CN115169588A

CN115169588A - 电像计算时空轨迹车码关联方法、装置、设备及存储介质

Info

Publication number: CN115169588A
Application number: CN202211081481.4A
Authority: CN
Inventors: 王东锋; 余亦阳; 杨德武
Original assignee: Shenzhen Qianhai Zhongdian Huian Technology Co ltd
Current assignee: Shenzhen Qianhai Zhongdian Huian Technology Co ltd
Priority date: 2022-09-06
Filing date: 2022-09-06
Publication date: 2022-10-11

Abstract

本发明实施例公开了一种电像计算时空轨迹车码关联方法、装置、设备及存储介质。该方法包括：实时采集车牌记录和移动终端的IMSI记录，并存储每张所述车牌记录及每条所述IMSI记录的时空信息；根据所述时空信息，通过特征工程构造所述车牌记录与所述IMSI记录之间的关联特征；将所述关联特征输入训练好的梯度提升树车码关联模型，预测得到所述车牌记录与所述IMSI记录之间的关联概率，以根据所述关联概率确定关联关系对。实现了高效、准确的进行车码关联预测，得到了更好的车码关联结果，并可适用于采样范围较大的侦码设备上，从而为侦查、防控等工作提供更加准确实时的关联信息，进而掌握更多线索，为社会安全提供助力。

Description

电像计算时空轨迹车码关联方法、装置、设备及存储介质

技术领域

本发明实施例涉及电像计算技术领域，尤其涉及一种电像计算时空轨迹车码关联方法、装置、设备及存储介质。

背景技术

电像计算是通过后台大数据和人工智能系统的分析，将手机IMSI码、IMEI码等智能终端感知源的数据与人脸图片、车牌图片等图像数据进行融合计算，进而建立起相关数据源对象的关联关系、行为模式等信息。电像计算系统可以为侦查工作提供线索，为防控工作提供预警，因而有着很广泛的应用。在电像计算问题中，时空轨迹关联是现实应用场景中最关心的问题之一，也是解决其他很多问题的基础。时空轨迹关联包括脸码关联与车码关联，本发明关注车码关联问题。车码关联在侦查、防控等工作中有着广泛的应用需求：例如在案件侦查时，有可能案件线索只知道某对象坐过的车或只知道手机号，想要通过车找手机或通过手机找车，车码关联算法与系统就可以帮助拓展案件线索，缩小目标范围；在防控场景中，可以通过车码关联找出同车人员，从而为排查密接提供帮助。

但是由于用于采集IMSI信息的侦码设备具备一定的采样范围（通常为200-1000米不等），因此侦码设备会采集到大量不相关的IMSI信息，为车码关联工作增加难度，如何在车码关联时消除这种不确定性，以进行有效的匹配，则成为目前急需解决的难题。

发明内容

本发明实施例提供一种电像计算时空轨迹车码关联方法、装置、设备及存储介质，以实现高效、准确的进行车码关联预测。

第一方面，本发明实施例提供了一种电像计算时空轨迹车码关联方法，该方法包括：

实时采集车牌记录和移动终端的IMSI记录，并存储每张所述车牌记录及每条所述IMSI记录的时空信息；

根据所述时空信息，通过特征工程构造所述车牌记录与所述IMSI记录之间的关联特征；

将所述关联特征输入训练好的梯度提升树车码关联模型，预测得到所述车牌记录与所述IMSI记录之间的关联概率，以根据所述关联概率确定关联关系对。

可选的，在所述实时采集车牌记录和移动终端的IMSI记录之前，还包括：

通过测试人员使用车辆在目标地域活动，将采集得到样本车牌记录和样本IMSI记录作为初始正样本，并基于所述初始正样本生成初始负样本；

通过所述特征工程构造所述初始正样本及所述初始负样本的样本关联特征；

建立所述梯度提升树车码关联模型；

根据所述样本关联特征对所述梯度提升树车码关联模型进行训练，得到训练好的所述梯度提升树车码关联模型。

可选的，所述根据所述样本关联特征对所述梯度提升树车码关联模型进行训练，得到训练好的所述梯度提升树车码关联模型，包括：

将所述样本关联特征按照预设比例随机划分为训练集和验证集；

使用所述训练集对所述梯度提升树车码关联模型进行训练，并使用所述验证集对训练后的所述梯度提升树车码关联模型进行验证；

若验证结果满足预设条件，则保存当前得到的所述梯度提升树车码关联模型，若不满足，则重新进行训练。

可选的，在所述将所述关联特征输入训练好的梯度提升树车码关联模型，预测得到所述车牌记录与所述IMSI记录之间的关联概率，以根据所述关联概率确定关联关系对之后，还包括：

从实时采集得到的所述车牌记录和所述IMSI记录中选取补充正样本，并基于所述补充正样本生成补充负样本；

根据所述补充正样本及所述补充负样本的补充关联特征对所述梯度提升树车码关联模型进行训练，以更新所述梯度提升树车码关联模型。

可选的，所述关联特征包括：碰撞特征、速度与方向特征、轨迹相似度特征、场景特征以及组合特征中的至少一种。

可选的，在所述实时采集车牌记录和移动终端的IMSI记录之后，还包括：

对所述车牌记录和所述IMSI记录进行异常数据处理，所述异常数据处理包括：车牌错误识别修复、经纬度异常修复以及关键字段缺失数据删除中的至少一种；和/或，

对所述车牌记录和所述IMSI记录进行数据建档。

可选的，所述实时采集车牌记录，包括：

通过车牌相机实时采集车牌相片；

将所述车牌相片输入光学字符识别系统，以识别得到所述车牌记录。

第二方面，本发明实施例还提供了一种电像计算时空轨迹车码关联装置，该装置包括：

数据采集模块，用于实时采集车牌记录和移动终端的IMSI记录，并存储每张所述车牌记录及每条所述IMSI记录的时空信息；

关联特征构造模块，用于根据所述时空信息，通过特征工程构造所述车牌记录与所述IMSI记录之间的关联特征；

关联关系确定模块，用于将所述关联特征输入训练好的梯度提升树车码关联模型，预测得到所述车牌记录与所述IMSI记录之间的关联概率，以根据所述关联概率确定关联关系对。

第三方面，本发明实施例还提供了一种计算机设备，该计算机设备包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的电像计算时空轨迹车码关联方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明任意实施例所提供的电像计算时空轨迹车码关联方法。

本发明实施例提供了一种电像计算时空轨迹车码关联方法，首先实时采集车牌记录和移动终端的IMSI记录，并存储每张车牌记录和每条IMSI记录的时空信息，然后根据该时空信息通过特征工程构造车牌记录与IMSI记录之间的关联特征，再将关联特征输入训练好的梯度提升树车码关联模型，以预测得到车牌记录与IMSI记录之间的关联概率，从而可以根据该关联概率确定所需的关联关系对。本发明实施例所提供的电像计算时空轨迹车码关联方法，通过使用特征工程构造各种关联特征，将车牌、IMSI码这两种不同模态数据的特征之间的关联引入到特征工程中，并使用训练好的梯度提升树车码关联模型进行预测，可以高效、准确的进行车码关联预测，得到了更好的车码关联结果，并可适用于采样范围较大的侦码设备上，从而为侦查、防控等工作提供更加准确实时的关联信息，进而掌握更多线索，为社会安全提供助力。

附图说明

图1为本发明实施例一提供的电像计算时空轨迹车码关联方法的流程图；

图2为本发明实施例二提供的电像计算时空轨迹车码关联装置的结构示意图；

图3为本发明实施例三提供的计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

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。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤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

图1为本发明实施例一提供的电像计算时空轨迹车码关联方法的流程图。本实施例可适用于在进行电像计算时对车牌与IMSI码进行关联的情况，该方法可以由本发明实施例所提供的电像计算时空轨迹车码关联装置来执行，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中。如图1所示，具体包括如下步骤：

