CN108492580A - 判断涉案嫌疑车辆的方法及*** - Google Patents
判断涉案嫌疑车辆的方法及*** Download PDFInfo
- Publication number
- CN108492580A CN108492580A CN201810368076.8A CN201810368076A CN108492580A CN 108492580 A CN108492580 A CN 108492580A CN 201810368076 A CN201810368076 A CN 201810368076A CN 108492580 A CN108492580 A CN 108492580A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- car
- time
- suspicion
- module
- 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.)
- Granted
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
- G08G1/017—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
-
- 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
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种判断涉案嫌疑车辆的方法及***。该方法包括：获取过车数据，根据过车数据生成过车记录表和过车索引表；对过车数据进行分析，生成***记录表；根据过车记录表、过车索引表和***记录表判断涉案嫌疑车辆，其中，在判断涉案嫌疑车辆时采用的判断条件包括时空条件和下述条件中的至少之一：遮阳板状态、盗抢高发地区、疑似***、频繁过车和初次入城；根据判断结果，将嫌疑车集合中的过车数据，按照嫌疑车得分集合中的得分分值的大小由高到低进行排序，生成涉案嫌疑车序列表。本发明提供的方法及***，从涉案车辆的多个特征入手进行综合分析，能够过滤掉大量无用数据，将嫌疑最大车辆排在最前面，对于侦破案件可行性高。
Description
技术领域
本发明涉及公共安全技术领域，更具体地，涉及一种判断涉案嫌疑车辆的方法及***。
背景技术
随着社会的发展，私家车的数量越来越多，私家车辆的普及在给人们生活带来便利的同时，也越来越多的被不法分子利用，成为他们犯罪的工具。据统计涉车案件占所有刑事案件的50％左右，且近几年所占比例呈增值趋势，这就为民警侦破案件造成很大的困难。从以往已侦破的案件中以及民警的办案经验可得出犯罪车辆的一些特征，如：犯罪分子通常不会用自己名下的车辆进行违法活动，他们用的车辆多是从别人那偷来或抢来的；或者犯罪分子采用套牌的方式，挂一个假牌进行违法活动；通常在违法活动之前，先在违法地点踩点，违法过程中全程放下遮阳板；或者涉案车辆为外地初次入城的车辆等。办案民警通常根据上述特征从大量的过车数据中筛选可疑车辆。
传统的筛选涉案嫌疑车辆的方式有以下几种：第一种是人工直接看图筛选，几个民警直接从海量的过车图片中一张张浏览筛查，对于现在海量的过车数据来说，靠人工一张张浏览图片不现实。第二种是民警***中经常使用的各种技战法，如：***分析、初次入城分析等技战法，这些方法也是基于大数据，从海量过车数据中进行分析得出的，然而这些单一的技战法在真正的实施环境中并不能最大限度的帮助民警缩小搜查范围。比如：初次入城分析，现如今一个县级市每天初次入城的过车数量也有成千上万(假设回溯时长为一个月)，虽然比从几百万数据中查找要容易很多，但在这成千上万的结果中再靠人工查找某个可疑车辆，也无异于大海捞针，并不能最大限度的帮助民警节省人力，提供效率。综上，现有的筛查涉案嫌疑车辆的方法在实际案件的侦破过程中可行性不高。
因此，提供一种判断涉案嫌疑车辆的方法及***，快速有效的筛选涉案嫌疑车辆，节省民警人力，提高办案效率是本领域亟待解决的问题。
发明内容
有鉴于此，本发明提供了一种判断涉案嫌疑车辆的方法及***，解决了快速有效的筛选涉案嫌疑车辆，节省民警人力，提高办案效率的技术问题。
为了解决上述技术问题，本发明提出一种判断涉案嫌疑车辆的方法，包括：
获取过车数据，根据所述过车数据生成过车记录表和过车索引表，其中，所述过车记录表采用Hbase存储，所述过车记录表的行键依次为：过车时间、过车位置和车牌号，所述过车记录表的列键为：车牌颜色、车型、车辆品牌、车辆年款、车身颜色、有无放下遮阳板或者有无系安全带，所述过车索引表采用solrCloud存储，所述过车索引表的属性值包括：车牌号、车牌颜色、车辆品牌、车型、年款、过车时间或过车位置；
对所述过车数据进行分析，判断所述过车数据对应的车辆是否为***，若所述车辆为***，则将所述过车数据存入***记录表，所述***记录表采用Hbase存储，所述***记录表的行键依次为：过车时间、过车位置和车牌号；
根据所述过车记录表、所述过车索引表和所述***记录表判断涉案嫌疑车辆，其中，在判断涉案嫌疑车辆时采用的判断条件包括时空条件和下述条件中的至少之一：遮阳板状态、盗抢高发地区、疑似***、频繁过车和初次入城，判断所述涉案嫌疑车辆的步骤包括：
判断满足所述时空条件的车辆，生成嫌疑车集合，其中，所述时空条件包括案发时间范围和案发地点范围，根据所述案发时间范围在所述过车记录表中选取案发时间过车数据，遍历所述案发时间过车数据，保留所述案发地点范围内的过车数据生成所述嫌疑车集合，所述嫌疑车集合的键依次为:车牌号和车牌颜色；
对所述嫌疑车集合中的每条过车数据增加所述时空条件对应的得分，生成嫌疑车得分集合，所述嫌疑车得分集合内的过车数据与所述嫌疑车集合内的过车数据一一对应，所述嫌疑车得分集合的键依次为:车牌号和车牌颜色，所述嫌疑车得分集合的值为：得分分值；
当所述判断条件包括所述遮阳板状态时，则遍历所述嫌疑车集合，筛选遮阳板状态为放下的过车数据，在所述嫌疑车得分集合中，将所述遮阳板状态为放下的过车数据对应的得分分值累加上所述遮阳板状态对应的得分；
当所述判断条件包括所述盗抢高发地区时，则遍历所述嫌疑车集合，筛选满足盗抢高发地区的车牌特征的过车数据，在所述嫌疑车得分集合中，将满足所述车牌特征的过车数据对应的得分分值累加上所述盗抢高发地区对应的得分；
当所述判断条件包括所述疑似***时，则在所述***记录表中查找满足疑似***规则的过车数据，生成疑似***集合，判断所述嫌疑车集合中的过车数据是否存在于所述疑似***集合中，若存在，则满足所述疑似***的条件，在所述嫌疑车得分集合中，将满足所述疑似***的条件的过车数据对应的得分分值累加上所述疑似***对应的得分；
当所述判断条件包括所述初次入城时，则在所述过车索引表中查找满足初次入城规则的过车数据，生成初次入城集合，根据所述初次入城集合判断所述嫌疑车集合中过车数据是否满足所述初次入城的条件，在所述嫌疑车得分集合中，将满足所述初次入城的条件的过车数据对应的得分分值累加上所述初次入城对应的得分；
当所述判断条件包括所述频繁过车时，则根据所述过车索引表判断所述嫌疑车集合中的每条过车数据是否满足频繁过车规则，在所述嫌疑车得分集合中，将满足所述频繁过车规则的过车数据对应的得分分值累加上所述频繁过车对应的得分；
将所述嫌疑车集合中的过车数据，按照所述嫌疑车得分集合中的得分分值的大小由高到低进行排序，生成涉案嫌疑车序列表。
可选的，对所述过车数据进行分析，判断是否为***的步骤包括：
获取一条所述过车数据，将所述过车数据中的车牌号记为目标车牌号，所述过车数据中的过车时间记为当前过车时间T1，所述过车数据中的过车位置记为当前过车位置S1；
在所述过车记录表中查找所述目标车牌号距所述当前过车时间最近的一条过车记录，记为历史过车数据，所述历史过车数据中的过车时间为历史过车时间T2，所述历史过车数据中的过车位置为历史过车位置S2；
通过公式计算所述目标车牌号对应的车辆的行驶车速V，其中，|S1-S2|表示历史过车位置S2与当前过车位置S1之间的物理距离；
当所述行驶车速V大于正常车速时，所述目标车牌号对应的车辆判定为***。
可选的，生成疑似***集合的步骤包括：在所述***记录表中查询案发之前X天被判定为疑似***的过车数据，生成前X天疑似***集合，所述疑似***集合的键依次为：车牌号和车牌颜色；
判断所述嫌疑车集合中的过车数据是否存在于所述疑似***集合中的步骤包括：遍历所述疑似***集合的键，在所述嫌疑车集合的键中进行查找，判断所述疑似***集合的键是否存在于所述嫌疑车集合的键中，其中，若所述疑似***集合的键存在于所述嫌疑车集合的键中，则满足所述疑似***的条件。
可选的，生成初次入城集合的步骤包括：在所述过车索引表中查询案发之前X天进入案发地点范围的过车记录，生成第一初次入城集合；在所述过车索引表中查询案发之前X+Y天至案发之前X天进入案发地点范围的过车记录，生成第二初次入城集合；
