CN111179603A - 一种车辆识别方法、装置、电子设备及存储介质 - Google Patents
一种车辆识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111179603A CN111179603A CN201811330662.XA CN201811330662A CN111179603A CN 111179603 A CN111179603 A CN 111179603A CN 201811330662 A CN201811330662 A CN 201811330662A CN 111179603 A CN111179603 A CN 111179603A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- passing data
- date
- target
- target vehicle
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Time Recorders, Dirve Recorders, Access Control (AREA)
Abstract
本发明实施例提供了一种车辆识别方法、装置、电子设备及存储介质。所述方法包括：确定目标车辆在目标时间段内的过车数据；其中，所述过车数据包括：针对预设的参考区域，所述目标车辆的进入次数和离开次数；基于所述进入次数和所述离开次数，判断所述目标车辆是否满足预设的异常车牌条件，如果是，则判定所述目标车辆为具有异常车牌的车辆。应用本发明实施例能够实现有效识别出具有异常车牌的车辆的目的。
Description
技术领域
本发明涉及交通领域，特别是涉及一种车辆识别方法、装置、电子设备及存储介质。
背景技术
所谓车牌，是指车辆号牌，是对各车辆的编号，其主要作用是通过车牌可以知道车辆所属省、市及县，车管所根据车牌可以查到车辆的主人。
在现实生活中，道路上经常会出现换牌车、***等具有异常车牌的车辆，影响到正常的交通秩序。其中，所谓换牌车使用的是其他车辆的车牌；而所谓***，也称为克隆车，其是参照真牌车的型号和颜色，将号码相同的假牌套在同样型号和颜色的车牌上。
那么，如何有效识别具有异常车牌的车辆，是一个亟待解决的问题。
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、装置、电子设备及存储介质，以实现有效识别出具有异常车牌的车辆的目的。具体技术方案如下：
第一方面，本发明实施例提供了一种车辆识别方法，所述方法包括：
确定目标车辆在目标时间段内的过车数据；其中，所述过车数据包括：针对预设的参考区域，所述目标车辆的进入次数和离开次数；
基于所述进入次数和所述离开次数，判断所述目标车辆是否满足预设的异常车牌条件，如果是，则判定所述目标车辆为具有异常车牌的车辆。
可选的，所述确定目标车辆在目标时间段内的过车数据，包括：
从预先存储的目标车辆在各个时间段内的过车数据中，确定所述目标车辆在目标时间段内的过车数据。
可选的，所述各个时间段包括：各个日期段；
所述目标车辆在各个时间段内的过车数据的存储方式，包括：以各个日期为存储关键字，存储所述目标车辆在各个日期段的过车数据；
其中，针对每个日期，存在N组过车数据，所述N组过车数据中，第一组过车数据表示所述目标车辆在该日期当天所构成的日期段内的过车数据，第N组过车数据表示所述目标车辆在该日期当天与之前的N-1天所构成的日期段内的过车数据；其中，N为大于1的自然数。
可选的，所述从预先存储的目标车辆在各个时间段内的过车数据中，确定所述目标车辆在目标时间段内的过车数据，包括：
确定目标日期段的终止日期；
从预先存储的目标车辆在各个日期段内的过车数据中，确定存储关键字为所述终止日期的多组过车数据；
确定所述目标日期段占用的天数；
在所确定的多组过车数据中，确定过车数据组的排列编号为所述天数的一组过车数据，得到所述目标车辆在所述目标日期段内的过车数据。
可选的，任一日期的N组过车数据的存储过程包括：
确定所述目标车辆在该日期当天内的过车数据，并将所述当天内的过车数据作为该日期的第一组过车数据；
获取预先存储的、所述目标车辆在该日期的前一天的前N-1组过车数据；
针对所述前一天的前N-1组过车数据中的每一组过车数据，将该组过车数据与该日期的第一组过车数据相加，得到该日期的N-1组过车数据；
将该日期的第一组过车数据和该日期的N-1组过车数据，依次序存储为该日期的N组过车数据。
可选的，所述确定所述目标车辆在该日期当天内的过车数据，包括：
确定所述参考区域的卡口信息以及所述目标车辆在该日期当天内的行车记录；
基于所述卡口信息和所述行车记录，确定所述目标车辆在该日期当天内的过车数据。
可选的，所述基于所述进入次数和所述离开次数，判断所述目标车辆是否满足预设的异常车牌条件，包括：
计算所述进入次数和所述离开次数的次数差值；
判断所计算的次数差值是否大于第一预设阈值，如果是，判定所述目标车辆满足预设的异常车牌条件。
可选的，所述过车数据还包括域内总次数；其中，所述域内总次数为所述目标车辆在所述参考区域内的过车总次数；
所述基于所述进入次数和所述离开次数，判断所述目标车辆是否满足预设的异常车牌条件，包括：
将所述进入次数和所述离开次数求和，得到所述目标车辆在所述参考区域的出入总次数；
计算所述出入总次数和所述域内总次数的次数差值；
判定所计算的次数差值是否大于第二阈值，如果是，判定所述过车数据满足预设的异常车牌条件。
第二方面，本发明实施例提供了一种车辆识别装置，所述装置包括：
确定模块，用于确定目标车辆在目标时间段内的过车数据；其中，所述过车数据包括：针对预设的参考区域，所述目标车辆的进入次数和离开次数；
判断模块，用于基于所述进入次数和所述离开次数，判断所述目标车辆是否满足预设的异常车牌条件，如果是，则判定所述目标车辆为具有异常车牌的车辆。
可选的，所述确定模块，具体用于：
从预先存储的目标车辆在各个时间段内的过车数据中，确定所述目标车辆在目标时间段内的过车数据。
可选的，所述各个时间段包括：各个日期段；
所述目标车辆在各个时间段内的过车数据的存储方式，包括：以各个日期为存储关键字，由存储模块存储所述目标车辆在各个日期段的过车数据；
其中，针对每个日期，存在N组过车数据，所述N组过车数据中，第一组过车数据表示所述目标车辆在该日期当天所构成的日期段内的过车数据，第N组过车数据表示所述目标车辆在该日期当天与之前的N-1天所构成的日期段内的过车数据；其中，N为大于1的自然数。
可选的，所述确定模块，包括：
第一确定子模块，用于确定目标日期段的终止日期；
第二确定子模块，用于从存储模块内预先存储的目标车辆在各个日期段内的过车数据中，确定存储关键字为所述终止日期的多组过车数据；
第三确定子模块，用于确定所述目标日期段占用的天数；
第四确定子模块，用于在所确定的多组过车数据中，确定过车数据组的排列编号为所述天数的一组过车数据，得到所述目标车辆在所述目标日期段内的过车数据。
可选的，所述存储模块用于存储任一日期的N组过车数据，所述存储模块包括：
第五确定子模块，用于确定所述目标车辆在该日期当天内的过车数据，并将所述当天内的过车数据作为该日期的第一组过车数据；
获取子模块，用于获取预先存储的、所述目标车辆在该日期的前一天的前N-1组过车数据；
