CN108022428B - 一种车辆识别方法及装置 - Google Patents
一种车辆识别方法及装置 Download PDFInfo
- Publication number
- CN108022428B CN108022428B CN201610943479.1A CN201610943479A CN108022428B CN 108022428 B CN108022428 B CN 108022428B CN 201610943479 A CN201610943479 A CN 201610943479A CN 108022428 B CN108022428 B CN 108022428B
- Authority
- CN
- China
- Prior art keywords
- attribute information
- determining
- target
- vehicle
- time
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种车辆识别方法及装置,数据库中对应存储有车辆的属性信息、对车辆进行图像采集的时刻及位置;当出现交通事故时,根据事发时间及事发地点,确定第一目标时间范围及目标区域;根据确定的第一目标时间范围及目标区域,在数据库中确定匹配的备选车辆的属性信息;在所确定的备选车辆的属性信息中,统计相同的属性信息的出现次数,将出现次数大于第一预设阈值的属性信息确定为候选属性信息;在候选属性信息对应的车辆中确定目标车辆。由此可见,针对属性信息的出现次数设定阈值,过滤掉很大一部分属性信息,在剩余的属性信息对应的车辆中确定目标车辆,后续仅对目标车辆进行排查,降低了识别肇事车辆的工作量。
Description
技术领域
本发明涉及视频监控技术领域,特别涉及一种车辆识别方法及装置。
背景技术
在对交通事故的处理过程中,经常利用监控设备采集到的图像对肇事车辆进行识别。如果事发地点安装有监控设备,则可以直接获取到事故相关图像,根据该图像识别出肇事车辆。如果事发地点没有安装监控设备,则通过事发地点附近的监控设备采集到的图像对肇事车辆进行识别。
通过事发地点附近的监控设备采集到的图像对肇事车辆进行识别的具体方案可以包括:将事发地点附近的卡口处安装的监控设备确定为目标监控设备;确定与事故相关的时间范围;获取目标监控设备在该时间范围内采集到的图像;对获取到的图像中的车辆逐一进行人工排查,识别出肇事车辆。
应用上述方案,目标监控设备通常有多台,对多台目标监控设备采集到的大量图像中的车辆逐一进行人工排查,工作量非常大。
发明内容
本发明实施例的目的在于提供一种车辆识别方法及装置,降低识别肇事车辆的工作量。
为达到上述目的,本发明实施例公开了一种车辆识别方法,包括:
根据事发时间及事发地点,确定第一目标时间范围及目标区域;
根据数据库中对应存储的车辆的属性信息、对车辆进行图像采集的时刻及位置,确定所述第一目标时间范围及目标区域对应的备选车辆的属性信息;
在所确定的备选车辆的属性信息中,统计相同的属性信息的出现次数;
将出现次数大于第一预设阈值的属性信息确定为候选属性信息;
在所述候选属性信息对应的车辆中确定目标车辆。
可选的,在所述确定第一目标时间范围及目标区域的步骤之前,还包括:
获取监控设备采集的车辆图像及所述图像对应的采集时刻及采集位置;
对所述图像进行分析处理,确定所述图像中的车辆的属性信息;
将所确定的属性信息、所述图像对应的采集时刻及采集位置对应存储至数据库中。
可选的,所述根据事发时间及事发地点,确定第一目标时间范围及目标区域的步骤可以包括:
将事发时间之前的第一预设时间段确定为第一目标时间范围;
将与事发地点的距离在第二预设阈值的区域确定为目标区域,或者,将与所述事发地点距离最近的预设数量个卡口覆盖的区域确定为目标区域。
可选的,所述在所述候选属性信息对应的车辆中确定目标车辆的步骤包括:
将所述候选属性信息对应的车辆确定为目标车辆。
可选的,所述在所述候选属性信息对应的车辆中确定目标车辆的步骤包括:
将所述事发时间之后的第二预设时间段确定为第二目标时间范围;
在所述数据库中查找采集时刻位于所述第二目标时间范围内、且采集位置位于所述目标区域内的车辆的非目标属性信息;
将所确定的候选属性信息中存在的非目标属性信息删除;
将剩余的候选属性信息对应的车辆确定为目标车辆。
可选的,所述在所述候选属性信息对应的车辆中确定目标车辆的步骤包括:
将所述事发时间之后的第三预设时间段确定为第三目标时间范围;
判断是否在所述数据库中查找到采集时刻位于所述第三目标时间范围内、且采集位置位于所述目标区域内的候选属性信息;
如果是,将查找到的候选属性信息删除,将剩余的候选属性信息对应的车辆确定为目标车辆。
可选的,所述在所确定的备选车辆的属性信息中,统计相同的属性信息的出现次数的步骤可以包括:
在所确定的备选车辆的属性信息中,将相同的属性信息确定为一个组;
针对每个组,判断所述组中每两个属性信息对应的采集时刻的差值是否小于第三预设阈值;
如果是,将所述两个属性信息中的一个属性信息从所述组中删除;
统计所述组中剩余的属性信息的个数,将所述个数确定为所述组中属性信息的出现次数。
可选的,在所述将出现次数大于第一预设阈值的属性信息对应的车辆确定为目标车辆步骤之后,还可以包括:
根据属性信息对应的采集时刻和/或采集位置和/或出现次数,对每个目标车辆对应的属性信息进行排序;