根据所述初次入城集合判断所述嫌疑车集合中过车数据是否满足所述初次入城条件的步骤包括：遍历所述嫌疑车集合内的过车数据，若所述过车数据在所述第一初次入城集合中存在，且在所述第二初次入城集合中不存在，则满足所述初次入城的条件。
可选的，根据所述过车索引表判断所述嫌疑车集合中的每条过车数据是否满足频繁过车规则的步骤包括：遍历所述嫌疑车集合的键，在所述过车索引表中查询案发之前X天在案发地点范围内的过车数据，生成目标过车集合；
遍历所述目标过车集合，同一个车牌号在同一个过车位置累计出现的次数记为Z，当Z大于预置阈值时，记为满足频繁过车规则。
本发明还提供一种判断涉案嫌疑车辆的***，所述***包括：
前端设备、第一处理器、第二处理器、储存器和用户终端，其中，
所述前端设备与所述第一处理器相连接，用于获取过车数据，并将所述过车数据发送给所述第一处理器；
所述储存器分别与所述第一处理器和所述第二处理器相连接，用于存储过车记录表、过车索引表和***记录表；
所述第一处理器与所述存储器相连接，包括过车记录表生成模块、过车索引表生成模块和***记录表生成模块，其中，
所述过车记录表生成模块，用于根据所述过车数据生成所述过车记录表，并将所述过车记录表发送到所述存储器存储，所述过车记录表采用Hbase存储，所述过车记录表的行键依次为：过车时间、过车位置和车牌号，所述过车记录表的列键为：车牌颜色、车型、车辆品牌、车辆年款、车身颜色、有无放下遮阳板或者有无系安全带，
所述过车索引表生成模块，用于根据所述过车数据生成所述过车索引表，并将所述过车索引表发送到所述存储器存储，所述过车索引表采用solrCloud存储，所述过车索引表的属性值包括：车牌号、车牌颜色、车辆品牌、车型、年款、过车时间、过车位置，
所述***记录表生成模块，用于对所述过车数据进行分析，判断所述过车数据对应的车辆是否为***，若所述车辆为***，则将所述过车数据存入所述***记录表，所述***记录表采用Hbase存储，所述***记录表的行键依次为：过车时间、过车位置和车牌号；
所述第二处理器分别与所述存储器和所述用户终端相连接，包括时空条件模块、遮阳板状态模块、盗抢高发地区模块、疑似***模块、初次入城模块、频繁过车模块、得分分值统计模块和结果输出模块，其中，
所述时空条件模块分别与所述存储器和所述用户终端相连接，用于从所述存储器调取所述过车记录表，从所述用户终端获取时空条件，所述时空条件包括案发时间范围和案发地点范围，根据所述案发时间范围在所述过车记录表中选取案发时间过车数据，遍历所述案发时间过车数据，保留所述案发地点范围内的过车数据生成所述嫌疑车集合，所述嫌疑车集合的键依次为:车牌号和车牌颜色；
所述遮阳板状态模块与所述时空条件模块和所述用户终端相连接，用于接收启用所述遮阳板状态模块的指令，遍历所述嫌疑车集合，筛选遮阳板状态为放下的过车数据；
所述盗抢高发地区模块与所述时空条件模块和所述用户终端相连接，用于接收启用所述盗抢高发地区模块的指令，遍历所述嫌疑车集合，筛选满足盗抢高发地区的车牌特征的过车数据；
所述疑似***模块与所述时空条件模块、所述用户终端和所述存储器相连接，用于接收启用所述疑似***模块的指令，在所述***记录表中查找满足疑似***规则的过车数据，生成疑似***集合，判断所述嫌疑车集合中的过车数据是否存在于所述疑似***集合中；
所述初次入城模块与所述时空条件模块、所述用户终端和所述存储器相连接，用于接收启用所述初次入城模块的指令，在所述过车索引表中查找满足初次入城规则的过车数据，生成初次入城集合，根据所述初次入城集合判断所述嫌疑车集合中过车数据是否满足所述初次入城的条件；
所述频繁过车模块与所述时空条件模块、所述用户终端和所述存储器相连接，用于接收启用所述频繁过车模块的指令，根据所述过车索引表判断所述嫌疑车集合中的每条过车数据是否满足频繁过车规则；
所述得分分值统计模块分别与所述时空条件模块、所述遮阳板状态模块、所述盗抢高发地区模块、所述疑似***模块、所述初次入城模块、所述频繁过车模块相连接，根据所述时空条件模块的处理结果，对所述嫌疑车集合中的每条过车数据增加所述时空条件对应的得分，生成嫌疑车得分集合，所述嫌疑车得分集合内的过车数据与所述嫌疑车集合内的过车数据一一对应，所述嫌疑车得分集合的键依次为:车牌号和车牌颜色，所述嫌疑车得分集合的值为：得分分值，并根据各个模块的处理结果，在所述嫌疑车得分集合内对应的过车数据的得分分值上累加对应的得分；
所述结果输出模块与所述得分分值统计模块和所述用户终端相连接，用于将所述嫌疑车集合中的过车数据，按照所述嫌疑车得分集合中的得分分值的大小由高到低进行排序，生成涉案嫌疑车序列表，并将所述涉案嫌疑车序列表发送给用户终端展示；
所述用户终端，用于向所述时空条件模块发送所述时空条件，向所述遮阳板状态模块发送启用所述遮阳板状态模块的指令，向所述盗抢高发地区模块发送启用所述盗抢高发地区模块的指令，向所述疑似***模块发送启用所述疑似***模块的指令，向所述初次入城模块发送启用所述初次入城模块的指令，向所述频繁过车模块发送启用所述频繁过车模块的指令，并用于展示所述涉案嫌疑车序列表。
可选的，所述***记录表生成模块进一步包括：第一分析模块、第一查找模块和第一判定模块；
所述第一分析模块与所述前端设备相连接，用于获取一条所述过车数据，将所述过车数据中的车牌号记为目标车牌号，所述过车数据中的过车时间记为当前过车时间T1，所述过车数据中的过车位置记为当前过车位置S1；
所述第一查找模块，用于在所述过车记录表中查找所述目标车牌号距所述当前过车时间最近的一条过车记录，记为历史过车数据，所述历史过车数据中的过车时间为历史过车时间T2，所述历史过车数据中的过车位置为历史过车位置S2；
所述第一判定模块，用于通过公式计算所述目标车牌号对应的车辆的行驶车速V，其中，|S1-S2|表示历史过车位置S2与当前过车位置S1之间的物理距离；当所述行驶车速V大于正常车速时，所述目标车牌号对应的车辆判定为***。
可选的，所述疑似***模块进一步包括:第二查找模块和第二判定模块；所述第二查找模块，用于在所述***记录表中查询案发之前X天被判定为疑似***的过车数据，生成前X天疑似***集合，所述疑似***集合的键依次为：车牌号和车牌颜色；
所述第二判定模块，用于遍历所述疑似***集合的键，在所述嫌疑车集合的键中进行查找，判断所述疑似***集合的键是否存在于所述嫌疑车集合的键中，其中，若所述疑似***集合的键存在于所述嫌疑车集合的键中，则判定满足所述疑似***的条件。
可选的，所述初次入城模块进一步包括：第三查找模块和第三判定模块；所述第三查找模块，用于在所述过车索引表中查询案发之前X天进入案发地点范围的过车记录，生成第一初次入城集合；在所述过车索引表中查询案发之前X+Y天至案发之前X天进入案发地点范围的过车记录，生成第二初次入城集合；
所述第三判定模块，用于遍历所述嫌疑车集合内的过车数据，若所述过车数据在所述第一初次入城集合中存在，且在所述第二初次入城集合中不存在，则判定满足所述初次入城的条件。
可选的，所述频繁过车模块进一步包括：第四查找模块和第四判定模块；所述第四查找模块，用于遍历所述嫌疑车集合的键，在所述过车索引表中查询案发之前X天在案发地点范围内的过车数据，生成目标过车集合；
所述第四判定模块，用于遍历所述目标过车集合，同一个车牌号在同一个过车位置累计出现的次数记为Z，当Z大于预置阈值时，判定满足频繁过车规则。
与现有技术相比，本发明的判断涉案嫌疑车辆的方法及***，实现了如下的有益效果：
本发明提供的判断涉案嫌疑车辆的方法，从涉案车辆的多个特征入手进行分析，如时空条件、遮阳板状态、盗抢高发地区、疑似***、频繁过车和初次入城等，通过综合分析后过滤掉大量无用数据，将嫌疑车辆数据进行排序，能够将嫌疑最大车辆排在最前面，对于侦破案件可行性高，本方法对公安部门的案件侦破具有重大参考意义，能够加快案件侦破速度，提高办案效率。另外本方法基于Hbase数据库以及solrCloud搜索引擎来实现，可以处理PB数量级的过车数据，查询、分析的效率高，并且Hbase数据库和solrCloud搜索引擎都是分布式***，可通过增加节点的方式扩展，且自带副本机制，可扩展性强，容灾性好。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1为本发明实施例1提供的判断涉案嫌疑车辆的方法流程图；
图2为本发明实施例2提供的方法中判断***的步骤的流程图；
图3为本发明实施例2提供的方法中判断满足疑似***的步骤流程图；
图4为本发明实施例2提供的方法中判断满足初次入城的步骤流程图；
图5为本发明实施例2提供的方法中判断满足频繁过车的步骤流程图；
图6为本发明实施例3提供的判断涉案嫌疑车辆的***的框图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
实施例1
本发明提供一种判断涉案嫌疑车辆的方法，图1为本发明实施例1提供的判断涉案嫌疑车辆的方法流程图。如图1所示，本发明提供的方法包括：
