CN106875679B - 识别伴随车辆的方法及装置 - Google Patents
识别伴随车辆的方法及装置 Download PDFInfo
- Publication number
- CN106875679B CN106875679B CN201710151152.5A CN201710151152A CN106875679B CN 106875679 B CN106875679 B CN 106875679B CN 201710151152 A CN201710151152 A CN 201710151152A CN 106875679 B CN106875679 B CN 106875679B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road
- vehicle combination
- vehicles
- sub
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种识别伴随车辆的方法及装置,用以解决现有技术中伴随车辆识别率低的技术问题。该方法包括:获取多个道路卡口在指定时间段监控到的车辆信息,所述车辆信息包括车辆通过每个所述道路卡口的时刻,以及所述车辆通过所述道路卡口的通过方向;将通过同一所述道路卡口的时刻小于时长阈值且通过方向相同的两辆车作为车辆组合;根据所述车辆组合通过的道路卡口数,以及所述车辆组合中任一车辆通过的道路卡口数,计算所述车辆组合的伴随置信度;根据所述伴随置信度确定所述车辆组合中的两辆车是否为伴随车辆。
Description
技术领域
本发明涉及数据处理领域,具体地,涉及一种识别伴随车辆的方法及装置。
背景技术
随着城市机动车保有量的增长,伴随的问题也日益显现。为了提升社会治安水平,针对机动车辆的检测和监控技术得到了广泛的研究,机动车辆数据分析技术得到了迅速的推广应用,被广泛应用于治安卡口、车辆信息实时分析、涉案嫌疑车拦截等交通场景中。
据刑侦统计,利用机动车进行违法、犯罪活动的嫌疑人采用结伴而行的方式较多,而且车辆盗窃或抢劫案件中通常也是多人伙同作案,犯罪嫌疑人及其同伙的车辆通常尾随在受害人车辆附近。伴随车是指在某一时间跨度内,与指定号牌车辆一起出现在多个卡口的车辆,且这些车辆经过同一卡口的时间差小于某时间阈值且方向相同。在卡口站点上布置监控***,并实时对监控***获取的车辆信息进行伴随车检测,来寻找伙同犯罪的嫌疑车辆,可以及时向公安机关告警并提供有价值的破案线索,使人民的生命财产安全得到最大限度的保障。
目前针对伴随车辆的识别主要通过对比车辆的行驶轨迹,进行行驶轨迹相似性分析,而没有从涉案伴随车行为特点入手做深入的分析,导致涉案伴随车识别率低,在公安实战中,需要公安人员进行进一步筛查,消耗大量的人力物力。
发明内容
本发明的主要目的是提供一种识别伴随车辆的方法及装置,用以解决现有技术中伴随车辆识别率低的技术问题,提升了公安办案中对涉案伴随车辆的识别率。
为了实现上述目的,本发明第一方面提供一种识别伴随车辆的方法,包括:
获取多个道路卡口在指定时间段监控到的车辆信息,所述车辆信息包括车辆通过每个所述道路卡口的时刻,以及所述车辆通过所述道路卡口的通过方向;
将通过同一所述道路卡口的时刻小于时长阈值且通过方向相同的两辆车作为车辆组合;
根据所述车辆组合通过的道路卡口数,以及所述车辆组合中任一车辆通过的道路卡口数,计算所述车辆组合的伴随置信度;
根据所述伴随置信度确定所述车辆组合中的两辆车是否为伴随车辆。
可选地,所述将通过同一所述道路卡口的时刻小于时长阈值且通过方向相同的两辆车作为车辆组合包括:
根据第一道路卡口在所述指定时间段的各个子时间段的车流量分别设定对应每一所述子时间段的时间窗口大小,所述第一道路卡口为任一道路卡口;
在第一子时间段内滑动对应所述第一子时间段的时间窗口,确定通过方向相同且通过所述第一道路卡口的时刻同时落入所述时间窗口的任意两辆车为一个车辆组合,所述第一子时间段为所述指定时间段的任一子时间段。
可选地,所述根据所述车辆组合通过的道路卡口数,以及所述车辆组合中任一车辆通过的道路卡口数,计算所述车辆组合的伴随置信度包括:
通过如下公式计算所述车辆组合(A->B)的伴随置信度Conf(A->B):
