、红十字：30、AMBULANCE字样：20、120字样：10、急救字样：30。

6.根据权利要求1所述一种假冒救护车的嫌疑车辆的发现方法，其特征在于：所述救护车典型特征检测模型基于YOLO模型实现，所述救护车典型特征检测模型的输出层维度设置为：7*7*15。

7.根据权利要求1所述一种假冒救护车的嫌疑车辆的发现方法，其特征在于：所述车型判定阈值设置为50。

8.根据权利要求1所述一种假冒救护车的嫌疑车辆的发现方法，其特征在于：所述综合判定阈值设置为30。