步骤S101：获取过车数据，根据所述过车数据生成过车记录表和过车索引表，其中，所述过车记录表采用Hbase存储，所述过车记录表的行键依次为：过车时间、过车位置和车牌号，所述过车记录表的列键为：车牌颜色、车型、车辆品牌、车辆年款、车身颜色、有无放下遮阳板或者有无系安全带，所述过车记录表的列键中还可以包括其他过车信息，所述过车索引表采用solrCloud存储，所述过车索引表的属性值包括：车牌号、车牌颜色、车辆品牌、车型、年款、过车时间或过车位置；
该步骤中过车数据可以为结构化数据，首先通过物理设备拍摄到过车图片，然后对过车图片进行图像处理得到结构化数据，然后将结构化数据转换成HBase存储所需的格式生成所述过车记录表，将结构化数据转换成solrCloud存储所需的格式生成所述过车索引表。其中，物理设备可以为摄像头或者电子警察。过车图片可以是***自己获取的图片，也可以是从厂商处购买的图片。
步骤S102：对所述过车数据进行分析，判断所述过车数据对应的车辆是否为***，若所述车辆为***，则将所述过车数据存入***记录表，所述***记录表采用Hbase存储，所述***记录表的行键依次为：过车时间、过车位置和车牌号；该步骤中根据过车数据和***判断规则生成***记录表，***记录表用于后续步骤中判断涉案嫌疑车辆。
本发明提供的方法构建了一个判断涉案嫌疑车辆的研判模型，该研判模型需依赖于上述过车记录表、过车索引表和***记录表。该研判模型包括多个判断条件，相当于从涉案车辆的多个特征入手进行分析，如时空条件、遮阳板状态、盗抢高发地区、疑似***、频繁过车和初次入城，在研判模型中，各个判断条件都有自己的判断规则和相应的得分，其中，相应的得分意思是过车数据满足某个判断条件后需记录的得分，判断条件和各自对应的得分是一一对应的关系，例如：时空条件-相应的得分为10。本发明构建的研判模型中时空条件为必选判断条件，其他判断条件均为可选条件，当选择的判断条件越多时，说明筛选的越严格，满足筛选条件的过车数据对应的车辆为涉案车辆的几率就越高。
根据所述过车记录表、所述过车索引表和所述***记录表判断涉案嫌疑车辆，其中，在判断涉案嫌疑车辆时采用的判断条件包括时空条件和下述条件中的至少之一：遮阳板状态、盗抢高发地区、疑似***、频繁过车和初次入城，判断所述涉案嫌疑车辆的步骤包括：
步骤S103：判断满足所述时空条件的车辆，生成嫌疑车集合，其中，所述时空条件包括案发时间范围和案发地点范围，根据所述案发时间范围在所述过车记录表中选取案发时间过车数据，遍历所述案发时间过车数据，保留所述案发地点范围内的过车数据生成所述嫌疑车集合，所述嫌疑车集合的键依次为:车牌号和车牌颜色；其中，所述案发地点范围对应的是过车数据中的过车位置。
该步骤在过车记录表中筛选出在案发时间范围和案发地点范围内的嫌疑车集合，缩小了嫌疑车的范围。过车记录表采用Hbase存储，Hbase底层采用了HFILE的文件存储格式，HFILE本身是按照ROWKEY预先排序的一种存储格式，所以Hbase针对指定ROWKEY的查询效率比较高，Hbase的范围查询使用Scan来实现，Scan可以指定开始ROWKEY和结束ROWKEY，Hbase即可检索出指定范围的数据。该步骤中首先根据案发时间范围确定开始ROWKEY和结束ROWKEY组成Scan对象，然后从Hbase数据库的过车记录表中查询符合开始ROWKEY和结束ROWKEY的过车数据生成所述案发时间过车数据。遍历所述案发时间过车数据，将数据在内存中通过所述案发地点范围过滤，将不在案发地点范围内的数据剔除，从而得到以车牌号和车牌颜色为键，以该车牌号的其他过车数据为值的数据集合，也即所述嫌疑车集合。
步骤S104：对所述嫌疑车集合中的每条过车数据增加所述时空条件对应的得分，生成嫌疑车得分集合，所述嫌疑车得分集合内的过车数据与所述嫌疑车集合内的过车数据一一对应，所述嫌疑车得分集合的键依次为:车牌号和车牌颜色，所述嫌疑车得分集合的值为：得分分值；
该步骤中将所述嫌疑车集合中每个车牌号对应的数据都增加上时空条件对应的得分，同时生成一个嫌疑车得分集合。嫌疑车得分集合中包括嫌疑车集合中过车数据经研判模型中的判断条件研判后的得分。
步骤S105：当所述判断条件包括所述遮阳板状态时，则遍历所述嫌疑车集合，筛选遮阳板状态为放下的过车数据，在所述嫌疑车得分集合中，将所述遮阳板状态为放下的过车数据对应的得分分值累加上所述遮阳板状态对应的得分；
判断条件中的遮阳板状态为可选条件，当判断条件包括遮阳板状态时，在上述嫌疑车集合中筛选过车数据中遮阳板为放下的过车数据，这些数据在满足时空条件的同时进一步满足了遮阳板状态的判断条件。在本发明提供的研判模型中，满足遮阳板状态的判断条件也具有对应的得分，在嫌疑车得分集合中，将满足遮阳板状态的判断条件的过车数据对应的得分分值累加上对应的得分。
步骤S106：当所述判断条件包括所述盗抢高发地区时，则遍历所述嫌疑车集合，筛选满足盗抢高发地区的车牌特征的过车数据，在所述嫌疑车得分集合中，将满足所述车牌特征的过车数据对应的得分分值累加上所述盗抢高发地区对应的得分；
本发明提供的研判模型中盗抢高发地区为可选判断条件，当判断条件包括盗抢高发地区时，在嫌疑车集合中筛选满足盗抢高发地区的车牌特征的过车数据，例如车牌特征为鲁G，则遍历嫌疑车集合中的过车数据，过车数据中的车牌满足鲁G，则表示满足盗抢高发地区的判断条件。在本发明提供的研判模型中，满足盗抢高发地区的判断条件具有对应的得分，在嫌疑车得分集合中，将满足盗抢高发地区的判断条件的过车数据对应的得分分值累加上对应的得分。
步骤S107：当所述判断条件包括所述疑似***时，则在所述***记录表中查找满足疑似***规则的过车数据，生成疑似***集合，判断所述嫌疑车集合中的过车数据是否存在于所述疑似***集合中，若存在，则满足所述疑似***的条件，在所述嫌疑车得分集合中，将满足所述疑似***的条件的过车数据对应的得分分值累加上所述疑似***对应的得分；
判断条件中疑似***为可选条件，当判断条件包括疑似***时，根据***规则在***记录表中查找，生成疑似***集合，由于***记录表中记录的是整个网络***中全部历史时间段、全范围内的疑似的***数据，根据***规则进行筛选后，相当于缩小了查找范围。***规则例如可以是案发之前几天和案发地点范围，相当于能够将***数据限定在涉案时间范围和地点内。然后，判断嫌疑车集合中的过车数据如果存在于疑似***集合中，则表示满足疑似***的条件，则在嫌疑车得分集合中累加上疑似***对应的得分。
步骤S108：当所述判断条件包括所述初次入城时，则在所述过车索引表中查找满足初次入城规则的过车数据，生成初次入城集合，根据所述初次入城集合判断所述嫌疑车集合中过车数据是否满足所述初次入城的条件，在所述嫌疑车得分集合中，将满足所述初次入城的条件的过车数据对应的得分分值累加上所述初次入城对应的得分；
判断条件中的初次入城为可选条件，当判断条件包括初次入城时，在过车索引表中查找满足初次入城规则的过车数据，生成初次入城集合，其中，初次入城规则可以是在案发时间之前一段时间内第一次入城的车辆对应的过车数据。然后初次入城集合判断嫌疑车集合中过车数据是否满足初次入城的条件，则在嫌疑车得分集合中对满足初次入城的条件对应的过车数据的得分累加上初次入城对应的得分。
步骤S109：当所述判断条件包括所述频繁过车时，则根据所述过车索引表判断所述嫌疑车集合中的每条过车数据是否满足频繁过车规则，在所述嫌疑车得分集合中，将满足所述频繁过车规则的过车数据对应的得分分值累加上所述频繁过车对应的得分；
判断条件中的频繁过车为可选条件，当判断条件包括频繁过车时，判断嫌疑车集合中满足频繁过车条件的过车数据，然后在嫌疑车得分集合中相应的得分中累加上频繁过车对应的得分。
步骤S110：将所述嫌疑车集合中的过车数据，按照所述嫌疑车得分集合中的得分分值的大小由高到低进行排序，生成涉案嫌疑车序列表。
嫌疑车集合中过车数据经各种判断条件判断后，过车数据满足的判断条件不尽相同，在嫌疑车得分集合中体现出高低不同的得分。嫌疑车集合中的过车数据根据在嫌疑车得分集合中得分分值由高到低进行排序，生成涉案嫌疑车序列表，排序越靠前，过车数据对应的车辆为涉案车辆的可能性越高。
本发明提供的判断涉案嫌疑车辆的方法，从涉案车辆的多个特征入手进行分析，如时空条件、遮阳板状态、盗抢高发地区、疑似***、频繁过车和初次入城等，通过综合分析后过滤掉大量无用数据，将嫌疑车辆数据进行排序，能够将嫌疑最大车辆排在最前面，对于侦破案件可行性高，本方法对公安部门的案件侦破具有重大参考意义，能够加快案件侦破速度，提高办案效率。另外本方法基于Hbase数据库以及solrCloud搜索引擎来实现，可以处理PB数量级的过车数据，查询、分析的效率高，并且Hbase数据库和solrCloud搜索引擎都是分布式***，可通过增加节点的方式扩展，且自带副本机制，可扩展性强，容灾性好。
实施例2
本发明实施例2提供一种判断涉案嫌疑车辆的方法，本发明提供的方法包括：
获取过车数据，根据所述过车数据生成过车记录表和过车索引表，其中，所述过车记录表采用Hbase存储，所述过车记录表的行键依次为：过车时间、过车位置和车牌号，所述过车记录表的列键为：车牌颜色、车型、车辆品牌、车辆年款、车身颜色、有无放下遮阳板或者有无系安全带，所述过车索引表采用solrCloud存储，所述过车索引表的属性值包括：车牌号、车牌颜色、车辆品牌、车型、年款、过车时间或过车位置；
对所述过车数据进行分析，判断所述过车数据对应的车辆是否为***，若所述车辆为***，则将所述过车数据存入***记录表，所述***记录表采用Hbase存储，所述***记录表的行键依次为：过车时间、过车位置和车牌号；图2为本发明实施例2提供的方法中判断***的步骤的流程图。如图2所示，判断***的步骤包括：
步骤S201：获取一条所述过车数据，将所述过车数据中的车牌号记为目标车牌号，所述过车数据中的过车时间记为当前过车时间T1，所述过车数据中的过车位置记为当前过车位置S1；
步骤S202：在所述过车记录表中查找所述目标车牌号距所述当前过车时间最近的一条过车记录，记为历史过车数据，所述历史过车数据中的过车时间为历史过车时间T2，所述历史过车数据中的过车位置为历史过车位置S2；
步骤S203：通过公式计算所述目标车牌号对应的车辆的行驶车速V，其中，|S1-S2|表示历史过车位置S2与当前过车位置S1之间的物理距离；当所述行驶车速V大于正常车速时，所述目标车牌号对应的车辆判定为***。
该步骤中通过判断目标车辆号在较短时间内出现在以正常速度不可能达到的两地，则判定目标车辆号对应的车辆为***，判定方法简单成熟，能够实现对过车数据进行实时分析。
根据所述过车记录表、所述过车索引表和所述***记录表判断涉案嫌疑车辆，其中，在判断涉案嫌疑车辆时采用的判断条件包括时空条件和下述条件中的至少之一：遮阳板状态、盗抢高发地区、疑似***、频繁过车和初次入城，判断所述涉案嫌疑车辆的步骤包括：
判断满足所述时空条件的车辆，生成嫌疑车集合，其中，所述时空条件包括案发时间范围和案发地点范围，根据所述案发时间范围在所述过车记录表中选取案发时间过车数据，遍历所述案发时间过车数据，保留所述案发地点范围内的过车数据生成所述嫌疑车集合，所述嫌疑车集合的键依次为:车牌号和车牌颜色；
对所述嫌疑车集合中的每条过车数据增加所述时空条件对应的得分，生成嫌疑车得分集合，所述嫌疑车得分集合内的过车数据与所述嫌疑车集合内的过车数据一一对应，所述嫌疑车得分集合的键依次为:车牌号和车牌颜色，所述嫌疑车得分集合的值为：得分分值；
当所述判断条件包括所述遮阳板状态时，则遍历所述嫌疑车集合，筛选遮阳板状态为放下的过车数据，在所述嫌疑车得分集合中，将所述遮阳板状态为放下的过车数据对应的得分分值累加上所述遮阳板状态对应的得分；
当所述判断条件包括所述盗抢高发地区时，则遍历所述嫌疑车集合，筛选满足盗抢高发地区的车牌特征的过车数据，在所述嫌疑车得分集合中，将满足所述车牌特征的过车数据对应的得分分值累加上所述盗抢高发地区对应的得分；
当所述判断条件包括所述疑似***时，则在所述***记录表中查找满足疑似***规则的过车数据，生成疑似***集合，判断所述嫌疑车集合中的过车数据是否存在于所述疑似***集合中，若存在，则满足所述疑似***的条件，在所述嫌疑车得分集合中，将满足所述疑似***的条件的过车数据对应的得分分值累加上所述疑似***对应的得分；
图3为本发明实施例2提供的方法中判断满足疑似***的步骤流程图。如图3所示，该步骤包括：
步骤S301：在所述***记录表中查询案发之前X天被判定为疑似***的过车数据，生成前X天疑似***集合，所述疑似***集合的键依次为：车牌号和车牌颜色；其中，X天可以为用户自己设定的数值，例如可以是3天或者7天，或其他天数，办案民警可根据具体案件情况进行设定。可选的，该步骤中用户还需输入一个案发开始时间startTime，根据用户输入的开始时间startTime，计算出查询时间范围[startTime-X,startTime]，并以startTime-X和startTime分别作为startRowKey和endRowKey组成SCAN对象，查询所述***记录表，生成前X天疑似***集合。
步骤S302：遍历所述疑似***集合的键，在所述嫌疑车集合的键中进行查找，判断所述疑似***集合的键是否存在于所述嫌疑车集合的键中，其中，若所述疑似***集合的键存在于所述嫌疑车集合的键中，则满足所述疑似***的条件。疑似***集合的键依次为：车牌号和车牌颜色，此时，只需遍历所述嫌疑车集合的键，来判断所述嫌疑车集合中的过车数据对应的车辆是否为疑似***。仅通过遍历键来进行查询，查询数据少，效率高。
当所述判断条件包括所述初次入城时，则在所述过车索引表中查找满足初次入城规则的过车数据，生成初次入城集合，根据所述初次入城集合判断所述嫌疑车集合中过车数据是否满足所述初次入城的条件，在所述嫌疑车得分集合中，将满足所述初次入城的条件的过车数据对应的得分分值累加上所述初次入城对应的得分；
图4为本发明实施例2提供的方法中判断满足初次入城的步骤流程图。如图4所示，该步骤包括：
步骤S401：在所述过车索引表中查询案发之前X天进入案发地点范围的过车记录，生成第一初次入城集合；在所述过车索引表中查询案发之前X+Y天至案发之前X天进入案发地点范围的过车记录，生成第二初次入城集合；该步骤中用户还需输入一个案发开始时间startTime，根据用户输入的案发开始时间startTime，首先，计算出查询时间范围[startTime-X,statTime]，根据查询时间范围和案发地点范围遍历所述过车索引表，查询出满足查询时间范围和案发地点范围的过车数据生成所述第一初次入城集合；然后计算出查询时间范围[startTime-X-Y,startTime-X]，根据查询时间范围和案发地点范围遍历所述过车索引表，查询出满足查询时间范围和案发地点范围的过车数据生成所述第二初次入城集合；
步骤S402：根据所述初次入城集合判断所述嫌疑车集合中过车数据是否满足所述初次入城条件的步骤包括：遍历所述嫌疑车集合内的过车数据，若所述过车数据在所述第一初次入城集合中存在，且在所述第二初次入城集合中不存在，则满足所述初次入城的条件。
该步骤中，相当于查找了在案发时间之前X天内初次入城的车辆，对于判断车辆为初次入城时，还需要满足的条件是回溯时间Y天内没有入城，增加了判断车辆为初次入城车辆的可靠性。
当所述判断条件包括所述频繁过车时，则根据所述过车索引表判断所述嫌疑车集合中的每条过车数据是否满足频繁过车规则，在所述嫌疑车得分集合中，将满足所述频繁过车规则的过车数据对应的得分分值累加上所述频繁过车对应的得分；
图5为本发明实施例2提供的方法中判断满足频繁过车的步骤流程图。如图5所示，该步骤包括：
步骤S501：遍历所述嫌疑车集合的键，在所述过车索引表中查询案发之前X天在案发地点范围内的过车数据，生成目标过车集合；
根据用户输入的案发开始时间startTime，首先，计算出查询时间范围[startTime-X,statTime]，根据查询时间范围和案发地点范围查找所述嫌疑车集合的键，生成目标过车集合。
步骤S502：遍历所述目标过车集合，同一个车牌号在同一个过车位置累计出现的次数记为Z，当Z大于预置阈值时，记为满足频繁过车规则。其中Z的具体数值可以自由设定。
将所述嫌疑车集合中的过车数据，按照所述嫌疑车得分集合中的得分分值的大小由高到低进行排序，生成涉案嫌疑车序列表。
实施例3
本发明还提供一种判断涉案嫌疑车辆的***，图6为本发明实施例3提供的判断涉案嫌疑车辆的***的框图，如图6所示，所述***包括：
前端设备、第一处理器、第二处理器、储存器和用户终端，其中，
所述前端设备与所述第一处理器相连接，用于获取过车数据，并将所述过车数据发送给所述第一处理器；其中，前端设备包括摄像头、电子警察等，用于拍摄过车图片。
所述储存器分别与所述第一处理器和所述第二处理器相连接，用于存储过车记录表、过车索引表和***记录表，还用于存储其他需保存数据；
所述第一处理器与所述存储器相连接，包括过车记录表生成模块、过车索引表生成模块和***记录表生成模块，其中，所述第一处理器中的各个模块均依赖于过车数据进行处理，其中，过车数据可以为结构化数据，首先通过物理设备拍摄到过车图片，然后对过车图片进行图像处理得到结构化数据，然后将结构化数据进行处理。其中，
所述过车记录表生成模块，用于根据所述过车数据生成所述过车记录表，并将所述过车记录表发送到所述存储器存储，所述过车记录表采用Hbase存储，所述过车记录表的行键依次为：过车时间、过车位置和车牌号，所述过车记录表的列键为：车牌颜色、车型、车辆品牌、车辆年款、车身颜色、有无放下遮阳板或者有无系安全带，
所述过车索引表生成模块，用于根据所述过车数据生成所述过车索引表，并将所述过车索引表发送到所述存储器存储，所述过车索引表采用solrCloud存储，所述过车索引表的属性值包括：车牌号、车牌颜色、车辆品牌、车型、年款、过车时间、过车位置，
所述***记录表生成模块，用于对所述过车数据进行分析，判断所述过车数据对应的车辆是否为***，若所述车辆为***，则将所述过车数据存入所述***记录表，所述***记录表采用Hbase存储，所述***记录表的行键依次为：过车时间、过车位置和车牌号；该步骤中根据过车数据和***判断规则生成***记录表，***记录表用于后续步骤中判断涉案嫌疑车辆。