计算模块，用于针对所述前一天的前N-1组过车数据中的每一组过车数据，将该组过车数据与该日期的第一组过车数据相加，得到该日期的N-1组过车数据；
存储子模块，用于将该日期的第一组过车数据和该日期的N-1组过车数据，依次序存储为该日期的N组过车数据。
可选的，所述第五确定子模块，具体用于：
确定所述参考区域的卡口信息以及所述目标车辆在该日期当天内的行车记录；
基于所述卡口信息和所述行车记录，确定所述目标车辆在该日期当天内的过车数据。
可选的，所述判断模块，具体用于：
计算所述进入次数和所述离开次数的次数差值；
判断所计算的次数差值是否大于第一阈值，如果是，则判定所述目标车辆满足预设的异常车牌条件。
可选的，所述过车数据还包括域内总次数；其中，所述域内总次数为所述目标车辆在所述参考区域内的过车总次数；
所述判断模块，具体用于：
将所述进入次数和所述离开次数求和，得到所述目标车辆在所述参考区域的出入总次数；
计算所述出入总次数和所述域内总次数的次数差值；
判断所计算的次数差值是否大于第二阈值，如果是，判定所述过车数据满足预设的异常车牌条件。
第三方面，本发明实施例提供了一种电子设备，包括处理器和存储器，其中，
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现本发明实施例所提供的车辆识别方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例所提供的车辆识别方法的步骤。
本发明实施例所提供的方案中，考虑到一段时间内，一车辆进入和离开一预设参考区域的次数应该是相近的，如果两个次数偏差较大，则对应的车辆是具有异常车牌的车辆的可能性较大。因而基于此，可以预设异常车牌条件，在判断一目标车辆是否是具有异常车牌的车辆时，首先确定目标车辆在目标时间段内的过车数据；其中，所述过车数据包括：针对预设的参考区域，所述目标车辆的进入次数和离开次数；然后，基于所述进入次数和所述离开次数，判断所述目标车辆是否满足预设的异常车牌条件，如果是，则判定所述目标车辆为具有异常车牌的车辆。因此，应用本发明实施例能够实现有效识别出具有异常车牌的车辆的目的。
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为本发明实施例所提供的一种车辆识别方法的一种流程示意图；
图2为本发明存储HBASE统计表的一种时序图；
图3为本发明实施例所提供的一种车辆识别装置的结构示意图；
图4为本发明实施例所提供的一种电子设备的结构示意图。
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。
为了实现有效识别出具有异常车牌的车辆的目的，本发明实施例提供了一种车辆识别方法、装置、电子设备及存储介质。
需要说明的是，本发明实施例所提供的一种车辆识别方法的执行主体可以为一种车辆识别装置，所述装置可以运行于电子设备中，所述电子设备可以为一服务器或终端等，当然，所述电子设备并不限于此。
下面，首先对本发明实施例所提供的一种车辆识别方法进行介绍。
如图1所示，本发明实施例所提供的一种车辆识别方法，可以包括如下步骤：
S101，确定目标车辆在目标时间段内的过车数据；
在本发明实施例中，为了获得有效的判断结果，所述目标时间段可以含有多天，比如，所述目标时间段可以为一周、一个月或者半年等；所述目标时间段也可以为一个日期段，比如为2018年1月1日至2018年2月1日等；当然，所述目标时间段也可以具有确定的时间点，比如2018年1月1日早9点至2018年2月1日晚9点等，这都是合理的。
在本发明实施例中，所述过车数据包括：针对预设的参考区域，所述目标车辆的进入次数和离开次数。
其中，所述预设的参考区域是具有一定地理范围的区域，比如，所述预设的参考区域可以为一个城区、一个城市或一个省等等。为了便于描述，在本申请中，以所述预设的参考区域为一个城市为例进行说明。
在实际中，为了实现监控及交通管制等目的，城市遍布各种卡口，比如，城内设置有多个城内卡口，城市与其他城市的交界处设置有多个城际卡口。进入一城际卡口代表入城，离开一城际卡口代表出城。
那么，针对预设的参考区域为城市而言，所述过车数据可以包括：所述目标车辆的入城次数和出城次数，也就是所述目标车辆进入城市的城际卡口的次数和离开城市的城际卡口的次数。
确定所述目标车辆的入城次数和出城次数的过程可以是，在目标车辆经过城市的各个城际卡口的时候予以记录，从而统计得到所述目标车辆的入城次数和出城次数；其中，记录方式可以是人工记录、刷卡记录等等。
作为一种可选的方式，确定所述目标车辆的入城次数和出城次数的过程可以是：利用城市的各个城际卡口处设置的视频监控设备，如摄像头等，采集经过各个城际卡口的车辆的图像，通过对所采集到的车辆的图像进行车牌识别，得到车牌号码，基于采集到的具有统一车牌号码的图像的张数，可以得到各个车牌号码对应的车辆的入城次数和出城次数，从而得到某一目标车辆的入城次数和出城次数。
可以理解的是，对于城市以外的参考区域而言，该目标车辆的进入次数和离开次数的确定过程，与关于城市的确定过程类似，在此不做赘述。
当然，由于城市内还分布有多个城内卡口，可选的，所述过车数据还可以包括域内总次数；其中，所述域内总次数为所述目标车辆在所述参考区域内的过车总次数。针对预设的参考区域为城市而言，所述域内总次数为所述目标车辆在城市内的过车总次数，也就是所述目标车辆经过城市内各个城内卡口的总次数。
在本发明实施例中，可以获取目标时间段内城市各个卡口的视频监控设备所拍摄的图像，然后基于获取的多个图像，确定目标车辆的过车数据。
可选的，为了提高车辆识别的效率，在本发明实施例中，可以针对每个车辆，预先存储该车辆在各个时间段内的过车数据；在需要对目标车辆进行识别时，从预先存储的目标车辆在各个时间段内的过车数据中，确定所述目标车辆在目标时间段内的过车数据。
为了布局清楚及便于方案理解，关于存储目标车辆在各个时间段内的过车数据的过程在后文中予以说明。
S102，基于所述进入次数和所述离开次数，判断所述目标车辆是否满足预设的异常车牌条件，如果是，则判定所述目标车辆为具有异常车牌的车辆。
结合实际可知，在一段时间内，一车辆的入城次数和出城次数应该是相近的；如果一车辆在一段时间内，入城次数和出城次数相差较大，那么，该车辆有可能是换牌车或***等具有异常车牌的车辆。
因此，在本发明实施例中，可以基于上述分析，预设一种异常车牌条件，比如：为所述进入次数和所述离开次数的次数差值设置第一阈值。其中，所述第一阈值可以通过对车辆的大数据分析后进行确定。
那么，步骤S102可以包括步骤a1和步骤a2：
步骤a1，计算所述进入次数和所述离开次数的次数差值；
步骤a2，判断所计算的次数差值是否大于第一阈值，如果是，则判定所述目标车辆满足预设的异常车牌条件。
示例性的，针对预设的参考区域为城市而言，可以计算入城次数和出城次数的次数差值，判断所计算的次数差值是否大于第一阈值，如果是，说明所述目标车辆在目标时间段内，入城次数和出城次数相差较大，那么，可以判定所述目标车辆满足预设的异常车牌条件，所述目标车辆为换牌车或***等具有异常车牌的车辆。
当然，也可以预设另一种异常车牌条件，比如：为所述离开次数和所述进入次数的次数差值设置一阈值。计算所述离开次数和所述进入次数的次数差值，并判断所计算的次数差值是否大于该阈值，如果是，则判定所述目标车辆满足预设的异常车牌条件。其中，该阈值可以与第一阈值相同也可以不同。
由于在本发明实施例中，所述过车数据还可以包括域内总次数，针对预设的参考区域为城市而言，所述域内总次数也就是所述目标车辆经过城市内各个城内卡口的总次数，可以简称为城内总次数。
并且结合实际可知，一般情况下，一个城市的城内卡口数量远远多于城际卡口的数量，那么，在一段时间内，一车辆经过城市内各个城内卡口的总次数，应该远远大于该车辆入城和出城的总次数；如果一车辆在一段时间内，经过城市内各个城内卡口的总次数，远远小于该车辆入城和出城的总次数，那么，该车辆有可能是换牌车或***等具有异常车牌的车辆。
因此，在本发明实施例中，可以基于上述分析，预设另一种异常车牌条件，比如：为所述出入总次数和所述域内总次数的差值，设置第二阈值。其中，所述第二阈值也可以通过对车辆的大数据分析后进行确定。
那么，步骤S102可以包括步骤b1至步骤b3：
步骤b1，将所述进入次数和所述离开次数求和，得到所述目标车辆在所述参考区域的出入总次数；
步骤b2，计算所述出入总次数和所述域内总次数的次数差值；
步骤b3，判断所计算的次数差值是否大于第二阈值，如果是，判定所述过车数据满足预设的异常车牌条件。
示例性的，针对预设的参考区域为城市而言，可以将入城次数和出城次数求和，得到所述目标车辆针对城市的出入总次数；可以计算所述出入总次数和所述城内总次数的次数差值。
可以理解的是，如果所述次数差值大于所述第二阈值，说明所述目标车辆在目标时间段内，经过城内各个卡口的总次数，远远小于该车辆入城和出城的总次数，那么，可以判定所述目标车辆满足预设的异常车牌条件，所述目标车辆为换牌车或***等具有异常车牌的车辆。
需要说明的是，如果所述过车数据包括所述进入次数、所述离开次数和所述域内总次数，可以利用上述多种异常车牌条件中的任意一种进行判断。
本发明实施例所提供的方案中，考虑到一段时间内，一车辆进入和离开一预设参考区域的次数应该是相近的，如果两个次数偏差较大，则对应的车辆是具有异常车牌的车辆的可能性较大。因而基于此，可以预设异常车牌条件，在判断一目标车辆是否是具有异常车牌的车辆时，首先确定目标车辆在目标时间段内的过车数据；其中，所述过车数据包括：针对预设的参考区域，所述目标车辆的进入次数和离开次数；然后，基于所述进入次数和所述离开次数，判断所述目标车辆是否满足预设的异常车牌条件，如果是，则判定所述目标车辆为具有异常车牌的车辆。因此，应用本发明实施例能够实现有效识别出具有异常车牌的车辆的目的。
以下，对存储车辆在各个时间段内的过车数据的过程进行介绍：
在本发明实施例中，可以利用存储***HBASE，将每个车辆在各个日期的多个过车数据存储在对应的HBASE统计表中，因而得到各个车辆对应的HBASE统计表。其中，HBASE是一个高可靠性、高性能、面向列、可伸缩的分布式存储***。
具体的，针对目标车辆而言，可以以各个日期为存储关键字，存储所述目标车辆在各个日期段的过车数据；
其中，针对每个日期，存在N组过车数据，所述N组过车数据中，第一组过车数据表示所述目标车辆在该日期当天所构成的日期段内的过车数据，第N组过车数据表示所述目标车辆在该日期当天与之前的N-1天所构成的日期段内的过车数据；其中，N为大于1的自然数。N可以根据需求设置，比如为7或者15等等。
在本发明实施例中，也可以利用HBASE，将多个车辆在各个日期的多个过车数据存储在一个HBASE统计表中。具体的，可以以各个日期、车牌号及车牌颜色作为存储关键字，存储各个车辆在各个日期段的过车数据。
首先，以第二种存储形式为例，结合表1，对所存储的HBASE统计表的形式进行直观的理解，参见表1，表1为作为示例的HBASE统计表。
表1中示出了一个目标车辆在各个日期段的过车数据。其中，passtime-plateno-platecolor为行关键字，即存储关键字。passtime为日期，plateno为车牌号，platecolor为车牌颜色。比如一行关键字可以为20180101-xyz000-蓝色等等。cf为列族名称，列族名称可以是数字等字符；为了便于查询，针对同一车俩，不同日期对应的列族名称不同。pn1、ic1及oc1等为列名称，不同排列编号的列名称对应不同的过车数据组。
表1
具体的，在表1中包含该行关键字中所示出的日期所对应的32组过车数据。第1组过车数据包括：当天城内总次数(pn1)、当天入城次数(ic1)及当天出城次数(oc1)；
第2组过车数据包括：2天内的城内总次数(pn2)、2天内的入城次数(ic2)及2天内的出城次数(oc2)；其中，2天内的城内总次数表示所述目标车辆在该日期当天与之前的1天所构成的日期段内的城内总次数，2天内的入城次数表示所述目标车辆在该日期当天与之前的1天所构成的日期段内的入城次数，2天内的出城次数表示所述目标车辆在该日期当天与之前的1天所构成的日期段内的出城次数。
以此类推，第32组过车数据包括：32天内的城内总次数(pn32)、32天内的入城次数(ic32)及32天内的出城次数(oc32)；其中，32天内的城内总次数表示所述目标车辆在该日期当天与之前的31天所构成的日期段内的城内总次数，32天内的入城次数表示所述目标车辆在该日期当天与之前的31天所构成的日期段内的入城次数，32天内的出城次数表示所述目标车辆在该日期当天与之前的31天所构成的日期段内的出城次数。可见，第32组过车数据表示的是该日期当天与之前一个月所构成的日期段内的过车数据。
可见，在表1中，不同的过车数据组代表的日期段不同。在本发明实施例中，为目标车辆存储多个日期段内的过车数据，可以在后续识别目标车辆时，为目标时间段提供多种日期段的选择，提高数据查询的效率。
其次，结合上述的HBASE统计表，说明过车数据的存储过程：
可以理解的是，针对每个目标车辆，如果该目标车辆在近期一个月内出现过，则在这一个月内的每天，都会为该目标车辆储存类似表1的过车数据。针对一目标车辆，任一日期的N组过车数据的存储过程可以包括步骤c1至步骤c4：
步骤c1，确定所述目标车辆在该日期当天内的过车数据，并将所述当天内的过车数据作为该日期的第一组过车数据；
具体的，步骤c1可以包括步骤c11和步骤c12：
步骤c11，确定所述参考区域的卡口信息以及所述目标车辆在该日期当天内的行车记录；
步骤c12基于所述卡口信息和所述行车记录，确定所述目标车辆在该日期当天内的过车数据。
步骤c2，获取预先存储的、所述目标车辆在该日期的前一天的前N-1组过车数据；
步骤c3，针对所述前一天的前N-1组过车数据中的每一组过车数据，将该组过车数据与该日期的第一组过车数据相加，得到该日期的N-1组过车数据；
步骤c4，将该日期的第一组过车数据和该日期的N-1组过车数据，依次序存储为该日期的N组过车数据。
为了便于理解，假设N＝3，待存储的日期为20180202，所述目标车辆的车牌号为xyz000，车牌颜色为蓝色。结合图2对上述过程进行举例说明，图2为本发明存储HBASE统计表的一种时序图。
针对步骤c1，首先，所述车辆识别装置可以调用计算引擎SPARK启动定时任务；其中，SPARK为一个专为大规模数据处理而设计的快速通用的分布式计算引擎。
具体的，所述车辆识别装置可以在20180202当天晚间24点，调用SPARK启动定时任务，由SPARK从存储有卡口信息的PostgreSQL数据库，获取城市的卡口信息，并缓存到SPARK对应的内存中，所述卡口信息包括城市的各个卡口的类型，比如卡口1是城际卡口，卡口2是城内卡口等等。