S11、实时采集车牌记录和移动终端的IMSI记录，并存储每张所述车牌记录及每条所述IMSI记录的时空信息。

其中，可选的，所述实时采集车牌记录，包括：通过车牌相机实时采集车牌相片；将所述车牌相片输入光学字符识别系统，以识别得到所述车牌记录。具体的，可以在需要监控的道路旁安装车牌相机，从而可以自动对出现的车辆车牌进行实时拍摄，获得车牌相片。然后可以将车牌相片传输回数据库，并输入光学字符识别（OCR）系统，以识别得到车牌相片中的车牌记录并进行存储。在使用车牌相机进行抓拍的同时，可以获得所抓拍的车牌相片的时空信息一并存储，即对应车牌记录的时空信息，如采样时间和采样经纬度等等。类似的，可以通过侦码设备实时采集其采样范围内出现的IMSI记录，然后可以将获得的IMSI记录传输回数据库进行存储，在采集的同时，可以获得所采集的IMSI记录的时空信息一并存储，如采样时间和采样经纬度等等。

可选的，在所述实时采集车牌记录和移动终端的IMSI记录之后，还包括：对所述车牌记录和所述IMSI记录进行异常数据处理，所述异常数据处理包括：车牌错误识别修复、经纬度异常修复以及关键字段缺失数据删除中的至少一种；和/或，对所述车牌记录和所述IMSI记录进行数据建档。

具体的，在采集到车牌记录和IMSI记录之后，可以对车牌记录和IMSI记录进行数据预处理，以便后续步骤的计算使用，并进一步提高结果的准确性。数据预处理过程可以包括异常数据处理，具体可以是对异常数据的清洗与修复，可以使用电像计算中的异常数据处理方法，处理采集及传输等过程中出现的异常数据，如车牌错误识别修复、经纬度异常修复以及关键字段缺失数据删除等等。数据预处理过程还可以包括数据建档，以将相同的车牌、相同的IMSI码进行建档归类，从而简化后续的处理过程，避免重复性的计算工作。

S12、根据所述时空信息，通过特征工程构造所述车牌记录与所述IMSI记录之间的关联特征。

具体的，可以根据各个记录的时空信息对预处理后的车牌记录和IMSI记录构造关联特征并进行存储，以便后续模型的使用。其中，可选的，所述关联特征包括：碰撞特征、速度与方向特征、轨迹相似度特征、场景特征以及组合特征中的至少一种。其中，碰撞特征可以基于车牌记录与IMSI记录的时空信息进行判断，如在相同或相近时间内具备相同或相近的经纬度，则可以认定为发生碰撞，基于时空信息构造碰撞关系后，还可以基于碰撞关系进一步构造碰撞强度、碰撞场所以及连续碰撞等特征。针对速度与方向特征，由于车辆在行驶时会有较明显的速度与方向性，则可以基于速度与方向构造速度相似性、方向相似性、码步行以及码乘车等特征。针对轨迹相似度特征，可以利用车牌记录和IMSI记录的时间戳在三维空间形成各自的三维时空轨迹，从而基于该三维时空轨迹构造轨迹相似度特征。针对场景特征，在车码关联问题中，对于司机、长期乘客等长期关联关系识别难度较低，而临时乘车、偷车、借车等短期关联关系识别难度较大，因此在构造关联关系时，可以引入不同的场景特征，从而有效实现长期关联关系与短期关联关系的识别，具体则可以基于业务经验考虑场景特征以识别一些特殊场景，如车主、长期乘客、上下班、常驻等场景。针对组合特征，可以从上述各种不同的特征中，选取一些表现好的特征进行线性组合，以生成新特征作为组合特征。

S13、将所述关联特征输入训练好的梯度提升树车码关联模型，预测得到所述车牌记录与所述IMSI记录之间的关联概率，以根据所述关联概率确定关联关系对。

其中，提升方法（Boosting）是一种常用的统计机器学习方法，应用广泛且有效。提升方法基于这样一种思想：对于一个复杂任务来说，将多个专家的判断进行适当的综合所得出的判断，要比其中任意一个专家单独的判断好。具体在模型结构上，提升方法通过依次学习多个弱学习器，且每个弱学习器会重点学习前一个弱学习器学错的那一部分，通过将多个弱学习器串联起来，不断的对前一个弱学习器进行修正及纠错，来组合成一个强学习器。梯度提升树（Gradient Boosting Tree）车码关联模型基于提升方法，以决策树作为基学习器，通过引入梯度来优化模型，最终将多棵树进行线性组合，得到最终模型。