所述第二处理器分别与所述存储器和所述用户终端相连接，包括时空条件模块、遮阳板状态模块、盗抢高发地区模块、疑似***模块、初次入城模块、频繁过车模块、得分分值统计模块和结果输出模块。
所述第二处理器相当于一个研判模型，该研判模型需依赖于上述过车记录表、过车索引表和***记录表。研判模型包括多个判断条件，如时空条件、遮阳板状态、盗抢高发地区、疑似***、频繁过车和初次入城，在研判模型中，各个判断条件都有自己的判断规则和相应的得分，其中，相应的得分意思是过车数据满足某个判断条件后需记录的得分，判断条件和各自对应的得分是一一对应的关系，例如：时空条件-相应的得分为10。本发明构建的研判模型中时空条件为必选判断条件，***中是否启用选项不可设置为否，而其他判断条件均为可选条件，***中可设置有是否启用的选项。当选择的判断条件越多时，说明筛选的越严格，满足筛选条件的过车数据对应的车辆为涉案车辆的几率就越高。
所述时空条件模块分别与所述存储器和所述用户终端相连接，用于从所述存储器调取所述过车记录表，从所述用户终端获取时空条件，所述时空条件包括案发时间范围和案发地点范围(也即用户使用本***时，能够从用户终端中输入相应的案发时间范围和案发地点范围)，根据所述案发时间范围在所述过车记录表中选取案发时间过车数据，遍历所述案发时间过车数据，保留所述案发地点范围内的过车数据生成所述嫌疑车集合，所述嫌疑车集合的键依次为:车牌号和车牌颜色；
所述遮阳板状态模块与所述时空条件模块和所述用户终端相连接，用于接收启用所述遮阳板状态模块的指令，遍历所述嫌疑车集合，筛选遮阳板状态为放下的过车数据；当用户使用本***时，可以在选择界面将遮阳板状态的判断条件选择为启用，此时，所述遮阳板状态模块开始执行上述步骤运算。
所述盗抢高发地区模块与所述时空条件模块和所述用户终端相连接，用于接收启用所述盗抢高发地区模块的指令，遍历所述嫌疑车集合，筛选满足盗抢高发地区的车牌特征的过车数据；当用户使用本***时，可以在选择界面将盗抢高发地区的判断条件选择为启用，此时，所述盗抢高发地区模块开始执行上述步骤运算，其中盗抢高发地区的车牌特征可以是***预置的，也可以是用户自己输入的特征。
所述疑似***模块与所述时空条件模块、所述用户终端和所述存储器相连接，用于接收启用所述疑似***模块的指令，在所述***记录表中查找满足疑似***规则的过车数据，生成疑似***集合，判断所述嫌疑车集合中的过车数据是否存在于所述疑似***集合中；当用户使用本***时，可以在选择界面将疑似***的判断条件选择为启用，此时，所述疑似***模块开始执行上述步骤运算。
所述初次入城模块与所述时空条件模块、所述用户终端和所述存储器相连接，用于接收启用所述初次入城模块的指令，在所述过车索引表中查找满足初次入城规则的过车数据，生成初次入城集合，根据所述初次入城集合判断所述嫌疑车集合中过车数据是否满足所述初次入城的条件；当用户使用本***时，可以在选择界面将初次入城的判断条件选择为启用，此时，所述初次入城模块开始执行上述步骤运算。
所述频繁过车模块与所述时空条件模块、所述用户终端和所述存储器相连接，用于接收启用所述频繁过车模块的指令，根据所述过车索引表判断所述嫌疑车集合中的每条过车数据是否满足频繁过车规则；当用户使用本***时，可以在选择界面将频繁过车的判断条件选择为启用，此时，所述频繁过车模块开始执行上述步骤运算。
所述得分分值统计模块分别与所述时空条件模块、所述遮阳板状态模块、所述盗抢高发地区模块、所述疑似***模块、所述初次入城模块、所述频繁过车模块相连接，根据所述时空条件模块的处理结果，对所述嫌疑车集合中的每条过车数据增加所述时空条件对应的得分，生成嫌疑车得分集合，所述嫌疑车得分集合内的过车数据与所述嫌疑车集合内的过车数据一一对应，所述嫌疑车得分集合的键依次为:车牌号和车牌颜色，所述嫌疑车得分集合的值为：得分分值，并根据各个模块的处理结果，在所述嫌疑车得分集合内对应的过车数据的得分分值上累加对应的得分；
所述结果输出模块与所述得分分值统计模块和所述用户终端相连接，用于将所述嫌疑车集合中的过车数据，按照所述嫌疑车得分集合中的得分分值的大小由高到低进行排序，生成涉案嫌疑车序列表，并将所述涉案嫌疑车序列表发送给用户终端展示；
所述用户终端，用于向所述时空条件模块发送所述时空条件，向所述遮阳板状态模块发送启用所述遮阳板状态模块的指令，向所述盗抢高发地区模块发送启用所述盗抢高发地区模块的指令，向所述疑似***模块发送启用所述疑似***模块的指令，向所述初次入城模块发送启用所述初次入城模块的指令，向所述频繁过车模块发送启用所述频繁过车模块的指令，并用于展示所述涉案嫌疑车序列表。
本发明提供的判断涉案嫌疑车辆的***，通过用户终端输入时空条件、各个判断条件的选择指令等信息，能够从涉案车辆的多个特征入手进行分析，如时空条件、遮阳板状态、盗抢高发地区、疑似***、频繁过车和初次入城等，通过综合分析后过滤掉大量无用数据，将嫌疑车辆数据进行排序，能够将嫌疑最大车辆排在最前面，对于侦破案件可行性高，本***对公安部门的案件侦破具有重大参考意义，能够加快案件侦破速度，提高办案效率。另外本方法基于Hbase数据库以及solrCloud搜索引擎来实现，可以处理PB数量级的过车数据，查询、分析的效率高，并且Hbase数据库和solrCloud搜索引擎都是分布式***，可通过增加节点的方式扩展，且自带副本机制，可扩展性强，容灾性好。
进一步的，本发明提供的***中，所述***记录表生成模块进一步包括：第一分析模块、第一查找模块和第一判定模块；
所述第一分析模块与所述前端设备相连接，用于获取一条所述过车数据，将所述过车数据中的车牌号记为目标车牌号，所述过车数据中的过车时间记为当前过车时间T1，所述过车数据中的过车位置记为当前过车位置S1；
所述第一查找模块，用于在所述过车记录表中查找所述目标车牌号距所述当前过车时间最近的一条过车记录，记为历史过车数据，所述历史过车数据中的过车时间为历史过车时间T2，所述历史过车数据中的过车位置为历史过车位置S2；
所述第一判定模块，用于通过公式计算所述目标车牌号对应的车辆的行驶车速V，其中，|S1-S2|表示历史过车位置S2与当前过车位置S1之间的物理距离；当所述行驶车速V大于正常车速时，所述目标车牌号对应的车辆判定为***。
该步骤中通过判断目标车辆号在较短时间内出现在以正常速度不可能达到的两地，则判定目标车辆号对应的车辆为***，判定方法简单成熟，能够实现对过车数据进行实时分析。
进一步的，本发明提供的***中，所述疑似***模块进一步包括:第二查找模块和第二判定模块；
所述第二查找模块，用于在所述***记录表中查询案发之前X天被判定为疑似***的过车数据，生成前X天疑似***集合，所述疑似***集合的键依次为：车牌号和车牌颜色；其中，X天可以为用户自己设定的数值，例如可以是3天或者7天，或其他天数，办案民警可根据具体案件情况进行设定。可选的，根据用户输入的开始时间startTime，计算出查询时间范围[startTime-X,startTime]，并以startTime-X和startTime分别作为startRowKey和endRowKey组成SCAN对象，查询所述***记录表，生成前X天疑似***集合。
所述第二判定模块，用于遍历所述疑似***集合的键，在所述嫌疑车集合的键中进行查找，判断所述疑似***集合的键是否存在于所述嫌疑车集合的键中，其中，若所述疑似***集合的键存在于所述嫌疑车集合的键中，则判定满足所述疑似***的条件。疑似***集合的键依次为：车牌号和车牌颜色，此时，只需遍历所述嫌疑车集合的键，来判断所述嫌疑车集合中的过车数据对应的车辆是否为疑似***。仅通过遍历键来进行查询，查询数据少，效率高。
进一步的，本发明提供的***中，所述初次入城模块进一步包括：第三查找模块和第三判定模块；
所述第三查找模块，用于在所述过车索引表中查询案发之前X天进入案发地点范围的过车记录，生成第一初次入城集合；在所述过车索引表中查询案发之前X+Y天至案发之前X天进入案发地点范围的过车记录，生成第二初次入城集合；其中，X天和Y天均可以由用户自己设定。该步骤中用户还需输入一个案发开始时间startTime，根据用户输入的案发开始时间startTime，首先，计算出查询时间范围[startTime-X,statTime]，根据查询时间范围和案发地点范围遍历所述过车索引表，查询出满足查询时间范围和案发地点范围的过车数据生成所述第一初次入城集合；然后计算出查询时间范围[startTime-X-Y,startTime-X]，根据查询时间范围和案发地点范围遍历所述过车索引表，查询出满足查询时间范围和案发地点范围的过车数据生成所述第二初次入城集合；
所述第三判定模块，用于遍历所述嫌疑车集合内的过车数据，若所述过车数据在所述第一初次入城集合中存在，且在所述第二初次入城集合中不存在，则判定满足所述初次入城的条件。该步骤中，相当于查找了在案发时间之前X天内初次入城车辆，对于判断车辆为初次入城时，还需要满足的条件是回溯时间Y天内没有入城，增加了判断车辆为初次入城车辆的可靠性。