同时由SPARK可以从HBASE数据库获取所述目标车辆在20180202当天内的行车记录。其中，所述HBASE数据库中，可以以HBASE记录表的形式，预先存储每天的车辆行车记录，所述HBASE记录表中，可以以时间、车牌号及车牌颜色为关键字，存储每个车辆经过的卡口的名称和行驶方向。比如可以记录上午9点，车牌号为123，车牌颜色为白色的车辆1经过卡口1，行驶方向由南至北，等等。
可以理解的是，所述行车记录可以是利用诸如图像分析方法等，对各个卡口的视频监控设备所拍摄的图像进行分析后获得的，由于行车记录的确定过程不是本申请的发明点，在此不做详细说明。
然后，所述SPARK可以基于所述卡口信息和所述目标车辆在20180202当天内的行车记录，确定所述目标车辆在该日期当天内的过车数据，并将所述当天内的过车数据作为20180202的第一组过车数据。
具体的，可以由所述卡口信息得知卡口1为城际卡口，并且由卡口1的位置可以判断行驶方向由南至北为入城，那么，可以确定所述目标车辆在20180202当天内的入城次数为1次，类似的，可以得到所述目标车辆在20180202当天内出城次数及城内总次数。
比如，经过步骤c1，所述SPARK可以确定所述目标车辆在20180202当天内的过车数据为：城内总次数为0，入城次数为1，出城次数为1，并将所述当天内的过车数据作为20180202的第1组过车数据。
需要说明的是，为了不影响其他用户对数据库的使用，以及提高后续的数据处理速度，可以在20180203凌晨的一个时间点，确定城市的卡口信息以及所述目标车辆在20180202当天内的行车记录，并基于所述卡口信息和所述行车记录，确定所述目标车辆在20180202当天内的过车数据。
针对步骤c2，SPARK可以从HBASE数据库中获取预先存储的、所述目标车辆在20180202的前一天的前2组过车数据。
具体的，可以从HBASE数据库中获得预先存储的HBASE统计表，依据存储关键字为20180201-xyz000-蓝色，获取所述目标车辆在20180201的前2组过车数据。需要说明的是，为了保持过车数据组的数量的统一，针对20180201的3组过车数据，舍弃了最旧的第3组过车数据，目的是，在后续利用20180201的前2组过车数据与20180202当天内的过车数据构成20180202的3组过车数据。
比如获取到目标车辆在20180201的前2组过车数据分别为：20180201当天的城内总次数为1，入城次数为0，出城次数为0；20180201前两天的城内总次数为5，入城次数为2，出城次数为2。
针对步骤c3，SPARK针对所述目标车辆在20180201的前2组过车数据中的每一组过车数据，将该组过车数据与20180202的第1组过车数据相加，得到20180202的2组过车数据。
可以理解的是，在实际中，针对一目标车辆，前后两天的过车数据可能有三种情况，该目标车辆在第一天有过车数据，第二天没有过车数据；或者该目标车辆在第一天没有过车数据，第二天有过车数据；或者该目标车辆在第一天和第二天均有过车数据。因此，在进行相加操作时，针对于第二种情况，相加的得到的次数与之前相比并没有变化。
具体的，可以将20180201的第1组过车数据：城内总次数为1，入城次数为0，出城次数为0，与20180202的第1组过车数据：城内总次数为0，入城次数为1，出城次数为1进行相加，得到20180202的第2组过车数据为：城内总次数为1，入城次数为1，出城次数为1；
将20180201的第2组过车数据：城内总次数为5，入城次数为2，出城次数为2，与20180202的第1组过车数据：城内总次数为0，入城次数为1，出城次数为1进行相加，得到20180202的第3组过车数据为：城内总次数为5，入城次数为3，出城次数为3。
针对步骤c4，SPARK将20180202的第1组过车数据和20180202的2组过车数据，依次序存储为20180202的3组过车数据。
具体的，SPARK可以将20180202的2组过车数据依次序发送至HBASE数据库中，由HBASE数据库在HBASE统计表中以关键字20180202-xyz000-蓝色，按照表1所示的存储方式，存储上述3组过车数据。
需要说明的是，在HBASE数据库存储完毕后，可以向SPARK发送存储完毕的消息，然后所述SPARK向所述车辆识别装置发送结束定时任务的消息。至此，表示所述目标车辆在该日期的N组过车数据的存储任务完成。
在本发明实施例中，为每个车辆存储最近32天的过车数据的统计结果，每次进行车辆识别时，只需要获取目标车辆当天的过车数据，将当天的过程数据与前一天的过车数据进行相加即可，能够减少计算量，提高定时任务的性能。
需要补充说明的是，第一次进行HBASE统计表存储时，针对每个车辆，可以将该车辆在当天内的过车数据，存储为32组过车数据，也就是第1组至第32组的过车数据都为该车辆在第1天内的过车数据；
在第2天时，针对该车辆，存储第1组过车数据为第2天当天内的过车数据，将第2天当天内的过车数据与前1天内的过车数据进行相加，将相加得到的结果，存储为第2组-第32组的过车数据；
在第3天时，针对该车辆，存储第1组过车数据为第3天当天内的过车数据，将第3天当天内的过车数据与前1天内的过车数据进行相加，将相加得到的结果，存储为第2组过车数据；将第3天当天内的过车数据与前2天内的过车数据进行相加，将相加得到的结果，存储为第3组至第32组过车数据；
以此类推，执行32天后，可以获得各组过车数据不同的一个HBASE统计表。
以上介绍了HBASE统计表的存储过程，那么，在本发明实施例中，所述从预先存储的目标车辆在各个时间段内的过车数据中，确定所述目标车辆在目标时间段内的过车数据，可以包括步骤d1至步骤d4：
步骤d1，确定目标日期段的终止日期；
步骤d2，从预先存储的目标车辆在各个日期段内的过车数据中，确定存储关键字为所述终止日期的多组过车数据；
步骤d3，确定所述目标日期段占用的天数；
步骤d4，在所确定的多组过车数据中，确定过车数据组的排列编号为所述天数的一组过车数据，得到所述目标车辆在所述目标日期段内的过车数据。
为了便于理解，结合表1，对上述步骤进行举例说明。比如所述目标车辆的车牌号为xyz000，车牌颜色为蓝色，目标日期段为20180701-20180715。
首先，可以确定该日期段的终止日期为20180715，20180701-20180715占用的天数为15；
然后，在HBASE统计表中，查询行关键字为20180715的32组过车数据。由于第N组过车数据表示所述目标车辆在20180715当天与之前的N-1天所构成的日期段内的过车数据，可以理解的是，第15组过车数据表示的是所述目标车辆在20180715当天与之前的14天所构成的日期段内的过车数据，也就是20180701-20180715对应的日期段内的过车数据，因此，可以在20180715的32组过车数据中获取第15组过车数据，即获得所述目标车辆在20180701-20180715内的过车数据。
在本发明实施例中，也可以直接利用关键字20180715,cf：pn15，ic15，oc15查询到对应的过车数据。
可见，利用预先存储的HBASE统计表，在进行车辆识别时，仅需要利用关键字，获取对应列的数据即可，可以方便快捷地查询到目标车辆在任一日期段内的过车数据，能够提高数据查询性能，提高车辆识别的效率。
相应于上述方法实施例，本发明实施例还提供了一种车辆识别装置，如图3所示，该装置包括：
