CN112395955B - 一种涉车常驻落脚点分析方法、装置、设备和介质 - Google Patents
一种涉车常驻落脚点分析方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN112395955B CN112395955B CN202011164549.6A CN202011164549A CN112395955B CN 112395955 B CN112395955 B CN 112395955B CN 202011164549 A CN202011164549 A CN 202011164549A CN 112395955 B CN112395955 B CN 112395955B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- vehicle passing
- monitoring
- analyzed
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims description 113
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 6
- 230000003203 everyday effect Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 abstract description 2
- 238000012821 model calculation Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 206010034701 Peroneal nerve palsy Diseases 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本说明书实施例公开了一种涉车常驻落脚点分析方法,主旨在于提供一种涉车常驻落脚点研判的方法,结合实际应用与现实中的卡口车牌识别数据,实现点位精确到小区的涉车常驻落脚点分析,解决卡口抓拍数据会存在连拍及漏拍问题,利用分布式的计算集群提高模型计算速率实现为公安侦查办案提供数据支撑。
Description
技术领域
本发明涉及道路车辆数据分析领域,特别涉及一种涉车常驻落脚点分析方法、装置、设备和介质。
背景技术
随着信息化的发展,业主对于平台应用也不断提出新的要求,功能需要高效、实时,通过大数据分析出更多可挖掘内容。为了适应这些不断增长的变化车辆常驻落脚点分析是其中的一个重要研究方向,但是现有的方法存在以下问题:
1)现有方法中通常在计算常驻落脚点的过程中,只注重地理位置信息和频度,只能得到简单的常驻落脚点,导致生活区和工作区的混淆;
2)现有方法中直接计算车辆在指定时间段内依次通过每组内两个卡口间的时长,所有的卡口均是同样的权重,导致在计算常驻落脚点结果时准确性不足;
3)由于监控设备存在连拍和车牌识别错误的情况,现有方法中并没有针对这类情况进行针对性的处理,使得常驻落脚点计算结果产生偏差。
发明内容
本发明要解决的技术问题,在于提供一种涉车常驻落脚点分析方法、装置、设备和介质,通过时间段划分以及根据分析需求和监控卡口位置设置权重,更为准确地分析的车辆的常驻落脚点。
第一方面,本发明提供了一种涉车常驻落脚点分析方法,包括:
步骤10、对监控卡口摄像设备的图像数据进行一次识别,获取结构化的过车数据;然后再对所述图像数据进行二次识别,获取过车图片;
步骤20、将所述过车数据和过车图片的有效数据分别存储到数据仓库,根据分析需求选取设定时间段内的过车数据和过车图片作为过车记录;
步骤30、将所述过车记录划分为早间过车数据、夜间过车数据以及其它时间过车数据;
步骤40、根据监控卡口的位置设置权重,在计算起点和终点时,设置居民区监控卡口权重大于非居民区监控卡口权重,在计算工作区时,设置商务区监控卡口权重大于非商务区监控卡口权重;分别设置起点阈值、终点阈值和工作区阈值;
步骤50、将所述早间过车数据中待分析车辆的每天第一次过车记录的监控卡口作为起点,得到待分析车辆起点的疑似点位结果集;将夜间过车数据集中待分析车辆的每天最后一次过车记录的监控卡口作为终点,得到待分析车辆终点的疑似点位结果集;将待分析车辆在当前监控卡口与下一个监控卡口的过车时间差值作为当前监控卡口的停留时间,将停留时间大于一设定值的监控卡口作为工作区的疑似点位结果集;
步骤60、根据待分析车辆在监控卡口出现的次数及监控卡口的权重,分别计算起点的疑似点位结果集、终点的疑似点位结果集和工作区的疑似点位结果集中每一监控卡口的权重值,将起点的疑似点位结果集里权重计算值大于起点阈值的结果标记为起点点位,将终点的疑似点位结果集里权重计算值大于终点阈值的结果标记为终点点位,将工作区的疑似点位结果集里权重计算值大于工作区阈值的结果标记为工作区点位。
进一步地,在所述步骤50之前还包括:
针对监控卡口图像数据连拍的情况,将所述过车记录中重复的结果去除;针对监控卡口图像数据漏拍或车牌识别错误的情况,将符合补全条件的过车记录补全待分析车辆的过车记录;所述补全条件为:
ΔT<10min&Simlar(plate1,plate2)>0.8&distance(d1,d2)<1Km
其中,ΔT=|Time1-Time2|,Time1表示当前过车记录的过车时间,Time2表示待分析车辆的过车时间,Simlar(plate1,plate2)为当前过车记录车牌号和待分析车辆车牌号的相似度,distance(d1,d2)为当前过车记录和待分析车辆过车记录之间的距离。
进一步地,还包括:
步骤70、将计算结果存储在分布式数据库Gbase和Hive中,分别用于数据分析和Web查询。
第二方面,本发明提供了一种涉车常驻落脚点分析装置,包括:数据识别模块、数据处理模块、数据分段模块、权重阈值设置模块、疑似点位统计模块以及常驻落脚点分析模块;
所述数据识别模块,用于对监控卡口摄像设备的图像数据进行一次识别,获取结构化的过车数据;然后再对所述图像数据进行二次识别,获取过车图片;
所述数据处理模块,用于将所述过车数据和过车图片的有效数据分别存储到数据仓库,根据分析需求选取设定时间段内的过车数据和过车图片作为过车记录;
所述数据分段模块,用于将所述过车记录划分为早间过车数据、夜间过车数据以及其它时间过车数据;
所述权重阈值设置模块,用于根据监控卡口的位置设置权重,在计算起点和终点时,设置居民区监控卡口权重大于非居民区监控卡口权重,在计算工作区时,设置商务区监控卡口权重大于非商务区监控卡口权重;分别设置起点阈值、终点阈值和工作区阈值;
所述疑似点位统计模块,用于将所述早间过车数据中待分析车辆的每天第一次过车记录的监控卡口作为起点,得到待分析车辆起点的疑似点位结果集;将夜间过车数据集中待分析车辆的每天最后一次过车记录的监控卡口作为终点,得到待分析车辆终点的疑似点位结果集;将待分析车辆在当前监控卡口与下一个监控卡口的过车时间差值作为当前监控卡口的停留时间,将停留时间大于一设定值的监控卡口作为工作区的疑似点位结果集;
所述常驻落脚点分析模块,用于根据待分析车辆在监控卡口出现的次数及监控卡口的权重,分别计算起点的疑似点位结果集、终点的疑似点位结果集和工作区的疑似点位结果集中每一监控卡口的权重值,将起点的疑似点位结果集里权重计算值大于起点阈值的结果标记为起点点位,将终点的疑似点位结果集里权重计算值大于终点阈值的结果标记为终点点位,将工作区的疑似点位结果集里权重计算值大于工作区阈值的结果标记为工作区点位。
进一步地,还包括去重补全模块;
所述去重补全模块,用于针对监控卡口图像数据连拍的情况,将所述过车记录中重复的结果去除;针对监控卡口图像数据漏拍或车牌识别错误的情况,将符合补全条件的过车记录补全待分析车辆的过车记录;所述补全条件为:
ΔT<10min&Simlar(plate1,plate2)>0.8&distance(d1,d2)<1Km
其中,ΔT=|Time1-Time2|,Time1表示当前过车记录的过车时间,Time2表示待分析车辆的过车时间,Simlar(plate1,plate2)为当前过车记录车牌号和待分析车辆车牌号的相似度,distance(d1,d2)为当前过车记录和待分析车辆过车记录之间的距离。
进一步地,还包括:数据存储模块;
所述数据存储模块,用于将计算结果存储在分布式数据库Gbase和Hive中,分别用于数据分析和Web查询。
第三方面,本发明提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面所述的方法。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述的方法。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、基于监控卡口的通行数据,根据位置将监控卡口进行分类,对不同类型的点位设置不同的权重,选取出需要的卡口数据,得到待分析的车辆每天行程的起点、终点以及停留时间长的点,将出现次数高于设定阈值的点作为待分析的车辆常驻落脚点;通过着重分析早间以及夜间的过车数据,分析固定的常驻落脚点,为公安办案及案情研判提供依据;
2、考虑监控卡口抓拍数据会存在连拍及漏拍情况,加入了适配抓拍数据情况的车辆轨迹补全和短时间内相同单位一车多条过车记录去重操作的方法;
3、可以充分利用监控卡口信息定位落脚点精确范围到小区,提升落脚点结果精确度。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明实施例一中方法中的流程图;
图2为本发明实施例二中装置的结构示意图;
图3为本发明实施例三中电子设备的结构示意图;
图4为本发明实施例四中介质的结构示意图;
图5为本发明实施例五中方法的实施流程图。
具体实施方式
实施例一
本实施例提供一种涉车常驻落脚点分析方法,如图1所示,包括:
步骤10、对监控卡口摄像设备的图像数据进行一次识别,获取结构化的过车数据;然后再对所述图像数据进行二次识别,获取过车图片;
步骤20、将所述过车数据和过车图片的有效数据分别存储到数据仓库,根据分析需求选取设定时间段内的过车数据和过车图片作为过车记录;
步骤30、将所述过车记录划分为早间过车数据、夜间过车数据以及其它时间过车数据;
步骤40、根据监控卡口的位置设置权重,在计算起点和终点时,设置居民区监控卡口权重大于非居民区监控卡口权重,在计算工作区时,设置商务区监控卡口权重大于非商务区监控卡口权重;分别设置起点阈值、终点阈值和工作区阈值;
步骤50、将所述早间过车数据中待分析车辆的每天第一次过车记录的监控卡口作为起点,得到待分析车辆起点的疑似点位结果集;将夜间过车数据集中待分析车辆的每天最后一次过车记录的监控卡口作为终点,得到待分析车辆终点的疑似点位结果集;将待分析车辆在当前监控卡口与下一个监控卡口的过车时间差值作为当前监控卡口的停留时间,将停留时间大于一设定值的监控卡口作为工作区的疑似点位结果集;
步骤60、根据待分析车辆在监控卡口出现的次数及监控卡口的权重,分别计算起点的疑似点位结果集、终点的疑似点位结果集和工作区的疑似点位结果集中每一监控卡口的权重值,将起点的疑似点位结果集里权重计算值大于起点阈值的结果标记为起点点位,将终点的疑似点位结果集里权重计算值大于终点阈值的结果标记为终点点位,将工作区的疑似点位结果集里权重计算值大于工作区阈值的结果标记为工作区点位。
基于监控卡口的通行数据,根据位置将监控卡口进行分类,对不同类型的点位设置不同的权重,选取出需要的卡口数据,得到待分析的车辆每天行程的起点、终点以及停留时间长的点,将出现次数高于设定阈值的点作为待分析的车辆常驻落脚点;通过着重分析早间以及夜间的过车数据,分析固定的常驻落脚点,为公安办案及案情研判提供依据,且可以充分利用监控卡口信息定位落脚点精确范围到小区,提升落脚点结果精确度。
在一种可能的实现方式中,在所述步骤50之前还包括:
针对监控卡口图像数据连拍的情况,将所述过车记录中重复的结果去除;针对监控卡口图像数据漏拍或车牌识别错误的情况,将符合补全条件的过车记录补全待分析车辆的过车记录;所述补全条件为:
ΔT<10min&Simlar(plate1,plate2)>0.8&distance(d1,d2)<1Km
其中,ΔT=|Time1-Time2|,Time1表示当前过车记录的过车时间,Time2表示待分析车辆的过车时间,Simlar(plate1,plate2)为当前过车记录车牌号和待分析车辆车牌号的相似度,distance(d1,d2)为当前过车记录和待分析车辆过车记录之间的距离。
考虑监控卡口抓拍数据会存在连拍及漏拍情况,加入了适配抓拍数据情况的车辆轨迹补全和短时间内相同单位一车多条过车记录去重操作的方法。
在一种可能的实现方式中,还包括:
步骤70、将计算结果存储在分布式数据库Gbase和Hive中,分别用于数据分析和Web查询。
基于同一发明构思,本申请还提供了与实施例一中的方法对应的装置,详见实施例二。
实施例二
在本实施例中提供了一种装置,如图2所示,包括:
数据识别模块、数据处理模块、数据分段模块、权重阈值设置模块、疑似点位统计模块以及常驻落脚点分析模块;
所述数据识别模块,用于对监控卡口摄像设备的图像数据进行一次识别,获取结构化的过车数据;然后再对所述图像数据进行二次识别,获取过车图片;
所述数据处理模块,用于将所述过车数据和过车图片的有效数据分别存储到数据仓库,根据分析需求选取设定时间段内的过车数据和过车图片作为过车记录;
所述数据分段模块,用于将所述过车记录划分为早间过车数据、夜间过车数据以及其它时间过车数据;
所述权重阈值设置模块,用于根据监控卡口的位置设置权重,在计算起点和终点时,设置居民区监控卡口权重大于非居民区监控卡口权重,在计算工作区时,设置商务区监控卡口权重大于非商务区监控卡口权重;分别设置起点阈值、终点阈值和工作区阈值;
所述疑似点位统计模块,用于将所述早间过车数据中待分析车辆的每天第一次过车记录的监控卡口作为起点,得到待分析车辆起点的疑似点位结果集;将夜间过车数据集中待分析车辆的每天最后一次过车记录的监控卡口作为终点,得到待分析车辆终点的疑似点位结果集;将待分析车辆在当前监控卡口与下一个监控卡口的过车时间差值作为当前监控卡口的停留时间,将停留时间大于一设定值的监控卡口作为工作区的疑似点位结果集;
所述常驻落脚点分析模块,用于根据待分析车辆在监控卡口出现的次数及监控卡口的权重,分别计算起点的疑似点位结果集、终点的疑似点位结果集和工作区的疑似点位结果集中每一监控卡口的权重值,将起点的疑似点位结果集里权重计算值大于起点阈值的结果标记为起点点位,将终点的疑似点位结果集里权重计算值大于终点阈值的结果标记为终点点位,将工作区的疑似点位结果集里权重计算值大于工作区阈值的结果标记为工作区点位。
进一步地,还包括去重补全模块;
所述去重补全模块,用于针对监控卡口图像数据连拍的情况,将所述过车记录中重复的结果去除;针对监控卡口图像数据漏拍或车牌识别错误的情况,将符合补全条件的过车记录补全待分析车辆的过车记录;所述补全条件为:
ΔT<10min&Simlar(plate1,plate2)>0.8&distance(d1,d2)<1Km
其中,ΔT=|Time1-Time2|,Time1表示当前过车记录的过车时间,Time2表示待分析车辆的过车时间,Simlar(plate1,plate2)为当前过车记录车牌号和待分析车辆车牌号的相似度,distance(d1,d2)为当前过车记录和待分析车辆过车记录之间的距离。
进一步地,还包括:数据存储模块;
所述数据存储模块,用于将计算结果存储在分布式数据库Gbase和Hive中,分别用于数据分析和Web查询。
由于本发明实施例二所介绍的装置,为实施本发明实施例一的方法所采用的装置,故而基于本发明实施例一所介绍的方法,本领域所属人员能够了解该装置的具体结构及变形,故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。
基于同一发明构思,本申请提供了实施例一对应的电子设备实施例,详见实施例三。
实施例三
本实施例提供了一种电子设备,如图3所示,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,可以实现实施例一中任一实施方式。
由于本实施例所介绍的电子设备为实施本申请实施例一中方法所采用的设备,故而基于本申请实施例一中所介绍的方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中的方法所采用的设备,都属于本申请所欲保护的范围。
基于同一发明构思,本申请提供了实施例一对应的存储介质,详见实施例四。
实施例四
本实施例提供一种计算机可读存储介质,如图4所示,其上存储有计算机程序,该计算机程序被处理器执行时,可以实现实施例一中任一实施方式。
实施例五
一应用于公安领域的具体实际例如下:
模拟业务场景:嫌疑犯长期隐匿在居住点或者临时落脚点,通过嫌疑犯的车辆被抓拍的行驶轨迹,研判出生活轨迹,判断出嫌疑犯的工作区域以及居住区域,方便警方进行抓捕及布控。
本发明提供了涉车常驻落脚点分析的模块结构,具体包括:
模块1、卡口设备采集数据收集到kafka,利用消费程序读取并且清洗;
模块2、利用hive来存贮历史数据并取出近三个月的数据来参与计算;
模块3、设计车辆常驻落脚点算法,结合分布式计算来减少计算车辆落脚点数据的时间。
模块4、Web端的涉车大数据平台展示,提供多种研判工具和车辆常驻落脚点查询。
如图5所示,本实际例的涉车数据分析的实施流程,具体包括以下几个步骤:
步骤1、卡口设备采集数据收集,将路面监控卡口摄像头拍摄图像视频数据通过一次识别转成车辆结构化的数据发送到kafka,再通过二次识别获取过车图片,根据二次识别的数据来完善一次识别中缺失的部分过车图片特征数据;
步骤2、设置消费组读取kafka数据同步到离线分析集群
分别读取kafka上两次过车识别topic的数据,将两次识别的数据各自存储到数据仓库中,清洗部分车牌未识别或为空的数据,避免无效数据并利用hive来存贮历史数据,读取数据仓库中近三个月的数据参与计算;
步骤3、设计车辆常驻落脚点算法,结合分布式计算来减少计算车辆落脚点数据的时间,设置定时离线spark任务;
1)读取数据仓库中的过程识别数据,将识别数据根据时间段分为早间过车数据、夜间过车数据以及其它时间过车数据,获取待分析车辆的当天第一次和最后一次过车记录作为起始点与终点(第一次仅在早间过车数据中选取,最后一次仅在夜间过车数据中选取),天粒度的起始点终点符合人类的居住地作息规律,得出人员车辆起终点的疑似点位结果集D{d1,d2...dn};
2)疑似常驻点位中满足在待分析车辆历史数据中多次被判断为疑似点位的情况下才会被确定为常驻落脚点(包括起点和终点),统计D{d1,d2...dn}点位历史数据判断为疑似的次数集合C{c1c2...cn}中车辆起终点结果为点位di作为疑似居住区的次数记为ci,Count为预设值的次数阈值,若ci>Count则得出车辆的疑似落脚点及居住区;按车辆平均每天点位停留时间,当既常驻超过三小时以上的点位并同样超过一定的频度则归类为疑似工作区(在分析前已经对点位进行分类,分为靠近居民区的点位和靠近商务区的点位,在计算居住区和工作区的时候,这些点位每满足1次条件会被记录为统计次数加2,而其他普通点位只会记录为次数加1)。
3)针对卡口抓拍数据会存在连拍及漏拍导致误判的情况,在常驻落脚点算法中加入了适配抓拍数据情况的方法:
连拍的问题采用单卡口分钟内只保留一条抓拍数据解决;
漏拍的问题则根据车牌相似度、过车时间与点位距离来补全漏拍或者车牌识别错误成其他相似车牌的轨迹。补全条件需满足:
ΔT=|Time1-Time1|
ΔT<10min&Simlar(plate1,plate2)>0.8&distance(d1,d2)<1Km
其中,ΔT=|Time1-Time2|,Time1表示当前过车记录的过车时间,Time2表示待分析车辆的过车时间,Simlar(plate1,plate2)为当前过车记录车牌号和待分析车辆车牌号的相似度(plate1,plate2分别为两车的车牌号,通过计算两个车牌相同位置的字符相同的数量与车牌号长度的比值得出),distance(d1,d2)为当前过车记录和待分析车辆过车记录之间的距离,d1,d2分别为两车的经纬度;
最终可以通过上述去重和补全的算法完善过车数据的完整性,有利于判断出精确的疑似落脚点或居住区。
车辆常驻落脚点结果存储字段:
落脚点类型:
疑似居住区(起点判断)
疑似居住区(终点判断)
疑似工作区
步骤4、将计算出的车辆落脚点存储在分布式数据库中,本实施例中选择的是Gbase和Hive,数据同时存储在这两个数据库中,分别用于数据分析和Web查询;
步骤5、将数据库中的结果表通过Web的形式展示给用户,并且提供多种自定义的查询功能和阈值可配置的功能;
本实施例采用spark计算框架对离线的历史数据结构进行计算分析,结合公安网中大量车辆信息、业务数据和图像数据,通过业务建模和数据分析,挖掘车辆和案事件的隐藏关系,提供丰富实用的基于涉车案事件的业务实战应用,为涉车大数据平台提供研判工具的基础数据支撑,满足公安机关办案过程中的过车记录查询和车辆研判工作需要。本方法对结构化的车辆数据进行ETL,数据利用Hive和Gbase8aMapp数据库作分布式存储,同时大数据平台上多维度可配置的查询条件提供便利的查询功能。
基于通行数据计算每组卡口,先把卡口进行分类,对不同类型的点位我们设置了不同的计算规则和权重,分别选取出我们需要的卡口数据,将待分析的车辆在指定时间段内通过城市所有卡口的通行数据分为若干天的行程以天为粒度(是指分别找出一天当中的行程开始点和结束点),统计出该待分析的车辆所有行程的开始点、结束点以及开始点和结束点出现次数,将出现次数最多的卡口作为待分析的车辆常驻落脚点。
对于其他的方法本方法在考虑了卡口抓拍数据会存在连拍及漏拍情况,在算法中加入了适配抓拍数据情况的车辆轨迹补全和短时间点相同单位一车多条过车记录去重操作的方法。
在精确度方面对比其他方法本方法可以充分利用卡口信息定位落脚点精确范围到小区,解决提升落脚点结果精确度的问题。
且本实施例方法在轨迹碰撞过程中更加着重在早上以及晚上的轨迹赋予更大的权重来分析固定的常驻落脚点为公安办案及案情研判提供依据。
除了分析车辆过车记录之外,车辆大数据积分预警***使用大数据图像处理引擎,实时处理海量的卡口过车图片这种非结构化数据。***可以给公安侦查办案以及打防控预警等工作提供相关的情报线索和数据支撑,并可以进一步开放通用的车辆分析预警功能支持不同警种的应用服务。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (8)
1.一种涉车常驻落脚点分析方法,其特征在于:包括:
步骤10、对监控卡口摄像设备的图像数据进行一次识别,获取结构化的过车数据;然后再对所述图像数据进行二次识别,获取过车图片;
步骤20、将所述过车数据和过车图片的有效数据分别存储到数据仓库,根据分析需求选取设定时间段内的过车数据和过车图片作为过车记录;
步骤30、将所述过车记录划分为早间过车数据、夜间过车数据以及其它时间过车数据;
步骤40、根据监控卡口的位置设置权重,在计算起点和终点时,设置居民区监控卡口权重大于非居民区监控卡口权重,在计算工作区时,设置商务区监控卡口权重大于非商务区监控卡口权重;分别设置起点阈值、终点阈值和工作区阈值;
步骤50、将所述早间过车数据中待分析车辆的每天第一次过车记录的监控卡口作为起点,得到待分析车辆起点的疑似点位结果集;将夜间过车数据集中待分析车辆的每天最后一次过车记录的监控卡口作为终点,得到待分析车辆终点的疑似点位结果集;将待分析车辆在当前监控卡口与下一个监控卡口的过车时间差值作为当前监控卡口的停留时间,将停留时间大于一设定值的监控卡口作为工作区的疑似点位结果集;
步骤60、根据待分析车辆在监控卡口出现的次数及监控卡口的权重,分别计算起点的疑似点位结果集、终点的疑似点位结果集和工作区的疑似点位结果集中每一监控卡口的权重值,将起点的疑似点位结果集里权重计算值大于起点阈值的结果标记为起点点位,将终点的疑似点位结果集里权重计算值大于终点阈值的结果标记为终点点位,将工作区的疑似点位结果集里权重计算值大于工作区阈值的结果标记为工作区点位。
2.根据权利要求1所述的方法,其特征在于:在所述步骤50之前还包括:
针对监控卡口图像数据连拍的情况,将所述过车记录中重复的结果去除;针对监控卡口图像数据漏拍或车牌识别错误的情况,将符合补全条件的过车记录补全待分析车辆的过车记录;所述补全条件为:
ΔT<10min&Simlar(plate1,plate2)>0.8&distance(d1,d2)<1Km
其中,ΔT=|Time1-Time2|,Time1表示当前过车记录的过车时间,Time2表示待分析车辆的过车时间,Simlar(plate1,plate2)为当前过车记录车牌号和待分析车辆车牌号的相似度,distance(d1,d2)为当前过车记录和待分析车辆过车记录之间的距离。
3.根据权利要求1所述的方法,其特征在于:还包括:
步骤70、将计算结果存储在分布式数据库Gbase和Hive中,分别用于数据分析和Web查询。
4.一种涉车常驻落脚点分析装置,其特征在于:包括:数据识别模块、数据处理模块、数据分段模块、权重阈值设置模块、疑似点位统计模块以及常驻落脚点分析模块;
所述数据识别模块,用于对监控卡口摄像设备的图像数据进行一次识别,获取结构化的过车数据;然后再对所述图像数据进行二次识别,获取过车图片;
所述数据处理模块,用于将所述过车数据和过车图片的有效数据分别存储到数据仓库,根据分析需求选取设定时间段内的过车数据和过车图片作为过车记录;
所述数据分段模块,用于将所述过车记录划分为早间过车数据、夜间过车数据以及其它时间过车数据;
所述权重阈值设置模块,用于根据监控卡口的位置设置权重,在计算起点和终点时,设置居民区监控卡口权重大于非居民区监控卡口权重,在计算工作区时,设置商务区监控卡口权重大于非商务区监控卡口权重;分别设置起点阈值、终点阈值和工作区阈值;
所述疑似点位统计模块,用于将所述早间过车数据中待分析车辆的每天第一次过车记录的监控卡口作为起点,得到待分析车辆起点的疑似点位结果集;将夜间过车数据集中待分析车辆的每天最后一次过车记录的监控卡口作为终点,得到待分析车辆终点的疑似点位结果集;将待分析车辆在当前监控卡口与下一个监控卡口的过车时间差值作为当前监控卡口的停留时间,将停留时间大于一设定值的监控卡口作为工作区的疑似点位结果集;
所述常驻落脚点分析模块,用于根据待分析车辆在监控卡口出现的次数及监控卡口的权重,分别计算起点的疑似点位结果集、终点的疑似点位结果集和工作区的疑似点位结果集中每一监控卡口的权重值,将起点的疑似点位结果集里权重计算值大于起点阈值的结果标记为起点点位,将终点的疑似点位结果集里权重计算值大于终点阈值的结果标记为终点点位,将工作区的疑似点位结果集里权重计算值大于工作区阈值的结果标记为工作区点位。
5.根据权利要求4所述的装置,其特征在于:还包括去重补全模块;
所述去重补全模块,用于针对监控卡口图像数据连拍的情况,将所述过车记录中重复的结果去除;针对监控卡口图像数据漏拍或车牌识别错误的情况,将符合补全条件的过车记录补全待分析车辆的过车记录;所述补全条件为:
ΔT<10min&Simlar(plate1,plate2)>0.8&distance(d1,d2)<1Km
其中,ΔT=|Time1-Time2|,Time1表示当前过车记录的过车时间,Time2表示待分析车辆的过车时间,Simlar(plate1,plate2)为当前过车记录车牌号和待分析车辆车牌号的相似度,distance(d1,d2)为当前过车记录和待分析车辆过车记录之间的距离。
6.根据权利要求4所述的装置,其特征在于:还包括:数据存储模块;
所述数据存储模块,用于将计算结果存储在分布式数据库Gbase和Hive中,分别用于数据分析和Web查询。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011164549.6A CN112395955B (zh) | 2020-10-27 | 2020-10-27 | 一种涉车常驻落脚点分析方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011164549.6A CN112395955B (zh) | 2020-10-27 | 2020-10-27 | 一种涉车常驻落脚点分析方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112395955A CN112395955A (zh) | 2021-02-23 |
CN112395955B true CN112395955B (zh) | 2022-07-12 |
Family
ID=74597204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011164549.6A Active CN112395955B (zh) | 2020-10-27 | 2020-10-27 | 一种涉车常驻落脚点分析方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395955B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108717790A (zh) * | 2018-07-06 | 2018-10-30 | 广州市交通运输研究所 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
CN108875835A (zh) * | 2018-06-26 | 2018-11-23 | 北京旷视科技有限公司 | 对象落脚点确定方法、装置、电子设备和计算机可读介质 |
CN110851490A (zh) * | 2019-10-16 | 2020-02-28 | 青岛海信网络科技股份有限公司 | 一种基于过车数据的车辆出行常用停留点挖掘方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7610146B2 (en) * | 1997-10-22 | 2009-10-27 | Intelligent Technologies International, Inc. | Vehicle position determining system and method |
-
2020
- 2020-10-27 CN CN202011164549.6A patent/CN112395955B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875835A (zh) * | 2018-06-26 | 2018-11-23 | 北京旷视科技有限公司 | 对象落脚点确定方法、装置、电子设备和计算机可读介质 |
CN108717790A (zh) * | 2018-07-06 | 2018-10-30 | 广州市交通运输研究所 | 一种基于卡口车牌识别数据的车辆出行分析方法 |
CN110851490A (zh) * | 2019-10-16 | 2020-02-28 | 青岛海信网络科技股份有限公司 | 一种基于过车数据的车辆出行常用停留点挖掘方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于车牌识别数据的交通出行特征分析;龚越;《中国优秀博硕士学位论文全文数据库(硕士)工程科技II辑》;20190115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112395955A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ratcliffe et al. | Aoristic crime analysis | |
CN108216252B (zh) | 一种地铁司机车载驾驶行为分析方法、车载终端及*** | |
CN103942811B (zh) | 分布式并行确定特征目标运动轨迹的方法与*** | |
CN110334111B (zh) | 一种多维轨迹分析方法及装置 | |
Ratcliffe | Aoristic signatures and the spatio-temporal analysis of high volume crime patterns | |
CN107885795B (zh) | 一种卡口数据的数据校验方法、***和装置 | |
CN101848377A (zh) | 一种基于云计算及海量视频检索的多视频录入装置智能联动的装置和方法 | |
CN110874583A (zh) | 一种客流统计的方法、装置、存储介质及电子设备 | |
CN109117771B (zh) | 一种基于锚节点的图像中暴力事件检测***及方法 | |
CN112131325A (zh) | 轨迹确定方法、装置及设备、存储介质 | |
CN112562330A (zh) | 评估道路运行指数的方法和装置、电子设备、存储介质 | |
CN111949701A (zh) | 一种基于轨迹相似度的移动对象出行规律分析方法及装置 | |
CN112395955B (zh) | 一种涉车常驻落脚点分析方法、装置、设备和介质 | |
CN112528901A (zh) | 一种基于大数据的车辆聚集告警方法及*** | |
CN112241483A (zh) | 智慧安防监控数据查询方法 | |
CN112289028B (zh) | 一种涉车套牌发现方法、装置、设备和介质 | |
Zhang et al. | A Multiple Instance Learning and Relevance Feedback Framework for Retrieving Abnormal Incidents in Surveillance Videos. | |
CN112182121B (zh) | 一种涉车关系发现方法、装置、设备和介质 | |
CN113822367B (zh) | 一种基于人脸的区域行为分析方法、***及介质 | |
CN112364072A (zh) | 一种涉车非营运车营运发现方法、装置、设备和介质 | |
CN115187886A (zh) | 一种车辆违规行为检测方法、装置及电子设备 | |
CN112241484A (zh) | 智慧城市安防数据管理*** | |
CN112183204A (zh) | 一种停车事件的检测方法和装置 | |
Muhammad | Detection parking Spaces by using the ResNet50 Algorithm | |
CN111079033A (zh) | 一种基于智慧社区数据的人员定位分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |