CN109118779B - 交通违章信息识别方法、设备及可读存储介质 - Google Patents

交通违章信息识别方法、设备及可读存储介质 Download PDF

Info

Publication number
CN109118779B
CN109118779B CN201811189468.4A CN201811189468A CN109118779B CN 109118779 B CN109118779 B CN 109118779B CN 201811189468 A CN201811189468 A CN 201811189468A CN 109118779 B CN109118779 B CN 109118779B
Authority
CN
China
Prior art keywords
audit
violation information
auditing
user
users
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
Application number
CN201811189468.4A
Other languages
English (en)
Other versions
CN109118779A (zh
Inventor
孟健
何光宇
程万军
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.)
Neusoft Corp
Original Assignee
Neusoft 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 Neusoft Corp filed Critical Neusoft Corp
Priority to CN201811189468.4A priority Critical patent/CN109118779B/zh
Publication of CN109118779A publication Critical patent/CN109118779A/zh
Application granted granted Critical
Publication of CN109118779B publication Critical patent/CN109118779B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种交通违章信息识别方法、设备及可读存储介质，通过采用对接收的交通图像进行预处理，获得待识别图像；利用神经网络模型对待识别图像进行识别处理，以识别获得待识别图像中的违章信息；根据待识别图像相应的交通图像和违章信息，生成审核报文并将审核报文发送给不同审核身份的多个用户，以供多个用户对违章信息的准确性进行审核；接收各用户返回的对违章信息的审核结果，根据各审核结果和各审核结果对应的用户的审核身份，确定违章信息是否准确；若是，则生成包括违章信息的区块，并存储在存储有交通违章记录的区块链中。从而可对识别出的违章信息进行审核，有效提高了获得的违章信息的准确率。

Description

交通违章信息识别方法、设备及可读存储介质
技术领域
本发明涉及计算机技术，尤其涉及一种交通违章信息识别方法、设备及可读存储介质。
背景技术
随着经济的持续快速发展，利用机动车辆出行成为人们常用的出行方式。而伴随着着出行车辆数量的增长，交通违章现象逐步增多。为了保证交通安全，如何识别交通违章成为问题。
在现有技术中，对交通违章的识别一般利用电子监控技术，当电子监控拍摄到交通行为影像之后，采用预设的识别规则对影像进行违章现象的识别，以获得交通行为影像中出现的违章信息。
但是，采用这样的交通违章识别方法存在着识别准确率低，如何提高交通违章信息识别准确率成为技术问题。
发明内容
针对上述提及的现有的交通违章信息识别方法，由于采用预设的识别规则对违章信息进行识别，而导致的识别效率低和识别准确率低的问题。本发明提供了一种交通违章信息识别方法、设备及可读存储介质。
一方面，本发明提供了一种交通违章信息识别方法，包括：
对接收的交通图像进行预处理，获得待识别图像；
利用神经网络模型对所述待识别图像进行识别处理，以识别获得待识别图像中的违章信息；
根据所述待识别图像相应的交通图像和所述违章信息，生成审核报文并将所述审核报文发送给不同审核身份的多个用户，以供所述多个用户对所述违章信息的准确性进行审核；
接收各用户返回的对所述违章信息的审核结果，根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确；
若是，则生成包括所述违章信息的区块，并存储在存储有交通违章记录的区块链中。
在其中一种可选的实施方式中，所述对接收的交通图像进行预处理，获得待识别图像，包括：
对所述交通图像进行裁剪处理和标准化处理，以获得所述神经网络模型可识别处理的待识别图像。
在其中一种可选的实施方式中，所述将所述审核报文发送给不同审核身份的多个用户，以供所述多个用户对所述违章信息的准确性进行审核，包括：
在不同审核身份的用户群中随机选出多个用户，以使在所述多个用户中，审核身份为第一审核身份的用户数量大于审核身份为第二审核身份的用户数量。
在其中一种可选的实施方式中，所述根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确，包括：
计算各审核结果与对应的审核身份的权重之积的和，所述和为所述违章信息的判定值；其中所述每个审核身份对应的权重是预设的；
根据所述违章信息的判定值和预设的判定阈值确定所述违章信息是否准确。
在其中一种可选的实施方式中，该方法还包括：利用噪声对比估计算法对各审核身份的用户群的历史审核结果进行处理，获得每个审核身份的权重。
在其中一种可选的实施方式中，所述根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确之后，还包括：
按照预设的时间周期，根据确定出的准确的违章信息和不准确的违章信息对所述神经网络模型进行优化，以获得用于识别下一待识别图像的优化后的神经网络模型。
在其中一种可选的实施方式中，所述生成包括所述违章信息的区块，并存储在存储有交通违章记录的区块链中之后，还包括：
接收违章信息的违章用户发起的投诉请求；
接收执法者反馈的投诉处理结果，并根据投诉处理结果对存储在交通违章记录的区块链中的违章信息的区块进行处理。