根据排序结果,依次输出每个目标车辆对应的属性信息。
为达到上述目的,本发明实施例公开了一种车辆识别装置,包括:
第一确定模块,用于根据事发时间及事发地点,确定第一目标时间范围及目标区域;
第二确定模块,用于根据数据库中对应存储的车辆的属性信息、对车辆进行图像采集的时刻及位置,确定所述第一目标时间范围及目标区域对应的备选车辆的属性信息;
统计模块,用于在所确定的备选车辆的属性信息中,统计相同的属性信息的出现次数;
第三确定模块,用于将出现次数大于第一预设阈值的属性信息确定为候选属性信息;
第四确定模块,用于在所述候选属性信息对应的车辆中确定目标车辆。
可选的,所述装置还可以包括:
获取模块,用于获取监控设备采集的车辆图像及所述图像对应的采集时刻及采集位置;
第五确定模块,对所述图像进行分析处理,确定所述图像中的车辆的属性信息;
存储模块,用于将所确定的属性信息、所述图像对应的采集时刻及采集位置对应存储至数据库中。
可选的,所述第一确定模块,可以包括:
第一确定子模块,用于将事发时间之前的第一预设时间段确定为第一目标时间范围;
第二确定子模块,用于将与事发地点的距离在第二预设阈值的区域确定为目标区域,或者,将与所述事发地点距离最近的预设数量个卡口覆盖的区域确定为目标区域。
可选的,所述第四确定模块,具体可以用于:
将所述候选属性信息对应的车辆确定为目标车辆。
可选的,所述第四确定模块,具体可以用于:
将所述事发时间之后的第二预设时间段确定为第二目标时间范围;
在所述数据库中查找采集时刻位于所述第二目标时间范围内、且采集位置位于所述目标区域内的车辆的非目标属性信息;
将所确定的候选属性信息中存在的非目标属性信息删除;
将剩余的候选属性信息对应的车辆确定为目标车辆。
可选的,所述第四确定模块,具体可以用于:
将所述事发时间之后的第三预设时间段确定为第三目标时间范围;
判断是否在所述数据库中查找到采集时刻位于所述第三目标时间范围内、且采集位置位于所述目标区域内的候选属性信息;
如果是,将查找到的候选属性信息删除,将剩余的候选属性信息对应的车辆确定为目标车辆。
可选的,所述统计模块,具体可以用于:
在所确定的备选车辆的属性信息中,将相同的属性信息确定为一个组;
针对每个组,判断所述组中每两个属性信息对应的采集时刻的差值是否小于第三预设阈值;
如果是,将所述两个属性信息中的一个属性信息从所述组中删除;
统计所述组中剩余的属性信息的个数,将所述个数确定为所述组中属性信息的出现次数。
可选的,所述装置还可以包括:
排序模块,用于根据属性信息对应的采集时刻和/或采集位置和/或出现次数,对每个目标车辆对应的属性信息进行排序;
输出模块,用于根据排序结果,依次输出每个目标车辆对应的属性信息。
应用本发明所示实施例,数据库中对应存储有车辆的属性信息、对车辆进行图像采集的时刻及位置;当出现交通事故时,根据事发时间及事发地点,确定第一目标时间范围及目标区域;根据确定的第一目标时间范围及目标区域,在数据库中确定匹配的备选车辆的属性信息;在所确定的备选车辆的属性信息中,统计相同的属性信息的出现次数,将出现次数大于第一预设阈值的属性信息确定为候选属性信息;在所述候选属性信息对应的车辆中确定目标车辆。由此可见,针对属性信息的出现次数设定阈值,过滤掉很大一部分属性信息,在剩余的属性信息对应的车辆中确定目标车辆,后续仅对目标车辆进行排查,降低了识别肇事车辆的工作量。
当然,实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种车辆识别方法的流程示意图;
图2为本发明实施例提供的一种车辆识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了解决上述技术问题,本发明实施例提供了一种车辆识别方法及装置,可以应用于计算机、平板电脑等各种电子设备,具体不作限定。下面首先对本发明实施例提供的车辆识别方法进行详细说明。
图1为本发明实施例提供的一种车辆识别方法,包括:
S101:根据事发时间及事发地点,确定第一目标时间范围及目标区域。
本步骤可以包括:
将事发时间之前的第一预设时间段确定为第一目标时间范围;
将与事发地点的距离在第二预设阈值的区域确定为目标区域,或者,将与所述事发地点距离最近的预设数量个卡口覆盖的区域确定为目标区域。
本方案需要识别出可疑肇事车辆,后续仅对可疑肇事车辆进行排查,以降低识别肇事车辆的工作量。肇事车辆可以理解为交通事故的肇事车辆,或者其他事件的肇事车辆,在此不做限定。下面以交通事故为例进行说明。
假设2016年8月30日上午11:25,在A地点发生了一起交通事故,则可以将2016年8月30日上午11:25之前的第一预设时间段确定为第一目标时间范围。第一预设时间段可以根据实际情况进行设定,比如一周、两周、一个月等等,这里假设为两周。也就是说,将2016年8月16日—2016年8月30日确定为第一目标时间范围。
下面对目标区域的确定方式进行介绍:
上述第二预设阈值为距离阈值,假设为1km,也就是说,以A地点为圆心,1km为半径画圆,可以将该圆覆盖的区域确定为目标区域。
也可以将与A地点距离最近的预设数量个卡口覆盖的区域确定为目标区域。假设预设数量为3,卡口1与A地点的距离为0.5km,卡口2与A地点的距离为0.2km,卡口3与A地点的距离为1km,卡口4与A地点的距离为0.8km,卡口5与A地点的距离为1.2km。按照与A地点的距离由近及远对这些卡口进行排序,排序结果为:卡口2、卡口1、卡口4、卡口3、卡口5。将排在前面的3个卡口(卡口2、卡口1、卡口4)覆盖的区域确定为目标区域。
