CN107204114A - 一种车辆异常行为的识别方法及装置 - Google Patents

一种车辆异常行为的识别方法及装置 Download PDF

Info

Publication number
CN107204114A
CN107204114A CN201610156687.7A CN201610156687A CN107204114A CN 107204114 A CN107204114 A CN 107204114A CN 201610156687 A CN201610156687 A CN 201610156687A CN 107204114 A CN107204114 A CN 107204114A
Authority
CN
China
Prior art keywords
control point
vehicle
point position
tested
driving trace
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.)
Withdrawn
Application number
CN201610156687.7A
Other languages
English (en)
Inventor
马昌军
解海波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZTE Corp
Original Assignee
ZTE Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ZTE Corp filed Critical ZTE Corp
Priority to CN201610156687.7A priority Critical patent/CN107204114A/zh
Priority to PCT/CN2017/073477 priority patent/WO2017157119A1/zh
Publication of CN107204114A publication Critical patent/CN107204114A/zh
Withdrawn legal-status Critical Current

Links

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
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/196—Recognition using electronic means using sequential comparisons of the image signals with a plurality of references
    • G06V30/1983—Syntactic or structural pattern recognition, e.g. symbolic string recognition
    • G06V30/1988—Graph matching
    • 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
    • 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
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种车辆异常行为的识别方法及装置，识别方法包括：获取统计区域内设置的多个监控点位采集的车辆监控数据，并从车辆监控数据中提取待验车辆的行为特征数据；根据行为特征数据，获取待验车辆的行驶轨迹序列；根据行驶轨迹序列和预先获取的统计区域内的车辆行为模式，判断待验车辆是否存在异常行为。本发明解决了现有技术中无法对多个监控点采集到的车辆监控数据进行关联分析的缺陷，同时解决了无法对较长时间内的车辆异常行为自动判断的问题，增加了车辆异常行为的识别准确度和识别效率。

Description

一种车辆异常行为的识别方法及装置
技术领域
本发明涉及智能交通监控领域，尤其是涉及一种车辆异常行为的识别方法及装置。
背景技术
利用交通信息采集技术进行交通违章的检测处理和交通情况实时监控的实际运用已经较为广泛，现有技术可以实现对闯红灯、超速行驶、违章停车以及逆向行驶等违法行为进行自动检测和拍照取证。除此之外，对于在较长时间或空间跨度内的车辆异常行为如：遮挡号牌、变换号牌以及套牌等，还需要对多个摄像头拍摄的时间不连续的数据进行关联分析，对于此类需求，目前常见方案有：
其一，进行手工检索和人工过滤：例如***辆识别，通常是号牌真实车主发现车辆存在异常违章并向交通管理部门举报、或者***辆违章次数过多引起交管部门注意，手工检索出该号牌所有监控记录，并人工逐个对比筛查发现违章车辆。但是人工进行手工检索和过滤时，效率非常有限，无法对多个摄像头的海量监控数据进行关联分析。
其二，通过分析车辆的时空关系，即车辆通过卡口间最小通行时间来判断是否套牌：如果一车辆在两个卡口被拍摄的时间差小于某一个时间阈值(对应卡口之间的最小通过时间)，则认为其中一辆车为***。但是，通过卡口间最小通行时间来判定套牌的方式，其最小通过时间难以准确设定，有较大的误判概率，另外如果***辆与真实车辆不同时出现则无法检测到，有一定的漏判概率。
虽然以上两种方案都可以发现车辆的某些异常行为，但是以上两种方案存在以下缺点，其中，人工进行手工检索和过滤时，效率非常有限，无法对多个摄像头的海量监控数据进行关联分析。另外，通过卡口间最小通行时间来判定套牌的方式，其最小通过时间难以准确设定，有较大的误判概率，另外如果***辆与真实车辆不同时出现则无法检测到，有一定的漏判概率。此外，如果车辆在某一段时间内对车牌进行遮挡或更换号牌，在经过收费站、交通检查路口前再将号牌换回真实车牌，除非拍摄到换牌过程，否则该类行为难以发现或判断。
综上判断，现有技术存在无法对多个摄像头拍摄到的车辆监控数据关联分析的问题，即无法对较长时间内的车辆异常行为进行识别判断。
发明内容
为了解决现有技术中无法对较长时间内的车辆异常行为进行识别判断的问题，本发明提供了一种车辆异常行为的识别方法及装置。
为了解决上述技术问题，本发明提供了一种车辆异常行为的识别方法，所述识别方法包括：
获取统计区域内设置的多个监控点位采集的车辆监控数据，并从所述车辆监控数据中提取待验车辆的行为特征数据；
根据所述行为特征数据，获取所述待验车辆的行驶轨迹序列；
根据所述行驶轨迹序列和预先获取的所述统计区域内的车辆行为模式，判断所述待验车辆是否存在异常行为。
可选的，所述行为特征数据包括车牌号码和监控点位标识，所述根据所述行为特征数据，获取所述待验车辆的行驶轨迹序列，包括：根据所述待验车辆的车牌号码和所述待验车辆经过统计区域内多个监控点位的时间顺序，将待验车辆依次经过的多个监控点位对应的监控点位标识记录为该待验车辆的行驶轨迹序列。
可选的，所述根据所述待验车辆的行驶轨迹序列和预先获取的所述统计区域内的车辆行为模式，判断所述待验车辆是否存在异常行为之前，所述识别方法还包括：根据预先采集的所述统计区域内所有车辆的车辆监控数据，获取车辆行为模式，其中，所述车辆行为模式包括：监控点位之间的可达关系、监控点位之间的通行时间以及车辆的行驶轨迹类模板。
可选的，所述监控点位之间的可达关系按照以下方式确定：根据所述统计区域内所有车辆的车辆监控数据，获取所述所有车辆的行驶轨迹序列；对所述所有车辆的行驶轨迹序列进行统计分析，得到正常行驶轨迹序列，并确定正常行驶轨迹序列中的相邻监控点位标识；根据所述相邻监控点位标识，得到具有直接可达关系的监控点位，其中，所述相邻监控点位标识指示的前一个监控点位可直接到达相邻监控点位标识中的后一个监控点位。
可选的，所述监控点位之间的通行时间按照以下方式确定：根据所述车辆监控数据，计算一预设时间段内具有直接可达关系的监控点位之间的平均通行时间，并将所述平均通行时间记录为该预设时间段内的监控点位之间的通行时间。
可选的，所述根据所述行为特征数据，获取所述待验车辆的行驶轨迹序列之后，所述识别方法还包括：对所述待验车辆的车牌号码错误数据进行修正，具体包括：根据所述监控点位之间的可达关系，判断所述待验车辆的行驶轨迹序列中相邻监控点位标识对应的监控点位之间是否具有直接可达关系；若不具有，则获取所述统计区域内不具有直接可达关系的监控点位之间的所有路径，其中，路径由依次经过的监控点位对应的监控点位标识组成的序列表示；根据所述所有路径中的监控点位标识，获取所述所有路径中监控到异常监控数据的监控点位标识，其中，所述异常监控数据至少包括：监控到的车牌号码与车辆登记信息不符、无车牌号码登记信息、路径中相邻监控点位标识对应的监控点位不具有直接可达关系以及路径中具有直接可达关系的监控点位不满足监控点位之间的通行时间；将监控到异常监控数据的监控点位标识合并至所述待验车辆的行驶轨迹序列中，并判断合并后的行驶轨迹序列中相邻监控点位标识对应的监控点位是否满足监控点位之间的通行时间；若满足，并且监控到的车牌号码与所述待验车辆的车牌号牌的相似性大于第一预设值，则将监控到的车牌号码进行修正。
可选的，所述根据所述待验车辆的行驶轨迹序列和预先获取的所述统计区域内的车辆行为模式，判断所述待验车辆是否存在异常行为，包括：根据所述行驶轨迹序列、监控点位之间的可达关系以及监控点位之间的通行时间，判断所述待验车辆是否存在异常行为；和/或根据所述行驶轨迹序列和行驶轨迹类模板，判断所述待验车辆是否存在异常行为。
可选的，所述根据所述行驶轨迹序列、监控点位之间的可达关系以及监控点位之间的通行时间，判断所述待验车辆是否存在异常行为，包括：根据所述行驶轨迹序列、监控点位之间的可达关系以及监控点位之间的通行时间，依次判断所述待验车辆的行驶轨迹序列中相邻监控点位标识对应的监控点位是否具有直接可达关系以及是否满足监控点位之间的通行时间；若相邻监控点位标识对应的监控点位不具有直接可达关系，或者相邻监控点位标识对应的监控点位具有直接可达关系但不满足监控点位之间的通行时间，则判定所述待验车辆存在异常行为。
可选的，所述根据所述行驶轨迹序列和行驶轨迹类模板，判断所述待验车辆是否存在异常行为，包括：按照一预设时间间隔，将所述待验车辆的行驶轨迹序列拆分为多个行驶轨迹子序列；根据所述行驶轨迹子序列的首位监控点位标识和末位监控点位标识，获取具有所述首位监控点位标识和末位监控点位标识的行驶轨迹类模板；计算所述行驶轨迹子序列与获取的所述行驶轨迹类模板之间的相似性，若所述相似性小于第二预设值，则判定所述待验车辆存在异常行为。
依据本发明的另一个方面，本发明还提供了一种车辆异常行为的识别装置，所述识别装置包括：
第一获取模块，用于获取统计区域内设置的多个监控点位采集的车辆监控数据，并从所述车辆监控数据中提取待验车辆的行为特征数据；
第二获取模块，用于根据所述行为特征数据，获取所述待验车辆的行驶轨迹序列；
判断模块，用于根据所述行驶轨迹序列和预先获取的所述统计区域内的车辆行为模式，判断所述待验车辆是否存在异常行为。
可选的，所述行为特征数据包括车牌号码和监控点位标识，所述第二获取模块具体用于，根据所述待验车辆的车牌号码和所述待验车辆经过统计区域内多个监控点位的时间顺序，将待验车辆依次经过的多个监控点位对应的监控点位标识记录为该待验车辆的行驶轨迹序列。
可选的，所述识别装置还包括第三获取模块，用于根据预先采集的所述统计区域内所有车辆的车辆监控数据，获取车辆行为模式，其中，所述车辆行为模式包括：监控点位之间的可达关系、监控点位之间的通行时间以及车辆的行驶轨迹类模板。
可选的，所述第三获取模块具体用于，根据所述统计区域内所有车辆的车辆监控数据，获取所述所有车辆的行驶轨迹序列；对所述所有车辆的行驶轨迹序列进行统计分析，得到正常行驶轨迹序列，并确定正常行驶轨迹序列中的相邻监控点位标识；根据所述相邻监控点位标识，得到具有直接可达关系的监控点位，其中，所述相邻监控点位标识指示的前一个监控点位可直接到达相邻监控点位标识中的后一个监控点位。
可选的，所述第三获取模块还具体用于，根据所述车辆监控数据，计算一预设时间段内具有直接可达关系的监控点位之间的平均通行时间，并将所述平均通行时间记录为该预设时间段内的监控点位之间的通行时间。
可选的，所述识别装置还包括修正模块，用于对所述待验车辆的车牌号码错误数据进行修正，具体用于，根据所述监控点位之间的可达关系，判断所述待验车辆的行驶轨迹序列中相邻监控点位标识对应的监控点位之间是否具有直接可达关系；若不具有，则获取所述统计区域内不具有直接可达关系的监控点位之间的所有路径，其中，路径由依次经过的监控点位对应的监控点位标识组成的序列表示；根据所述所有路径中的监控点位标识，获取所述所有路径中监控到异常监控数据的监控点位标识，其中，所述异常监控数据至少包括：监控到的车牌号码与车辆登记信息不符、无车牌号码登记信息、路径中相邻监控点位标识对应的监控点位不具有直接可达关系以及路径中具有直接可达关系的监控点位不满足监控点位之间的通行时间；将监控到异常监控数据的监控点位标识合并至所述待验车辆的行驶轨迹序列中，并判断合并后的行驶轨迹序列中相邻监控点位标识对应的监控点位是否满足监控点位之间的通行时间；若满足，并且监控到的车牌号码与所述待验车辆的车牌号牌的相似性大于第一预设值，则将监控到的车牌号码进行修正。
可选的，所述判断模块具体用于，根据所述行驶轨迹序列、监控点位之间的可达关系以及监控点位之间的通行时间，判断所述待验车辆是否存在异常行为；和/或根据所述行驶轨迹序列和行驶轨迹类模板，判断所述待验车辆是否存在异常行为。
可选的，所述判断模块包括第一判断单元，用于根据所述行驶轨迹序列、监控点位之间的可达关系以及监控点位之间的通行时间，依次判断所述待验车辆的行驶轨迹序列中相邻监控点位标识对应的监控点位是否具有直接可达关系以及是否满足监控点位之间的通行时间；若相邻监控点位标识对应的监控点位不具有直接可达关系，或者相邻监控点位标识对应的监控点位具有直接可达关系但不满足监控点位之间的通行时间，则判定所述待验车辆存在异常行为。
可选的，所述判断模块还包括第二判断单元，用于按照一预设时间间隔，将所述待验车辆的行驶轨迹序列拆分为多个行驶轨迹子序列；根据所述行驶轨迹子序列的首位监控点位标识和末位监控点位标识，获取具有所述首位监控点位标识和末位监控点位标识的行驶轨迹类模板；计算所述行驶轨迹子序列与获取的所述行驶轨迹类模板之间的相似性，若所述相似性小于第二预设值，则判定所述待验车辆存在异常行为。
本发明的有益效果是：
本发明提供的一种车辆异常行为的识别方法，首先获取统计区域内设置的多个监控点位采集的车辆监控数据，并从车辆监控数据中提取待验车辆的行为特征数据，然后根据行为特征数据，获取待验车辆的行驶轨迹序列，最后根据行驶轨迹序列和预先获取的车辆行为模式，判断待验车辆是否存在异常行为。本发明通过对待验车辆的行驶轨迹序列的分析，解决了现有技术中无法对多个监控点采集到的车辆监控数据进行关联分析的缺陷，同时解决了无法对较长时间内的车辆异常行为自动判断的问题，增加了车辆异常行为的识别准确度和识别效率。
附图说明
图1表示本发明的第一实施例中车辆异常行为的识别方法的步骤流程图；
图2表示本发明的第二实施例中获取监控点位之间的可达关系的步骤流程图；
图3表示一交通路口的监控点位布置示意图；
图4表示图3中各个监控点位之间的可达关系图；
图5表示本发明的第三实施例中对待验车辆的车牌号码错误数据进行修正的步骤流程图；
图6表示本发明的第五实施例中车辆异常行为的识别装置的结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
第一实施例：
如图1所示，为本发明的第一实施例中车辆异常行为的识别方法的步骤流程图，该识别方法包括：
步骤101，获取统计区域内设置的多个监控点位采集的车辆监控数据，并从车辆监控数据中提取待验车辆的行为特征数据。
在本步骤中，统计区域内设置的多个监控点位可以拍摄经过车辆的图像，并对车辆的图像进行处理和光学识别，采集车辆的车辆监控数据。具体的，监控点位不间断采集经过该监控点位的车辆图像，并提取车辆的车牌号码、车辆型号、车辆颜色等特征信息，建立统计区域内的监控数据库。可选的，监控数据库中的车辆监控数据不仅可以包括经过监控点位的车辆的车牌号码及经过监控点位的通过时间等动态数据，还包括监控点位的监控点位标识、监控点位的位置等静态数据。此外，在本步骤中，还可以从车辆监控数据中提取待验车辆的行为特征数据，其中，行为特征数据至少包括：车牌号码和监控点位对应的监控点位标识。
步骤102，根据行为特征数据，获取待验车辆的行驶轨迹序列。
具体的，行为特征数据包括车牌号码和监控点位标识，在本步骤中，可以根据待验车辆的车牌号码和待验车辆经过统计区域内多个监控点位的时间顺序，将待验车辆依次经过的多个监控点位对应的监控点位标识记录为该待验车辆的行驶轨迹序列。
步骤103，根据行驶轨迹序列和预先获取的统计区域内的车辆行为模式，判断待验车辆是否存在异常行为。
在本步骤中，可以预先获取统计区域内的车辆行为模式，然后根据待验车辆的行驶轨迹序列和预先获取的统计区域内的车辆行为模式，判断待验车辆是否存在异常行为。具体的，统计区域内的车辆行为模式可以包括统计区域内监控点位之间的可达关系、监控点位之间的通行时间以及车辆的行驶轨迹类模板。车辆的异常行为可以包括车辆套牌、车辆翻牌、遮挡车辆号牌及违法行驶等行为。
本实施例通过对待验车辆的行驶轨迹序列进行分析，并且根据行驶轨迹序列和预先获取的统计区域内的车辆行为模式，判断待验车辆是否存在异常行为，解决了现有技术中无法对多个监控点采集到的车辆监控数据进行关联分析的缺陷，同时解决了无法对较长时间内的车辆异常行为自动判断的问题，增加了待验车辆异常行为的识别准确度和识别效率。
第二实施例：
在根据行驶轨迹序列和预先获取的统计区域内的车辆行为模式，判断待验车辆是否存在异常行为之前，还需要获取统计区域内的车辆行为模式。具体的，可以根据预先采集的统计区域内所有车辆的车辆监控数据，获取车辆行为模式，其中，车辆行为模式包括：监控点位之间的可达关系、监控点位之间的通行时间以及车辆的行驶轨迹类模板。此外，在实时采集到车辆监控数据时，可以将实时获取的车辆监控数据同样作为获取车辆行为模式的依据。
下面对车辆行为模式进行解释说明。
具体的，车辆在行驶过程中会被沿途的多个监控点位拍摄，形成车辆监控数据。通过对海量的历史车辆监控数据的分析研究可以发现车辆的运动存在一定的时空规律性，这些规律则形成一定的车辆行为模式。具体的，可以将每个监控点位看作一个状态，则统计区域内所有监控点位对应的监控点位标识构成了一个有限状态空间，该有限状态空间可以表示为E＝{1,2,…,N}。当车辆被不同的监控点位拍摄到时，可以看作车辆是在不同的状态之间发生转移，其中，一次车辆行驶过程可以采用车辆经过的监控点位对应的监控点位标识来描述，例如，A车辆一次行驶过程的行驶轨迹序列可以用A＝(A1,A2,…,An)进行表示。然后根据统计原理，可以得出车辆在不同状态之间的转移概率。这样，根据预先采集的统计区域内所有车辆的车辆监控数据，可以获取监控点位之间的可达关系、监控点位之间的通行时间以及车辆的行驶轨迹类模板等车辆行为模式。具体的，在获取车辆行为模式时，还可以抽样选取统计区域内部分车辆的车辆监控数据，但是为了避免抽样的不准确性，优选对统计区域内所有车辆的车辆监控数据进行分析，得出车辆行为模式。
下面依次对车辆行为模式中监控点位之间的可达关系、监控点位之间的通行时间以及车辆的行驶轨迹类模板的确定方法进行说明。
如图2所示，为本发明的第二实施例中确定监控点位之间的可达关系的步骤流程图，包括：
步骤201，根据统计区域内所有车辆的车辆监控数据，获取所有车辆的行驶轨迹序列。
在本步骤中，具体的，可以根据统计区域内所有车辆的车辆监控数据，获取所有车辆的行为特征数据，然后根据所有车辆的行为特征数据，获取所有车辆的行驶轨迹序列，即根据车辆的车牌号码和该车辆依次经过的监控点位对应的监控点位标识，获取该车辆的行驶轨迹序列。
步骤202，对所有车辆的行驶轨迹序列进行统计分析，得到正常行驶轨迹序列，并确定正常行驶轨迹序列中的相邻监控点位标识。
在本步骤中，具体的，在对所有车辆的行驶轨迹序列进行统计分析时，如果一行驶轨迹序列的出现次数小于一预设门限时，则认为该行驶轨迹序列为异常行驶轨迹序列；否则，认为该行驶轨迹序列为正常行驶轨迹序列。具体的，可以根据行驶轨迹序列的总数量以及行驶轨迹序列的总种类来决定该预设门限。例如，可以根据行驶轨迹序列的总数量与行驶轨迹序列的总种类的比值，得到一行驶轨迹序列的平均出现次数，然后可以根据该平均出现次数设置该预设门限，例如根据平均出现次数和一比例系数的乘积，确定该预设门限。可选的，该比例系数可以为一个小于1的数值，例如0.1，0.01等。
步骤203，根据相邻监控点位标识，得到具有直接可达关系的监控点位。
在本步骤中，可以根据相邻监控点位标识，得到具有直接可达关系的监控点位，具体的，相邻监控点位标识指示的前一个监控点位可直接到达相邻监控点位标识中的后一个监控点位。
此外，对具有直接可达关系的监控点位作出如下解释：若第一监控点位可不经由第三监控点位而直接到达第二监控点位，则可以确定第一监控点位和第二监控点位具有直接可达关系；若第一监控点位必须经由第三监控点位才能到达第二监控点位，则确定第一监控点位和第二监控点位不具有直接可达关系。其中，第一监控点位、第二监控点位和第三监控点位互不相同，且均为统计区域内多个监控点位中的任意监控点位。
下面对监控点位之间的可达关系进行举例说明。
如图3所示，为一交通路口的监控点位布置示意图。在图3中，A、B、C、D、E、F、G和H均为监控点位的监控点位标识，且从图3中可以看出，道路1禁止掉头。假设一正常行驶轨迹序列为FGHC，则可以得出，相邻监控点位标识F和G、G和H、H和C对应的监控点位均为具有直接可达关系的监控点位。依次类推，可以得出所有正常行驶轨迹序列中的相邻监控点位标识，并得出各个监控点位之间的可达关系。具体的，如图4所示，为图3中各个监控点位之间的可达关系图，其中，两个监控点位标识之间的有向连线表示两个监控点位标识对应的监控点位之间具有直接可达关系，此外，连线有向同样表示两个监控点位之间的转移路径有向。
具体的，在获取到监控点位之间的可达关系之后，还可以利用矩阵P＝(pij)n×n，记录监控点位之间的可达关系。其中，P表示监控点位之间的可达关系矩阵，n表示统计区域内所有监控点位对应的监控点位标识，pij表示P矩阵中第i行监控点位标识对应的监控点位与第j列监控点位标识对应的监控点位之间的可达关系。其中，当pij＝1时，表示P矩阵中第i行监控点位标识对应的监控点位与第j列监控点位标识对应的监控点位具有直接可达关系；当pij＝0时，表示P矩阵中第i行监控点位标识对应的监控点位与第j列监控点位标识对应的监控点位不具有直接可达关系。此外，在此需要说明的是，在矩阵中，两个监控点位标识对应的监控点位之间的可达关系是有向的，例如，在pij中，第i行监控点位标识对应的监控点位为相邻监控点位标识指示的前一个监控点位，第j列监控点位标识对应的监控点位为相邻监控点位标识指示的后一个监控点位。
此外，在本实施例中，可选的，在确定监控点位之间的通行时间时，可以根据车辆监控数据，计算一预设时间段内具有直接可达关系的监控点位之间的平均通行时间，并将平均通行时间记录为该预设时间段内的监控点位之间的通行时间。
具体的，由于车辆经过具有直接可达关系的监控点位之间的时间是随交通状况变化的，即监控点位之间的通行时间具有潮汐特征，因此可以按照不同预设时间段，分别计算具有直接可达关系的监控点位之间的平均通行时间。例如，以70分钟为一个预设时间段，且不同预设时间段之间可以保留有一定的重叠量，则可以将0：00～1：10划分为一个预设时间段，1：00～2：10为一个预设时间段，依次类推，可以得出不同的预设时间段。
当然，在获取到监控点位之间的通行时间之后，同样可以利用矩阵来记录一预设时间段内的监控点位之间的通行时间。例如，可以利用矩阵T＝(tij)n×n，记录一预设时间段内的监控点位之间的通行时间。其中，T表示一预设时间段内的监控点位之间的通行时间矩阵，n表示统计区域内所有监控点位对应的监控点位标识，tij表示T矩阵中第i行监控点位标识对应的监控点位与第j列监控点位标识对应的监控点位之间的通行时间。其中，当T矩阵中第i行监控点位标识对应的监控点位与第j列监控点位标识对应的监控点位具有直接可达关系时，tij的值为通行时间；当T矩阵中第i行监控点位标识对应的监控点位与第j列监控点位标识对应的监控点位不具有直接可达关系时，tij的值为无穷大。
另外，在本实施例中，可选的，在获取车辆行为模式中的车辆的行驶轨迹类模板时，可以采用聚类算法，对所有正常行驶轨迹序列进行聚类分析，得到车辆的行驶轨迹类模板。
具体的，在采用聚类算法，对所有正常行驶轨迹序列进行聚类分析，得到车辆的行驶轨迹类模板的过程中，可以使用映射-归约(map-reduce)方法中Map函数和Reduce函数获取车辆的行驶轨迹序列：在Map函数中，取得各个监控点位的每一条车辆监控数据，并将一车辆的车牌号码作为key值，将该车辆经过各个监控点位的时间、监控点位标识、车辆型号和车辆颜色等其他信息作为value值传递给Reduce函数；在Reduce函数中，可以对同一个key值的数据按照经过时间进行排序，从而得到该车辆的行驶轨迹序列。另外，在得到车辆的行驶轨迹类模板时，可以利用豪斯多夫距离(hausdorff distance)测量所有行驶轨迹序列对应的行驶轨迹之间的距离，然后求行驶轨迹之间的轨迹相似度。假设，如果有m条行驶轨迹序列，则可以得到一个相似性矩阵S＝(Sij)m×m，其中，Sij表示相似性矩阵S中第i行对应的行驶轨迹和第j列对应的行驶轨迹之间的轨迹相似度。最后，在得到所有行驶轨迹序列的轨迹相似度之后，可以利用谱聚类算法将m条行驶轨迹序列对应的行驶轨迹分为q个行驶轨迹类模板，优选的，聚类算法可以采用K均值(K-means)聚类算法。
本实施例根据统计区域内的所有车辆的车辆监控数据对车辆行为模式进行训练，增加了车辆行为模式的准确性，从而使得根据待验车辆的行驶轨迹序列和车辆行为模式，判断待验车辆是否存在异常行为时，对待验车辆异常行为的识别更加准确。
第三实施例：
在获取到的监控点位采集的车辆监控数据中，由于各种因素例如图像质量不高、图像识别错误、或网络传输等，可能导致车辆监控数据部分错误或者不完整，例如，车牌号码中的“D”和“0”，“L”、“T”和“1”等比较接近的号码有一定概率会识别出错误结果。该类部分错误或者不完整的车辆监控数据会影响到车辆行为模式的获取以及车辆异常行为的识别。因此，在根据行为特征数据，获取待验车辆的行驶轨迹序列之后，还需要对待验车辆的车牌号码错误数据进行修正。具体的，如果待验车辆的行驶轨迹序列中相邻监控点位标识对应的监控点位之间不具有直接可达关系，但是却能够满足监控点位之间的通行时间，则该车辆可能在途经的监控点位发生了车牌号码识别错误，导致车辆监控数据丢失或由错误信息合入，此时通过对异常监控数据进行筛查过滤，可以实现对车牌号码错误数据进行修正。
具体的，如图5所示，为本发明的第三实施例中对待验车辆的车牌号码错误数据进行修正的步骤流程图，包括：
步骤301，根据监控点位之间的可达关系，判断待验车辆的行驶轨迹序列中相邻监控点位标识对应的监控点位之间是否具有直接可达关系。
在本步骤中，假设待验车辆的行驶轨迹序列为A＝(A1,A2,…,An)，则可以根据监控点位之间的可达关系，判断行驶轨迹序列A中相邻监控点位标识对应的监控点位之间是否具有直接可达关系，若不具有直接可达关系，则进入步骤302。
步骤302，若不具有，则获取统计区域内不具有直接可达关系的监控点位之间的所有路径。
在本步骤中，具体的，若待验车辆的行驶轨迹序列中相邻监控点位标识对应的监控点位之间不具有直接可达关系，则获取统计区域内不具有直接可达关系的监控点位之间的所有路径，其中，路径可以由依次经过的监控点位对应的监控点位标识组成的序列表示。例如行驶轨迹序列A中相邻监控点位标识A1和A2对应的监控点位之间不具有直接可达关系，则获取相邻监控点位标识A1和A2对应的监控点位之间的所有路径。假设路径共有m条，且第i条路径中从A1到达A2共需要经过z个监控点位，则路径P＝{P1,P2,……,Pm}，路径Pi＝(A1,Ai1,……,Aiz,A2)，其中，m表示相邻监控点位标识A1和A2对应的监控点位之间所有路径的条数，Pi表示相邻监控点位标识A1和A2对应的监控点位之间的第i条路径，Aiz表示相邻监控点位标识A1和A2对应的监控点位之间的第i条路径中的监控点位标识。
步骤303，根据所有路径中的监控点位标识，获取所有路径中监控到异常监控数据的监控点位标识。
在本步骤中，具体的，异常监控数据至少包括监控到的车牌号码与车辆登记信息不符、无车牌号码登记信息、路径中相邻监控点位标识对应的监控点位不具有直接可达关系以及路径中具有直接可达关系的监控点位不满足监控点位之间的通行时间，即当存在监控点位监控到车牌号码与车辆登记信息不符，或者没有监控到的车牌号码登记信息，或者路径中相邻监控点位标识对应的监控点位之间不具有直接可达关系，或者路径中相邻监控点位标识对应的监控点位之间具有直接可达关系但不满足监控点位之间的通行时间时，获取该些监控点位对应的监控点位标识。
步骤304，将监控到异常监控数据的监控点位标识合并至待验车辆的行驶轨迹序列中，并判断合并后的行驶轨迹序列中相邻监控点位标识对应的监控点位是否满足监控点位之间的通行时间。
在本步骤中，具体的，若合并后的行驶轨迹序列中相邻监控点位标识对应的监控点位满足监控点位之间的通行时间，则进入步骤305。
步骤305，若合并后的行驶轨迹序列中相邻监控点位标识对应的监控点位满足监控点位之间的通行时间，并且监控到的车牌号码与待验车辆的车牌号牌的相似性大于第一预设值，则将监控到的车牌号码进行修正。
在本步骤中，若合并后的行驶轨迹序列中相邻监控点位标识对应的监控点位之间满足监控点位之间的通行时间，且监控到的车牌号码与待验车辆的车牌号牌的相似性大于第一预设值，则将监控到的车牌号码进行修正。可选的，在将监控到的车牌号码进行修正后，可以提交人工进行确认。此外，对于容易导致错误数据的车牌号码字符可以人工设定外形相似的匹配字符，从而根据识别数据统计得出正确字符。
例如，“苏A23F45”与“苏A23P45”两车牌号码中第5位字符不同，且“F”与“P”外形相似，当有部分遮挡或其他原因时，F或P可能会被识别错误。若合并后的行驶轨迹序列中相邻监控点位标识对应的监控点位具有直接可达关系，并且满足监控点位之间的通行时间，则可以对车牌号码错误数据进行修正并提交人工确认或对图像进行去噪等处理后重新识别车牌号码。
在本实施例中，通过对待验车辆的车牌号码错误数据进行修正，保证了待验车辆的行驶轨迹序列的准确性，从而提高了待验车辆异常行为识别的准确性。
第四实施例：
在获取到待验车辆的行驶轨迹序列和统计区域内的车辆行为模式之后，可以根据行驶轨迹序列和预先获取的统计区域内的车辆行为模式，判断待验车辆是否存在异常行为。具体的，在根据行驶轨迹序列和预先获取的统计区域内的车辆行为模式，判断待验车辆是否存在异常行为时，可以根据行驶轨迹序列、监控点位之间的可达关系以及监控点位之间的通行时间，判断待验车辆是否存在异常行为，还可以根据行驶轨迹序列和行驶轨迹类模板，判断待验车辆是否存在异常行为。
下面对上述判断待验车辆是否存在异常行为的两种方式进行解释说明。
其一，在根据行驶轨迹序列、监控点位之间的可达关系以及监控点位之间的通行时间，判断待验车辆是否存在异常行为时，可以先根据行驶轨迹序列、监控点位之间的可达关系以及监控点位之间的通行时间，依次判断待验车辆的行驶轨迹序列中相邻监控点位标识对应的监控点位是否具有直接可达关系以及是否满足监控点位之间的通行时间。若相邻监控点位标识对应的监控点位不具有直接可达关系，或者相邻监控点位标识对应的监控点位具有直接可达关系但不满足监控点位之间的通行时间，则判定待验车辆存在异常行为。可选的，在此还可以为监控点位之间的通行时间设定一置信区间，当相邻监控点位标识对应的监控点位具有直接可达关系但通行时间超过该置信区间时，判定待验车辆存在异常行为。
下面对根据行驶轨迹序列、监控点位之间的可达关系以及监控点位之间的通行时间，判断待验车辆是否存在异常行为的原理进行说明。
在监控点位正常情况下，车辆在道路上行驶会被多个监控点位采集到，这些监控点位对应的监控点位标识组成车辆的行驶轨迹序列。由于正常情况下的车辆的空间转移是连续的，即车辆不会从某地突然消失，并突然出现在异地而没有沿途的车辆监控数据，因此车辆的行驶轨迹序列上的相邻监控点位标识对应的监控点位之间必然具有直接可达关系，若不具有直接可达关系，则在车辆监控数据不存在异常监控数据的情况下，可以判定该车辆存在异常行为。另外，若车辆的行驶轨迹序列上的相邻监控点位标识对应的监控点位之间具有直接可达关系，但是车辆经过相邻监控点位标识对应的监控点位的通行时间不满足监控点位之间的通行时间，则同样可以判定车辆存在异常行为。
依据此方法，可以对车辆套牌、车辆翻牌及遮挡车牌号码等异常行为进行识别。
对车辆套牌异常行为进行识别：
例如，对待验车辆A的车辆监控数据进行排序，得到某一时间段内待验车辆A的行驶轨迹序列为P＝(A1,A2,…,An)，依次判断行驶轨迹序列P中相邻监控点位标识对应的监控点位之间是否具有直接可达关系以及是否满足监控点位之间的通行时间。若P(i,i+1)＝0，即监控点位标识Ai和Ai+1对应的监控点位之间不具有直接可达关系，则可以记为一次异常；若监控点位标识Ai和Ai+1对应的监控点位之间具有直接可达关系，但是车辆通过监控点位标识Ai和Ai+1对应的监控点位的时间t(i,i+1)不满足监控点位之间的通行时间，比如时间t(i,i+1)位于监控点位之间的通行时间的95％置信区间之外，则同样可以记为一次异常。最后根据异常数据比例排序，可以得出所有车辆被套牌的可能性排序。
假设***辆的行驶轨迹序列为Pfake＝(A1,A2,…,An)，真实车牌车辆的行驶轨迹序列为Preal＝(B1,B2,…,Bn)。如果***辆和真实车牌车辆同时出现，则对车辆监控数据按照时间排序后可能得到如下序列Pmix＝(A1,A2,B1,A3,B2,B3,…,Bn,An)。此种情况下如果***辆和真实车牌车辆行驶路段靠近，且车辆经过相邻监控点位标识对应的监控点位的时间满足监控点位之间的通行时间，则此时通过监控点位之间的通行时间无法发现车辆套牌行为，但若是根据监控点位之间的可达关系，可以发现相邻监控点位标识A2和B1，B1和A3，A3和B2对应的监控点位之间均不具有直接可达关系，从而得出序列Pmix对应的车辆存在异常行为，又由于序列Pmix对应同一车牌号码，继而得出Pmix对应的车辆可能存在套牌异常行为。另外，如果***辆和真实车牌车辆不同时出现，则***辆和真实车牌车辆的行驶轨迹序列合并后为Pmix＝(A1,A2,…,An,B1,B2,…,Bn)，如果车辆经过监控点位标识An和B1之间的时间满足监控点位之间的通行时间，则此时通过监控点位之间的通行时间无法识别车辆是否有套牌异常行为，但是由于***辆和真实车牌车辆活动范围不同，如果此时监控点位标识An和B1对应的监控点位不具有直接可达关系，则依然可以判断Pmix对应的车辆可能存在套牌异常行为。
对车辆翻牌及遮挡车牌号码异常行为进行识别：
对待验车辆A的车辆监控数据进行排序，得到某一时间段内待验车辆A的行驶轨迹序列为P＝(A1,A2,…,An)，依次判断行驶轨迹序列P中相邻监控点位标识对应的监控点位之间是否具有直接可达关系以及是否满足监控点位之间的通行时间。若发现监控点位标识A1和A2对应的监控点位之间不具有直接可达关系，且待验车辆A在监控点位标识A1和A2对应的监控点位处的通过时间分别为t1和t2，此时可以取t1到t2时间段内，所有经过监控点位标识A1和A2对应的监控点位的车牌号码L＝(L1,L2,……,Ln)，并分别对每个车牌号码在t1前一时刻至t2后一时刻之间的车辆监控数据进行分析。如果车辆Li在t1前一时刻至t2后一时刻之间的行驶轨迹序列中，相邻监控点位标识对应的监控点位不具有直接可达关系，则将车辆Li列为嫌疑车辆。当然，若车辆Li的车牌号码无法识别，则同样将车辆Li列为嫌疑车辆。最后，进一步对嫌疑车辆的所有车辆监控数据进行图像特征识别，若存在车辆外部特征如车型、颜色等与待验车辆A的外部特征相符，则认为待验车辆A存在翻牌或者遮挡号牌等异常行为，此时可以提取待验车辆A的车辆监控数据进行人工审核。
其二，在根据行驶轨迹序列和行驶轨迹类模板，判断待验车辆是否存在异常行为时，可以按照一预设时间间隔，将待验车辆的行驶轨迹序列拆分为多个行驶轨迹子序列；然后根据行驶轨迹子序列的首位监控点位标识和末位监控点位标识，获取具有首位监控点位标识和末位监控点位标识的行驶轨迹类模板；最后计算行驶轨迹子序列与获取的行驶轨迹类模板之间的相似性，若相似性小于第二预设值，则判定待验车辆存在异常行为。
下面对根据行驶轨迹序列和行驶轨迹类模板，判断待验车辆是否存在异常行为进行解释说明。
假设一统计区域内共有m条行驶轨迹类模板即S＝{S1,……,Sm}，对待验车辆A的车辆监控数据进行排序，得到某一时间段内待验车辆A的行驶轨迹序列为P＝(A1,A2,…,An)。此时按照一预设时间间隔，例如1小时，将待验车辆A的行驶轨迹序列P＝(A1,A2,…,An)拆分为多个行驶轨迹子序列，如P1＝(A1,A2,…,Ai)，P2＝(Ai+1,Ai+2,…,Aj)，……，Pn＝(Aj+1,Aj+2,…,An)；然后分别根据拆分出的行驶轨迹子序列Pi的首位监控点位标识和末位监控点位标识，寻找具有相同首位监控点位标识和末位监控点位标识的行驶轨迹类模板Si；最后分别计算行驶轨迹子序列Pi与行驶轨迹类模板Si之间的相似性，若相似性小于第二预设值，则可以判定待验车辆A存在异常行为。例如使用典型的豪斯多夫距离等方法进行判断，行驶轨迹子序列Pi与行驶轨迹类模板Si之间的相似性越小，待验车辆存在异常行为的可能性越大。
本实施例根据行驶轨迹序列和预先获取的统计区域内的车辆行为模式，判断待验车辆是否存在异常行为，解决了现有技术中无法对多个监控点采集到的车辆监控数据进行关联分析的缺陷，同时解决了无法对较长时间内的车辆异常行为自动判断的问题，增加了待验车辆异常行为的识别准确度和识别效率。
第五实施例：
如图6所示，为本发明的第五实施例中车辆异常行为的识别装置的结构框图，该识别装置包括：
第一获取模块401，用于获取统计区域内设置的多个监控点位采集的车辆监控数据，并从车辆监控数据中提取待验车辆的行为特征数据；
第二获取模块402，用于根据行为特征数据，获取待验车辆的行驶轨迹序列；
判断模块403，用于根据行驶轨迹序列和预先获取的统计区域内的车辆行为模式，判断待验车辆是否存在异常行为。
可选的，行为特征数据包括车牌号码和监控点位标识，第二获取模块具体用于，根据待验车辆的车牌号码和待验车辆经过统计区域内多个监控点位的时间顺序，将待验车辆依次经过的多个监控点位对应的监控点位标识记录为该待验车辆的行驶轨迹序列。
可选的，识别装置还包括第三获取模块，用于根据预先采集的统计区域内所有车辆的车辆监控数据，获取车辆行为模式，其中，车辆行为模式包括：监控点位之间的可达关系、监控点位之间的通行时间以及车辆的行驶轨迹类模板。
可选的，第三获取模块具体用于，根据统计区域内所有车辆的车辆监控数据，获取所有车辆的行驶轨迹序列；对所有车辆的行驶轨迹序列进行统计分析，得到正常行驶轨迹序列，并确定正常行驶轨迹序列中的相邻监控点位标识；根据相邻监控点位标识，得到具有直接可达关系的监控点位，其中，相邻监控点位标识指示的前一个监控点位可直接到达相邻监控点位标识中的后一个监控点位。
可选的，第三获取模块还具体用于，根据车辆监控数据，计算一预设时间段内具有直接可达关系的监控点位之间的平均通行时间，并将平均通行时间记录为该预设时间段内的监控点位之间的通行时间。
可选的，识别装置还包括修正模块，用于对待验车辆的车牌号码错误数据进行修正，具体用于，根据监控点位之间的可达关系，判断待验车辆的行驶轨迹序列中相邻监控点位标识对应的监控点位之间是否具有直接可达关系；若不具有，则获取统计区域内不具有直接可达关系的监控点位之间的所有路径，其中，路径由依次经过的监控点位对应的监控点位标识组成的序列表示；根据所有路径中的监控点位标识，获取所有路径中监控到异常监控数据的监控点位标识，其中，异常监控数据至少包括：监控到的车牌号码与车辆登记信息不符、无车牌号码登记信息、路径中相邻监控点位标识对应的监控点位不具有直接可达关系以及路径中具有直接可达关系的监控点位不满足监控点位之间的通行时间；将监控到异常监控数据的监控点位标识合并至待验车辆的行驶轨迹序列中，并判断合并后的行驶轨迹序列中相邻监控点位标识对应的监控点位是否满足监控点位之间的通行时间；若满足，并且监控到的车牌号码与待验车辆的车牌号牌的相似性大于第一预设值，则将监控到的车牌号码进行修正。
可选的，判断模块具体用于，根据行驶轨迹序列、监控点位之间的可达关系以及监控点位之间的通行时间，判断待验车辆是否存在异常行为；和/或根据行驶轨迹序列和行驶轨迹类模板，判断待验车辆是否存在异常行为。
可选的，判断模块包括第一判断单元，用于根据行驶轨迹序列、监控点位之间的可达关系以及监控点位之间的通行时间，依次判断待验车辆的行驶轨迹序列中相邻监控点位标识对应的监控点位是否具有直接可达关系以及是否满足监控点位之间的通行时间；若相邻监控点位标识对应的监控点位不具有直接可达关系，或者相邻监控点位标识对应的监控点位具有直接可达关系但不满足监控点位之间的通行时间，则判定待验车辆存在异常行为。
可选的，判断模块还包括第二判断单元，用于按照一预设时间间隔，将待验车辆的行驶轨迹序列拆分为多个行驶轨迹子序列；根据行驶轨迹子序列的首位监控点位标识和末位监控点位标识，获取具有首位监控点位标识和末位监控点位标识的行驶轨迹类模板；计算行驶轨迹子序列与获取的行驶轨迹类模板之间的相似性，若相似性小于第二预设值，则判定待验车辆存在异常行为。
以上的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。

Claims (18)

1.一种车辆异常行为的识别方法，其特征在于，所述识别方法包括：
获取统计区域内设置的多个监控点位采集的车辆监控数据，并从所述车辆监控数据中提取待验车辆的行为特征数据；
根据所述行为特征数据，获取所述待验车辆的行驶轨迹序列；
根据所述行驶轨迹序列和预先获取的所述统计区域内的车辆行为模式，判断所述待验车辆是否存在异常行为。
2.根据权利要求1所述的识别方法，其特征在于，所述行为特征数据包括车牌号码和监控点位标识，所述根据所述行为特征数据，获取所述待验车辆的行驶轨迹序列，包括：
根据所述待验车辆的车牌号码和所述待验车辆经过统计区域内多个监控点位的时间顺序，将待验车辆依次经过的多个监控点位对应的监控点位标识记录为该待验车辆的行驶轨迹序列。
3.根据权利要求2所述的识别方法，其特征在于，所述根据所述待验车辆的行驶轨迹序列和预先获取的所述统计区域内的车辆行为模式，判断所述待验车辆是否存在异常行为之前，所述识别方法还包括：
根据预先采集的所述统计区域内所有车辆的车辆监控数据，获取车辆行为模式，其中，所述车辆行为模式包括：监控点位之间的可达关系、监控点位之间的通行时间以及车辆的行驶轨迹类模板。
4.根据权利要求3所述的识别方法，其特征在于，所述监控点位之间的可达关系按照以下方式确定：
根据所述统计区域内所有车辆的车辆监控数据，获取所述所有车辆的行驶轨迹序列；
对所述所有车辆的行驶轨迹序列进行统计分析，得到正常行驶轨迹序列，并确定正常行驶轨迹序列中的相邻监控点位标识；
根据所述相邻监控点位标识，得到具有直接可达关系的监控点位，其中，所述相邻监控点位标识指示的前一个监控点位可直接到达相邻监控点位标识中的后一个监控点位。
5.根据权利要求4所述的识别方法，其特征在于，所述监控点位之间的通行时间按照以下方式确定：
根据所述车辆监控数据，计算一预设时间段内具有直接可达关系的监控点位之间的平均通行时间，并将所述平均通行时间记录为该预设时间段内的监控点位之间的通行时间。
6.根据权利要求4所述的识别方法，其特征在于，所述根据所述行为特征数据，获取所述待验车辆的行驶轨迹序列之后，所述识别方法还包括：
对所述待验车辆的车牌号码错误数据进行修正，具体包括：
根据所述监控点位之间的可达关系，判断所述待验车辆的行驶轨迹序列中相邻监控点位标识对应的监控点位之间是否具有直接可达关系；
若不具有，则获取所述统计区域内不具有直接可达关系的监控点位之间的所有路径，其中，路径由依次经过的监控点位对应的监控点位标识组成的序列表示；
根据所述所有路径中的监控点位标识，获取所述所有路径中监控到异常监控数据的监控点位标识，其中，所述异常监控数据至少包括：监控到的车牌号码与车辆登记信息不符、无车牌号码登记信息、路径中相邻监控点位标识对应的监控点位不具有直接可达关系以及路径中具有直接可达关系的监控点位不满足监控点位之间的通行时间；
将监控到异常监控数据的监控点位标识合并至所述待验车辆的行驶轨迹序列中，并判断合并后的行驶轨迹序列中相邻监控点位标识对应的监控点位是否满足监控点位之间的通行时间；
若满足，并且监控到的车牌号码与所述待验车辆的车牌号牌的相似性大于第一预设值，则将监控到的车牌号码进行修正。
7.根据权利要求4所述的识别方法，其特征在于，所述根据所述待验车辆的行驶轨迹序列和预先获取的所述统计区域内的车辆行为模式，判断所述待验车辆是否存在异常行为，包括：
根据所述行驶轨迹序列、监控点位之间的可达关系以及监控点位之间的通行时间，判断所述待验车辆是否存在异常行为；和/或
根据所述行驶轨迹序列和行驶轨迹类模板，判断所述待验车辆是否存在异常行为。
8.根据权利要求7所述的识别方法，其特征在于，所述根据所述行驶轨迹序列、监控点位之间的可达关系以及监控点位之间的通行时间，判断所述待验车辆是否存在异常行为，包括：
根据所述行驶轨迹序列、监控点位之间的可达关系以及监控点位之间的通行时间，依次判断所述待验车辆的行驶轨迹序列中相邻监控点位标识对应的监控点位是否具有直接可达关系以及是否满足监控点位之间的通行时间；
若相邻监控点位标识对应的监控点位不具有直接可达关系，或者相邻监控点位标识对应的监控点位具有直接可达关系但不满足监控点位之间的通行时间，则判定所述待验车辆存在异常行为。
9.根据权利要求7所述的识别方法，其特征在于，所述根据所述行驶轨迹序列和行驶轨迹类模板，判断所述待验车辆是否存在异常行为，包括：
按照一预设时间间隔，将所述待验车辆的行驶轨迹序列拆分为多个行驶轨迹子序列；
根据所述行驶轨迹子序列的首位监控点位标识和末位监控点位标识，获取具有所述首位监控点位标识和末位监控点位标识的行驶轨迹类模板；
计算所述行驶轨迹子序列与获取的所述行驶轨迹类模板之间的相似性，若所述相似性小于第二预设值，则判定所述待验车辆存在异常行为。
10.一种车辆异常行为的识别装置，其特征在于，所述识别装置包括：
第一获取模块，用于获取统计区域内设置的多个监控点位采集的车辆监控数据，并从所述车辆监控数据中提取待验车辆的行为特征数据；
第二获取模块，用于根据所述行为特征数据，获取所述待验车辆的行驶轨迹序列；
判断模块，用于根据所述行驶轨迹序列和预先获取的所述统计区域内的车辆行为模式，判断所述待验车辆是否存在异常行为。
11.根据权利要求10所述的识别装置，其特征在于，所述行为特征数据包括车牌号码和监控点位标识，所述第二获取模块具体用于，根据所述待验车辆的车牌号码和所述待验车辆经过统计区域内多个监控点位的时间顺序，将待验车辆依次经过的多个监控点位对应的监控点位标识记录为该待验车辆的行驶轨迹序列。
12.根据权利要求11所述的识别装置，其特征在于，所述识别装置还包括第三获取模块，用于根据预先采集的所述统计区域内所有车辆的车辆监控数据，获取车辆行为模式，其中，所述车辆行为模式包括：监控点位之间的可达关系、监控点位之间的通行时间以及车辆的行驶轨迹类模板。
13.根据权利要求12所述的识别装置，其特征在于，所述第三获取模块具体用于，根据所述统计区域内所有车辆的车辆监控数据，获取所述所有车辆的行驶轨迹序列；对所述所有车辆的行驶轨迹序列进行统计分析，得到正常行驶轨迹序列，并确定正常行驶轨迹序列中的相邻监控点位标识；根据所述相邻监控点位标识，得到具有直接可达关系的监控点位，其中，所述相邻监控点位标识指示的前一个监控点位可直接到达相邻监控点位标识中的后一个监控点位。
14.根据权利要求13所述的识别装置，其特征在于，所述第三获取模块还具体用于，根据所述车辆监控数据，计算一预设时间段内具有直接可达关系的监控点位之间的平均通行时间，并将所述平均通行时间记录为该预设时间段内的监控点位之间的通行时间。
15.根据权利要求13所述的识别装置，其特征在于，所述识别装置还包括修正模块，用于对所述待验车辆的车牌号码错误数据进行修正，具体用于，根据所述监控点位之间的可达关系，判断所述待验车辆的行驶轨迹序列中相邻监控点位标识对应的监控点位之间是否具有直接可达关系；若不具有，则获取所述统计区域内不具有直接可达关系的监控点位之间的所有路径，其中，路径由依次经过的监控点位对应的监控点位标识组成的序列表示；根据所述所有路径中的监控点位标识，获取所述所有路径中监控到异常监控数据的监控点位标识，其中，所述异常监控数据至少包括：监控到的车牌号码与车辆登记信息不符、无车牌号码登记信息、路径中相邻监控点位标识对应的监控点位不具有直接可达关系以及路径中具有直接可达关系的监控点位不满足监控点位之间的通行时间；将监控到异常监控数据的监控点位标识合并至所述待验车辆的行驶轨迹序列中，并判断合并后的行驶轨迹序列中相邻监控点位标识对应的监控点位是否满足监控点位之间的通行时间；若满足，并且监控到的车牌号码与所述待验车辆的车牌号牌的相似性大于第一预设值，则将监控到的车牌号码进行修正。
16.根据权利要求13所述的识别装置，其特征在于，所述判断模块具体用于，根据所述行驶轨迹序列、监控点位之间的可达关系以及监控点位之间的通行时间，判断所述待验车辆是否存在异常行为；和/或根据所述行驶轨迹序列和行驶轨迹类模板，判断所述待验车辆是否存在异常行为。
17.根据权利要求16所述的识别装置，其特征在于，所述判断模块包括第一判断单元，用于根据所述行驶轨迹序列、监控点位之间的可达关系以及监控点位之间的通行时间，依次判断所述待验车辆的行驶轨迹序列中相邻监控点位标识对应的监控点位是否具有直接可达关系以及是否满足监控点位之间的通行时间；若相邻监控点位标识对应的监控点位不具有直接可达关系，或者相邻监控点位标识对应的监控点位具有直接可达关系但不满足监控点位之间的通行时间，则判定所述待验车辆存在异常行为。
18.根据权利要求16所述的识别装置，其特征在于，所述判断模块还包括第二判断单元，用于按照一预设时间间隔，将所述待验车辆的行驶轨迹序列拆分为多个行驶轨迹子序列；根据所述行驶轨迹子序列的首位监控点位标识和末位监控点位标识，获取具有所述首位监控点位标识和末位监控点位标识的行驶轨迹类模板；计算所述行驶轨迹子序列与获取的所述行驶轨迹类模板之间的相似性，若所述相似性小于第二预设值，则判定所述待验车辆存在异常行为。
CN201610156687.7A 2016-03-18 2016-03-18 一种车辆异常行为的识别方法及装置 Withdrawn CN107204114A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201610156687.7A CN107204114A (zh) 2016-03-18 2016-03-18 一种车辆异常行为的识别方法及装置
PCT/CN2017/073477 WO2017157119A1 (zh) 2016-03-18 2017-02-14 一种车辆异常行为的识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610156687.7A CN107204114A (zh) 2016-03-18 2016-03-18 一种车辆异常行为的识别方法及装置

Publications (1)

Publication Number Publication Date
CN107204114A true CN107204114A (zh) 2017-09-26

Family

ID=59851442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610156687.7A Withdrawn CN107204114A (zh) 2016-03-18 2016-03-18 一种车辆异常行为的识别方法及装置

Country Status (2)

Country Link
CN (1) CN107204114A (zh)
WO (1) WO2017157119A1 (zh)

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107622667A (zh) * 2017-09-28 2018-01-23 广州烽火众智数字技术有限公司 一种变造车牌号码检测方法及***
CN108022427A (zh) * 2017-10-30 2018-05-11 深圳市赛亿科技开发有限公司 一种***辆的识别方法及***
CN108280435A (zh) * 2018-01-25 2018-07-13 盛视科技股份有限公司 一种基于人体姿态估计的旅客异常行为识别方法
CN108986474A (zh) * 2018-08-01 2018-12-11 平安科技（深圳）有限公司 交通事故的定责方法、装置、计算机设备及计算机存储介质
CN108986478A (zh) * 2018-09-17 2018-12-11 公安部交通管理科学研究所 一种定点甄别违法车辆的方法
CN109637122A (zh) * 2018-10-19 2019-04-16 天津易华录信息技术有限公司 一种数据处理方法、设备及***
CN109657621A (zh) * 2018-12-21 2019-04-19 杨文鑫 大数据轨迹分析平台
CN109767615A (zh) * 2018-10-19 2019-05-17 江苏智通交通科技有限公司 路网交通流关键流向和关键路径分析方法
CN109831744A (zh) * 2017-11-23 2019-05-31 腾讯科技（深圳）有限公司 一种异常轨迹识别方法、装置及存储设备
CN109859492A (zh) * 2019-03-27 2019-06-07 成都市公安科学技术研究所 一种识别***的***和方法
CN110728842A (zh) * 2019-10-23 2020-01-24 江苏智通交通科技有限公司 基于路口车辆合理行驶范围的异常行驶预警方法
CN110807694A (zh) * 2019-11-06 2020-02-18 广东泰骅科技信息服务有限公司 一种人才共享***
CN110874355A (zh) * 2019-11-28 2020-03-10 北京以萨技术股份有限公司 车辆徘徊绕圈异常行为的检测方法、***、终端及介质
CN110942640A (zh) * 2019-12-04 2020-03-31 无锡华通智能交通技术开发有限公司 一种主动发现非法从事网约车客运的嫌疑车辆的方法
CN111179603A (zh) * 2018-11-09 2020-05-19 杭州海康威视数字技术股份有限公司 一种车辆识别方法、装置、电子设备及存储介质
CN111191949A (zh) * 2020-01-03 2020-05-22 北京三快在线科技有限公司 网约车辆异常行驶行为识别方法、装置、电子设备
CN111291216A (zh) * 2020-02-28 2020-06-16 罗普特科技集团股份有限公司 一种基于人脸结构化数据的落脚点分析方法和***
CN111367906A (zh) * 2019-07-23 2020-07-03 杭州海康威视***技术有限公司 异常车辆识别方法、装置、设备及计算机可读存储介质
CN111369805A (zh) * 2020-01-09 2020-07-03 杭州海康威视***技术有限公司 套牌检测的方法、装置、电子设备及计算机可读存储介质
CN111767776A (zh) * 2019-12-28 2020-10-13 西安宇视信息科技有限公司 一种异常车牌推选方法及装置
CN112150795A (zh) * 2019-06-26 2020-12-29 杭州海康威视数字技术股份有限公司 一种车辆轨迹异常的检测方法及装置
CN112364820A (zh) * 2020-11-27 2021-02-12 深源恒际科技有限公司 一种基于深度学习的车险核保验车图片采集方法及***
CN112507957A (zh) * 2020-12-21 2021-03-16 北京百度网讯科技有限公司 一种车辆关联方法、装置、路侧设备及云控平台
CN112577487A (zh) * 2019-09-27 2021-03-30 阿里巴巴集团控股有限公司 路线处理方法、装置及电子设备
CN112991820A (zh) * 2021-04-26 2021-06-18 亿海蓝（北京）数据技术股份公司 套牌船识别方法及***
CN113284342A (zh) * 2021-05-17 2021-08-20 上海欧菲智能车联科技有限公司 空车位检测方法及装置、车辆和计算机设备
CN113382361A (zh) * 2020-03-09 2021-09-10 上海擎感智能科技有限公司 基于路线切分的试驾监控方法、***、介质及设备
CN113642893A (zh) * 2021-08-16 2021-11-12 公安部交通管理科学研究所 一种新能源汽车运行风险的评估方法
CN115083038A (zh) * 2022-06-29 2022-09-20 南京理工大学泰州科技学院 一种车辆行驶异常的检测装置及方法
CN116071931A (zh) * 2022-12-29 2023-05-05 北京中科神通科技有限公司 一种高速公路通行车辆信息预测方法和***
WO2023088201A1 (zh) * 2021-11-19 2023-05-25 杭州海康威视数字技术股份有限公司 异常车辆的检测方法、装置及设备

Families Citing this family (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3689032A1 (en) 2017-09-28 2020-08-05 Telefonaktiebolaget LM Ericsson (publ) Frequency or radio access technology (rat) selection based on slice availability
CN110415512B (zh) * 2018-04-28 2021-04-27 杭州海康威视数字技术股份有限公司 车辆信息管理方法、装置及存储介质
CN109903045B (zh) * 2019-01-24 2024-05-03 平安科技（深圳）有限公司 行为轨迹监控方法、装置、计算机设备和介质
CN110162588B (zh) * 2019-05-29 2023-06-09 浪潮软件集团有限公司 一种多维关联信息的轨迹融合方法
CN111368868B (zh) * 2019-07-31 2024-01-09 杭州海康威视***技术有限公司 确定车辆套牌的方法、装置及设备
CN111078973B (zh) * 2019-12-16 2023-10-20 浙江省北大信息技术高等研究院 基于大数据的***识别方法、设备及存储介质
CN111159254B (zh) * 2019-12-30 2023-07-25 武汉长江通信产业集团股份有限公司 一种基于大数据处理的车辆与人员的关联方法
CN113766426B (zh) * 2020-06-29 2024-04-12 京东城市(北京)数字科技有限公司 车辆行驶风险的预警方法、预警装置、电子设备及存储介质
CN111899521A (zh) * 2020-07-17 2020-11-06 南京师范大学泰州学院 一种高速公路的车辆违规行为检测方法
CN111950471B (zh) * 2020-08-14 2024-02-13 杭州海康威视***技术有限公司 目标对象识别方法及装置
CN112200044B (zh) * 2020-09-30 2024-04-30 北京四维图新科技股份有限公司 异常行为检测方法、装置及电子设备
CN112257589B (zh) * 2020-10-22 2024-03-05 大连交通大学 一种异常停留车辆的检测方法
CN112309126B (zh) * 2020-10-30 2022-07-05 杭州海康威视数字技术股份有限公司 车牌检测方法、装置、电子设备及计算机可读存储介质
CN112749638A (zh) * 2020-12-28 2021-05-04 深兰人工智能(深圳)有限公司 视觉识别轨迹的筛错方法和售货柜的视觉识别方法
CN112818954B (zh) * 2021-03-17 2022-08-26 重庆紫光华山智安科技有限公司 车辆状态识别方法、装置、设备及介质
CN112927117B (zh) * 2021-03-22 2022-08-23 上海京知信息科技有限公司 基于区块链的车辆管理通信方法、管理***、设备及介质
CN113256997B (zh) * 2021-04-30 2022-09-06 贵州数据宝网络科技有限公司 一种交通车辆违规行为检测装置及方法
CN113535819B (zh) * 2021-07-15 2023-02-28 广州交信投科技股份有限公司 一种交通态势感知分析方法、装置、计算机存储介质及终端
CN114328622A (zh) * 2021-12-28 2022-04-12 成都路行通信息技术有限公司 一种大数据流式计算的数据异常捕获实时处理方法及***
CN114566056B (zh) * 2022-02-28 2023-01-24 招商局重庆公路工程检测中心有限公司 一种公路隧道行车安全风险辨识与防控方法及***
CN114722309A (zh) * 2022-03-30 2022-07-08 广东艾科智泊科技股份有限公司 一种基于全景停车场的车牌识别方法
CN114842462B (zh) * 2022-04-07 2024-04-09 深圳市捷顺科技实业股份有限公司 一种车牌防伪的方法
CN114999171A (zh) * 2022-05-19 2022-09-02 杭州海康威视数字技术股份有限公司 一种变道监控处理方法、装置和***
CN114913690B (zh) * 2022-07-13 2022-10-11 北京融信数联科技有限公司 交通精细化监控方法、***和可读存储介质
CN115880898B (zh) * 2022-11-10 2024-05-10 公安部交通管理科学研究所 一种私家新能源汽车异常使用的判定方法
CN116386339B (zh) * 2023-06-06 2023-08-15 中路高科交通科技集团有限公司 一种省际客运未按线路行驶违法行为智能检测方法
CN117177213B (zh) * 2023-09-25 2024-02-13 北京皓宽网络科技有限公司 一种基于数据交换的数据处理方法以及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012058851A (ja) * 2010-09-06 2012-03-22 Toshiba Corp 異常車両検出装置
CN103116989A (zh) * 2013-01-29 2013-05-22 江苏省邮电规划设计院有限责任公司 基于智慧城市的***车辆的捕获方法
CN103578277A (zh) * 2012-08-07 2014-02-12 上海弘视通信技术有限公司 套牌嫌疑车搜索方法及其装置
CN103914986A (zh) * 2014-03-14 2014-07-09 浙江宇视科技有限公司 一种套***的方法和装置
CN104200669A (zh) * 2014-08-18 2014-12-10 华南理工大学 一种基于Hadoop的***识别方法及***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9293047B2 (en) * 2009-01-08 2016-03-22 GM Global Technology Operations LLC Methods and system for monitoring vehicle movement for use in evaluating possible intersection of paths between vehicle
CN101540105A (zh) * 2009-04-15 2009-09-23 四川川大智胜软件股份有限公司 一种基于车辆牌照识别和网格化监控的***检测方法
CN101635093A (zh) * 2009-05-22 2010-01-27 上海宝康电子控制工程有限公司 一种套牌机动车识别***以及方法
CN102509458B (zh) * 2011-10-19 2015-01-14 杭州华三通信技术有限公司 一种***辆识别方法和装置
CN103456175B (zh) * 2013-09-25 2015-04-22 武汉烽火众智数字技术有限责任公司 基于车辆号牌识别和网格化监控的伴随车实时检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012058851A (ja) * 2010-09-06 2012-03-22 Toshiba Corp 異常車両検出装置
CN103578277A (zh) * 2012-08-07 2014-02-12 上海弘视通信技术有限公司 套牌嫌疑车搜索方法及其装置
CN103116989A (zh) * 2013-01-29 2013-05-22 江苏省邮电规划设计院有限责任公司 基于智慧城市的***车辆的捕获方法
CN103914986A (zh) * 2014-03-14 2014-07-09 浙江宇视科技有限公司 一种套***的方法和装置
CN104200669A (zh) * 2014-08-18 2014-12-10 华南理工大学 一种基于Hadoop的***识别方法及***

Cited By (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107622667A (zh) * 2017-09-28 2018-01-23 广州烽火众智数字技术有限公司 一种变造车牌号码检测方法及***
CN108022427A (zh) * 2017-10-30 2018-05-11 深圳市赛亿科技开发有限公司 一种***辆的识别方法及***
CN109831744B (zh) * 2017-11-23 2021-05-07 腾讯科技（深圳）有限公司 一种异常轨迹识别方法、装置及存储设备
CN109831744A (zh) * 2017-11-23 2019-05-31 腾讯科技（深圳）有限公司 一种异常轨迹识别方法、装置及存储设备
CN108280435A (zh) * 2018-01-25 2018-07-13 盛视科技股份有限公司 一种基于人体姿态估计的旅客异常行为识别方法
CN108986474A (zh) * 2018-08-01 2018-12-11 平安科技（深圳）有限公司 交通事故的定责方法、装置、计算机设备及计算机存储介质
CN108986478A (zh) * 2018-09-17 2018-12-11 公安部交通管理科学研究所 一种定点甄别违法车辆的方法
CN109637122A (zh) * 2018-10-19 2019-04-16 天津易华录信息技术有限公司 一种数据处理方法、设备及***
CN109767615A (zh) * 2018-10-19 2019-05-17 江苏智通交通科技有限公司 路网交通流关键流向和关键路径分析方法
CN109767615B (zh) * 2018-10-19 2021-05-18 江苏智通交通科技有限公司 路网交通流关键流向和关键路径分析方法
CN111179603A (zh) * 2018-11-09 2020-05-19 杭州海康威视数字技术股份有限公司 一种车辆识别方法、装置、电子设备及存储介质
CN109657621A (zh) * 2018-12-21 2019-04-19 杨文鑫 大数据轨迹分析平台
CN109859492A (zh) * 2019-03-27 2019-06-07 成都市公安科学技术研究所 一种识别***的***和方法
CN112150795B (zh) * 2019-06-26 2022-05-06 杭州海康威视数字技术股份有限公司 一种车辆轨迹异常的检测方法及装置
CN112150795A (zh) * 2019-06-26 2020-12-29 杭州海康威视数字技术股份有限公司 一种车辆轨迹异常的检测方法及装置
CN111367906A (zh) * 2019-07-23 2020-07-03 杭州海康威视***技术有限公司 异常车辆识别方法、装置、设备及计算机可读存储介质
CN111367906B (zh) * 2019-07-23 2023-09-05 杭州海康威视***技术有限公司 异常车辆识别方法、装置、设备及计算机可读存储介质
CN112577487A (zh) * 2019-09-27 2021-03-30 阿里巴巴集团控股有限公司 路线处理方法、装置及电子设备
CN110728842B (zh) * 2019-10-23 2021-10-08 江苏智通交通科技有限公司 基于路口车辆合理行驶范围的异常行驶预警方法
CN110728842A (zh) * 2019-10-23 2020-01-24 江苏智通交通科技有限公司 基于路口车辆合理行驶范围的异常行驶预警方法
CN110807694A (zh) * 2019-11-06 2020-02-18 广东泰骅科技信息服务有限公司 一种人才共享***
CN110874355A (zh) * 2019-11-28 2020-03-10 北京以萨技术股份有限公司 车辆徘徊绕圈异常行为的检测方法、***、终端及介质
CN110874355B (zh) * 2019-11-28 2022-08-23 以萨技术股份有限公司 车辆徘徊绕圈异常行为的检测方法、***、终端及介质
CN110942640A (zh) * 2019-12-04 2020-03-31 无锡华通智能交通技术开发有限公司 一种主动发现非法从事网约车客运的嫌疑车辆的方法
CN111767776A (zh) * 2019-12-28 2020-10-13 西安宇视信息科技有限公司 一种异常车牌推选方法及装置
CN111767776B (zh) * 2019-12-28 2024-03-29 西安宇视信息科技有限公司 一种异常车牌推选方法及装置
CN111191949A (zh) * 2020-01-03 2020-05-22 北京三快在线科技有限公司 网约车辆异常行驶行为识别方法、装置、电子设备
CN111369805A (zh) * 2020-01-09 2020-07-03 杭州海康威视***技术有限公司 套牌检测的方法、装置、电子设备及计算机可读存储介质
CN111369805B (zh) * 2020-01-09 2021-08-06 杭州海康威视***技术有限公司 套牌检测的方法、装置、电子设备及计算机可读存储介质
CN111291216B (zh) * 2020-02-28 2022-06-14 罗普特科技集团股份有限公司 一种基于人脸结构化数据的落脚点分析方法和***
CN111291216A (zh) * 2020-02-28 2020-06-16 罗普特科技集团股份有限公司 一种基于人脸结构化数据的落脚点分析方法和***
CN113382361B (zh) * 2020-03-09 2022-11-15 上海擎感智能科技有限公司 基于路线切分的试驾监控方法、***、介质及设备
CN113382361A (zh) * 2020-03-09 2021-09-10 上海擎感智能科技有限公司 基于路线切分的试驾监控方法、***、介质及设备
CN112364820A (zh) * 2020-11-27 2021-02-12 深源恒际科技有限公司 一种基于深度学习的车险核保验车图片采集方法及***
CN112507957A (zh) * 2020-12-21 2021-03-16 北京百度网讯科技有限公司 一种车辆关联方法、装置、路侧设备及云控平台
CN112507957B (zh) * 2020-12-21 2023-12-15 阿波罗智联(北京)科技有限公司 一种车辆关联方法、装置、路侧设备及云控平台
CN112991820A (zh) * 2021-04-26 2021-06-18 亿海蓝（北京）数据技术股份公司 套牌船识别方法及***
CN113284342A (zh) * 2021-05-17 2021-08-20 上海欧菲智能车联科技有限公司 空车位检测方法及装置、车辆和计算机设备
CN113642893A (zh) * 2021-08-16 2021-11-12 公安部交通管理科学研究所 一种新能源汽车运行风险的评估方法
WO2023088201A1 (zh) * 2021-11-19 2023-05-25 杭州海康威视数字技术股份有限公司 异常车辆的检测方法、装置及设备
CN115083038A (zh) * 2022-06-29 2022-09-20 南京理工大学泰州科技学院 一种车辆行驶异常的检测装置及方法
CN115083038B (zh) * 2022-06-29 2024-02-27 南京理工大学泰州科技学院 一种车辆行驶异常的检测装置及方法
CN116071931A (zh) * 2022-12-29 2023-05-05 北京中科神通科技有限公司 一种高速公路通行车辆信息预测方法和***
CN116071931B (zh) * 2022-12-29 2024-01-09 北京中科神通科技有限公司 一种高速公路通行车辆信息预测方法和***

Also Published As

Publication number Publication date
WO2017157119A1 (zh) 2017-09-21

Similar Documents

Publication Publication Date Title
CN107204114A (zh) 一种车辆异常行为的识别方法及装置
CN109448370B (zh) 一种基于车辆轨迹数据的交通控制子区划分方法
CN106846801A (zh) 一种基于车辆轨迹的区域徘徊异常行为检测方法
CN111680613B (zh) 一种实时检测手扶电梯乘客摔倒行为的方法
CN108734129A (zh) 手机及车辆定位分析方法及***
CN106314438A (zh) 一种司机驾驶轨迹中异常轨迹的检测方法和***
CN110288823B (zh) 一种基于朴素贝叶斯网络的交通违章误判识别方法
CN109840523A (zh) 一种基于图像处理的城轨列车车号识别算法
CN109344886B (zh) 基于卷积神经网络的遮挡号牌判别方法
CN102254428A (zh) 一种基于视频处理的交通拥塞检测方法
CN106373461A (zh) 驾培管理服务***及其方法
CN104021677A (zh) 一种车辆翻牌检测方法和装置
CN116168356B (zh) 一种基于计算机视觉的车辆损伤判别方法
CN111524350B (zh) 车路协同异常行驶状况检测方法、***、终端设备及介质
CN110175654A (zh) 一种轨迹路标的更新方法及***
CN111444843B (zh) 一种多模态驾驶员及车辆违法行为监测方法及***
CN110164137B (zh) 基于卡口对行车时间的***辆的识别方法及***、介质
Hamedmoghadam et al. Automated extraction of origin-destination demand for public transportation from smartcard data with pattern recognition
CN114494998B (zh) 一种车辆数据智能分析方法及***
CN108171187A (zh) 一种基于骨点提取的异常行为自动识别方法及装置
CN116778460A (zh) 一种基于图像识别的疲劳驾驶识别方法
CN114067610B (zh) 一种错过岔道口事故的仿真场景构建方法及装置
CN114023085B (zh) 一种基于卡口检测数据的交叉口信号配时参数推断方法
CN112633163B (zh) 一种基于机器学习算法实现非法运营车辆检测的检测方法
CN107423758A (zh) 从趋势点中提取序列重要点的驾培作弊学时识别方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20170926