可选地,所述根据所述伴随置信度确定所述车辆组合中的两辆车是否为伴随车辆包括:
根据所有车辆组合的伴随置信度大小,设定置信度阈值Conft;
在所述车辆组合的伴随置信度大于所述置信度阈值时,确定所述车辆组合中的两辆车为伴随车辆,在所述车辆组合的伴随置信度不大于所述置信度阈值时,确定所述车辆组合中的两辆车非伴随车辆。
可选地,在所述根据所述伴随置信度确定所述车辆组合中的两辆车是否为伴随车辆之前,所述方法还包括:
将所述车辆组合的行驶路径按照道路卡口划分为多个子轨迹;
根据每一所述子轨迹中所有道路卡口记录的车辆数确定每一所述子轨迹的偏僻值;
根据每一所述子轨迹的偏僻值确定所述车辆组合行驶路径的偏僻度。
可选地,所述根据所述伴随置信度确定所述车辆组合中的两辆车是否为伴随车辆包括:
根据所述伴随置信度以及所述车辆组合行驶路径的偏僻度确定所述车辆组合中的两辆车是否为伴随车辆。
可选地,所述根据每一所述子轨迹的偏僻值确定所述车辆组合的行驶路径的偏僻度,包括:
采用如下公式计算所述车辆组合行驶路径的偏僻度RF:
其中,Rτ是路径偏僻值的阈值,Rmin是所述车辆组合行驶路径的所有子轨迹中的最小偏僻值。
第二方面提供一种识别伴随车辆的装置,包括:
获取模块,用于获取多个道路卡口在指定时间段监控到的车辆信息,所述车辆信息包括车辆通过每个所述道路卡口的时刻,以及所述车辆通过所述道路卡口的通过方向;
第一划分模块,用于将通过同一所述道路卡口的时刻小于时长阈值且通过方向相同的两辆车作为车辆组合;
第一计算模块,用于根据所述车辆组合通过的道路卡口数,以及所述车辆组合中任一车辆通过的道路卡口数,计算所述车辆组合的伴随置信度;
判断模块,用于根据所述伴随置信度确定所述车辆组合中的两辆车是否为伴随车辆。
可选地,所述第一划分模块包括:
第一设定子模块,用于根据第一道路卡口在所述指定时间段的各个子时间段的车流量分别设定对应每一所述子时间段的时间窗口大小,所述第一道路卡口为任一道路卡口;
确定子模块,用于在第一子时间段内滑动对应所述第一子时间段的时间窗口,确定通过方向相同且通过所述第一道路卡口的时刻同时落入所述时间窗口的任意两辆车为一个车辆组合,所述第一子时间段为所述指定时间段的任一子时间段。
可选地,所述第一计算模块用于:
通过如下公式计算所述车辆组合(A->B)的伴随置信度Conf(A->B):
可选地,所述判断模块包括:
第二设定子模块,用于根据所有车辆组合的伴随置信度大小,设定置信度阈值Conft;
判断子模块,用于在所述车辆组合的伴随置信度大于所述置信度阈值时,确定所述车辆组合中的两辆车为伴随车辆,在所述车辆组合的伴随置信度不大于所述置信度阈值时,确定所述车辆组合中的两辆车非伴随车辆。
可选地,还包括:
第二划分模块,用于将所述车辆组合的行驶路径按照道路卡口划分为多个子轨迹;
第二计算模块,用于根据每一所述子轨迹中所有道路卡口记录的车辆数确定每一所述子轨迹的偏僻值;
第三计算模块,用于根据每一所述子轨迹的偏僻值确定所述车辆组合行驶路径的偏僻度。
可选地,所述判断模块用于:
根据所述伴随置信度以及所述车辆组合行驶路径的偏僻度确定所述车辆组合中的两辆车是否为伴随车辆。
可选地,所述第三计算模块用于:
采用如下公式计算所述车辆组合行驶路径的偏僻度RF:
其中,Rτ是路径偏僻值的阈值,Rmin是所述车辆组合行驶路径的所有子轨迹中的最小偏僻值。
上述技术方案,通过对潜在的伴随车辆进行两两组合,并基于车辆组合通过各个道路卡口的情况计算每一车辆组合作为伴随车辆的置信度,根据置信度的大小判断车辆组合是否为伴随车辆,由于伴随行驶的两辆车通过相同道路卡口的数目多且通过时间接近,因此,本发明通过计算车辆组合的置信度可以有效识别出伴随车辆,提高了识别率,减少了人力消耗。
本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1是本发明实施例提供的一种识别伴随车辆的方法的流程示意图;
图2是本发明实施例提供的一种划分车辆组合的方法示意图;
图3A是本发明实施例提供的一种识别伴随车辆的装置的结构示意图;
图3B是本发明实施例提供的另一种识别伴随车辆的装置的结构示意图;
图3C是本发明实施例提供的另一种识别伴随车辆的装置的结构示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