确定模块301，用于确定目标车辆在目标时间段内的过车数据；其中，所述过车数据包括：针对预设的参考区域，所述目标车辆的进入次数和离开次数；
判断模块302，用于基于所述进入次数和所述离开次数，判断所述目标车辆是否满足预设的异常车牌条件，如果是，则判定所述目标车辆为具有异常车牌的车辆。
可选的，在本发明实施例中，所述确定模块301，具体用于：
从预先存储的目标车辆在各个时间段内的过车数据中，确定所述目标车辆在目标时间段内的过车数据。
可选的，在本发明实施例中，所述各个时间段包括：各个日期段；
所述目标车辆在各个时间段内的过车数据的存储方式，包括：以各个日期为存储关键字，由存储模块存储所述目标车辆在各个日期段的过车数据；
其中，针对每个日期，存在N组过车数据，所述N组过车数据中，第一组过车数据表示所述目标车辆在该日期当天所构成的日期段内的过车数据，第N组过车数据表示所述目标车辆在该日期当天与之前的N-1天所构成的日期段内的过车数据；其中，N为大于1的自然数。
可选的，在本发明实施例中，所述确定模块301，包括：
第一确定子模块，用于确定目标日期段的终止日期；
第二确定子模块，用于从存储模块内预先存储的目标车辆在各个日期段内的过车数据中，确定存储关键字为所述终止日期的多组过车数据；
第三确定子模块，用于确定所述目标日期段占用的天数；
第四确定子模块，用于在所确定的多组过车数据中，确定过车数据组的排列编号为所述天数的一组过车数据，得到所述目标车辆在所述目标日期段内的过车数据。
可选的，在本发明实施例中，所述存储模块用于存储任一日期的N组过车数据，所述存储模块包括：
第五确定子模块，用于确定所述目标车辆在该日期当天内的过车数据，并将所述当天内的过车数据作为该日期的第一组过车数据；
获取子模块，用于获取预先存储的、所述目标车辆在该日期的前一天的前N-1组过车数据；
计算子模块，用于针对所述前一天的前N-1组过车数据中的每一组过车数据，将该组过车数据与该日期的第一组过车数据相加，得到该日期的N-1组过车数据；
存储子模块，用于将该日期的第一组过车数据和该日期的N-1组过车数据，依次序存储为该日期的N组过车数据。
可选的，在本发明实施例中，所述第五确定子模块，具体用于：
确定所述参考区域的卡口信息以及所述目标车辆在该日期当天内的行车记录；
基于所述卡口信息和所述行车记录，确定所述目标车辆在该日期当天内的过车数据。
可选的，在本发明实施例中，所述判断模块302，具体用于：
计算所述进入次数和所述离开次数的次数差值；
判断所计算的次数差值是否大于第一阈值，如果是，则判定所述目标车辆满足预设的异常车牌条件。
可选的，在本发明实施例中，所述过车数据还包括域内总次数；其中，所述域内总次数为所述目标车辆在所述参考区域内的过车总次数；
所述判断模块302，具体用于：
将所述进入次数和所述离开次数求和，得到所述目标车辆在所述参考区域的出入总次数；
计算所述出入总次数和所述域内总次数的次数差值；
判断所计算的次数差值是否大于第二阈值，如果是，判定所述过车数据满足预设的异常车牌条件。
本发明实施例所提供的方案中，考虑到一段时间内，一车辆进入和离开一预设参考区域的次数应该是相近的，如果两个次数偏差较大，则对应的车辆是具有异常车牌的车辆的可能性较大。因而基于此，可以预设异常车牌条件，在判断一目标车辆是否是具有异常车牌的车辆时，首先确定目标车辆在目标时间段内的过车数据；其中，所述过车数据包括：针对预设的参考区域，所述目标车辆的进入次数和离开次数；然后，基于所述进入次数和所述离开次数，判断所述目标车辆是否满足预设的异常车牌条件，如果是，则判定所述目标车辆为具有异常车牌的车辆。因此，应用本发明实施例能够实现有效识别出具有异常车牌的车辆的目的。
相应于上述方法实施例，本发明实施例还提供了一种电子设备，如图4所示，可以包括处理器401和存储器402，其中，
所述存储器402，用于存放计算机程序；
所述处理器401，用于执行所述存储器402上所存放的程序时，实现本发明实施例所提供的车辆识别方法的步骤。
上述存储器可以包括RAM(Random Access Memory，随机存取存储器)，也可以包括NVM(Non-Volatile Memory，非易失性存储器)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离于上述处理器的存储装置。
上述处理器可以是通用处理器，包括CPU(Central Processing Unit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP(Digital Signal Processor，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、FPGA(Field-Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
通过上述电子设备，能够实现：考虑到一段时间内，一车辆进入和离开一预设参考区域的次数应该是相近的，如果两个次数偏差较大，则对应的车辆是具有异常车牌的车辆的可能性较大。因而基于此，可以预设异常车牌条件，在判断一目标车辆是否是具有异常车牌的车辆时，首先确定目标车辆在目标时间段内的过车数据；其中，所述过车数据包括：针对预设的参考区域，所述目标车辆的进入次数和离开次数；然后，基于所述进入次数和所述离开次数，判断所述目标车辆是否满足预设的异常车牌条件，如果是，则判定所述目标车辆为具有异常车牌的车辆。因此，应用本发明实施例能够实现有效识别出具有异常车牌的车辆的目的。
另外，相应于上述实施例所提供的车辆识别方法，本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现本发明实施例所提供的车辆识别方法的步骤。
上述计算机可读存储介质存储有在运行时执行本发明实施例所提供的车辆识别方法的应用程序，因此能够实现：考虑到一段时间内，一车辆进入和离开一预设参考区域的次数应该是相近的，如果两个次数偏差较大，则对应的车辆是具有异常车牌的车辆的可能性较大。因而基于此，可以预设异常车牌条件，在判断一目标车辆是否是具有异常车牌的车辆时，首先确定目标车辆在目标时间段内的过车数据；其中，所述过车数据包括：针对预设的参考区域，所述目标车辆的进入次数和离开次数；然后，基于所述进入次数和所述离开次数，判断所述目标车辆是否满足预设的异常车牌条件，如果是，则判定所述目标车辆为具有异常车牌的车辆。因此，应用本发明实施例能够实现有效识别出具有异常车牌的车辆的目的。
对于电子设备以及计算机可读存储介质实施例而言，由于其所涉及的方法内容基本相似于前述的方法实施例，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。
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***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。
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 (18)
1.一种车辆识别方法，其特征在于，包括：
确定目标车辆在目标时间段内的过车数据；其中，所述过车数据包括：针对预设的参考区域，所述目标车辆的进入次数和离开次数；
基于所述进入次数和所述离开次数，判断所述目标车辆是否满足预设的异常车牌条件，如果是，则判定所述目标车辆为具有异常车牌的车辆。
2.根据权利要求1所述的方法，其特征在于，所述确定目标车辆在目标时间段内的过车数据，包括：
从预先存储的目标车辆在各个时间段内的过车数据中，确定所述目标车辆在目标时间段内的过车数据。
3.根据权利要求2所述的方法，其特征在于，所述各个时间段包括：各个日期段；
所述目标车辆在各个时间段内的过车数据的存储方式，包括：以各个日期为存储关键字，存储所述目标车辆在各个日期段的过车数据；
其中，针对每个日期，存在N组过车数据，所述N组过车数据中，第一组过车数据表示所述目标车辆在该日期当天所构成的日期段内的过车数据，第N组过车数据表示所述目标车辆在该日期当天与之前的N-1天所构成的日期段内的过车数据；其中，N为大于1的自然数。
4.根据权利要求3所述的方法，其特征在于，所述从预先存储的目标车辆在各个时间段内的过车数据中，确定所述目标车辆在目标时间段内的过车数据，包括：
确定目标日期段的终止日期；
从预先存储的目标车辆在各个日期段内的过车数据中，确定存储关键字为所述终止日期的多组过车数据；
确定所述目标日期段占用的天数；
在所确定的多组过车数据中，确定过车数据组的排列编号为所述天数的一组过车数据，得到所述目标车辆在所述目标日期段内的过车数据。
5.根据权利要求3所述的方法，其特征在于，任一日期的N组过车数据的存储过程包括：
确定所述目标车辆在该日期当天内的过车数据，并将所述当天内的过车数据作为该日期的第一组过车数据；
获取预先存储的、所述目标车辆在该日期的前一天的前N-1组过车数据；
针对所述前一天的前N-1组过车数据中的每一组过车数据，将该组过车数据与该日期的第一组过车数据相加，得到该日期的N-1组过车数据；
将该日期的第一组过车数据和该日期的N-1组过车数据，依次序存储为该日期的N组过车数据。
6.根据权利要求5所述的方法，其特征在于，所述确定所述目标车辆在该日期当天内的过车数据，包括：
确定所述参考区域的卡口信息以及所述目标车辆在该日期当天内的行车记录；
基于所述卡口信息和所述行车记录，确定所述目标车辆在该日期当天内的过车数据。
7.根据权利要求1所述的方法，其特征在于，所述基于所述进入次数和所述离开次数，判断所述目标车辆是否满足预设的异常车牌条件，包括：
计算所述进入次数和所述离开次数的次数差值；
判断所计算的次数差值是否大于第一预设阈值，如果是，判定所述目标车辆满足预设的异常车牌条件。
8.根据权利要求1所述的方法，其特征在于，所述过车数据还包括域内总次数；其中，所述域内总次数为所述目标车辆在所述参考区域内的过车总次数；
所述基于所述进入次数和所述离开次数，判断所述目标车辆是否满足预设的异常车牌条件，包括：
将所述进入次数和所述离开次数求和，得到所述目标车辆在所述参考区域的出入总次数；
计算所述出入总次数和所述域内总次数的次数差值；
判定所计算的次数差值是否大于第二阈值，如果是，判定所述过车数据满足预设的异常车牌条件。
9.一种车辆识别装置，其特征在于，包括：
确定模块，用于确定目标车辆在目标时间段内的过车数据；其中，所述过车数据包括：针对预设的参考区域，所述目标车辆的进入次数和离开次数；
判断模块，用于基于所述进入次数和所述离开次数，判断所述目标车辆是否满足预设的异常车牌条件，如果是，则判定所述目标车辆为具有异常车牌的车辆。
10.根据权利要求9所述的装置，其特征在于，所述确定模块，具体用于：
从预先存储的目标车辆在各个时间段内的过车数据中，确定所述目标车辆在目标时间段内的过车数据。
11.根据权利要求10所述的装置，其特征在于，所述各个时间段包括：各个日期段；
所述目标车辆在各个时间段内的过车数据的存储方式，包括：以各个日期为存储关键字，由存储模块存储所述目标车辆在各个日期段的过车数据；
其中，针对每个日期，存在N组过车数据，所述N组过车数据中，第一组过车数据表示所述目标车辆在该日期当天所构成的日期段内的过车数据，第N组过车数据表示所述目标车辆在该日期当天与之前的N-1天所构成的日期段内的过车数据；其中，N为大于1的自然数。
12.根据权利要求11所述的装置，其特征在于，所述确定模块，包括：
第一确定子模块，用于确定目标日期段的终止日期；
第二确定子模块，用于从存储模块内预先存储的目标车辆在各个日期段内的过车数据中，确定存储关键字为所述终止日期的多组过车数据；
第三确定子模块，用于确定所述目标日期段占用的天数；
第四确定子模块，用于在所确定的多组过车数据中，确定过车数据组的排列编号为所述天数的一组过车数据，得到所述目标车辆在所述目标日期段内的过车数据。
13.根据权利要求11所述的装置，其特征在于，所述存储模块用于存储任一日期的N组过车数据，所述存储模块包括：
第五确定子模块，用于确定所述目标车辆在该日期当天内的过车数据，并将所述当天内的过车数据作为该日期的第一组过车数据；
获取子模块，用于获取预先存储的、所述目标车辆在该日期的前一天的前N-1组过车数据；
计算模块，用于针对所述前一天的前N-1组过车数据中的每一组过车数据，将该组过车数据与该日期的第一组过车数据相加，得到该日期的N-1组过车数据；
存储子模块，用于将该日期的第一组过车数据和该日期的N-1组过车数据，依次序存储为该日期的N组过车数据。
14.根据权利要求13所述的装置，其特征在于，所述第五确定子模块，具体用于：
确定所述参考区域的卡口信息以及所述目标车辆在该日期当天内的行车记录；
基于所述卡口信息和所述行车记录，确定所述目标车辆在该日期当天内的过车数据。
15.根据权利要求9所述的装置，其特征在于，所述判断模块，具体用于：
计算所述进入次数和所述离开次数的次数差值；
判断所计算的次数差值是否大于第一阈值，如果是，则判定所述目标车辆满足预设的异常车牌条件。
16.根据权利要求9所述的装置，其特征在于，所述过车数据还包括域内总次数；其中，所述域内总次数为所述目标车辆在所述参考区域内的过车总次数；
所述判断模块，具体用于：
将所述进入次数和所述离开次数求和，得到所述目标车辆在所述参考区域的出入总次数；
计算所述出入总次数和所述域内总次数的次数差值；
判断所计算的次数差值是否大于第二阈值，如果是，判定所述过车数据满足预设的异常车牌条件。
17.一种电子设备，其特征在于，包括处理器和存储器，其中，
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现权利要求1-8任一所述的方法步骤。
18.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811330662.XA CN111179603B (zh) | 2018-11-09 | 2018-11-09 | 一种车辆识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811330662.XA CN111179603B (zh) | 2018-11-09 | 2018-11-09 | 一种车辆识别方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111179603A true CN111179603A (zh) | 2020-05-19 |
| CN111179603B CN111179603B (zh) | 2021-03-02 |