在其中一种可选的实施方式中，所述接收各用户返回的对所述违章信息的审核结果，根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确之后，还包括：
根据所述违章信息是否准确的结果和各用户返回的对所述违章信息的审核结果，确定各用户的信誉信息，所述信誉信息用于表示用户的审核信誉。
另一方面，本发明提供了一种交通违章信息识别设备，包括：
预处理模块，用于对接收的交通图像进行预处理，获得待识别图像；
识别模块，用于利用神经网络模型对所述待识别图像进行识别处理，以识别获得待识别图像中的违章信息；
审核模块，用于根据所述待识别图像相应的交通图像和所述违章信息，生成审核报文并将所述审核报文发送给不同审核身份的多个用户，以供所述多个用户对所述违章信息的准确性进行审核；
判定模块，用于接收各用户返回的对所述违章信息的审核结果，根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确；
存储模块，用于在确定所述违章信息准确时生成包括所述违章信息的区块，并存储在存储有交通违章记录的区块链中。
在其中一种可选的实施方式中，所述预处理模块具体用于：
对所述交通图像进行裁剪处理和标准化处理，以获得所述神经网络模型可识别处理的待识别图像。
在其中一种可选的实施方式中，所述审核模块具体用于：
在不同审核身份的用户群中随机选出多个用户，以使在所述多个用户中，审核身份为第一审核身份的用户数量大于审核身份为第二审核身份的用户数量。
在其中一种可选的实施方式中，所述判定模块具体用于：
计算各审核结果与对应的审核身份的权重之积的和，所述和为所述违章信息的判定值；其中所述每个审核身份对应的权重是预设的；
根据所述违章信息的判定值和预设的判定阈值确定所述违章信息是否准确。
在其中一种可选的实施方式中，所述判定模块还用于：
利用噪声对比估计算法对各审核身份的用户群的历史审核结果进行处理，获得每个审核身份的权重。
在其中一种可选的实施方式中，该设备还包括反馈模块；
所述反馈模块用于在所述判定模块根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确之后，用于按照预设的时间周期，根据确定出的准确的违章信息和不准确的违章信息对所述神经网络模型进行优化，以获得用于识别下一待识别图像的优化后的神经网络模型。
在其中一种可选的实施方式中，该设备还包括：投诉模块；
所述投诉模块用于所述存储模块在生成包括所述违章信息的区块，并存储在存储有交通违章记录的区块链中之后，接收违章信息的违章用户发起的投诉请求；接收执法者反馈的投诉处理结果，并根据投诉处理结果对存储在交通违章记录的区块链中的违章信息的区块进行处理。
在其中一种可选的实施方式中，该设备还包括信誉处理模块；
所述信誉处理模块用于所述判定模块在接收各用户返回的对所述违章信息的审核结果，根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确之后，根据所述违章信息是否准确的结果和各用户返回的对所述违章信息的审核结果，确定各用户的信誉信息，所述信誉信息用于表示用户的审核信誉。
再一方面，本发明提供了一种交通违章信息识别设备，包括：存储器、与所述存储器连接的处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，
所述处理器运行所述计算机程序时执行如前任一项所述的方法。
最后一方面，本发明提供了一种可读存储介质，包括程序，当其在终端上运行时，使得终端执行如前任一项所述的方法。
本发明提供的交通违章信息识别方法、设备及可读存储介质，通过采用对接收的交通图像进行预处理，获得待识别图像；利用神经网络模型对所述待识别图像进行识别处理，以识别获得待识别图像中的违章信息；根据所述待识别图像相应的交通图像和所述违章信息，生成审核报文并将所述审核报文发送给不同审核身份的多个用户，以供所述多个用户对所述违章信息的准确性进行审核；接收各用户返回的对所述违章信息的审核结果，根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确；若是，则生成包括所述违章信息的区块，并存储在存储有交通违章记录的区块链中。从而实现在对交通图像进行自动识别的基础上并保证识别效率的基础上，引入了对识别出的违章信息进行审核的机制，有效提高了获得的违章信息的准确率，解决了现有技术中存在的采用预设的识别规则对违章信息进行识别，而导致的识别效率低和识别准确率低的问题。
附图说明
通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
图1为本发明所基于的网络架构的示意图；
图2为本发明实施例一提供的一种交通违章信息识别方法的流程示意图；
图3为本发明实施例二提供的一种交通违章信息识别方法的流程示意图；
图4为本发明实施例三提供的一种交通违章信息识别设备的结构示意图；
图5为本发明实施例四提供的一种交通违章信息识别设备的硬件结构示意图。
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
随着经济的持续快速发展，利用机动车辆出行成为人们常用的出行方式。而伴随着着出行车辆数量的增长，交通违章现象逐步增多。为了保证交通安全，如何识别交通违章成为问题。
在现有技术中，对交通违章的识别一般利用电子监控技术，当电子监控拍摄到交通行为影像之后，采用预设的识别规则对影像进行违章现象的识别，以获得交通行为影像中出现的违章信息。
但是，采用这样的交通违章识别方法存在着识别准确率低，如何提高交通违章识别准确率成为技术问题。
针对上述提及的现有的交通违章识别方法，由于采用预设的识别规则对违章信息进行识别，而导致的识别效率低和识别准确率低的问题。本发明提供了一种交通违章识别方法、设备及可读存储介质。
需要说明的是，为了更好的解释本申请，图1为本发明所基于的网络架构的示意图，如图1所示，本发明提供的交通违章识别方法的执行主体具体可为交通违章信息识别设备1，该交通违章信息识别设备1可通过硬件和/或软件的方式实现。该交通违章信息识别设备1可通过无线局域网络与终端2进行通信连接和数据交互，用户可通过终端2与交通违章信息识别设备1进行交互。此外，交通违章信息识别设备1还可与图像采集端3进行交互，以接收图像采集端3采集的图像，该图像采集端3包括但不限于行车记录仪、图像数据服务器、智能手机、电子监控设备等。