本发明实施例提供一种识别伴随车辆的方法,如图1所示,该方法包括:
S101、获取多个道路卡口在指定时间段监控到的车辆信息,所述车辆信息包括车辆通过每个所述道路卡口的时刻,以及所述车辆通过所述道路卡口的通过方向。
其中,根据不同的应用场景,在具体实施时,上述多个道路卡口可以根据实际情况选择。例如,在市区内发生的刑事案件中,针对案发地点,所述多个道路卡口可以是案发地点五公里范围内的所有道路卡口,而对于在高速路上发生的案件,所述多个道路卡口可以是案发地点二十公里范围内的所有道路卡口。另外,所述指定时间段也可以根据实际情况设定,例如,针对摩托车犯案的情况,指定时间段可以是案发前后各一小时,对于汽车犯案的情况,指定时间段可以是案发前后各两小时。本发明对此不做限定。
S102、将通过同一所述道路卡口的时刻小于时长阈值且通过方向相同的两辆车作为车辆组合。
也就是说,针对任一道路卡口,将通过该道路卡口的车辆根据通过时刻的先后进行排列,若任意两个车辆通过的该道路卡口的时刻之间的时间差小于时长阈值,则该两辆车作为一个车辆组合。
示例地,车辆A通过道路卡口1的时刻是9:15:00,车辆B通过道路卡口1的时刻是9:15:30,车辆C通过道路卡口1的时刻是9:17:00,且车辆A、B、C是同一方向通过道路卡口1,在此种情况下,若时长阈值为两分钟,则车辆A和车辆B为一个车辆组合,车辆A和车辆C为一个车辆组合,车辆B和车辆C为一个车辆组合。若时长阈值为一分钟,则车辆A和车辆B为一个车辆组合。
值得说明的是,该时时长阈值可以是预先设置的,也可以是根据实际情况动态调整的。
S103、根据所述车辆组合通过的道路卡口数,以及所述车辆组合中任一车辆通过的道路卡口数,计算所述车辆组合的伴随置信度。
值得说明的是,深入分析伴随车辆的行为可知,对于伴随行驶的两辆车,其通过的相同道路卡口较多且通过的时刻相接近。因此,基于该特性计算两辆车作为伴随车辆的伴随置信度,可以有效评估车辆组合是伴随车辆的概率。
S104、根据所述伴随置信度确定所述车辆组合中的两辆车是否为伴随车辆。
采用上述技术方案,通过对潜在的伴随车辆进行两两组合,并基于车辆组合通过各个道路卡口的情况计算每一车辆组合作为伴随车辆的伴随置信度,根据置信度的大小判断车辆组合是否为伴随车辆,由于伴随行驶的两辆车通过相同道路卡口的数目多且通过时间接近,因此,本发明实施例通过计算车辆组合的置信度可以有效识别出伴随车辆,提高了识别率,减少了人力消耗。
为了使本领域技术人员更加理解本发明实施例提供的技术方案,下面对上述步骤进行详细说明。
具体地,步骤S102中,所述将通过同一所述道路卡口的时刻小于时长阈值且通过方向相同的两辆车作为车辆组合可以包括:根据第一道路卡口在所述指定时间段的各个子时间段的车流量分别设定对应每一所述子时间段的时间窗口大小,所述第一道路卡口为任一道路卡口;在第一子时间段内滑动对应所述第一子时间段的时间窗口,确定通过方向相同且通过所述第一道路卡口的时刻同时落入所述时间窗口的任意两辆车为一个车辆组合,所述第一子时间段为所述指定时间段的任一子时间段。
示例地,如图2所示,上述指定时间段为T1至Tk。根据车流量情况将该指定时间段划分为多个子时间段,其中,每两个相邻子时间段的车流量差异较大。在具体实施时,可以设定车流量阈值,示例地,若早上八点到九点之间的车流量与早上六点到早上七点之间的车流量差值大于所述车流量阈值,则将早上六点到早上七点划分为一个子时间段,将早上八点到九点划分为另一个时间段。这样,在得到如图2示出的子时间段t1,子时间段t2至至子时间段tk-1后,进一步地,根据每一子时间段的车流量大小设定对应的时间窗口,如图2中示出的,子时间段t1对应的时间窗口为τ1,子时间段t2对应的时间窗口为τ2,子时间段tk-1对应的时间窗口为τk-1。
值得说明的是,时间窗口大小的设定可以遵循以下规则:车流量越大的子时间段,对应的时间窗口越小,车流量越小的子时间段,对应的时间窗口越大。例如,子时间段t1的车流量为10辆每分钟,则子时间段t1对应的时间窗口τ1可以为两分钟,子时间段t2的车流量为20辆每分钟,则子时间段t1对应的时间窗口τ1可以为一分钟。
这样,在子时间段t1内,将车辆按照通过道路卡口的时刻的先后进行排列,并依次滑动时间窗口τ1,每次滑动后,落入时间窗口τ1中的任意两辆车之间组成一个车辆组合。其中,时间窗口每次滑动的大小可以根据实际情况预先设定,例如,计算机运算量的大小。本发明对此不做限定。