进一步的，本发明提供的***中，所述频繁过车模块进一步包括：第四查找模块和第四判定模块；
所述第四查找模块，用于遍历所述嫌疑车集合的键，在所述过车索引表中查询案发之前X天在案发地点范围内的过车数据，生成目标过车集合；根据用户输入的案发开始时间startTime，首先，计算出查询时间范围[startTime-X,statTime]，根据查询时间范围和案发地点范围查找所述嫌疑车集合的键，生成目标过车集合。
所述第四判定模块，用于遍历所述目标过车集合，同一个车牌号在同一个过车位置累计出现的次数记为Z，当Z大于预置阈值时，判定满足频繁过车规则。其中，Z可以是***预置的数值也可以由用户自己设定。
通过上述实施例可知，本发明的判断涉案嫌疑车辆的方法及***，达到了如下的有益效果：
本发明提供的判断涉案嫌疑车辆的方法及***，从涉案车辆的多个特征入手进行分析，如时空条件、遮阳板状态、盗抢高发地区、疑似***、频繁过车和初次入城等，通过综合分析后过滤掉大量无用数据，将嫌疑车辆数据进行排序，能够将嫌疑最大车辆排在最前面，对于侦破案件可行性高，本方法对公安部门的案件侦破具有重大参考意义，能够加快案件侦破速度，提高办案效率。另外本方法基于Hbase数据库以及solrCloud搜索引擎来实现，可以处理PB数量级的过车数据，查询、分析的效率高，并且Hbase数据库和solrCloud搜索引擎都是分布式***，可通过增加节点的方式扩展，且自带副本机制，可扩展性强，容灾性好。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种判断涉案嫌疑车辆的方法，其特征在于，包括：
获取过车数据，根据所述过车数据生成过车记录表和过车索引表，其中，所述过车记录表采用Hbase存储，所述过车记录表的行键依次为：过车时间、过车位置和车牌号，所述过车记录表的列键为：车牌颜色、车型、车辆品牌、车辆年款、车身颜色、有无放下遮阳板或者有无系安全带，所述过车索引表采用solrCloud存储，所述过车索引表的属性值包括：车牌号、车牌颜色、车辆品牌、车型、年款、过车时间或过车位置；
对所述过车数据进行分析，判断所述过车数据对应的车辆是否为***，若所述车辆为***，则将所述过车数据存入***记录表，所述***记录表采用Hbase存储，所述***记录表的行键依次为：过车时间、过车位置和车牌号；
根据所述过车记录表、所述过车索引表和所述***记录表判断涉案嫌疑车辆，其中，在判断涉案嫌疑车辆时采用的判断条件包括时空条件和下述条件中的至少之一：遮阳板状态、盗抢高发地区、疑似***、频繁过车和初次入城，判断所述涉案嫌疑车辆的步骤包括：
判断满足所述时空条件的车辆，生成嫌疑车集合，其中，所述时空条件包括案发时间范围和案发地点范围，根据所述案发时间范围在所述过车记录表中选取案发时间过车数据，遍历所述案发时间过车数据，保留所述案发地点范围内的过车数据生成所述嫌疑车集合，所述嫌疑车集合的键依次为:车牌号和车牌颜色；
对所述嫌疑车集合中的每条过车数据增加所述时空条件对应的得分，生成嫌疑车得分集合，所述嫌疑车得分集合内的过车数据与所述嫌疑车集合内的过车数据一一对应，所述嫌疑车得分集合的键依次为:车牌号和车牌颜色，所述嫌疑车得分集合的值为：得分分值；
当所述判断条件包括所述遮阳板状态时，则遍历所述嫌疑车集合，筛选遮阳板状态为放下的过车数据，在所述嫌疑车得分集合中，将所述遮阳板状态为放下的过车数据对应的得分分值累加上所述遮阳板状态对应的得分；
当所述判断条件包括所述盗抢高发地区时，则遍历所述嫌疑车集合，筛选满足盗抢高发地区的车牌特征的过车数据，在所述嫌疑车得分集合中，将满足所述车牌特征的过车数据对应的得分分值累加上所述盗抢高发地区对应的得分；
当所述判断条件包括所述疑似***时，则在所述***记录表中查找满足疑似***规则的过车数据，生成疑似***集合，判断所述嫌疑车集合中的过车数据是否存在于所述疑似***集合中，若存在，则满足所述疑似***的条件，在所述嫌疑车得分集合中，将满足所述疑似***的条件的过车数据对应的得分分值累加上所述疑似***对应的得分；
当所述判断条件包括所述初次入城时，则在所述过车索引表中查找满足初次入城规则的过车数据，生成初次入城集合，根据所述初次入城集合判断所述嫌疑车集合中过车数据是否满足所述初次入城的条件，在所述嫌疑车得分集合中，将满足所述初次入城的条件的过车数据对应的得分分值累加上所述初次入城对应的得分；
当所述判断条件包括所述频繁过车时，则根据所述过车索引表判断所述嫌疑车集合中的每条过车数据是否满足频繁过车规则，在所述嫌疑车得分集合中，将满足所述频繁过车规则的过车数据对应的得分分值累加上所述频繁过车对应的得分；
将所述嫌疑车集合中的过车数据，按照所述嫌疑车得分集合中的得分分值的大小由高到低进行排序，生成涉案嫌疑车序列表。
2.根据权利要求1所述的判断涉案嫌疑车辆的方法，其特征在于，
对所述过车数据进行分析，判断是否为***的步骤包括：
获取一条所述过车数据，将所述过车数据中的车牌号记为目标车牌号，所述过车数据中的过车时间记为当前过车时间T1，所述过车数据中的过车位置记为当前过车位置S1；
在所述过车记录表中查找所述目标车牌号距所述当前过车时间最近的一条过车记录，记为历史过车数据，所述历史过车数据中的过车时间为历史过车时间T2，所述历史过车数据中的过车位置为历史过车位置S2；
通过公式计算所述目标车牌号对应的车辆的行驶车速V，其中，|S1-S2|表示历史过车位置S2与当前过车位置S1之间的物理距离；
当所述行驶车速V大于正常车速时，所述目标车牌号对应的车辆判定为***。
3.根据权利要求1所述的判断涉案嫌疑车辆的方法，其特征在于，
生成疑似***集合的步骤包括：在所述***记录表中查询案发之前X天被判定为疑似***的过车数据，生成前X天疑似***集合，所述疑似***集合的键依次为：车牌号和车牌颜色；
判断所述嫌疑车集合中的过车数据是否存在于所述疑似***集合中的步骤包括：遍历所述疑似***集合的键，在所述嫌疑车集合的键中进行查找，判断所述疑似***集合的键是否存在于所述嫌疑车集合的键中，其中，若所述疑似***集合的键存在于所述嫌疑车集合的键中，则满足所述疑似***的条件。
4.根据权利要求1所述的判断涉案嫌疑车辆的方法，其特征在于，
生成初次入城集合的步骤包括：在所述过车索引表中查询案发之前X天进入案发地点范围的过车记录，生成第一初次入城集合；在所述过车索引表中查询案发之前X+Y天至案发之前X天进入案发地点范围的过车记录，生成第二初次入城集合；
根据所述初次入城集合判断所述嫌疑车集合中过车数据是否满足所述初次入城条件的步骤包括：遍历所述嫌疑车集合内的过车数据，若所述过车数据在所述第一初次入城集合中存在，且在所述第二初次入城集合中不存在，则满足所述初次入城的条件。
5.根据权利要求1所述的判断涉案嫌疑车辆的方法，其特征在于，
根据所述过车索引表判断所述嫌疑车集合中的每条过车数据是否满足频繁过车规则的步骤包括：遍历所述嫌疑车集合的键，在所述过车索引表中查询案发之前X天在案发地点范围内的过车数据，生成目标过车集合；
遍历所述目标过车集合，同一个车牌号在同一个过车位置累计出现的次数记为Z，当Z大于预置阈值时，记为满足频繁过车规则。
6.一种判断涉案嫌疑车辆的***，其特征在于，所述***包括：
前端设备、第一处理器、第二处理器、储存器和用户终端，其中，
所述前端设备与所述第一处理器相连接，用于获取过车数据，并将所述过车数据发送给所述第一处理器；
所述储存器分别与所述第一处理器和所述第二处理器相连接，用于存储过车记录表、过车索引表和***记录表；
所述第一处理器与所述存储器相连接，包括过车记录表生成模块、过车索引表生成模块和***记录表生成模块，其中，
所述过车记录表生成模块，用于根据所述过车数据生成所述过车记录表，并将所述过车记录表发送到所述存储器存储，所述过车记录表采用Hbase存储，所述过车记录表的行键依次为：过车时间、过车位置和车牌号，所述过车记录表的列键为：车牌颜色、车型、车辆品牌、车辆年款、车身颜色、有无放下遮阳板或者有无系安全带，
所述过车索引表生成模块，用于根据所述过车数据生成所述过车索引表，并将所述过车索引表发送到所述存储器存储，所述过车索引表采用solrCloud存储，所述过车索引表的属性值包括：车牌号、车牌颜色、车辆品牌、车型、年款、过车时间、过车位置，
所述***记录表生成模块，用于对所述过车数据进行分析，判断所述过车数据对应的车辆是否为***，若所述车辆为***，则将所述过车数据存入所述***记录表，所述***记录表采用Hbase存储，所述***记录表的行键依次为：过车时间、过车位置和车牌号；
所述第二处理器分别与所述存储器和所述用户终端相连接，包括时空条件模块、遮阳板状态模块、盗抢高发地区模块、疑似***模块、初次入城模块、频繁过车模块、得分分值统计模块和结果输出模块，其中，