Family
ID=70651715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811330662.XA Active CN111179603B (zh) | 2018-11-09 | 2018-11-09 | 一种车辆识别方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111179603B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112885101A (zh) * | 2021-03-30 | 2021-06-01 | 浙江大华技术股份有限公司 | 确定异常设备的方法、装置、存储介质及电子装置 |
Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289659A (zh) * | 2011-06-23 | 2011-12-21 | 杭州诚道科技有限公司 | 伴随车检测方法 |
| CN102426786A (zh) * | 2011-11-15 | 2012-04-25 | 无锡港湾网络科技有限公司 | 一种自动识别***辆的智能视频分析***及方法 |
| CN103413440A (zh) * | 2013-04-11 | 2013-11-27 | 江苏省邮电规划设计院有限责任公司 | 基于智慧城市数据仓库和识别规则库的***识别方法 |
| CN103514745A (zh) * | 2013-10-16 | 2014-01-15 | 南京城市智能交通有限公司 | 一种基于智能交通的***辆识别方法 |
| CN103700262A (zh) * | 2013-12-26 | 2014-04-02 | 福建省视通光电网络有限公司 | 一种***车辆的区域自动捕获方法 |
| 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 |
| CN104021677A (zh) * | 2014-06-25 | 2014-09-03 | 浙江宇视科技有限公司 | 一种车辆翻牌检测方法和装置 |
| CN104050813A (zh) * | 2014-06-30 | 2014-09-17 | 浙江宇视科技有限公司 | 一种车辆翻牌检测方法和装置 |
| CN104103173A (zh) * | 2014-07-22 | 2014-10-15 | 银江股份有限公司 | 一种***辆缉查布控方法 |
| CN105448099A (zh) * | 2015-12-14 | 2016-03-30 | 南威软件股份有限公司 | 一种基于大数据的机动车套牌识别方法 |
| CN105719489A (zh) * | 2016-03-24 | 2016-06-29 | 银江股份有限公司 | 一种基于卡口车辆流向概率的***检测方法 |
| CN106710225A (zh) * | 2015-07-29 | 2017-05-24 | 杭州海康威视***技术有限公司 | 一种车辆号牌违法的识别方法和监测平台 |
| CN107103761A (zh) * | 2017-05-22 | 2017-08-29 | 广东艾科智泊科技股份有限公司 | 一种基于同一停车数据库的***报警方法及*** |
| CN107204114A (zh) * | 2016-03-18 | 2017-09-26 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
| CN107563288A (zh) * | 2017-07-31 | 2018-01-09 | 东软集团股份有限公司 | 一种***车辆的识别方法和装置 |
| CN107610466A (zh) * | 2017-09-25 | 2018-01-19 | 安徽畅通行交通信息服务有限公司 | 一种区域车辆实时监控管理*** |
| CN107680385A (zh) * | 2017-10-27 | 2018-02-09 | 泰华智慧产业集团股份有限公司 | 一种确定***的方法及*** |
| CN107861956A (zh) * | 2016-09-22 | 2018-03-30 | 杭州海康威视***技术有限公司 | 一种卡口过车数据记录的查询方法及装置 |
| CN107895487A (zh) * | 2017-11-24 | 2018-04-10 | 泰华智慧产业集团股份有限公司 | 一种基于大数据进行相似车牌串并的方法 |
| CN107993444A (zh) * | 2017-11-22 | 2018-05-04 | 紫光捷通科技股份有限公司 | 基于卡口过车大数据分析的嫌疑车认定方法 |
| CN108091140A (zh) * | 2016-11-23 | 2018-05-29 | 杭州海康威视数字技术股份有限公司 | 一种确定***辆的方法和装置 |
| CN108492580A (zh) * | 2018-04-23 | 2018-09-04 | 泰华智慧产业集团股份有限公司 | 判断涉案嫌疑车辆的方法及*** |
| WO2018176191A1 (zh) * | 2017-03-27 | 2018-10-04 | 深圳中兴力维技术有限公司 | ***识别方法及装置 |
-
2018
- 2018-11-09 CN CN201811330662.XA patent/CN111179603B/zh active Active
Patent Citations (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102289659A (zh) * | 2011-06-23 | 2011-12-21 | 杭州诚道科技有限公司 | 伴随车检测方法 |
| CN102426786A (zh) * | 2011-11-15 | 2012-04-25 | 无锡港湾网络科技有限公司 | 一种自动识别***辆的智能视频分析***及方法 |
| CN103413440A (zh) * | 2013-04-11 | 2013-11-27 | 江苏省邮电规划设计院有限责任公司 | 基于智慧城市数据仓库和识别规则库的***识别方法 |
| CN103514745A (zh) * | 2013-10-16 | 2014-01-15 | 南京城市智能交通有限公司 | 一种基于智能交通的***辆识别方法 |
| CN103700262A (zh) * | 2013-12-26 | 2014-04-02 | 福建省视通光电网络有限公司 | 一种***车辆的区域自动捕获方法 |
| 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 |
| CN104021677A (zh) * | 2014-06-25 | 2014-09-03 | 浙江宇视科技有限公司 | 一种车辆翻牌检测方法和装置 |
| CN104050813A (zh) * | 2014-06-30 | 2014-09-17 | 浙江宇视科技有限公司 | 一种车辆翻牌检测方法和装置 |
| CN104103173A (zh) * | 2014-07-22 | 2014-10-15 | 银江股份有限公司 | 一种***辆缉查布控方法 |
| CN106710225A (zh) * | 2015-07-29 | 2017-05-24 | 杭州海康威视***技术有限公司 | 一种车辆号牌违法的识别方法和监测平台 |
| CN105448099A (zh) * | 2015-12-14 | 2016-03-30 | 南威软件股份有限公司 | 一种基于大数据的机动车套牌识别方法 |
| CN107204114A (zh) * | 2016-03-18 | 2017-09-26 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
| CN105719489A (zh) * | 2016-03-24 | 2016-06-29 | 银江股份有限公司 | 一种基于卡口车辆流向概率的***检测方法 |
| CN107861956A (zh) * | 2016-09-22 | 2018-03-30 | 杭州海康威视***技术有限公司 | 一种卡口过车数据记录的查询方法及装置 |
| CN108091140A (zh) * | 2016-11-23 | 2018-05-29 | 杭州海康威视数字技术股份有限公司 | 一种确定***辆的方法和装置 |
| WO2018176191A1 (zh) * | 2017-03-27 | 2018-10-04 | 深圳中兴力维技术有限公司 | ***识别方法及装置 |
| CN107103761A (zh) * | 2017-05-22 | 2017-08-29 | 广东艾科智泊科技股份有限公司 | 一种基于同一停车数据库的***报警方法及*** |
| CN107563288A (zh) * | 2017-07-31 | 2018-01-09 | 东软集团股份有限公司 | 一种***车辆的识别方法和装置 |
| CN107610466A (zh) * | 2017-09-25 | 2018-01-19 | 安徽畅通行交通信息服务有限公司 | 一种区域车辆实时监控管理*** |
| CN107680385A (zh) * | 2017-10-27 | 2018-02-09 | 泰华智慧产业集团股份有限公司 | 一种确定***的方法及*** |
| CN107993444A (zh) * | 2017-11-22 | 2018-05-04 | 紫光捷通科技股份有限公司 | 基于卡口过车大数据分析的嫌疑车认定方法 |
| CN107895487A (zh) * | 2017-11-24 | 2018-04-10 | 泰华智慧产业集团股份有限公司 | 一种基于大数据进行相似车牌串并的方法 |
| CN108492580A (zh) * | 2018-04-23 | 2018-09-04 | 泰华智慧产业集团股份有限公司 | 判断涉案嫌疑车辆的方法及*** |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112885101A (zh) * | 2021-03-30 | 2021-06-01 | 浙江大华技术股份有限公司 | 确定异常设备的方法、装置、存储介质及电子装置 |
| CN112885101B (zh) * | 2021-03-30 | 2022-06-14 | 浙江大华技术股份有限公司 | 确定异常设备的方法、装置、存储介质及电子装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111179603B (zh) | 2021-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111462484B (zh) | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 | |
| CN110428091B (zh) | 基于数据分析的风险识别方法及相关设备 | |
| US20150186991A1 (en) | Creditor alert when a vehicle enters an impound lot | |
| US20150066542A1 (en) | Methods for facilitating predictive modeling for motor vehicle driver risk and devices thereof | |
| CN105117484A (zh) | 一种互联网舆情监测方法和*** | |
| CN104123340A (zh) | 一种数据库分表分页查询方法及*** | |
| CN107766377B (zh) | 一种监控数据查询方法及装置 | |
| CN109741482B (zh) | 一种信息共享方法及装置 | |
| EP3479270B1 (en) | Incident response analytic maps | |
| CN111639092B (zh) | 一种人员流动分析方法、装置、电子设备及存储介质 | |
| CN110958301A (zh) | 基于联盟链的车辆档案数据处理方法、装置和*** | |
| US20070016468A1 (en) | System, medium, and method for guiding election campaign efforts | |
| CN112435105A (zh) | 基于区块链的租赁风险评估方法、装置、设备及*** | |
| CN111179603B (zh) | 一种车辆识别方法、装置、电子设备及存储介质 | |
| US20160171101A1 (en) | High level of detail news maps and image overlays | |
| CN107862019B (zh) | 一种基于大数据分析昼伏夜出车辆的方法及装置 | |
| CN112733049A (zh) | 一种车辆信息展示方法及装置 | |
| CN111243266B (zh) | 一种车辆信息的确定方法、装置及电子设备 | |
| CN117273429A (zh) | 事件监测方法、***、电子设备及存储介质 | |
| CN110909240A (zh) | 用于车牌号选号数据处理方法及装置 | |
| CN110851758A (zh) | 一种网页访客数量统计方法及装置 | |
| CN111198884B (zh) | 一种车辆初次入城信息处理方法及信息处理*** | |
| Parlak | Blockchain-based Immutable Evidence and Decentralized Loss Adjustment for Autonomous Vehicle Accidents in Insurance | |
| CN110457332B (zh) | 一种信息处理方法及相关设备 | |
| CN110442780B (zh) | 基于智慧园区的车主画像生成方法、装置和计算机设备 |
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 |