图2为本发明实施例一提供的一种交通违章信息识别方法的流程示意图。
如图2所示，该交通违章信息识别方法包括：
步骤101、对接收的交通图像进行预处理，获得待识别图像；
步骤102、利用神经网络模型对所述待识别图像进行识别处理，以识别获得待识别图像中的违章信息；
步骤103、根据所述待识别图像相应的交通图像和所述违章信息，生成审核报文并将所述审核报文发送给不同审核身份的多个用户，以供所述多个用户对所述违章信息的准确性进行审核；
步骤104、接收各用户返回的对所述违章信息的审核结果，根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确；
步骤105、当确定所述违章信息准确时，生成包括所述违章信息的区块，并存储在存储有交通违章记录的区块链中。
为了解决上述提及的现有的交通违章识别方法，由于采用预设的识别规则对违章信息进行识别，而导致的识别效率低和识别准确率低的问题，本发明实施例一提供了一种交通违章识别方法。首先，交通违章信息识别设备可接收由行车记录仪、图像数据服务器、智能手机、电子监控设备等图像采集端获得的交通图像。
随后，对该交通图像进行预处理，以获得统一格式的，可被神经网络模型识别的待识别图像。可选的，为了使神经网络模型能够识别交通图像，该预处理过程包括但不限于如下处理：对交通图像进行裁剪处理和标准化处理，其中，剪裁处理包括对交通图像的像素分辨率进行约束，而标准化处理则可为包括利用各像素值的均值及方差，对各像素值进行处理，经过该标准化处理，各像素值的均值应为0，方差为1。
然后，利用神经网络模型对所述待识别图像进行识别处理，以识别获得待识别图像中的违章信息。其中，该神经网络模型可采用现有的神经网络模型架构，其一般可包括卷积层、池化层、局部响应归一化层、全连接层、线性层。其中，卷积层可对输入的待识别图像的数据进行卷积计算，卷积核是5x5，步长是1；池化层对卷积后的数据进行最大池化处理；局部响应归一化层可对池化后数据局部输入区域进行归一化处理；全连接层可对归一化后的数据添加正则化约束,防止过拟合；最后，线性层对正则化后的数据进行线性变换以输出违章信息。其中，输出的违章信息具体可包括违规停车、机动车逆向行驶，未系安全带，压线行驶，驾驶过程中打电话等。
在获得违章信息之后，为了提高获取的违章信息的准确率，本实施方式还根据所述待识别图像相应的交通图像和所述违章信息，生成审核报文并将所述审核报文发送给不同审核身份的多个用户，以供所述多个用户对所述违章信息的准确性进行审核。
具体来说，交通违章信息识别设备生成一审核报文，该审核报文中至少包括该违章信息以及该违章信息对应的交通图像，此外，由于数据量较大，为了便于交通违章信息识别设备统计各审核报文和处理，在每一审核报文中还可包括有交通图像的采集时间，和/或，交通图像的图像标识号，和/或，报文生成时间等信息。
在本实施方式中，为了进一步提高获取的违章信息的准确率，使得对违章信息的审核更具有参考价值，交通违章信息识别设备会在不同审核身份的用户群中随机选出多个用户，以使在所述多个用户中，审核身份为第一审核身份的用户数量大于审核身份为第二审核身份的用户数量。其中，第一审核身份具体可为司机、群众等不具有交通执法资格或交通执法经验的普通用户；而第二审核身份具体可为交警、协警等具备交通执法资格或交通执法经验的用户。因此，在对违章信息进行审核的过程中，将审核报文发送给不同审核身份的多个用户，以使获得的审核结果更准确，普适性更高。此外，考虑到用户群的用户基数，可按照预设比例，将审核报文发送给不同审核身份的用户，该预设比例可为5:3或其他比例，通过采用这样的方式能够避免第二审核身份的用户因公务繁忙而不能立刻处理审核的问题，也可能避免第一审核身份的用户审核水平不高而造成的审核错误的问题。
再后，交通违章信息识别设备将接收各用户返回的对所述违章信息的审核结果，根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确，在违章信息准确的情况下，生成包括所述违章信息的区块，并存储在存储有交通违章记录的区块链中。具体来说，审核结果用于表示违章信息是否准确。针对于每一交通图像的违章信息，交通违章信息识别设备均可接收到多个用户返回的多个审核结果，通过按照审核结果和发出该审核结果的用户的审核身份的统计，从而确定该交通图像的违章信息是否准确。一旦确定该违章信息准确无误，交通违章信息识别设备将生成一包括有该违章信息的区块，并利用区块链技术对其进行存储，以最终形成存储有交通违章记录的区块链。
在其他可选的实施方式中，在生成包括所述违章信息的区块，并存储在存储有交通违章记录的区块链中之后，还包括接收违章信息的违章用户发起的投诉请求；接收执法者反馈的投诉处理结果，并根据投诉处理结果对存储在交通违章记录的区块链中的违章信息的区块进行处理。具体来说，当确定该违章信息准确无误之后，由于利用了区块链技术对违章信息的区块进行存储，其一般无法篡改。而为了便于进一步保证执法的准确性，也为了维持对交通违章信息的判断公共性，交通违章信息识别设备还可接收由违章信息的违章用户发起的投诉请求，一旦交通违章信息识别设备接收到投诉请求之后，将进入二次审核程序，即由执法者对违章信息进行二次审核，随后交通违章信息识别设备根据接收的执法者反馈的投诉处理结果对存储在交通违章记录的区块链中的违章信息的区块进行处理。
在其他可选的实施方式中，交通违章信息识别设备在接收各用户返回的对所述违章信息的审核结果，根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确之后，根据所述违章信息是否准确的结果和各用户返回的对所述违章信息的审核结果，确定各用户的信誉信息，所述信誉信息用于表示用户的审核信誉。在本实施方式中，为了鼓励包括司机在内的普通用户参与到对违章信息的审核中来，交通违章信息识别设备还可为每个用户建立审核信誉机制，即当用户完成对某一违章信息的审核之后，交通违章信息识别设备将会根据该违章信息的准确程度与该用户做出的审核结果，确定该用户在本次审核中获得的信誉值，用户在各次审核中获得的信誉值的总和构成该用户的信誉信息。
本发明实施例一提供的交通违章信息识别方法，通过采用对接收的交通图像进行预处理，获得待识别图像；利用神经网络模型对所述待识别图像进行识别处理，以识别获得待识别图像中的违章信息；根据所述待识别图像相应的交通图像和所述违章信息，生成审核报文并将所述审核报文发送给不同审核身份的多个用户，以供所述多个用户对所述违章信息的准确性进行审核；接收各用户返回的对所述违章信息的审核结果，根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确；若是，则生成包括所述违章信息的区块，并存储在存储有交通违章记录的区块链中。从而实现在对交通图像进行自动识别的基础上并保证识别效率的基础上，引入了对识别出的违章信息进行审核的机制，有效提高了获得的违章信息的准确率，解决了现有技术中存在的采用预设的识别规则对违章信息进行识别，而导致的识别效率低和识别准确率低的问题。
在上述实施例一的各实施方式的基础上，为了进一步提高识别出的违章信息准确率，图3为本发明实施例二提供的一种交通违章识别方法的流程示意图。如图3所示，该交通违章识别方法包括：
步骤201、对接收的交通图像进行预处理，获得待识别图像；
步骤202、利用神经网络模型对所述待识别图像进行识别处理，以识别获得待识别图像中的违章信息；
步骤203、根据所述待识别图像相应的交通图像和所述违章信息，生成审核报文并将所述审核报文发送给不同审核身份的多个用户，以供所述多个用户对所述违章信息的准确性进行审核；
步骤204、接收各用户返回的对所述违章信息的审核结果，计算各审核结果与对应的审核身份的权重之积的和，所述和为所述违章信息的判定值；
其中所述每个审核身份对应的权重是预设的；
步骤205、根据所述违章信息的判定值和预设的判定阈值确定所述违章信息是否准确。
步骤206、当确定所述违章信息准确时，生成包括所述违章信息的区块，并存储在存储有交通违章记录的区块链中。
具体起来说，与实施例一类似的是，首先，交通违章信息识别设备可接收由行车记录仪、图像数据服务器、智能手机、电子监控设备等图像采集端获得的交通图像。
随后，对该交通图像进行预处理，以获得统一格式的，可被神经网络模型识别的待识别图像。可选的，为了使神经网络模型能够识别交通图像，该预处理过程包括但不限于如下处理：对交通图像进行裁剪处理和标准化处理，其中，剪裁处理包括对交通图像的像素分辨率进行约束，而标准化处理则可为包括利用各像素值的均值及方差，对各像素值进行处理，经过该标准化处理，各像素值的均值应为0，方差为1。
然后，利用神经网络模型对所述待识别图像进行识别处理，以识别获得待识别图像中的违章信息。其中，该神经网络模型可采用现有的神经网络模型架构，其一般可包括卷积层、池化层、局部响应归一化层、全连接层、线性层。其中，卷积层可对输入的待识别图像的数据进行卷积计算，卷积核是5x5，步长是1；池化层对卷积后的数据进行最大池化处理；局部响应归一化层可对池化后数据局部输入区域进行归一化处理；全连接层可对归一化后的数据添加正则化约束,防止过拟合；最后，线性层对正则化后的数据进行线性变换以输出违章信息。其中，输出的违章信息具体可包括违规停车、机动车逆向行驶，未系安全带，压线行驶，驾驶过程中打电话等。
在获得违章信息之后，为了提高获取的违章信息的准确率，本实施方式还根据所述待识别图像相应的交通图像和所述违章信息，生成审核报文并将所述审核报文发送给不同审核身份的多个用户，以供所述多个用户对所述违章信息的准确性进行审核。
具体来说，交通违章信息识别设备生成一审核报文，该审核报文中至少包括该违章信息以及该违章信息对应的交通图像，此外，由于数据量较大，为了便于交通违章信息识别设备统计各审核报文和处理，在每一审核报文中还可包括有交通图像的采集时间，和/或，交通图像的图像标识号，和/或，报文生成时间等信息。为了进一步提高获取的违章信息的准确率，使得对违章信息的审核更具有参考价值，交通违章信息识别设备会在不同审核身份的用户群中随机选出多个用户，以使在所述多个用户中，审核身份为第一审核身份的用户数量大于审核身份为第二审核身份的用户数量。其中，第一审核身份具体可为司机、群众等不具有交通执法资格或交通执法经验的普通用户；而第二审核身份具体可为交警、协警等具备交通执法资格或交通执法经验的用户。因此，在对违章信息进行审核的过程中，将审核报文发送给不同审核身份的多个用户，以使获得的审核结果更准确，普适性更高。此外，考虑到用户群的用户基数，可按照预设比例，将审核报文发送给不同审核身份的用户，该预设比例可为5:3或其他比例，通过采用这样的方式能够避免第二审核身份的用户因公务繁忙而不能立刻处理审核的问题，也可能避免第一审核身份的用户审核水平不高而造成的审核错误的问题。
与实施例一不同的是，在本实施例二中，在接收到各用户返回的对所述违章信息的审核结果之后，可针对于每一审核报文，计算判定值。具体的，该判定值可通过如下公式1获得：
Figure BDA0001827110650000111
其中，J用于表示违章信息对应的审核报文的判定值；n为对该违章信息进行审核的第一审核身份的用户的数量，i为第一审核身份的n个用户中的第i个用户，Wi为第一审核身份的第i个用户的权重，Pi为第i个用户的审核结果；m为对该违章信息进行审核的第二审核身份的用户的数量，j为第二审核身份的m个用户中的第j个用户，Yj为第二审核身份的第j个用户的权重，Zj为第j个用户的审核结果。其中，各用户的审核结果具体可采用数字字符标识，如当审核结果为是时，Pi或Zj为1；当审核结果为否时，Pi或Zj为-1。
通过上述公式1可计算获得违章信息的判定值，将该判定值与预设的判定阈值进行比对，当该判定值J大于预设的判定阈值时，该违章信息为准确，即神经网络模型识别处理结果为准确的，当该判定值J小于等于预设的判定阈值时，该违章信息为不准确的，即神经网络模型识别处理结果是不准确的。
进一步来说，在上述公式中1，Wi和Yj是预先设置好的固定参数，针对于同一审核身份的用户，其权重是相同的。当然，Wi和Yj可采用经验值设置获得，也可通过噪声对比估计算法获得。
例如，可对各审核身份的用户群的历史审核结果进行处理，获得每个审核身份的权重，即，根据历史数据统计每个审核身份的全部用户的审核结果的正确和错误的占比，以确定各审核身份的用户的权重。可采用如下公式2、公式3和公式4获得该Wi和Yj。
Figure BDA0001827110650000121
Figure BDA0001827110650000122
L＝log(y正)-log(y错) 公式4
其中，x用于表示对历史审核报文的判定值；p为对历史审核报文进行审核的第一审核身份的用户的数量，k为第一审核身份的p个用户中的第k个用户，Wk为第一审核身份的第k个用户的权重，Pk为第k个用户的审核结果；q为对历史审核报文进行审核的第二审核身份的用户的数量，l为第二审核身份的q个用户中的第l个用户，Yl为第二审核身份的第l个用户的权重，Zl为第l个用户的审核结果。y用于表示对历史审核报文判定的结果。L用于表示参考值，y正用于表示对历史审核报文的判定正确的结果，y错用于表示对历史审核报文的判定错误的结果。
各用户的审核结果具体可采用数字字符标识，如当审核结果为是时，Pk或Zl为1；当审核结果为否时，Pk或Zl为-1。
具体来说，在历史数据中包括有历史图像、历史审核报文以及不同审核身份的用户对该历史审核报文做出的审核结果。历史审核报文中应包括有该历史图像的真实违章信息。根据该真实违章信息，可判断与该历史图像相应的每一用户的审核结果是正确的还是错误的。此外，在利用噪声对比估计算法确定Wk和Yl时，可首先设定一参考值，并计算在该参考值下的L的数值，调整Wk和Yl并重复该过程直至L的数值最大，即当L的数值最大时获得的Wk和Yl即为公式1中的Wi和Yj。其中需要说明的是，在公式2和3中需要分别统计判定正确和结果和判定错误的结果，即分别统计获得y正和y错之后，再利用公式4计算L的数值。
再后，在违章信息准确的情况下，生成包括所述违章信息的区块，并存储在存储有交通违章记录的区块链中。
具体来说，审核结果用于表示违章信息是否准确。针对于每一交通图像的违章信息，交通违章信息识别设备均可接收到多个用户返回的多个审核结果，通过按照审核结果和发出该审核结果的用户的审核身份的统计，从而确定该交通图像的违章信息是否准确。一旦确定该违章信息准确无误，交通违章信息识别设备将生成一包括有该违章信息的区块，并利用区块链技术对其进行存储，以最终形成存储有交通违章记录的区块链。
在其他可选的实施方式中，在生成包括所述违章信息的区块，并存储在存储有交通违章记录的区块链中之后，还包括接收违章信息的违章用户发起的投诉请求；接收执法者反馈的投诉处理结果，并根据投诉处理结果对存储在交通违章记录的区块链中的违章信息的区块进行处理。具体来说，当确定该违章信息准确无误之后，由于利用了区块链技术对违章信息的区块进行存储，其一般无法篡改。而为了便于进一步保证执法的准确性，也为了维持对交通违章信息的判断公共性，交通违章信息识别设备还可接收由违章信息的违章用户发起的投诉请求，一旦交通违章信息识别设备接收到投诉请求之后，将进入二次审核程序，即由执法者对违章信息进行二次审核，随后交通违章信息识别设备根据接收的执法者反馈的投诉处理结果对存储在交通违章记录的区块链中的违章信息的区块进行处理。
在其他可选的实施方式中，交通违章信息识别设备在接收各用户返回的对所述违章信息的审核结果，根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确之后，根据所述违章信息是否准确的结果和各用户返回的对所述违章信息的审核结果，确定各用户的信誉信息，所述信誉信息用于表示用户的审核信誉。在本实施方式中，为了鼓励包括司机在内的普通用户参与到对违章信息的审核中来，交通违章信息识别设备还可为每个用户建立审核信誉机制，即当用户完成对某一违章信息的审核之后，交通违章信息识别设备将会根据该违章信息的准确程度与该用户做出的审核结果，确定该用户在本次审核中获得的信誉值，用户在各次审核中获得的信誉值的总和构成该用户的信誉信息。
本发明实施例二提供的交通违章信息识别方法，在实施例一的基础上，还通过利用用户审核结果和权重的计算，确定违章信息的判定值，并根据判定值确定违章信息是否准确，从而进一步提高了获得的违章信息的准确率，解决了现有技术中存在的采用预设的识别规则对违章信息进行识别，而导致的识别效率低和识别准确率低的问题。
图4为本发明实施例三提供的一种交通违章信息识别设备的结构示意图，如图4所示，该交通违章信息识别设备包括：
预处理模块10，用于对接收的交通图像进行预处理，获得待识别图像；
识别模块20，用于利用神经网络模型对所述待识别图像进行识别处理，以识别获得待识别图像中的违章信息；
审核模块30，用于根据所述待识别图像相应的交通图像和所述违章信息，生成审核报文并将所述审核报文发送给不同审核身份的多个用户，以供所述多个用户对所述违章信息的准确性进行审核；
判定模块40，用于接收各用户返回的对所述违章信息的审核结果，根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确；
存储模块50，用于在确定所述违章信息准确时生成包括所述违章信息的区块，并存储在存储有交通违章记录的区块链中。
在其中一种可选的实施方式中，所述预处理模块10具体用于：
对所述交通图像进行裁剪处理和标准化处理，以获得所述神经网络模型可识别处理的待识别图像。
在其中一种可选的实施方式中，所述审核模块30具体用于：
在不同审核身份的用户群中随机选出多个用户，以使在所述多个用户中，审核身份为第一审核身份的用户数量大于审核身份为第二审核身份的用户数量。
在其中一种可选的实施方式中，所述判定模块40具体用于：
计算各审核结果与对应的审核身份的权重之积的和，所述和为所述违章信息的判定值；其中所述每个审核身份对应的权重是预设的；
根据所述违章信息的判定值和预设的判定阈值确定所述违章信息是否准确。
在其中一种可选的实施方式中，所述判定模块40还用于：
利用噪声对比估计算法对各审核身份的用户群的历史审核结果进行处理，获得每个审核身份的权重。
在其中一种可选的实施方式中，该设备还包括反馈模块；
所述反馈模块用于在所述判定模块40根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确之后，用于按照预设的时间周期，根据确定出的准确的违章信息和不准确的违章信息对所述神经网络模型进行优化，以获得用于识别下一待识别图像的优化后的神经网络模型。
在其中一种可选的实施方式中，该设备还包括：投诉模块；
所述投诉模块用于所述存储模块50在生成包括所述违章信息的区块，并存储在存储有交通违章记录的区块链中之后，接收违章信息的违章用户发起的投诉请求；接收执法者反馈的投诉处理结果，并根据投诉处理结果对存储在交通违章记录的区块链中的违章信息的区块进行处理。
在其中一种可选的实施方式中，该设备还包括信誉处理模块；
所述信誉处理模块用于所述判定模块40在接收各用户返回的对所述违章信息的审核结果，根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确之后，根据所述违章信息是否准确的结果和各用户返回的对所述违章信息的审核结果，确定各用户的信誉信息，所述信誉信息用于表示用户的审核信誉。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***的具体工作过程以及相应的有益效果，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明提供的交通违章信息识别设备，通过采用对接收的交通图像进行预处理，获得待识别图像；利用神经网络模型对所述待识别图像进行识别处理，以识别获得待识别图像中的违章信息；根据所述待识别图像相应的交通图像和所述违章信息，生成审核报文并将所述审核报文发送给不同审核身份的多个用户，以供所述多个用户对所述违章信息的准确性进行审核；接收各用户返回的对所述违章信息的审核结果，根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确；若是，则生成包括所述违章信息的区块，并存储在存储有交通违章记录的区块链中。从而实现在对交通图像进行自动识别的基础上并保证识别效率的基础上，引入了对识别出的违章信息进行审核的机制，有效提高了获得的违章信息的准确率，解决了现有技术中存在的采用预设的识别规则对违章信息进行识别，而导致的识别效率低和识别准确率低的问题。
图5为本发明实施例四提供的一种交通违章信息识别设备的硬件结构示意图。如图5所示，该交通违章信息识别设备包括：存储器41、处理器42及存储在存储器41上并可在处理器42上运行的计算机程序，处理器42运行计算机程序时执行上述任一实施例的方法。
本发明还提供一种可读存储介质，包括程序，当其在终端上运行时，使得终端执行上述任一实施例的方法。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (9)

1.一种交通违章信息识别方法，其特征在于，包括：
对接收的交通图像进行预处理，获得待识别图像；
利用神经网络模型对所述待识别图像进行识别处理，以识别获得待识别图像中的违章信息；
根据所述待识别图像相应的交通图像和所述违章信息，生成审核报文并将所述审核报文发送给不同审核身份的多个用户，以供所述多个用户对所述违章信息的准确性进行审核；
接收各用户返回的对所述违章信息的审核结果，根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确；
若是，则生成包括所述违章信息的区块，并存储在存储有交通违章记录的区块链中；
所述根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确，包括：
计算各审核结果与对应的审核身份的权重之积的和，所述和为所述违章信息的判定值；其中所述每个审核身份对应的权重是预设的；
根据所述违章信息的判定值和预设的判定阈值确定所述违章信息是否准确；
利用噪声对比估计算法对各审核身份的用户群的历史审核结果进行处理，获得每个审核身份的权重；
所述违章信息的判定值通过公式1计算得到：
Figure FDA0002841827970000011
其中，J用于表示违章信息对应的审核报文的判定值；n为对该违章信息进行审核的第一审核身份的用户的数量，i为第一审核身份的n个用户中的第i个用户，Wi为第一审核身份的第i个用户的权重，Pi为第i个用户的审核结果；m为对该违章信息进行审核的第二审核身份的用户的数量，j为第二审核身份的m个用户中的第j个用户，Yj为第二审核身份的第j个用户的权重，Zj为第j个用户的审核结果；
所述Wi、Yj通过公式2、公式3和公式得到：
Figure FDA0002841827970000021
Figure FDA0002841827970000022
L＝log(y正)-log(y错) 公式4
其中，x用于表示对历史审核报文的判定值；p为对历史审核报文进行审核的第一审核身份的用户的数量，k为第一审核身份的p个用户中的第k个用户，Wk为第一审核身份的第k个用户的权重，Pk为第k个用户的审核结果；q为对历史审核报文进行审核的第二审核身份的用户的数量，l为第二审核身份的q个用户中的第l个用户，Yl为第二审核身份的第l个用户的权重，Zl为第l个用户的审核结果，y用于表示对历史审核报文判定的结果，L用于表示参考值，y正用于表示对历史审核报文的判定正确的结果，y错用于表示对历史审核报文的判定错误的结果。
2.根据权利要求1所述的交通违章信息识别方法，其特征在于，所述对接收的交通图像进行预处理，获得待识别图像，包括：
对所述交通图像进行裁剪处理和标准化处理，以获得所述神经网络模型可识别处理的待识别图像。
3.根据权利要求1所述的交通违章信息识别方法，其特征在于，所述将所述审核报文发送给不同审核身份的多个用户，以供所述多个用户对所述违章信息的准确性进行审核，包括：
在不同审核身份的用户群中随机选出多个用户，以使在所述多个用户中，审核身份为第一审核身份的用户数量大于审核身份为第二审核身份的用户数量。
4.根据权利要求1所述的交通违章信息识别方法，其特征在于，所述根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确之后，还包括：
按照预设的时间周期，根据确定出的准确的违章信息和不准确的违章信息对所述神经网络模型进行优化，以获得用于识别下一待识别图像的优化后的神经网络模型。
5.根据权利要求1所述的交通违章信息识别方法，其特征在于，所述生成包括所述违章信息的区块，并存储在存储有交通违章记录的区块链中之后，还包括：
接收违章信息的违章用户发起的投诉请求；
接收执法者反馈的投诉处理结果，并根据投诉处理结果对存储在交通违章记录的区块链中的违章信息的区块进行处理。
6.根据权利要求1所述的交通违章信息识别方法，其特征在于，所述接收各用户返回的对所述违章信息的审核结果，根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确后，还包括：
根据所述违章信息是否准确的结果和各用户返回的对所述违章信息的审核结果，确定各用户的信誉信息，所述信誉信息用于表示用户的审核信誉。
7.一种交通违章信息识别设备，其特征在于，包括：
预处理模块，用于对接收的交通图像进行预处理，获得待识别图像；
识别模块，用于利用神经网络模型对所述待识别图像进行识别处理，以识别获得待识别图像中的违章信息；
审核模块，用于根据所述待识别图像相应的交通图像和所述违章信息，生成审核报文并将所述审核报文发送给不同审核身份的多个用户，以供所述多个用户对所述违章信息的准确性进行审核；
判定模块，用于接收各用户返回的对所述违章信息的审核结果，根据各审核结果和各审核结果对应的用户的审核身份，确定所述违章信息是否准确；
存储模块，用于在确定所述违章信息准确时生成包括所述违章信息的区块，并存储在存储有交通违章记录的区块链中；
所述判定模块，具体用于计算各审核结果与对应的审核身份的权重之积的和，所述和为所述违章信息的判定值；其中所述每个审核身份对应的权重是预设的；根据所述违章信息的判定值和预设的判定阈值确定所述违章信息是否准确；
所述判定模块，还用于利用噪声对比估计算法对各审核身份的用户群的历史审核结果进行处理，获得每个审核身份的权重；所述违章信息的判定值通过公式1计算得到：
Figure FDA0002841827970000031
其中，J用于表示违章信息对应的审核报文的判定值；n为对该违章信息进行审核的第一审核身份的用户的数量，i为第一审核身份的n个用户中的第i个用户，Wi为第一审核身份的第i个用户的权重，Pi为第i个用户的审核结果；m为对该违章信息进行审核的第二审核身份的用户的数量，j为第二审核身份的m个用户中的第j个用户，Yj为第二审核身份的第j个用户的权重，Zj为第j个用户的审核结果；
所述Wi、Yj通过公式2、公式3和公式得到：
Figure FDA0002841827970000041
Figure FDA0002841827970000042
L＝log(y正)-log(y错) 公式4
其中，x用于表示对历史审核报文的判定值；p为对历史审核报文进行审核的第一审核身份的用户的数量，k为第一审核身份的p个用户中的第k个用户，Wk为第一审核身份的第k个用户的权重，Pk为第k个用户的审核结果；q为对历史审核报文进行审核的第二审核身份的用户的数量，l为第二审核身份的q个用户中的第l个用户，Yl为第二审核身份的第l个用户的权重，Zl为第l个用户的审核结果，y用于表示对历史审核报文判定的结果，L用于表示参考值，y正用于表示对历史审核报文的判定正确的结果，y错用于表示对历史审核报文的判定错误的结果。
8.一种交通违章信息识别设备，包括：存储器、与所述存储器连接的处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，
所述处理器运行所述计算机程序时执行权利要求1-6任一项所述的方法。
9.一种可读存储介质，其特征在于，包括程序，当其在终端上运行时，使得终端执行权利要求1-6任一项所述的方法。
CN201811189468.4A 2018-10-12 2018-10-12 交通违章信息识别方法、设备及可读存储介质 Active CN109118779B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811189468.4A CN109118779B (zh) 2018-10-12 2018-10-12 交通违章信息识别方法、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811189468.4A CN109118779B (zh) 2018-10-12 2018-10-12 交通违章信息识别方法、设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN109118779A CN109118779A (zh) 2019-01-01
CN109118779B true CN109118779B (zh) 2021-05-11

Family

ID=64858028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811189468.4A Active CN109118779B (zh) 2018-10-12 2018-10-12 交通违章信息识别方法、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN109118779B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109801500A (zh) * 2019-02-19 2019-05-24 中国科学院自动化研究所 基于区块链的车辆违章变道检测记录方法、***、装置
CN110428351B (zh) * 2019-07-29 2022-04-08 电子科技大学 基于区块链的半分布式车辆违章举报方法
CN110716932B (zh) * 2019-09-09 2022-08-23 深圳赛安特技术服务有限公司 数据处理方法、***、设备及存储介质
CN111935281B (zh) * 2020-08-10 2023-04-07 京东科技信息技术有限公司 监控违章停车的方法和装置
CN112100419B (zh) * 2020-09-15 2024-02-06 贵州迅畅科技有限公司 一种基于图像检索的单幅天气图像识别方法及***
CN112699827B (zh) * 2021-01-05 2023-07-25 长威信息科技发展股份有限公司 一种基于区块链的交通警务处置方法及***
CN113221642B (zh) * 2021-04-02 2024-04-05 哈尔滨鹏博普华科技发展有限责任公司 一种违章抓拍图像ai识别***
CN113435858A (zh) * 2021-07-09 2021-09-24 建信金融科技有限责任公司 基于区块链的广告数据处理方法、装置及***
WO2023070386A1 (zh) * 2021-10-27 2023-05-04 京东方科技集团股份有限公司 交通信息处理方法、装置、电子设备、服务器和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609491A (zh) * 2017-08-23 2018-01-19 中国科学院声学研究所 一种基于卷积神经网络的车辆违章停车检测方法
CN107730903A (zh) * 2017-06-13 2018-02-23 银江股份有限公司 基于深度卷积神经网络的违章停车和抛锚车视觉检测***
CN108510750A (zh) * 2018-04-25 2018-09-07 济南浪潮高新科技投资发展有限公司 一种基于神经网络模型的无人机巡检违章停车的方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101826260B (zh) * 2010-05-04 2012-01-11 清华大学 一种交通违法行为自动抓拍的方法和***
CN104732780B (zh) * 2015-03-10 2017-07-11 惠州Tcl移动通信有限公司 一种根据用户上报路况及时更新路况信息的方法及***
CN104765859A (zh) * 2015-04-21 2015-07-08 深圳市图敏实业有限公司 违停车辆信息的录入方法及***
CN107590491B (zh) * 2016-07-07 2021-08-06 阿里巴巴集团控股有限公司 一种图像处理方法及装置
KR101912861B1 (ko) * 2016-07-29 2018-10-30 이종선 교통위반 단속 시스템 및 그 제어방법
CN106503912A (zh) * 2016-10-27 2017-03-15 国信优易数据有限公司 一种数据服务***
EP3563637B1 (en) * 2016-12-29 2022-07-27 Whirlpool Corporation Electromagnetic cooking device with automatic anti-splatter operation and method of controlling cooking in the electromagnetic device
CN107122391B (zh) * 2017-03-06 2021-02-23 广东顺德中山大学卡内基梅隆大学国际联合研究院 一种基于历史记录的代码审核人推荐方法
CN107608810A (zh) * 2017-08-24 2018-01-19 北京寄云鼎城科技有限公司 一种基于迭代的异常检测方法和检测装置
CN107590010B (zh) * 2017-08-31 2019-07-02 西安电子科技大学 一种基于动态故障树的电磁兼容故障诊断分析方法
CN107870983A (zh) * 2017-09-30 2018-04-03 深圳市易成自动驾驶技术有限公司 基于区块链的车辆违章信息管理方法、区块链及存储介质
CN107895011B (zh) * 2017-11-03 2020-05-26 携程旅游网络技术（上海）有限公司 会话信息的处理方法、***、存储介质和电子设备
CN108009497A (zh) * 2017-11-30 2018-05-08 深圳中兴网信科技有限公司 图像识别监控方法、***、计算设备以及可读存储介质
CN108154686A (zh) * 2018-02-12 2018-06-12 苏州清研微视电子科技有限公司 一种车载违章行为抓拍***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107730903A (zh) * 2017-06-13 2018-02-23 银江股份有限公司 基于深度卷积神经网络的违章停车和抛锚车视觉检测***
CN107609491A (zh) * 2017-08-23 2018-01-19 中国科学院声学研究所 一种基于卷积神经网络的车辆违章停车检测方法
CN108510750A (zh) * 2018-04-25 2018-09-07 济南浪潮高新科技投资发展有限公司 一种基于神经网络模型的无人机巡检违章停车的方法

Also Published As

Publication number Publication date
CN109118779A (zh) 2019-01-01

Similar Documents

Publication Publication Date Title
CN109118779B (zh) 交通违章信息识别方法、设备及可读存储介质
CN109784170B (zh) 基于图像识别的车险定损方法、装置、设备及存储介质
US20160300242A1 (en) Driver verification system for transport services
CN107862614B (zh) 一种防止车险骗保的方法、存储设备及车载终端
CN110097451B (zh) 一种银行业务的监控方法及装置
CN109842858B (zh) 一种业务异常订购检测方法及装置
CN112686746A (zh) 信贷流程的配置方法、装置及设备
CN111428217A (zh) 欺诈团伙识别方法、装置、电子设备及计算机可读存储介质
CN117391861B (zh) 一种基于云平台的低碳积分的核算交易方法及***
CN116596659A (zh) 基于大数据风控的企业智能化信贷审批方法、***及介质
CN114090985A (zh) 区块链中用户操作权限的设置方法、装置和电子设备
CN113743522A (zh) 违规行为的检测方法及装置、电子设备
CN113743619B (zh) 基于关联网络行为的作弊用户识别方法和装置
CN113487109A (zh) 群体识别方法、装置、电子设备及存储介质
CN111476668A (zh) 可信关系的识别方法、装置、存储介质和计算机设备
CN111404835A (zh) 流量控制方法、装置、设备及存储介质
CN111192150A (zh) 车辆出险代理业务的处理方法、装置、设备及存储介质
CN116595486A (zh) 风险识别方法、训练风险识别模型的方法及对应装置
CN111327661A (zh) 推送方法、推送装置、服务器和计算机可读存储介质
CN111639718B (zh) 分类器应用方法及装置
CN108898167A (zh) 失信号码的显示方法及装置
CN110415377B (zh) 行驶状态确定方法、装置及电子设备
CN110727918A (zh) 一种物流业务趋势评估方法、计算机存储介质及电子设备
CN110399399B (zh) 用户分析的方法、装置、电子设备和存储介质
CN112258315B (zh) 基于身份标签的车贷贷前数据检验方法及装置

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