当然,还可以以A地点为圆心,确定不同方向的各卡口的层级,比如,在A地点的东侧,与A地点距离最近的卡口层级为1,除层级为1的卡口之外与A地点距离最近的卡口层级为2……以此类推;在A地点的西侧,与A地点距离最近的卡口层级为1,除层级为1的卡口之外与A地点距离最近的卡口层级为2……以此类推;这样,可以确定A地点附近的每个卡口的层级。将预设层级的卡口覆盖的区域确定为目标区域。假设预设层级为2,则确定每个层级为2的卡口与A地点的距离,以确定的最大的距离为半径,以A地点为圆心确定一个圆,可以将该圆覆盖的区域确定为目标区域。
确定目标区域的方式有很多,在此不一一赘述。
S102:根据数据库中对应存储的车辆的属性信息、对车辆进行图像采集的时刻及位置,确定所述第一目标时间范围及目标区域对应的备选车辆的属性信息。
数据库中存储的属性信息、采集时刻、采集位置都是预先获取的。该数据库可以存储于执行本方案的电子设备中,也可以独立存储于其他设备中,在此不做限定。下面以数据库存储于执行本方案的电子设备中为例进行说明。
获取上述属性信息、采集时刻、采集位置的方式可以包括:
获取监控设备采集的车辆图像及所述图像对应的采集时刻及采集位置;对所述图像进行分析处理,确定所述图像中的车辆的属性信息;将所确定的属性信息、所述图像对应的采集时刻及采集位置对应存储至数据库中。
该电子设备与多台监控设备通信连接,各台监控设备将自身采集到的车辆图像及该图像对应的采集时刻、采集位置发送给该电子设备。该电子设备对接收到的车辆图像进行分析处理,可以确定出图像中车辆的属性信息。该属性信息可以包括车牌号、车身颜色、车型等信息,当然也可以只包括车牌号。当该属性信息包含多项内容时,将这多项内容作为一条属性信息。比如,属性信息中包括车身颜色和车型时,将这两项内容作为一条属性信息,也就是说,数据库中存储的每条属性信息都包括车身颜色和车型。
将接收到的该图像对应的采集时刻、采集位置以及分析得到的车辆的属性信息对应存储至数据库中。
延续上述例子,假设以A地点为圆心,1km为半径画圆,将该圆覆盖的区域确定为目标区域。数据库中存储的部分内容可以如表1所示。需要说明的是,为了简化描述,表1仅为数据库中存储的部分内容,而且采集位置均表示为与A地点的距离,这并不构成对数据库的限定。实际上,采集位置可以为具体的地理位置,也可以为采集到该图像的监控设备的标识信息;根据该标识信息,确定出该监控设备的地理位置;根据监控设备的地理位置,可以确定出采集位置与A地点的距离。另外,“序号”列是为了后续方便引用,实际的数据库中可以不包含“序号”信息。
表1
序号 | 车辆的属性信息 | 采集时刻 | 采集位置 |
1 | 车牌号:京A0001 | 2016年8月13日9:30 | 与A地点距离为2.5km |
2 | 车牌号:京B0800 | 2016年8月15日9:30 | 与A地点距离为1.5km |
3 | 车牌号:京A0102 | 2016年8月19日9:30 | 与A地点距离为0.5km |
4 | 车牌号:京C5005 | 2016年8月20日9:30 | 与A地点距离为0.4km |
5 | 车牌号:京C5005 | 2016年8月21日9:30 | 与A地点距离为0.2km |
6 | 车牌号:京B0800 | 2016年8月22日17:30 | 与A地点距离为1.5km |
7 | 车牌号:京A0102 | 2016年8月22日17:30 | 与A地点距离为0.1km |
8 | 车牌号:京A0102 | 2016年8月23日17:30 | 与A地点距离为0.3km |
9 | 车牌号:京C5005 | 2016年8月20日9:40 | 与A地点距离为0.3km |
第一目标时间范围为2016年8月16日—2016年8月30日,目标区域为与A地点的距离小于1km的区域,表1中,序号3、4、5、7、8、9对应的采集时刻位于第一目标时间范围、且采集位置位于目标区域。因此,确定出的备选车辆的属性信息分别为:车牌号:京A0102、车牌号:京C5005、车牌号:京C5005、车牌号:京A0102、车牌号:京A0102、车牌号:京C5005。
S103:在所确定的备选车辆的属性信息中,统计相同的属性信息的出现次数。
延续上述例子,在确定出的备选车辆的属性信息中,车牌号:京A0102出现了3次,车牌号:京C5005出现了3次。
作为本发明的一种实施方式,本步骤可以包括:
在所确定的备选车辆的属性信息中,将相同的属性信息确定为一个组;
针对每个组,判断所述组中每两个属性信息对应的采集时刻的差值是否小于第三预设阈值;
如果是,将所述两个属性信息中的一个属性信息从所述组中删除;
统计所述组中剩余的属性信息的个数,将所述个数确定为所述组中属性信息的出现次数。
将确定出的3个“车牌号:京A0102”的信息确定为X组,将确定出的3个“车牌号:京C5005”的信息确定为Y组。第三预设阈值为时间阈值,可以根据实际情况设定,比如1小时、0.5小时等,在此不做限定,这里假设为1小时。
X组中,这3个“车牌号:京A0102”对应的采集时刻分别为:2016年8月19日9:30、2016年8月22日17:30、2016年8月23日17:30。这三个采集时刻中每两个采集时刻的差值都不小于1小时。X组中的属性信息“车牌号:京A0102”的个数为3,也就是说,属性信息“车牌号:京A0102”的出现次数为3。
Y组中,这3个“车牌号:京C5005”对应的采集时刻分别为:2016年8月20日9:30、2016年8月21日9:30、2016年8月20日9:40。后两个采集时刻的差值小于1小时。将后两个采集时刻对应的两个属性信息中的一个属性信息从Y组中删除。Y组中的剩余的属性信息“车牌号:京C5005”的个数为2,也就是说,属性信息“车牌号:京C5005”的出现次数为2。
S104:将出现次数大于第一预设阈值的属性信息确定为候选属性信息。
假设第一预设阈值为1,则将“车牌号:京A0102”与“车牌号:京C5005”确定为候选属性信息。
S105:在所述候选属性信息对应的车辆中确定目标车辆。
具体的,可以直接将所述候选属性信息对应的车辆确定为目标车辆。
交通事故中,肇事车辆通常为本地车辆,本地车辆可以理解为经常出没于事发地点附近区域的车辆,比如居住地址或者工作地址在事发地点附近的车主驾驶的车辆。由于本地车辆在事发地点附近区域行驶的次数比外地车辆要高很多,因此,本地车辆在事发地点出现交通事故的概率很大。延续上述例子,肇事车辆在事发时间之前应该经常出现在A地点附近区域。将出现次数大于第一预设阈值的属性信息对应的车辆确定为目标车辆也是基于这一思想,确定出事发时间之前频繁在A地点附近区域出现的车辆。
如果某车主的居住地址在A地点附近,则该车主驾驶的车辆对于A地点为说即为本地车辆。一般来说,该车辆在工作日的早上出门,晚上回家,A地点附近的监控设备对该车辆进行图像采集,执行本方案的电子设备将采集到的图像对应的采集时刻、采集位置、车辆的属性信息存储至数据库中。如果第一目标时间范围为两周,在这两周中,该车辆的属性信息在数据库中应该出现20次(一周5个工作日,每个工作日出现2次)。这样的话,可以将第一预设阈值设定为20次。
需要强调的是,第一预设阈值根据实际情况进行设定,上述1次、20次仅为两个例子,并不构成限定。
作为一种实施方式,S105可以包括:
将所述事发时间之后的第二预设时间段确定为第二目标时间范围;
在所述数据库中查找采集时刻位于所述第二目标时间范围内、且采集位置位于所述目标区域内的车辆的非目标属性信息;
将所确定的候选属性信息中存在的非目标属性信息删除;
将剩余的候选属性信息对应的车辆确定为目标车辆。
延续上述例子,假设第一预设阈值为1,则将“车牌号:京A0102”与“车牌号:京C5005”确定为候选属性信息。
通常情况下,肇事车主在事发时间后的一段时间内不会驾驶肇事车辆在事发地点附近出现。基于这一思想,将事发时间之后的第二预设时间段确定为第二目标时间范围。第二预设时间段可以根据实际情况进行设定,比如一个月、半年等。这里假设为一个月,也就是将2016.8.30—2016.9.30确定为第二目标时间范围。
假设数据库中存储的部分内容如表2所示。需要说明的是,为了简化描述,表2仅为数据库中存储的部分内容,而且采集位置均表示为与A地点的距离,这并不构成对数据库的限定。实际上,采集位置可以为具体的地理位置,也可以为采集到该图像的监控设备的标识信息;根据该标识信息,确定出该监控设备的地理位置;根据监控设备的地理位置,可以确定出采集位置与A地点的距离。
表2
车辆的属性信息 | 采集时刻 | 采集位置 |
车牌号:京A0001 | 2016年8月29日9:30 | 与A地点距离为2.5km |
车牌号:京B0800 | 2016年9月15日9:30 | 与A地点距离为1.5km |
车牌号:京C5005 | 2016年9月16日9:30 | 与A地点距离为0.5km |
车牌号:京A0001 | 2016年9月16日9:30 | 与A地点距离为0.2km |
查找到后两条信息符合条件:采集时刻位于2016.8.30—2016.9.30之间、且采集位置与A地点的距离小于1km,因此,将“车牌号:京C5005”和“车牌号:京A0001”确定为非目标属性信息。
确定的候选属性信息为“车牌号:京A0102”与“车牌号:京C5005”,将“车牌号:京C5005”删除掉,剩余的候选属性信息“车牌号:京A0102”对应的车辆即为目标车辆,也就是可疑肇事车辆。
基于肇事车主在事发时间后的一段时间内不会驾驶肇事车辆在事发地点附近出现的思想,还可以利用另一种方式排除非可疑肇事车辆:
将所述事发时间之后的第三预设时间段确定为第三目标时间范围;
判断是否在所述数据库中查找到采集时刻位于所述第三目标时间范围内、且采集位置位于所述目标区域内的候选属性信息;
如果是,将查找到的候选属性信息删除,将剩余的候选属性信息对应的车辆确定为目标车辆。
延续上述例子,假设第一预设阈值为1,则将“车牌号:京A0102”与“车牌号:京C5005”确定为候选属性信息。
第三预设时间段可以根据实际情况进行设定,比如一个月、半年等。这里假设为一个月,也就是将2016.8.30—2016.9.30确定为第三目标时间范围。
上述确定的候选属性信息为“车牌号:京A0102”与“车牌号:京C5005”,判断是否在表2中查找到这两个候选属性信息对应的采集时刻位于2016.8.30—2016.9.30之间、且采集位置与A地点的距离小于1km的信息:查找到第三条信息符合要求。也就是将“车牌号:京C5005”删除,剩余的候选属性信息“车牌号:京A0102”对应的车辆即为目标车辆,也就是可疑肇事车辆。
确定出目标车辆,也就是可疑肇事车辆后,可以输出目标车辆的属性信息,以使相关人员对目标车辆进行排查。
作为本发明的一种实施方式,在S104之后,可以根据属性信息对应的采集时刻和/或采集位置和/或出现次数,对每个目标车辆对应的属性信息进行排序;
根据排序结果,依次输出每个目标车辆对应的属性信息。
可以理解的是,对应的采集时刻越靠近事发时间、采集位置越靠近事发地点、出现次数越多的属性信息对应的车辆为肇事车辆的可能性越大。因此,可以优先输出肇事可能性较大的目标车辆的属性信息。也就是根据属性信息对应的采集时刻和/或采集位置和/或出现次数,对每个目标车辆对应的属性信息进行排序。
可以仅根据属性信息对应的一项内容对其进行排序:比如,仅根据属性信息对应的采集时刻对其进行排序,将采集时刻越靠近事发时间的属性信息排在前面;或者,仅根据属性信息对应的采集位置对其进行排序,将采集位置越靠近事发地点的属性信息排在前面;或者,仅根据属性信息对应的出现次数对其进行排序,将出现次数越多的属性信息排在前面。
也可以根据属性信息对应的多项内容对其进行排序,比如根据属性信息对应的采集时刻、采集位置和出现次数对其进行排序。这种情况,可以设定采集时刻、采集位置和出现次数对应的权重;根据属性信息对应的采集时刻、采集位置、出现次数以及设定的各个权重,确定属性信息对应的综合权重值;根据综合权重值,对属性信息进行排序。这里可以将采集时刻越靠近事发时间、采集位置越靠近事发地点、出现次数越多的属性信息排在前面。
根据排序结果,依次输出每个属性信息。优先输出对肇事可能性较大的车辆的属性信息,以使相关人员优先对肇事可能性较大的车辆进行排查,提高识别肇事车辆的效率。
应用本发明图1所示实施例,数据库中对应存储有车辆的属性信息、对车辆进行图像采集的时刻及位置;当出现交通事故时,根据事发时间及事发地点,确定第一目标时间范围及目标区域;根据确定的第一目标时间范围及目标区域,在数据库中确定匹配的备选车辆的属性信息;在所确定的备选车辆的属性信息中,统计相同的属性信息的出现次数,将出现次数大于第一预设阈值的属性信息确定为候选属性信息;在所述候选属性信息对应的车辆中确定目标车辆。由此可见,针对属性信息的出现次数设定阈值,过滤掉很大一部分属性信息,在剩余的属性信息对应的车辆中确定目标车辆,后续仅对目标车辆进行排查,降低了识别肇事车辆的工作量。
与上述方法实施例相对应,本发明实施例还提供一种车辆识别装置。
图2为本发明实施例提供的一种车辆识别装置的结构示意图,包括:
第一确定模块201,用于根据事发时间及事发地点,确定第一目标时间范围及目标区域;
第二确定模块202,用于根据数据库中对应存储的车辆的属性信息、对车辆进行图像采集的时刻及位置,确定所述第一目标时间范围及目标区域对应的备选车辆的属性信息;
统计模块203,用于在所确定的备选车辆的属性信息中,统计相同的属性信息的出现次数;
第三确定模块204,用于将出现次数大于第一预设阈值的属性信息确定为候选属性信息;
第四确定模块205,用于在所述候选属性信息对应的车辆中确定目标车辆。
在本实施例中,所述装置还可以包括:获取模块、第五确定模块和存储模块(图中未示出),其中,
获取模块,用于获取监控设备采集的车辆图像及所述图像对应的采集时刻及采集位置;
第五确定模块,对所述图像进行分析处理,确定所述图像中的车辆的属性信息;
存储模块,用于将所确定的属性信息、所述图像对应的采集时刻及采集位置对应存储至数据库中。
在本实施例中,第一确定模块201,可以包括:第一确定子模块和第二确定子模块(图中未示出),其中,
第一确定子模块,用于将事发时间之前的第一预设时间段确定为第一目标时间范围;
第二确定子模块,用于将与事发地点的距离在第二预设阈值的区域确定为目标区域,或者,将与所述事发地点距离最近的预设数量个卡口覆盖的区域确定为目标区域。
在本实施例中,第四确定模块205,具体可以用于:
将所述候选属性信息对应的车辆确定为目标车辆。
在本实施例中,第四确定模块205,具体可以用于:
将所述事发时间之后的第二预设时间段确定为第二目标时间范围;
在所述数据库中查找采集时刻位于所述第二目标时间范围内、且采集位置位于所述目标区域内的车辆的非目标属性信息;
将所确定的候选属性信息中存在的非目标属性信息删除;
将剩余的候选属性信息对应的车辆确定为目标车辆。
在本实施例中,第四确定模块205,具体可以用于:
将所述事发时间之后的第三预设时间段确定为第三目标时间范围;
判断是否在所述数据库中查找到采集时刻位于所述第三目标时间范围内、且采集位置位于所述目标区域内的候选属性信息;
如果是,将查找到的候选属性信息删除,将剩余的候选属性信息对应的车辆确定为目标车辆。
在本实施例中,统计模块203,具体可以用于:
在所确定的备选车辆的属性信息中,将相同的属性信息确定为一个组;
针对每个组,判断所述组中每两个属性信息对应的采集时刻的差值是否小于第三预设阈值;
如果是,将所述两个属性信息中的一个属性信息从所述组中删除;
统计所述组中剩余的属性信息的个数,将所述个数确定为所述组中属性信息的出现次数。
在本实施例中,所述装置还可以包括:排序模块和输出模块,(图中未示出),其中,
排序模块,用于根据属性信息对应的采集时刻和/或采集位置和/或出现次数,对每个目标车辆对应的属性信息进行排序;
输出模块,用于根据排序结果,依次输出每个目标车辆对应的属性信息。
应用本发明图2所示实施例,数据库中对应存储有车辆的属性信息、对车辆进行图像采集的时刻及位置;当出现交通事故时,根据事发时间及事发地点,确定第一目标时间范围及目标区域;根据确定的第一目标时间范围及目标区域,在数据库中确定匹配的备选车辆的属性信息;在所确定的备选车辆的属性信息中,统计相同的属性信息的出现次数,将出现次数大于第一预设阈值的属性信息确定为候选属性信息;在所述候选属性信息对应的车辆中确定目标车辆。由此可见,针对属性信息的出现次数设定阈值,过滤掉很大一部分属性信息,在剩余的属性信息对应的车辆中确定目标车辆,后续仅对目标车辆进行排查,降低了识别肇事车辆的工作量。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,这里所称得的存储介质,如:ROM/RA地点M、磁碟、光盘等。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种车辆识别方法,其特征在于,包括:
根据事发时间及事发地点,确定第一目标时间范围及目标区域;
根据数据库中对应存储的车辆的属性信息、对车辆进行图像采集的时刻及位置,确定所述第一目标时间范围及目标区域对应的备选车辆的属性信息;
在所确定的备选车辆的属性信息中,统计相同的属性信息的出现次数;
将出现次数大于第一预设阈值的属性信息确定为候选属性信息;
在所述候选属性信息对应的车辆中确定目标车辆;
其中,所述在所述候选属性信息对应的车辆中确定目标车辆的步骤包括:
将所述事发时间之后的第二预设时间段确定为第二目标时间范围;在所述数据库中查找采集时刻位于所述第二目标时间范围内、且采集位置位于所述目标区域内的车辆的非目标属性信息;将所确定的候选属性信息中存在的非目标属性信息删除;将剩余的候选属性信息对应的车辆确定为目标车辆;
或者,将所述事发时间之后的第三预设时间段确定为第三目标时间范围;判断是否在所述数据库中查找到采集时刻位于所述第三目标时间范围内、且采集位置位于所述目标区域内的候选属性信息;如果是,将查找到的候选属性信息删除,将剩余的候选属性信息对应的车辆确定为目标车辆。
2.根据权利要求1所述的方法,其特征在于,在所述确定第一目标时间范围及目标区域的步骤之前,还包括:
获取监控设备采集的车辆图像及所述图像对应的采集时刻及采集位置;
对所述图像进行分析处理,确定所述图像中的车辆的属性信息;
将所确定的属性信息、所述图像对应的采集时刻及采集位置对应存储至数据库中。
3.根据权利要求1所述的方法,其特征在于,所述根据事发时间及事发地点,确定第一目标时间范围及目标区域的步骤包括:
将事发时间之前的第一预设时间段确定为第一目标时间范围;
将与事发地点的距离在第二预设阈值的区域确定为目标区域,或者,将与所述事发地点距离最近的预设数量个卡口覆盖的区域确定为目标区域。
4.根据权利要求1所述的方法,其特征在于,所述在所确定的备选车辆的属性信息中,统计相同的属性信息的出现次数的步骤包括:
在所确定的备选车辆的属性信息中,将相同的属性信息确定为一个组;
针对每个组,判断所述组中每两个属性信息对应的采集时刻的差值是否小于第三预设阈值;
如果是,将所述两个属性信息中的一个属性信息从所述组中删除;
统计所述组中剩余的属性信息的个数,将所述个数确定为所述组中属性信息的出现次数。
5.根据权利要求1所述的方法,其特征在于,在所述将出现次数大于第一预设阈值的属性信息对应的车辆确定为目标车辆步骤之后,还包括:
根据属性信息对应的采集时刻和/或采集位置和/或出现次数,对每个目标车辆对应的属性信息进行排序;
根据排序结果,依次输出每个目标车辆对应的属性信息。
6.一种车辆识别装置,其特征在于,包括:
第一确定模块,用于根据事发时间及事发地点,确定第一目标时间范围及目标区域;
第二确定模块,用于根据数据库中对应存储的车辆的属性信息、对车辆进行图像采集的时刻及位置,确定所述第一目标时间范围及目标区域对应的备选车辆的属性信息;
统计模块,用于在所确定的备选车辆的属性信息中,统计相同的属性信息的出现次数;
第三确定模块,用于将出现次数大于第一预设阈值的属性信息确定为候选属性信息;
第四确定模块,用于在所述候选属性信息对应的车辆中确定目标车辆;
其中,所述第四确定模块,具体用于:
将所述事发时间之后的第二预设时间段确定为第二目标时间范围;在所述数据库中查找采集时刻位于所述第二目标时间范围内、且采集位置位于所述目标区域内的车辆的非目标属性信息;将所确定的候选属性信息中存在的非目标属性信息删除;将剩余的候选属性信息对应的车辆确定为目标车辆;
或者,将所述事发时间之后的第三预设时间段确定为第三目标时间范围;判断是否在所述数据库中查找到采集时刻位于所述第三目标时间范围内、且采集位置位于所述目标区域内的候选属性信息;如果是,将查找到的候选属性信息删除,将剩余的候选属性信息对应的车辆确定为目标车辆。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
获取模块,用于获取监控设备采集的车辆图像及所述图像对应的采集时刻及采集位置;
第五确定模块,对所述图像进行分析处理,确定所述图像中的车辆的属性信息;
存储模块,用于将所确定的属性信息、所述图像对应的采集时刻及采集位置对应存储至数据库中。
8.根据权利要求6所述的装置,其特征在于,所述第一确定模块,包括:
第一确定子模块,用于将事发时间之前的第一预设时间段确定为第一目标时间范围;
第二确定子模块,用于将与事发地点的距离在第二预设阈值的区域确定为目标区域,或者,将与所述事发地点距离最近的预设数量个卡口覆盖的区域确定为目标区域。
9.根据权利要求6所述的装置,其特征在于,所述统计模块,具体用于:
在所确定的备选车辆的属性信息中,将相同的属性信息确定为一个组;
针对每个组,判断所述组中每两个属性信息对应的采集时刻的差值是否小于第三预设阈值;
如果是,将所述两个属性信息中的一个属性信息从所述组中删除;
统计所述组中剩余的属性信息的个数,将所述个数确定为所述组中属性信息的出现次数。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
排序模块,用于根据属性信息对应的采集时刻和/或采集位置和/或出现次数,对每个目标车辆对应的属性信息进行排序;
输出模块,用于根据排序结果,依次输出每个目标车辆对应的属性信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610943479.1A CN108022428B (zh) | 2016-11-02 | 2016-11-02 | 一种车辆识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610943479.1A CN108022428B (zh) | 2016-11-02 | 2016-11-02 | 一种车辆识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108022428A CN108022428A (zh) | 2018-05-11 |
CN108022428B true CN108022428B (zh) | 2021-05-25 |
Family
ID=62070740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610943479.1A Active CN108022428B (zh) | 2016-11-02 | 2016-11-02 | 一种车辆识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108022428B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874934B (zh) * | 2018-08-29 | 2021-03-19 | 北京万集科技股份有限公司 | 车牌的识别方法、***和装置 |
CN110895535B (zh) * | 2018-09-12 | 2023-06-20 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置及电子设备 |
CN111243266B (zh) * | 2018-11-29 | 2021-08-20 | 杭州海康威视数字技术股份有限公司 | 一种车辆信息的确定方法、装置及电子设备 |
CN111259054B (zh) * | 2018-11-30 | 2024-01-23 | 杭州海康威视数字技术股份有限公司 | 一种隐匿车确定方法、装置及电子设备 |
CN112148924A (zh) * | 2019-06-28 | 2020-12-29 | 杭州海康威视数字技术股份有限公司 | 一种行李箱检索方法、装置及电子设备 |
CN110611886B (zh) * | 2019-08-01 | 2021-10-01 | 北京北大千方科技有限公司 | 车载手机信息获取方法、装置、电子设备及介质 |
CN112148568B (zh) * | 2020-09-25 | 2023-09-22 | 昆仑数智科技有限责任公司 | 一种设备监控***及方法 |
CN115841756A (zh) * | 2021-09-06 | 2023-03-24 | 中移***集成有限公司 | 车辆违停检测方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101593418A (zh) * | 2009-05-31 | 2009-12-02 | 上海宝康电子控制工程有限公司 | 嫌疑车辆关联查找方法 |
CN102610102A (zh) * | 2012-02-27 | 2012-07-25 | 安科智慧城市技术(中国)有限公司 | 一种嫌疑车辆查控方法及*** |
CN102819578A (zh) * | 2012-07-24 | 2012-12-12 | 武汉大千信息技术有限公司 | 视频侦查嫌疑目标分析***及方法 |
KR101256506B1 (ko) * | 2012-11-09 | 2013-05-02 | 뉴 플러스 정보통신(주) | 과적 차량 단속 시스템 및 방법 |
CN103914532A (zh) * | 2014-03-31 | 2014-07-09 | 安徽新华博信息技术股份有限公司 | 案件嫌疑人自动排查的分析方法 |
CN104199903A (zh) * | 2014-08-27 | 2014-12-10 | 上海熙菱信息技术有限公司 | 一种基于路径关联的车辆数据查询***及方法 |
CN105741598A (zh) * | 2014-12-09 | 2016-07-06 | 深圳中兴力维技术有限公司 | 嫌疑车辆落脚点分析处理方法及其装置 |
CN105913656A (zh) * | 2016-04-28 | 2016-08-31 | 泰华智慧产业集团股份有限公司 | 基于分布式统计频繁过车的方法及*** |
-
2016
- 2016-11-02 CN CN201610943479.1A patent/CN108022428B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101593418A (zh) * | 2009-05-31 | 2009-12-02 | 上海宝康电子控制工程有限公司 | 嫌疑车辆关联查找方法 |
CN102610102A (zh) * | 2012-02-27 | 2012-07-25 | 安科智慧城市技术(中国)有限公司 | 一种嫌疑车辆查控方法及*** |
CN102819578A (zh) * | 2012-07-24 | 2012-12-12 | 武汉大千信息技术有限公司 | 视频侦查嫌疑目标分析***及方法 |
KR101256506B1 (ko) * | 2012-11-09 | 2013-05-02 | 뉴 플러스 정보통신(주) | 과적 차량 단속 시스템 및 방법 |
CN103914532A (zh) * | 2014-03-31 | 2014-07-09 | 安徽新华博信息技术股份有限公司 | 案件嫌疑人自动排查的分析方法 |
CN104199903A (zh) * | 2014-08-27 | 2014-12-10 | 上海熙菱信息技术有限公司 | 一种基于路径关联的车辆数据查询***及方法 |
CN105741598A (zh) * | 2014-12-09 | 2016-07-06 | 深圳中兴力维技术有限公司 | 嫌疑车辆落脚点分析处理方法及其装置 |
CN105913656A (zh) * | 2016-04-28 | 2016-08-31 | 泰华智慧产业集团股份有限公司 | 基于分布式统计频繁过车的方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN108022428A (zh) | 2018-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108022428B (zh) | 一种车辆识别方法及装置 | |
US9542620B1 (en) | Locating persons of interest based on license plate recognition information | |
CN106887137B (zh) | 拥堵事件提示方法及装置 | |
US9313616B2 (en) | System and method for automated identification of location types for geofences | |
US10267643B2 (en) | System and method for automated correction of geofences | |
Ratcliffe et al. | Identifying repeat victimization with GIS | |
EP3242236A1 (en) | Transaction risk detection method and device | |
CN104167095B (zh) | 基于智慧城市的车辆行为模式稽查方法 | |
CN107945522B (zh) | 基于大数据查找嫌疑车辆的方法和*** | |
CN107645709B (zh) | 一种确定人员信息的方法及装置 | |
CN108694216B (zh) | 一种多源对象关联方法及装置 | |
CN109656973B (zh) | 一种目标对象关联分析方法及装置 | |
CN103413440A (zh) | 基于智慧城市数据仓库和识别规则库的***识别方法 | |
CN105513368A (zh) | 一种基于不确定信息的假牌车筛选方法 | |
CN106530685B (zh) | 一种交通数据短时预测方法及装置 | |
CN110895535B (zh) | 数据处理方法、装置及电子设备 | |
CN108389385B (zh) | 一种超限车辆的拦截方法、装置、电子设备及存储介质 | |
CN101894151B (zh) | 交通事件信息的获取方法和装置 | |
CN111062562A (zh) | 一种社区网格服务联动处置控制方法及*** | |
CN112199570A (zh) | 基于网络爬虫的房地产信息可视化分析***和方法 | |
CN113470369B (zh) | 一种基于多维度信息判断***辆真实号牌的方法及*** | |
CN112818724A (zh) | 识别非编驾驶或非编押运的方法、装置、设备和存储介质 | |
CN111798151B (zh) | 企业欺诈风险评估方法、装置、设备及可读存储介质 | |
CN113094388A (zh) | 一种用户工作地与居住地的检测方法及相关装置 | |
CN112381414A (zh) | 一种基于人工智能的辅警管理*** |
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 |