在对每一道路卡口的车辆通过图2所示的方法进行组合后,可得到车辆组合集合。具体地,每个道路卡口监控到的车辆信息包括车辆标识,例如,车牌号,这样,针对确定为车辆组合的两辆车,可以成对的记录这两辆车的车牌号,以表明该两辆车是一个车辆组合。另外,在具体实施时,还可以去掉重复的车辆组合,例如,道路卡口1确定的车辆组合包括车辆A和车辆B的组合,道路卡口2确定的车辆组合也包括车辆A和车辆B的组合,则可以在划分车辆组合时删除重复的车辆组合,使得车辆组合集合中每一车辆组合仅有一条记录。
进一步地,上述步骤S103计算目标车辆组合的置信度可以包括:
通过如下公式计算所述车辆组合(A->B)的置信度Conf(A->B):
示例地,车辆A在指定时间段通过道路卡口1、道路卡口2、道路卡口3、道路卡口4、道路卡口5、道路卡口6、道路卡口7、道路卡口8、道路卡口9和道路卡口10;车辆B在指定时间段通过道路卡口4、道路卡口5、道路卡口6、道路卡口7、道路卡口8、道路卡口9、道路卡口10、道路卡口11、道路卡口12、道路卡口13、道路卡口14、道路卡口15、道路卡口16和道路卡口17;车辆A和车辆B作为车辆组合通过道路卡口6、道路卡口7、道路卡口8、道路卡口9和道路卡口10。
这样,等于5,等于10,等于14。则计算可得Conf(A->B)等于5/10,Conf(B->A)等于5/14。其中,在具体实施时,可以选择统一选择较大值作为车辆组合的伴随置信度,也可以同一选择较小值作为车辆组合的伴随置信度。
另一个例子,在已经锁定目标车辆A后,例如涉嫌刑事案件的车辆,通过获取各个道路卡口在指定时间段监控到的车辆信息,确定包含目标车辆A的车辆组合有:AC、AB和AE,则通过计算,选取和中的较大值作为车辆组合AC的伴随置信度,选取和中的较大值作为车辆组合AB的伴随置信度,选取和中的较大值作为车辆组合AE的伴随置信度。进一步地,通过比较各个包含目标车辆A的车辆组合的伴随置信度可以识别目标车辆A的伴随车辆。
上述计算伴随置信度的方式只是本发明实施例一种可能的实现方式,在具体实施时,还可以考虑实际场景的客观因素计算伴随置信度。例如,在公安办案的场景下,对于案发地点,选定距离案发地点五公里范围内的道路卡口,并设定各个道路卡口的权值,其中,达到所述案发地点必经的道路卡口的权值最高,离案发地点越近的,权值越高。也就是说,本发明实施例还可以基于各个道路卡口的权值计算车辆组合的伴随置信度。
进一步地,步骤S104可以包括:根据所有车辆组合的伴随置信度大小,设定置信度阈值Conft;在所述车辆组合的伴随置信度大于所述置信度阈值时,确定所述车辆组合中的两辆车为伴随车辆,在所述车辆组合的伴随置信度不大于所述置信度阈值时,确定所述车辆组合中的两辆车非伴随车辆。
示例地,置信度阈值为车辆组合最大置信度的百分之八十,这样,若所有车辆组合中伴随置信度最大值为1,最小值为0.1,则可以设定置信度阈值为0.8。这样,伴随置信度大于0.8的即可确定为伴随车辆,小于0.8的可以确定为非伴随车辆。
以上是对基于置信度判断车辆组合是否为伴随车辆的方法进行的说明。在本发明实施例的一种可能的实现方式中,还可以在置信度的基础上结合车辆组合的行驶路径判断车辆组合是否为伴随车辆,具体如下:
首先,将所述车辆组合的行驶路径按照道路卡口划分为多个子轨迹;根据每一所述子轨迹中所有道路卡口记录的车辆数确定每一所述子轨迹的偏僻值;根据每一所述子轨迹的偏僻值确定所述车辆组合的行驶路径的偏僻度。
示例地,将车辆组合在所述指定时间段内的行驶路径S分割为多个子轨迹并将第i个子轨迹用该子轨迹中的每一个道路卡口的记录点序列表示,即Si={p1,p2,...,p1+,i...,p1+n}。其中,p1是子轨迹的起点的道路卡口记录,p1+n是终点道路卡口的记录,n表示此条子轨迹中有多少卡口记录。
基于上述处理,可以得到每一车辆组合在指定时间段内通过的多个子轨迹。这样,针对某一条子轨迹,在指定时间段内通过该子轨迹所有车辆的集合定义为Vp,利用Vp即可表示该子轨迹的偏僻值Rp,具体地,Rp=|Vp|。
进一步地,本发明实施例可以采用如下公式计算所述车辆组合的偏僻度RF:
其中,Rτ是路径偏僻值的阈值,Rmin是所述车辆组合行驶路径的所有子轨迹的最小偏僻值。
也就是说,在计算得到所有车辆组合的所有子轨迹的偏僻值Rp后,根据所有车辆组合的所有子轨迹的偏僻值设定偏僻值阈值Rτ,并针对某一车辆组合,确定该车辆组合的所有子轨迹中最小的偏僻值Rmin,再由上式计算得到该车辆组合行驶路径的偏僻度。
由上述公式可知,若某一车辆组合的行驶路径的偏僻度较小,则表明所述车辆组合选择的行驶路径比较隐蔽,其他行车比较少,符合犯案人员的作案心理,从而该车辆组合是伴随车辆的可能性较大。
进一步地,在计算得到每一车辆组合的置信度以及偏僻度后,可以根据每一车辆组合的置信度以及每一车辆组合行驶路径的偏僻度确定所述车辆组合中的两辆车是否为伴随车辆。
例如,确定置信度大于置信度阈值且偏僻度大于偏僻度阈值的车辆组合为伴随车辆,其中,置信度阈值和偏僻度阈值可以预先设置。又例如,将车辆组合按照置信度由大到小排序,选取前百分之二十的车辆组合,又按照偏僻度有小到大对车辆组合进行排序,选取前百分之二十的车辆组合,确定辆车选取中重复出现的车辆组合为伴随车辆。
这样,在置信度的基础上结合偏僻度,进一步增加了伴随车辆的识别率。由此可知,本发明实施例提供的方法从涉案伴随车行为特点入手做深入的分析,提升了识别率,减少了人力消耗。
本发明实施例还提供一种识别伴随车辆的装置30,用于实施上述方法实施例提供的一种识别伴随车辆的方法,如图3A所示,该装置30包括:
获取模块301,用于获取多个道路卡口在指定时间段监控到的车辆信息,所述车辆信息包括车辆通过每个所述道路卡口的时刻,以及所述车辆通过所述道路卡口的通过方向;
第一划分模块302,用于将通过同一所述道路卡口的时刻小于时长阈值且通过方向相同的两辆车作为车辆组合;
第一计算模块303,用于根据所述车辆组合通过的道路卡口数,以及所述车辆组合中任一车辆通过的道路卡口数,计算所述车辆组合的伴随置信度;
判断模块304,用于根据所述伴随置信度确定所述车辆组合中的两辆车是否为伴随车辆。
采用上述装置,通过对潜在的伴随车辆进行两两组合,并基于车辆组合通过各个道路卡口的情况计算每一车辆组合作为伴随车辆的置信度,根据置信度的大小判断车辆组合是否为伴随车辆,由于伴随行驶的两辆车通过相同道路卡口的数目多且通过时间接近,因此,本发明通过计算车辆组合的置信度可以有效识别出伴随车辆,提高了识别率,减少了人力消耗。
可选地,如图3B所示,所述第一划分模块302包括:
第一设定子模块3021,用于根据第一道路卡口在所述指定时间段的各个子时间段的车流量分别设定对应每一所述子时间段的时间窗口大小,所述第一道路卡口为任一道路卡口;确定子模块3022,用于在第一子时间段内滑动对应所述第一子时间段的时间窗口,确定通过方向相同且通过所述第一道路卡口的时刻同时落入所述时间窗口的任意两辆车为一个车辆组合,所述第一子时间段为所述指定时间段的任一子时间段。
具体地,参照方法实施例中对应图2的描述,此处不再赘述。
可选地,所述第一计算模块303用于:
通过如下公式计算所述车辆组合(A->B)的伴随置信度Conf(A->B):
可选地,如图3B所示,所述判断模块304包括:
第二设定子模块3041,用于根据所有车辆组合的伴随置信度大小,设定置信度阈值Conft;判断子模块3042,用于在所述车辆组合的伴随置信度大于所述置信度阈值时,确定所述车辆组合中的两辆车为伴随车辆,在所述车辆组合的伴随置信度不大于所述置信度阈值时,确定所述车辆组合中的两辆车非伴随车辆。
在本发明实施例的另一种可能的实现方式中,如图3C所示,该装置30还包括:
第二划分模块305,用于将所述车辆组合的行驶路径按照道路卡口划分为多个子轨迹;
第二计算模块306,用于根据每一所述子轨迹中所有道路卡口记录的车辆数确定每一所述子轨迹的偏僻值;
第三计算模块307,用于根据每一所述子轨迹的偏僻值确定所述车辆组合行驶路径的偏僻度。
这样,该装置30在在置信度的基础上结合车辆组合的行驶路径判断车辆组合是否为伴随车辆。进一步提高伴随车辆的识别率。
具体地,所述第三计算模块307用于:
采用如下公式计算所述车辆组合行驶路径的偏僻度RF:
其中,Rτ是路径偏僻值的阈值,Rmin是所述车辆组合行驶路径的所有子轨迹的最小偏僻值。