具体的，在获得所需的关联特征之后，即可将该关联特征输入到训练好的梯度提升树车码关联模型中，以对该关联特征对应的一对车牌记录与IMSI记录之间的关联概率进行预测，从而可以根据所得到的关联概率确定该对车牌记录与IMSI记录之间是否关联，如可以将关联概率超过预设阈值的车牌记录与IMSI记录确定为关联关系对。

在上述技术方案的基础上，可选的，在所述实时采集车牌记录和移动终端的IMSI记录之前，还包括：通过测试人员使用车辆在目标地域活动，将采集得到样本车牌记录和样本IMSI记录作为初始正样本，并基于所述初始正样本生成初始负样本；通过所述特征工程构造所述初始正样本及所述初始负样本的样本关联特征；建立所述梯度提升树车码关联模型；根据所述样本关联特征对所述梯度提升树车码关联模型进行训练，得到训练好的所述梯度提升树车码关联模型。

具体的，在使用梯度提升树车码关联模型之前，可以首先对其进行训练。由于在车码关联问题中，标注数据涉及到个人隐私而无法获取，则可以通过测试人员模拟使用（如驾驶或乘坐）车辆在目标地域活动，使得可以通过实际场景中的车牌相机和侦码设备采集得到相应的样本车牌记录和样本IMSI记录，并可以将该对记录标注为关联，从而可以作为初始正样本。正样本关系对集合可以记为D_pos={(c₁,I₁),( c₂,I₂),…,( c_n,I_n)}，其中，c代表车牌，I代表IMSI码，( c_i,I_i)代表标注的关联关系对。然后可以基于初始正样本生成初始负样本，具体可以对于初始正样本中出现的每个样本车牌记录，将该样本车牌记录与其他未出现在初始正样本中的IMSI记录组成负样本关系对，以得到初始负样本。进一步可以参考上述特征工程的内容构造得到初始正样本及初始负样本的样本关联特征，同时可以建立所需的梯度提升树车码关联模型，从而可以使用样本关联特征及相应的标注数据对该模型进行训练，以得到训练好的梯度提升树车码关联模型。

进一步可选的，所述根据所述样本关联特征对所述梯度提升树车码关联模型进行训练，得到训练好的所述梯度提升树车码关联模型，包括：将所述样本关联特征按照预设比例随机划分为训练集和验证集；使用所述训练集对所述梯度提升树车码关联模型进行训练，并使用所述验证集对训练后的所述梯度提升树车码关联模型进行验证；若验证结果满足预设条件，则保存当前得到的所述梯度提升树车码关联模型，若不满足，则重新进行训练。

具体的，可以首先对所得的样本关联特征进行划分，得到训练集和验证集，则可以首先使用训练集训练模型，通过模型优化算法基于训练集数据及标签自动优化模型，然后可以通过验证集验证模型的表现是否达到要求，若验证结果满足预设条件，即在验证集上表现好，则可以保存模型进行应用，若不满足，则可以对模型进行重新训练，直至可以满足，从而保证模型的预测效果。其中，对样本关联数据的划分具体可以按照8比2的比例随机分割为训练集和验证集。在完成模型训练后，即可冻结模型参数，并将训练好的模型部署在大数据环境中，以用于实际的车码时空轨迹关联关系的推理。

进一步可选的，在所述将所述关联特征输入训练好的梯度提升树车码关联模型，预测得到所述车牌记录与所述IMSI记录之间的关联概率，以根据所述关联概率确定关联关系对之后，还包括：从实时采集得到的所述车牌记录和所述IMSI记录中选取补充正样本，并基于所述补充正样本生成补充负样本；根据所述补充正样本及所述补充负样本的补充关联特征对所述梯度提升树车码关联模型进行训练，以更新所述梯度提升树车码关联模型。

具体的，由于测试人员人工跑数据的成本较高，因此在上述初次模型训练的过程中，可以仅预先获取少量的初始样本用于训练，并可以在模型每应用一段时间后，根据新获取到的记录对模型重新进行训练，以对所部署的模型自动迭代更新，从而通过更新使得模型能够随着数据的积累自动提升，逐步提高模型预测的效果。具体可以在积累一定量的数据后，从实际采集得到的车牌记录和IMSI记录中选取补充正样本，如可以从中选取表现最好的一部分（可按模型预测的关联概率进行排序，取排名前百万分之一）作为补充正样本，然后可以采用与上述同样的方法基于补充正样本生成补充负样本，还可以直接将实际应用过程中构造的关联特征作为相应的补充关联特征，也可以参考上述特征工程的内容再次构造得到相应的补充关联特征，从而可以使用补充关联特征及相应的标注数据对梯度提升树车码关联模型重新进行训练，再用训练好的新模型替换旧模型。

本发明实施例所提供的技术方案，首先实时采集车牌记录和移动终端的IMSI记录，并存储每张车牌记录和每条IMSI记录的时空信息，然后根据该时空信息通过特征工程构造车牌记录与IMSI记录之间的关联特征，再将关联特征输入训练好的梯度提升树车码关联模型，以预测得到车牌记录与IMSI记录之间的关联概率，从而可以根据该关联概率确定所需的关联关系对。通过使用特征工程构造各种关联特征，将车牌、IMSI码这两种不同模态数据的特征之间的关联引入到特征工程中，并使用训练好的梯度提升树车码关联模型进行预测，可以高效、准确的进行车码关联预测，得到了更好的车码关联结果，并可适用于采样范围较大的侦码设备上，从而为侦查、防控等工作提供更加准确实时的关联信息，进而掌握更多线索，为社会安全提供助力。

实施例二

图2为本发明实施例二提供的电像计算时空轨迹车码关联装置的结构示意图，该装置可以由硬件和/或软件的方式来实现，一般可集成于计算机设备中，用于执行本发明任意实施例所提供的电像计算时空轨迹车码关联方法。如图2所示，该装置包括：

数据采集模块21，用于实时采集车牌记录和移动终端的IMSI记录，并存储每张所述车牌记录及每条所述IMSI记录的时空信息；

关联特征构造模块22，用于根据所述时空信息，通过特征工程构造所述车牌记录与所述IMSI记录之间的关联特征；

关联关系确定模块23，用于将所述关联特征输入训练好的梯度提升树车码关联模型，预测得到所述车牌记录与所述IMSI记录之间的关联概率，以根据所述关联概率确定关联关系对。

在上述技术方案的基础上，可选的，该电像计算时空轨迹车码关联装置，还包括：

初始样本获取模块，用于在所述实时采集车牌记录和移动终端的IMSI记录之前，通过测试人员使用车辆在目标地域活动，将采集得到样本车牌记录和样本IMSI记录作为初始正样本，并基于所述初始正样本生成初始负样本；

样本关联特征构造模块，用于通过所述特征工程构造所述初始正样本及所述初始负样本的样本关联特征；

模型建立模块，用于建立所述梯度提升树车码关联模型；

模型训练模块，用于根据所述样本关联特征对所述梯度提升树车码关联模型进行训练，得到训练好的所述梯度提升树车码关联模型。

在上述技术方案的基础上，可选的，模型训练模块，包括：

样本划分单元，用于将所述样本关联特征按照预设比例随机划分为训练集和验证集；

训练验证单元，用于使用所述训练集对所述梯度提升树车码关联模型进行训练，并使用所述验证集对训练后的所述梯度提升树车码关联模型进行验证；

重新训练单元，用于若验证结果满足预设条件，则保存当前得到的所述梯度提升树车码关联模型，若不满足，则重新进行训练。

补充样本获取模块，用于在所述将所述关联特征输入训练好的梯度提升树车码关联模型，预测得到所述车牌记录与所述IMSI记录之间的关联概率，以根据所述关联概率确定关联关系对之后，从实时采集得到的所述车牌记录和所述IMSI记录中选取补充正样本，并基于所述补充正样本生成补充负样本；

模型更新模块，用于根据所述补充正样本及所述补充负样本的补充关联特征对所述梯度提升树车码关联模型进行训练，以更新所述梯度提升树车码关联模型。

在上述技术方案的基础上，可选的，所述关联特征包括：碰撞特征、速度与方向特征、轨迹相似度特征、场景特征以及组合特征中的至少一种。

异常数据处理模块，用于在所述实时采集车牌记录和移动终端的IMSI记录之后，对所述车牌记录和所述IMSI记录进行异常数据处理，所述异常数据处理包括：车牌错误识别修复、经纬度异常修复以及关键字段缺失数据删除中的至少一种；和/或，

数据建档模块，用于对所述车牌记录和所述IMSI记录进行数据建档。

在上述技术方案的基础上，可选的，数据采集模块21，包括：

车牌相片采集单元，用于通过车牌相机实时采集车牌相片；

车牌记录识别单元，用于将所述车牌相片输入光学字符识别系统，以识别得到所述车牌记录。

本发明实施例所提供的电像计算时空轨迹车码关联装置可执行本发明任意实施例所提供的电像计算时空轨迹车码关联方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，在上述电像计算时空轨迹车码关联装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

实施例三

图3为本发明实施例三提供的计算机设备的结构示意图，示出了适于用来实现本发明实施方式的示例性计算机设备的框图。图3显示的计算机设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。如图3所示，该计算机设备包括处理器31、存储器32、输入装置33及输出装置34；计算机设备中处理器31的数量可以是一个或多个，图3中以一个处理器31为例，计算机设备中的处理器31、存储器32、输入装置33及输出装置34可以通过总线或其他方式连接，图3中以通过总线连接为例。

存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的电像计算时空轨迹车码关联方法对应的程序指令/模块（例如，电像计算时空轨迹车码关联装置中的数据采集模块21、关联特征构造模块22及关联关系确定模块23）。处理器31通过运行存储在存储器32中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及数据处理，即实现上述的电像计算时空轨迹车码关联方法。

存储器32可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器32可进一步包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置33可用于实时采集车牌记录和移动终端的IMSI记录，以及产生与计算机设备的用户设置和功能控制有关的键信号输入等。输出装置34可包括显示屏等设备，可用于向用户展示关联结果等等。

实施例四

本发明实施例四还提供一种包含计算机可执行指令的存储介质，该计算机可执行指令在由计算机处理器执行时用于执行一种电像计算时空轨迹车码关联方法，该方法包括：

存储介质可以是任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM、兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到计算机系统。第二计算机系统可以提供程序指令给计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的电像计算时空轨迹车码关联方法中的相关操作。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（Read-Only Memory, ROM）、随机存取存储器（RandomAccess Memory, RAM）、闪存（FLASH）、硬盘或光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的方法。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims

1.一种电像计算时空轨迹车码关联方法，其特征在于，包括：

2.根据权利要求1所述的电像计算时空轨迹车码关联方法，其特征在于，在所述实时采集车牌记录和移动终端的IMSI记录之前，还包括：

建立所述梯度提升树车码关联模型；

3.根据权利要求2所述的电像计算时空轨迹车码关联方法，其特征在于，所述根据所述样本关联特征对所述梯度提升树车码关联模型进行训练，得到训练好的所述梯度提升树车码关联模型，包括：

4.根据权利要求2所述的电像计算时空轨迹车码关联方法，其特征在于，在所述将所述关联特征输入训练好的梯度提升树车码关联模型，预测得到所述车牌记录与所述IMSI记录之间的关联概率，以根据所述关联概率确定关联关系对之后，还包括：

5.根据权利要求1所述的电像计算时空轨迹车码关联方法，其特征在于，所述关联特征包括：碰撞特征、速度与方向特征、轨迹相似度特征、场景特征以及组合特征中的至少一种。

6.根据权利要求1所述的电像计算时空轨迹车码关联方法，其特征在于，在所述实时采集车牌记录和移动终端的IMSI记录之后，还包括：

对所述车牌记录和所述IMSI记录进行数据建档。

7.根据权利要求1所述的电像计算时空轨迹车码关联方法，其特征在于，所述实时采集车牌记录，包括：

通过车牌相机实时采集车牌相片；

8.一种电像计算时空轨迹车码关联装置，其特征在于，包括：

9.一种计算机设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的电像计算时空轨迹车码关联方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的电像计算时空轨迹车码关联方法。