所述时空条件模块分别与所述存储器和所述用户终端相连接，用于从所述存储器调取所述过车记录表，从所述用户终端获取时空条件，所述时空条件包括案发时间范围和案发地点范围，根据所述案发时间范围在所述过车记录表中选取案发时间过车数据，遍历所述案发时间过车数据，保留所述案发地点范围内的过车数据生成所述嫌疑车集合，所述嫌疑车集合的键依次为:车牌号和车牌颜色；
所述遮阳板状态模块与所述时空条件模块和所述用户终端相连接，用于接收启用所述遮阳板状态模块的指令，遍历所述嫌疑车集合，筛选遮阳板状态为放下的过车数据；
所述盗抢高发地区模块与所述时空条件模块和所述用户终端相连接，用于接收启用所述盗抢高发地区模块的指令，遍历所述嫌疑车集合，筛选满足盗抢高发地区的车牌特征的过车数据；
所述疑似***模块与所述时空条件模块、所述用户终端和所述存储器相连接，用于接收启用所述疑似***模块的指令，在所述***记录表中查找满足疑似***规则的过车数据，生成疑似***集合，判断所述嫌疑车集合中的过车数据是否存在于所述疑似***集合中；
所述初次入城模块与所述时空条件模块、所述用户终端和所述存储器相连接，用于接收启用所述初次入城模块的指令，在所述过车索引表中查找满足初次入城规则的过车数据，生成初次入城集合，根据所述初次入城集合判断所述嫌疑车集合中过车数据是否满足所述初次入城的条件；
所述频繁过车模块与所述时空条件模块、所述用户终端和所述存储器相连接，用于接收启用所述频繁过车模块的指令，根据所述过车索引表判断所述嫌疑车集合中每条过车数据是否满足频繁过车规则；
所述得分分值统计模块分别与所述时空条件模块、所述遮阳板状态模块、所述盗抢高发地区模块、所述疑似***模块、所述初次入城模块、所述频繁过车模块相连接，根据所述时空条件模块的处理结果，对所述嫌疑车集合中的每条过车数据增加所述时空条件对应的得分，生成嫌疑车得分集合，所述嫌疑车得分集合内的过车数据与所述嫌疑车集合内的过车数据一一对应，所述嫌疑车得分集合的键依次为:车牌号和车牌颜色，所述嫌疑车得分集合的值为：得分分值，并根据各个模块的处理结果，在所述嫌疑车得分集合内对应的过车数据的得分分值上累加对应的得分；
所述结果输出模块与所述得分分值统计模块和所述用户终端相连接，用于将所述嫌疑车集合中的过车数据，按照所述嫌疑车得分集合中的得分分值的大小由高到低进行排序，生成涉案嫌疑车序列表，并将所述涉案嫌疑车序列表发送给用户终端展示；
所述用户终端，用于向所述时空条件模块发送所述时空条件，向所述遮阳板状态模块发送启用所述遮阳板状态模块的指令，向所述盗抢高发地区模块发送启用所述盗抢高发地区模块的指令，向所述疑似***模块发送启用所述疑似***模块的指令，向所述初次入城模块发送启用所述初次入城模块的指令，向所述频繁过车模块发送启用所述频繁过车模块的指令，并用于展示所述涉案嫌疑车序列表。
7.根据权利要求6所述的判断涉案嫌疑车辆的***，其特征在于，
所述***记录表生成模块进一步包括：第一分析模块、第一查找模块和第一判定模块；
所述第一分析模块与所述前端设备相连接，用于获取一条所述过车数据，将所述过车数据中的车牌号记为目标车牌号，所述过车数据中的过车时间记为当前过车时间T1，所述过车数据中的过车位置记为当前过车位置S1；
所述第一查找模块，用于在所述过车记录表中查找所述目标车牌号距所述当前过车时间最近的一条过车记录，记为历史过车数据，所述历史过车数据中的过车时间为历史过车时间T2，所述历史过车数据中的过车位置为历史过车位置S2；
所述第一判定模块，用于通过公式计算所述目标车牌号对应的车辆的行驶车速V，其中，|S1-S2|表示历史过车位置S2与当前过车位置S1之间的物理距离；当所述行驶车速V大于正常车速时，所述目标车牌号对应的车辆判定为***。
8.根据权利要求6所述的判断涉案嫌疑车辆的***，其特征在于，
所述疑似***模块进一步包括:第二查找模块和第二判定模块；
所述第二查找模块，用于在所述***记录表中查询案发之前X天被判定为疑似***的过车数据，生成前X天疑似***集合，所述疑似***集合的键依次为：车牌号和车牌颜色；
所述第二判定模块，用于遍历所述疑似***集合的键，在所述嫌疑车集合的键中进行查找，判断所述疑似***集合的键是否存在于所述嫌疑车集合的键中，其中，若所述疑似***集合的键存在于所述嫌疑车集合的键中，则判定满足所述疑似***的条件。
9.根据权利要求6所述的判断涉案嫌疑车辆的***，其特征在于，
所述初次入城模块进一步包括：第三查找模块和第三判定模块；
所述第三查找模块，用于在所述过车索引表中查询案发之前X天进入案发地点范围的过车记录，生成第一初次入城集合；在所述过车索引表中查询案发之前X+Y天至案发之前X天进入案发地点范围的过车记录，生成第二初次入城集合；
所述第三判定模块，用于遍历所述嫌疑车集合内的过车数据，若所述过车数据在所述第一初次入城集合中存在，且在所述第二初次入城集合中不存在，则判定满足所述初次入城的条件。
10.根据权利要求6所述的判断涉案嫌疑车辆的***，其特征在于，
所述频繁过车模块进一步包括：第四查找模块和第四判定模块；
所述第四查找模块，用于遍历所述嫌疑车集合的键，在所述过车索引表中查询案发之前X天在案发地点范围内的过车数据，生成目标过车集合；
所述第四判定模块，用于遍历所述目标过车集合，同一个车牌号在同一个过车位置累计出现的次数记为Z，当Z大于预置阈值时，判定满足频繁过车规则。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810368076.8A CN108492580B (zh) | 2018-04-23 | 2018-04-23 | 判断涉案嫌疑车辆的方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810368076.8A CN108492580B (zh) | 2018-04-23 | 2018-04-23 | 判断涉案嫌疑车辆的方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108492580A true CN108492580A (zh) | 2018-09-04 |
| CN108492580B CN108492580B (zh) | 2020-03-24 |
Family
ID=63312929
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810368076.8A Active CN108492580B (zh) | 2018-04-23 | 2018-04-23 | 判断涉案嫌疑车辆的方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108492580B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109508395A (zh) * | 2018-09-26 | 2019-03-22 | 安徽四创电子股份有限公司 | 一种基于车型检索的智能串并案的方法 |
| CN110880242A (zh) * | 2019-09-28 | 2020-03-13 | 安徽百诚慧通科技有限公司 | 一种判断假牌***辆真实号牌的方法 |
| 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 |
| CN111259054A (zh) * | 2018-11-30 | 2020-06-09 | 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 |
| CN111368106A (zh) * | 2018-12-26 | 2020-07-03 | 中兴通讯股份有限公司 | 野广告处理方法、装置以及计算机可读存储介质 |
| CN113470369A (zh) * | 2021-07-19 | 2021-10-01 | 佳都科技集团股份有限公司 | 一种基于多维度信息判断***辆真实号牌的方法及*** |
| US20220100999A1 (en) * | 2020-09-30 | 2022-03-31 | Rekor Systems, Inc. | Systems and methods for suspect vehicle identification in traffic monitoring |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220101724A1 (en) * | 2020-09-30 | 2022-03-31 | Rekor Systems, Inc. | Systems and methods for policy centric data retention in traffic monitoring |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0875493A (ja) * | 1994-08-31 | 1996-03-22 | Aqueous Res:Kk | 案内装置 |
| 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*** |
| CN104408934A (zh) * | 2014-11-28 | 2015-03-11 | 深圳市华仁达技术有限公司 | 一种基于交通数据的涉案车辆分析方法 |
| 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 |
| CN106205143A (zh) * | 2016-08-29 | 2016-12-07 | 苏州金螳螂怡和科技有限公司 | 智能卡口联网*** |
| CN107506368A (zh) * | 2017-07-04 | 2017-12-22 | 青岛海信网络科技股份有限公司 | 一种类案嫌疑车辆的确定方法及装置 |
-
2018
- 2018-04-23 CN CN201810368076.8A patent/CN108492580B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0875493A (ja) * | 1994-08-31 | 1996-03-22 | Aqueous Res:Kk | 案内装置 |
| 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*** |
| CN104408934A (zh) * | 2014-11-28 | 2015-03-11 | 深圳市华仁达技术有限公司 | 一种基于交通数据的涉案车辆分析方法 |
| 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 |
| CN106205143A (zh) * | 2016-08-29 | 2016-12-07 | 苏州金螳螂怡和科技有限公司 | 智能卡口联网*** |
| CN107506368A (zh) * | 2017-07-04 | 2017-12-22 | 青岛海信网络科技股份有限公司 | 一种类案嫌疑车辆的确定方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 程维忠: "查缉涉案违法犯罪嫌疑车辆要讲战术", 《道路交通管理》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109508395B (zh) * | 2018-09-26 | 2022-03-29 | 安徽四创电子股份有限公司 | 一种基于车型检索的智能串并案的方法 |
| CN109508395A (zh) * | 2018-09-26 | 2019-03-22 | 安徽四创电子股份有限公司 | 一种基于车型检索的智能串并案的方法 |
| CN111179603B (zh) * | 2018-11-09 | 2021-03-02 | 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 |
| 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 |
| CN111259054A (zh) * | 2018-11-30 | 2020-06-09 | 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 |
| 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 |
| CN111368106A (zh) * | 2018-12-26 | 2020-07-03 | 中兴通讯股份有限公司 | 野广告处理方法、装置以及计算机可读存储介质 |
| CN111368106B (zh) * | 2018-12-26 | 2024-04-26 | 中兴通讯股份有限公司 | 野广告处理方法、装置以及计算机可读存储介质 |
| CN110880242B (zh) * | 2019-09-28 | 2020-10-02 | 安徽百诚慧通科技有限公司 | 一种判断假牌***辆真实号牌的方法 |
| CN110880242A (zh) * | 2019-09-28 | 2020-03-13 | 安徽百诚慧通科技有限公司 | 一种判断假牌***辆真实号牌的方法 |
| US20220100999A1 (en) * | 2020-09-30 | 2022-03-31 | Rekor Systems, Inc. | Systems and methods for suspect vehicle identification in traffic monitoring |
| CN113470369A (zh) * | 2021-07-19 | 2021-10-01 | 佳都科技集团股份有限公司 | 一种基于多维度信息判断***辆真实号牌的方法及*** |
| CN113470369B (zh) * | 2021-07-19 | 2022-05-17 | 佳都科技集团股份有限公司 | 一种基于多维度信息判断***辆真实号牌的方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108492580B (zh) | 2020-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108492580A (zh) | 判断涉案嫌疑车辆的方法及*** | |
| CN105653690B (zh) | 异常行为预警信息约束的视频大数据快速检索方法及*** | |
| US11650084B2 (en) | Event detection using pattern recognition criteria | |
| EP2980767B1 (en) | Video search and playback interface for vehicle monitor | |
| US7941188B2 (en) | Occurrence data detection and storage for generalized sensor networks | |
| CN109804367A (zh) | 使用边缘计算的分布式视频存储和搜索 | |
| US20050073436A1 (en) | Method and system for alerting a patrol officer of a wanted vehicle | |
| US20060026164A1 (en) | Data storage for distributed sensor networks | |
| CN109033440A (zh) | 一种视频侦查多维轨迹分析方法 | |
| CN108052882A (zh) | 一种智能安防监控***的操作方法 | |
| CN107203641A (zh) | 一种互联网交通舆情信息采集和处理的方法 | |
| US11790658B2 (en) | Investigation assist system and investigation assist method | |
| CN106297055A (zh) | 一种储物柜、储物柜控制方法及*** | |
| CN109299642A (zh) | 基于人像识别的逻辑布控预警***及方法 | |
| CN105138525B (zh) | 交通视频处理装置和方法及检索装置和方法 | |
| CN110390031A (zh) | 信息处理方法及装置、图像设备及存储介质 | |
| CN102289908B (zh) | 基于图像分析的自主关联实时防盗*** | |
| CN100416556C (zh) | 信息检索方法和***、数据处理设备和视频采集处理设备 | |
| CN107977421A (zh) | 基于大数据进行***分析的方法及装置 | |
| CN106710225A (zh) | 一种车辆号牌违法的识别方法和监测平台 | |
| CN105959621A (zh) | 基于多源视频结构化数据的准实时布控***及方法 | |
| CN111090777A (zh) | 一种视频数据的管理方法、管理设备及计算机存储介质 | |
| CN111026909B (zh) | 一种基于自拍抖音视图补充公安侦查数据集的方法 | |
| CN108427718A (zh) | 一种车辆行驶信息时空索引及大数据分析方法 | |
| CN103646549A (zh) | 一种智能天网*** |
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 |