示例地,将车辆组合在所述指定时间段内的行驶路径S分割为多个子轨迹并将第i个子轨迹用该子轨迹中的每一个道路卡口的记录点序列表示,即Si={p1,p2,...,p1+i,...,p1+n}。其中,p1是子轨迹的起点的道路卡口记录,p1+n是终点道路卡口的记录,n表示此条子轨迹中有多少卡口记录。
基于上述处理,可以得到每一车辆组合在指定时间段内通过的多个子轨迹。这样,针对某一条子轨迹,在指定时间段内通过该子轨迹所有车辆的集合定义为Vp,利用Vp即可表示该子轨迹的偏僻值Rp,这样,通过上式计算可得到车辆组合行驶路径的偏僻度。
进一步地,所述判断模块304用于:
根据所述伴随置信度以及所述车辆组合行驶路径的偏僻度确定所述车辆组合中的两辆车是否为伴随车辆。
本领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述功能模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
值得说明的是,在具体实施时,装置30可以通过软件、硬件或者两者结合实现成为计算机设备的部分或者全部。
另外,在本申请所提供的实施例中,应该理解到,所公开的装置和方法,可以通过其它的方式实现。例如,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,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方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、RAM(Random Access Memory,随机存取存储器)、磁碟或者光盘等各种可以存储数据的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种识别伴随车辆的方法,其特征在于,包括:
获取多个道路卡口在指定时间段监控到的车辆信息,所述车辆信息包括车辆通过每个所述道路卡口的时刻,以及所述车辆通过所述道路卡口的通过方向;
将通过同一所述道路卡口的时刻小于时长阈值且通过方向相同的两辆车作为车辆组合;
根据所述车辆组合通过的道路卡口数,以及所述车辆组合中任一车辆通过的道路卡口数,计算所述车辆组合的伴随置信度;
将所述车辆组合的行驶路径按照道路卡口划分为多个子轨迹;
根据每一所述子轨迹中所有道路卡口记录的车辆数确定每一所述子轨迹的偏僻值;
根据每一所述子轨迹的偏僻值确定所述车辆组合行驶路径的偏僻度;
根据所述伴随置信度以及所述车辆组合行驶路径的偏僻度,确定所述车辆组合中的两辆车是否为伴随车辆。
2.根据权利要求1所述的方法,其特征在于,所述将通过同一所述道路卡口的时刻小于时长阈值且通过方向相同的两辆车作为车辆组合包括:
根据第一道路卡口在所述指定时间段的各个子时间段的车流量分别设定对应每一所述子时间段的时间窗口大小,所述第一道路卡口为任一道路卡口;
在第一子时间段内滑动对应所述第一子时间段的时间窗口,确定通过方向相同且通过所述第一道路卡口的时刻同时落入所述时间窗口的任意两辆车为一个车辆组合,所述第一子时间段为所述指定时间段的任一子时间段。
4.根据权利要求3所述的方法,其特征在于,所述根据所述伴随置信度以及所述车辆组合行驶路径的偏僻度,确定所述车辆组合中的两辆车是否为伴随车辆包括:
根据所有车辆组合的伴随置信度大小,设定置信度阈值Conft;
在所述车辆组合的伴随置信度大于所述置信度阈值,且所述车辆组合行驶路径的偏移度大于偏移度阈值时,确定所述车辆组合中的两辆车为伴随车辆;
在所述车辆组合的伴随置信度不大于所述置信度阈值或所述车辆组合行驶路径的偏移度不大于偏移度阈值时,确定所述车辆组合中的两辆车非伴随车辆。
6.一种识别伴随车辆的装置,其特征在于,包括:
获取模块,用于获取多个道路卡口在指定时间段监控到的车辆信息,所述车辆信息包括车辆通过每个所述道路卡口的时刻,以及所述车辆通过所述道路卡口的通过方向;
第一划分模块,用于将通过同一所述道路卡口的时刻小于时长阈值且通过方向相同的两辆车作为车辆组合;
第一计算模块,用于根据所述车辆组合通过的道路卡口数,以及所述车辆组合中任一车辆通过的道路卡口数,计算所述车辆组合的伴随置信度;
第二划分模块,用于将所述车辆组合的行驶路径按照道路卡口划分为多个子轨迹;
第二计算模块,用于根据每一所述子轨迹中所有道路卡口记录的车辆数确定每一所述子轨迹的偏僻值;
第三计算模块,用于根据每一所述子轨迹的偏僻值确定所述车辆组合行驶路径的偏僻度;
判断模块,用于根据所述伴随置信度以及所述车辆组合行驶路径的偏僻度,确定所述车辆组合中的两辆车是否为伴随车辆。
7.根据权利要求6所述的装置,其特征在于,所述第一划分模块包括:
第一设定子模块,用于根据第一道路卡口在所述指定时间段的各个子时间段的车流量分别设定对应每一所述子时间段的时间窗口大小,所述第一道路卡口为任一道路卡口;
确定子模块,用于在第一子时间段内滑动对应所述第一子时间段的时间窗口,确定通过方向相同且通过所述第一道路卡口的时刻同时落入所述时间窗口的任意两辆车为一个车辆组合,所述第一子时间段为所述指定时间段的任一子时间段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710151152.5A CN106875679B (zh) | 2017-03-14 | 2017-03-14 | 识别伴随车辆的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710151152.5A CN106875679B (zh) | 2017-03-14 | 2017-03-14 | 识别伴随车辆的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106875679A CN106875679A (zh) | 2017-06-20 |
CN106875679B true CN106875679B (zh) | 2020-04-03 |
Family
ID=59170578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710151152.5A Active CN106875679B (zh) | 2017-03-14 | 2017-03-14 | 识别伴随车辆的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106875679B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564788B (zh) * | 2018-06-07 | 2021-09-10 | 重庆邮电大学 | 一种基于流式大数据的同行车辆发现方法 |
CN108932839B (zh) * | 2018-06-19 | 2020-08-04 | 浙江大华技术股份有限公司 | 一种同行车辆判断方法及装置 |
CN109118766A (zh) * | 2018-09-04 | 2019-01-01 | 华南师范大学 | 一种基于交通卡口的同行车辆判别方法及装置 |
CN110889422A (zh) * | 2018-09-10 | 2020-03-17 | 百度在线网络技术(北京)有限公司 | 同行车辆的判断方法、装置、设备及计算机可读介质 |
CN109376639B (zh) * | 2018-10-16 | 2021-12-17 | 上海弘目智能科技有限公司 | 基于人像识别的伴随人员预警***及方法 |
CN111696351B (zh) * | 2020-06-10 | 2022-08-09 | 长威信息科技发展股份有限公司 | 基于大数据的可疑车辆判别方法及*** |
CN114090704B (zh) * | 2020-08-04 | 2024-06-07 | 中国科学院深圳先进技术研究院 | 乘客的识别方法和识别装置、电子设备和可读存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006172001A (ja) * | 2004-12-14 | 2006-06-29 | Sumitomo Electric Ind Ltd | 車両検知システム |
CN102289659B (zh) * | 2011-06-23 | 2013-01-02 | 杭州诚道科技有限公司 | 伴随车检测方法 |
CN103366566B (zh) * | 2013-06-25 | 2015-05-06 | 中国科学院信息工程研究所 | 一种针对特定车辆潜在群体的行驶轨迹预测方法 |
WO2015098280A1 (ja) * | 2013-12-27 | 2015-07-02 | 株式会社シーズ・ラボ | 地図データ更新装置 |
CN105067003B (zh) * | 2015-08-14 | 2019-05-07 | 深圳市赛格导航科技股份有限公司 | 一种用于车辆跟随的***及方法 |
CN105261218B (zh) * | 2015-10-27 | 2017-08-08 | 杭州电子科技大学 | 基于大数据分析的浮动车伴随行为模式挖掘方法 |
-
2017
- 2017-03-14 CN CN201710151152.5A patent/CN106875679B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN106875679A (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875679B (zh) | 识别伴随车辆的方法及装置 | |
US7944468B2 (en) | Automated asymmetric threat detection using backward tracking and behavioral analysis | |
CN106157630B (zh) | 犯罪嫌疑目标的监测方法、车辆及*** | |
CN110379176B (zh) | 基于图像识别的无证驾驶违法行为预警拦截方法 | |
US20070208681A1 (en) | Vehicle Data Collection and Processing System | |
CN107358158B (zh) | 一种团伙作案预警方法及装置 | |
CN111090777B (zh) | 一种视频数据的管理方法、管理设备及计算机存储介质 | |
CN111090681B (zh) | 一种团伙挖掘方法、装置、设备及存储介质 | |
CN107993444B (zh) | 基于卡口过车大数据分析的嫌疑车认定方法 | |
CN103093626A (zh) | 一种***的解决方案 | |
CN101593418A (zh) | 嫌疑车辆关联查找方法 | |
US20130162818A1 (en) | Method, system, computer program product and computer-readable recording medium for object tracking | |
US20230073717A1 (en) | Systems And Methods For Electronic Surveillance | |
CN102194132A (zh) | 一种伴随车检测识别***及其方法 | |
CN112131325A (zh) | 轨迹确定方法、装置及设备、存储介质 | |
CN106297304A (zh) | 一种基于MapReduce面向大规模卡口数据的***识别方法 | |
CN104952273A (zh) | 针对车辆行为的告警方法、装置及*** | |
CN112507939A (zh) | 一种重点车辆检测方法、***、设备及存储介质 | |
Leuzzi et al. | Towards a pervasive and predictive traffic police | |
CN113470369B (zh) | 一种基于多维度信息判断***辆真实号牌的方法及*** | |
CN111367906B (zh) | 异常车辆识别方法、装置、设备及计算机可读存储介质 | |
CN111949701A (zh) | 一种基于轨迹相似度的移动对象出行规律分析方法及装置 | |
CN109783663B (zh) | 一种归档方法及装置 | |
Seghetti | Border Security: Immigration enforcement between ports of entry | |
US20240163402A1 (en) | System, apparatus, and method of surveillance |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |