CN114023076A - 一种基于多源异构数据的特定车辆追踪方法 - Google Patents
一种基于多源异构数据的特定车辆追踪方法 Download PDFInfo
- Publication number
- CN114023076A CN114023076A CN202111231363.2A CN202111231363A CN114023076A CN 114023076 A CN114023076 A CN 114023076A CN 202111231363 A CN202111231363 A CN 202111231363A CN 114023076 A CN114023076 A CN 114023076A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- tracking
- preset
- screening
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012216 screening Methods 0.000 claims abstract description 80
- 238000012544 monitoring process Methods 0.000 claims abstract description 43
- 238000005516 engineering process Methods 0.000 claims abstract description 24
- 238000003012 network analysis Methods 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012106 screening analysis Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012550 audit Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000012552 review Methods 0.000 claims description 4
- 238000003032 molecular docking Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于多源异构数据的特定车辆追踪方法,包括:获取嫌疑车辆的特征信息,通过预设的Gis技术和特征信息,锁定特定范围;智能筛选并追踪特定范围内的监控设备,确定筛选结果,并判断筛选结果中是否出现过嫌疑车辆,确定判断结果;当判断结果为筛选结果出现过嫌疑车辆,确定目标车辆,并通过预设的路网分析技术,对目标车辆进行路线自动追踪;当判断结果为筛选结果未出现过嫌疑车辆,超过预设的时间范围,结束对特定范围内的监控设备的追踪。
Description
技术领域
本发明涉及多源异构数据、车辆追踪技术领域,特别涉及一种基于多源异构数据的特定车辆追踪方法。
背景技术
建立一个高效、快捷、现代化的“特定车辆追踪***”是形势发展的要求。
发明内容
本发明提供一种基于多源异构数据的特定车辆追踪方法,以解决上述问题。
本发明提供一种基于多源异构数据的特定车辆追踪方法,其特征在于,包括:
获取嫌疑车辆的特征信息,通过预设的Gis技术和所述特征信息,锁定特定范围;
智能筛选并追踪特定范围内的监控设备,确定筛选结果,并判断所述筛选结果中是否出现过嫌疑车辆,确定判断结果;
当判断结果为筛选结果出现过嫌疑车辆,确定目标车辆,并通过预设的路网分析技术,对目标车辆进行路线自动追踪;
当判断结果为筛选结果未出现过嫌疑车辆,超过预设的时间范围,结束对特定范围内的监控设备的追踪。
作为本技术方案的一种实施例,所述特征信息包括嫌疑车辆经过的案发区域、嫌疑车辆的案发时间、嫌疑车辆的车辆特征信息;其中,
所述车辆特征信息至少包括车型特征信息、车辆颜色特征信息、车辆车牌特征信息、车辆型号特征信息、车辆年款特征信息和车辆天窗特征信息的一种或多种。
作为本技术方案的一种实施例,所述智能筛选并追踪特定范围内的监控设备,确定筛选结果,并判断所述筛选结果中是否出现过嫌疑车辆,确定判断结果,包括以下步骤:
步骤1:通过预设的Gis技术,对特定范围内的监控设备进行智能筛选,确定筛选结果;
步骤2:获取筛选结果内的监控设备的监控视频,并对所述监控视频进行抽帧,确定抽帧图片;
步骤3:基于预设的远程字典服务和追踪搜索模式,判断抽帧图片是否出现有嫌疑车辆,确定判断结果;其中,
所述追踪机制包括精准追踪模式和模糊搜索模式;其中,
所述精准追踪模式用于通过车辆特征信息中的车牌相关档案或车辆车牌特征信息,对目标车辆进行精准追踪;
所述模糊搜索模式用于结合部分车辆特征信息与预设的车辆相关档案,对目标车辆进行模糊搜索;其中,
所述车辆相关档案至少包括车辆档案、车辆年审信息、车辆违法记录和预设的时间期限车辆落脚地的一种或多种。
作为本技术方案的一种实施例,所述步骤1,还包括:
步骤100:基于预设的Gis技术和特征信息,对查找范围进行初次定位,确定目标区域;
步骤101:对目标区域进行二次区域划分,生成重点区域和非重点区域;
步骤102:接收并解析重点区域内的监控设备的监控设备信息,统一汇聚所述监控设备信息,将所述监控设备信息统一进行格式转化,确定统一格式信息;
步骤103:基于所述统一格式信息,通过预设的API接口实时对接并筛查所述重点区域的监控设备,确定筛查结果。
作为本技术方案的一种实施例,所述步骤3,还包括:
步骤301:将所述抽帧图片推送至预设的AI算法中进行解析和识别,生成符合初级特征的卡口数据;其中,
所述卡口数据用于全天候实时检测和记录特定场所中的符合初级特征的车辆行驶数据;
步骤302:推送所述卡口数据至远程字典服务进行二次解析,将所述卡口数据进行结构化,确定结构化特征数据;
步骤303:将所述结构化特征数据推送至预设的Kafka***,与嫌疑车辆的特征信息进行一一对比,判断抽帧图片是否出现有嫌疑车辆,确定判断结果。
作为本技术方案的一种实施例,所述当判断结果为筛选结果出现过嫌疑车辆,确定目标车辆,包括以下步骤:
步骤S1:当判断结果为出现单个嫌疑车辆时,对嫌疑车辆进行信息采集,确定目标车辆;
步骤S2:当判断结果为出现多个嫌疑车辆时,通过预设的Kafka ***和DTC分布式计算***,构建多任务追踪机制;其中,
所述Kafka***代表分布式发布订阅消息***,用于对DTC分布式计算***的多个计算结果进行分布式发布和订阅;
所述DTC分布式计算***用于同时分布处理至少下载图片、图片识别、图片入库、图片布控和图片订阅其中的一种或多种任务;
所述多任务追踪机制用于对所有嫌疑车辆进行追踪,生成多项追踪任务;
步骤S3:基于预设的DTC分布式计算***,对所述多项追踪任务进行调度和管理,并锁定目标车辆,并传输所述目标车辆至预设的控制终端。
作为本技术方案的一种实施例,所述多项追踪任务分为进行时任务或结束任务;其中,
当追踪任务显示为结束任务时,确认目标车辆,并将结束任务数据化,生成对应的任务报告,同时将该项追踪任务标识为已为完成状态;
当追踪任务显示为进行时任务时,生成对应的任务列表,提供并展示任务列表中的任务进行对应的功能操作;其中,
所述功能操作包括继续追踪、筛查分析或任务结束。
作为本技术方案的一种实施例,所述筛查分析,还包括以下步骤:
步骤A1:选择车辆特征信息,对未结束任务车辆进行筛查和检索,确定检索数据;
步骤A2:通过多项追踪任务和检索数据,展示和检索数据对应的车辆的相应状态信息;其中,
所述相应状态信息包括车牌号、车辆特征、状态标记、出现时间和地点;
步骤A3:基于所述相应状态信息,进行二次筛查,确定目标车辆;
步骤A4:将所述目标车辆和对应的车辆信息传输至预设的DTC 分布式计算******,生成筛查报告,并通过所述筛查报告,确定目标车辆的相关信息。
作为本技术方案的一种实施例,所述通过预设的路网分析技术,对目标车辆进行路线自动追踪,还包括:
将所述目标车辆存储至预设的Mysql数据库,确定存储数据,同时,通过预设的WebSocket通讯协议,进行推送预警;
通过预设的DTC分布式计算***,采集调度节点;
基于预设分配算法,将所述存储数据进行切片,确定切片数据,并将所述切片数据分配至若干调度节点进行多维计算,生成对应的计算结果;
将计算结果进行统计,生成统计结果,并对所述统计结果进行排查筛选,确定目标车辆,通过API接口,调用目标车辆的相关档案;
获取并展示目标车辆的详细信息及关联信息,生成对应的研判信息;其中,
所述研判信息包含至少包括车辆档案,年审信息,违法记录和近期落脚地的一种或多种。
作为本技术方案的一种实施例,所述特定车辆追踪方法,还包括:
获取嫌疑车辆的特征信息,抽取特征信息的限定特征信息,并根据所述限定特征信息,生成特征数据;其中,
所述限定特征信息至少包括车辆结构信息、车辆类型信息、车辆外形信息和车辆车牌信息的一种或多种;
通过所述特征数据,构建特定车辆的特征模型,并采集特征模型上的特征点;
基于所述特征点,生成嫌疑车辆的特定触发特征数据,并将所述特定触发特征数据传输至预设的事件产生器中,构建特定车辆触发采集机制;
基于所述特定车辆触发采集机制,实时对接监控设备的视频,辨识并采集嫌疑车辆图像;
检测嫌疑车辆图像上是否包括预设的车辆唯一标识信息,确定检测结果;其中,
所述车辆唯一标识信息代表具有车辆唯一标识的信息;
当所述检测结果为嫌疑车辆图像上包括预设的车辆唯一标识信息,对所述嫌疑图像进行精准追踪,确定目标车辆,并生成对应的追踪报告;
当所述检测结果为嫌疑车辆图像上不包括预设的车辆唯一标识信息,采集嫌疑车辆图像,并基于预设的优先机制,对嫌疑车辆图像按顺序进行检索和筛查,检测是否有特定车辆信息,确定第一检测结果。
本发明的有益效果如下:
本技术方案提供了一种基于多源异构数据的特定车辆追踪方法,根据预设的特定车辆信息,采集预设区域内的不同平台的监控设备信息;统一汇聚监控设备信息,并采集监控设备中的违规或者嫌疑的车辆图像,对其车辆的图像进行精准追踪,通过车辆ID等唯一标识对车辆进行精准搜寻,若车辆的特征较少和模糊,对剩下的目标图像进行模糊搜寻,从而搜寻出疑似目标;对目标图像按顺序进行检索和筛查,判断是否有递交上去的特定违规或者嫌疑的车辆信息,当车辆的信息只是模糊时,采集疑似车辆数据,将数据传输至控制终端,当有车辆数据确定时,采集特定车辆数据对应的设备信息,采集特定车辆数据的行驶信息传输至控制终端。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
在附图中:
图1为本发明实施例中一种基于多源异构数据的特定车辆追踪方法流程图;
图2为本发明实施例中一种基于多源异构数据的特定车辆追踪方法流程图;
图3为本发明实施例中一种基于多源异构数据的特定车辆追踪方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
需说明的是,当部件被称为“固定于”或“设置于”另一个部件,它可以直接在另一个部件上或者间接在该另一个部件上。当一个部件被称为是“连接于”另一个部件,它可以是直接或者间接连接至该另一个部件上。
需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,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,“多个”的含义是两个或两个以上,除非另有明确具体的限定。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。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
实施例1:
根据图1所示,本发明实施例提供了一种基于多源异构数据的特定车辆追踪方法,其特征在于,包括:
获取嫌疑车辆的特征信息,通过预设的Gis技术和所述特征信息,锁定特定范围;
智能筛选并追踪特定范围内的监控设备,确定筛选结果,并判断所述筛选结果中是否出现过嫌疑车辆,确定判断结果;
当判断结果为筛选结果出现过嫌疑车辆,确定目标车辆,并通过预设的路网分析技术,对目标车辆进行路线自动追踪;
当判断结果为筛选结果未出现过嫌疑车辆,超过预设的时间范围,结束对特定范围内的监控设备的追踪。
上述技术方案的工作原理和有益效果在于:
本发明实施例提供了一种基于多源异构数据的特定车辆追踪方法,包括获取嫌疑车辆的特征信息,通过预设的Gis技术和特征信息,锁定特定范围;智能筛选并追踪特定范围内的监控设备,确定筛选结果,并判断筛选结果中是否出现过嫌疑车辆,确定判断结果;当判断结果为筛选结果出现过嫌疑车辆,确定目标车辆,并通过预设的路网分析技术,对目标车辆进行路线自动追踪,可以通过精确识别和模糊搜寻两种方式,在车牌号码、车辆特征不清楚情况下,精准识别、定位追踪目标,或在低像素摄像头下的追踪场景中识别准度较低,易丢失追踪目标,提供了一种精准、灵活的追踪方式。
实施例2:
本技术方案提供了一种实施例,所述特征信息包括嫌疑车辆经过的案发区域、嫌疑车辆的案发时间、嫌疑车辆的车辆特征信息;其中,
所述车辆特征信息至少包括车型特征信息、车辆颜色特征信息、车辆车牌特征信息、车辆型号特征信息、车辆年款特征信息和车辆天窗特征信息的一种或多种。
上述技术方案的工作原理和有益效果在于:
本技术方案的特征信息包括嫌疑车辆经过的案发区域、嫌疑车辆的案发时间、嫌疑车辆的车辆特征信息,车辆特征信息至少包括车型特征信息、车辆颜色特征信息、车辆车牌特征信息、车辆型号特征信息、车辆年款特征信息和车辆天窗特征信息的一种或多种,通过对车辆特征信息特征收录,对车辆的排查更加准确,在未拥有疑似车辆车牌号的情况下,仅以较少的车辆特征信息即可快速有效的筛选出疑似车辆并提供高效的辅助筛查功能。
实施例3:
根据图2所示,本技术方案提供了一种实施例,所述智能筛选并追踪特定范围内的监控设备,确定筛选结果,并判断所述筛选结果中是否出现过嫌疑车辆,确定判断结果,包括以下步骤:
步骤1:通过预设的Gis技术,对特定范围内的监控设备进行智能筛选,确定筛选结果;
步骤2:获取筛选结果内的监控设备的监控视频,并对所述监控视频进行抽帧,确定抽帧图片;
步骤3:基于预设的远程字典服务和追踪搜索模式,判断抽帧图片是否出现有嫌疑车辆,确定判断结果;其中,
所述追踪机制包括精准追踪模式和模糊搜索模式;其中,
所述精准追踪模式用于通过车辆特征信息中的车牌相关档案或车辆车牌特征信息,对目标车辆进行精准追踪;
所述模糊搜索模式用于结合部分车辆特征信息与预设的车辆相关档案,对目标车辆进行模糊搜索;其中,
所述车辆相关档案至少包括车辆档案、车辆年审信息、车辆违法记录和预设的时间期限车辆落脚地的一种或多种。
上述技术方案的工作原理和有益效果在于:
本技术方案结合Gis技术,智能去筛选摄像头做追踪,筛选嫌疑车辆,以案件为中心,并结合多维数据融合分析、基于预设的远程字典服务和追踪搜索模式,分析是否出现嫌疑车辆,可以通过车辆登记信息、智慧社区出入口抓拍数据、车辆年审数据、车辆非现场违章数据进行分析,通过精准追踪模式和模糊搜索模式自动跟踪***通过对接实时视频流,精准追踪模式通过车辆特征信息中的车牌相关档案或车辆车牌特征信息,对目标车辆进行精准追踪历史视频流及卡口视图库,选定区域对嫌疑车辆模糊特征进行筛查分析,模糊搜索模式用于结合部分特征信息与预设的车辆相关档案,对目标车辆进行模糊搜索;通过算法***自动检索,以及人机协同实现疑似车辆实时研判的追踪,在车牌号码、车辆特征不清楚情况下,识别和定位追踪目标,同时也能够在低像素摄像头下的追踪场景中识别准度较低,找回丢失的追踪目标。
实施例4:
本技术方案提供了一种实施例,所述步骤1,还包括:
步骤100:基于预设的Gis技术和特征信息,对查找范围进行初次定位,确定目标区域;
步骤101:对目标区域进行二次区域划分,生成重点区域和非重点区域;
步骤102:接收并解析重点区域内的监控设备的监控设备信息,统一汇聚所述监控设备信息,将所述监控设备信息统一进行格式转化,确定统一格式信息;
步骤103:基于所述统一格式信息,通过预设的API接口实时对接并筛查所述重点区域的监控设备,确定筛查结果。
上述技术方案的工作原理和有益效果在于:
本技术方案还包括将所述抽帧图片推送至预设的AI算法中进行解析和识别,生成符合初级特征的卡口数据,卡口数据利用深度学***台对车辆数据进行处理和分析,并为分析研判、布控预警和业务处理提供API接口,在筛查分析的过程通过API接口调用不断推送车辆相关档案,并可点击疑似车辆进行详细信息及关联信息展示,推送所述卡口数据至远程字典服务进行二次解析,将所述卡口数据进行结构化,确定结构化特征数据,卡口数据是非结构化数据的统一,对车辆的数据,通过特征关系结构化,并将所述结构化特征数据推送至预设的Kafka***,与嫌疑车辆的特征信息进行一一对比,判断抽帧图片是否出现有嫌疑车辆,确定判断结果,不仅可以实时对接视频流,抽取嫌疑车辆的信息,同时,分布式的存储,提高了数据的存储效率,缩短了数据存储的时间成本。
实施例5:
本技术方案提供了一种实施例,所述步骤3,还包括:
步骤301:将所述抽帧图片推送至预设的AI算法中进行解析和识别,生成符合初级特征的卡口数据;其中,
所述卡口数据用于全天候实时检测和记录特定场所中的符合初级特征的车辆行驶数据;
步骤302:推送所述卡口数据至远程字典服务进行二次解析,将所述卡口数据进行结构化,确定结构化特征数据;
步骤303:将所述结构化特征数据推送至预设的Kafka***,与嫌疑车辆的特征信息进行一一对比,判断抽帧图片是否出现有嫌疑车辆,确定判断结果。
上述技术方案的工作原理和有益效果在于:
本技术方案当判断结果为筛选结果出现过嫌疑车辆,确定目标车辆,当判断结果为出现单个嫌疑车辆时,对嫌疑车辆进行信息采集,确定目标车辆,并传输目标车辆至预设的控制终端;当判断结果为出现多个嫌疑车辆时,通过预设的kafka***和DTC分布式计算***, DTC分布式计算***用于同时分布处理至少下载图片、图片识别、图片入库、图片布控和图片订阅其中的一种或多种任务,构建多任务追踪机制,大数据研判应用需要非常巨大的计算能力才能完成,如果采用集中式计算,耗时会较长。而分布式计算将该应用分解成许多小的部分,分配给多台服务器处理,多任务追踪机制用于对所有嫌疑车辆进行追踪,生成多项追踪任务,这样可以节约整体计算时间,大大提高计算效率。在此技术加持下可任意切换任务进行研判或查看任务状态,基于预设的DTC分布式计算***,对多项追踪任务进行调度和管理,并锁定目标车辆,并传输目标车辆至预设的控制终端,提供了一种分布式的、可扩展的、容错的实时计算***。
实施例6:
本技术方案提供了一种实施例,所述当判断结果为筛选结果出现过嫌疑车辆,确定目标车辆,包括以下步骤:
步骤S1:当判断结果为出现单个嫌疑车辆时,对嫌疑车辆进行信息采集,确定目标车辆;
步骤S2:当判断结果为出现多个嫌疑车辆时,通过预设的Kafka ***和DTC分布式计算***,构建多任务追踪机制;其中,
所述Kafka***代表分布式发布订阅消息***,用于对DTC分布式计算***的多个计算结果进行分布式发布和订阅;
所述DTC分布式计算***用于同时分布处理至少下载图片、图片识别、图片入库、图片布控和图片订阅其中的一种或多种任务;
所述多任务追踪机制用于对所有嫌疑车辆进行追踪,生成多项追踪任务;
步骤S3:基于预设的DTC分布式计算***,对所述多项追踪任务进行调度和管理,并锁定目标车辆,并传输所述目标车辆至预设的控制终端。
上述技术方案的工作原理和有益效果在于:
本技术方案的筛查分析,选择车辆特征信息,对未结束任务车辆进行筛查和检索,确定检索数据,通过检索数据对未结束任务的车辆可以及时进行检测,通过多项追踪任务和检索数据,展示和检索数据对应的车辆的相应状态信息;其中,所述相应状态信息包括车牌号、车辆特征、状态标记、出现时间和地点;基于所述相应状态信息,进行二次筛查,确定目标车辆;将所述目标车辆和对应的车辆信息传输至预设的DTC***,生成筛查报告,并通过所述筛查报告,确定目标车辆的相关信息。
实施例7:
本技术方案提供了一种实施例,所述多项追踪任务分为进行时任务或结束任务;其中,
当追踪任务显示为结束任务时,确认目标车辆,并将结束任务数据化,生成对应的任务报告,同时将该项追踪任务标识为已为完成状态;
当追踪任务显示为进行时任务时,生成对应的任务列表,提供并展示任务列表中的任务进行对应的功能操作;其中,
所述功能操作包括继续追踪、筛查分析或任务结束。
上述技术方案的工作原理和有益效果在于:
本技术方案的多项追踪任务还用于将追踪过程数据化,并生成对应的任务列表,追踪任进行时,***会将追踪任务进行数据化,并提供任务列表,可选择其中一项任务进行继续追踪、筛查分析、任务结束的操作,方便用户在耗时过长的过程及时进行人机协同的目标锁定,提高了工作效率,减免了不必要的时间损耗。
实施例8:
本技术方案提供了一种实施例,所述筛查分析,还包括以下步骤:
步骤A1:选择车辆特征信息,对未结束任务车辆进行筛查和检索,确定检索数据;
步骤A2:通过多项追踪任务和检索数据,展示和检索数据对应的车辆的相应状态信息;其中,
所述相应状态信息包括车牌号、车辆特征、状态标记、出现时间和地点;
步骤A3:基于所述相应状态信息,进行二次筛查,确定目标车辆;
步骤A4:将所述目标车辆和对应的车辆信息传输至预设的DTC 分布式计算******,生成筛查报告,并通过所述筛查报告,确定目标车辆的相关信息。
上述技术方案的工作原理和有益效果在于:
本技术方案通过预设的路网分析技术,对目标车辆进行路线自动追踪,将目标车辆存储至预设的Mysql数据库,确定存储数据,同时,通过预设的WebSocket通讯协议,进行推送预警;通过预设的DTC 分布式计算***,采集调度节点;基于预设分配算法,将存储数据进行切片,确定切片数据,并将切片数据分配至若干调度节点进行多维计算,生成对应的计算结果;将计算结果进行统计,生成统计结果,并对统计结果排查筛选,通过API接口,调用目标车辆的相关档案;获取并展示目标车辆的详细信息及关联信息,生成对应的研判信息;研判信息包含至少包括车辆档案,年审信息,违法记录和近期落脚地的一种或多种。
实施例9:
本技术方案提供了一种实施例,所述通过预设的路网分析技术,对目标车辆进行路线自动追踪,还包括:
将所述目标车辆存储至预设的Mysql数据库,确定存储数据,同时,通过预设的WebSocket通讯协议,进行推送预警;
通过预设的DTC分布式计算***,采集调度节点;
基于预设分配算法,将所述存储数据进行切片,确定切片数据,并将所述切片数据分配至若干调度节点进行多维计算,生成对应的计算结果;
将计算结果进行统计,生成统计结果,并对所述统计结果进行排查筛选,确定目标车辆,通过API接口,调用目标车辆的相关档案;
获取并展示目标车辆的详细信息及关联信息,生成对应的研判信息;其中,
所述研判信息包含至少包括车辆档案,年审信息,违法记录和近期落脚地的一种或多种。
上述技术方案的工作原理和有益效果在于:
本技术方案通过提取出更详细的特征结果,将结构化的数据推送到Kafka***,Kafka是一个分布式、分区的、多副本的、多订阅者,基于zookeeper协调的分布式日志***,可以用于web/nginx日志、访问日志,消息服务等,结构化的数据推送至Kafka可以分布计算并保存至多副本,同时共享给多位订阅者,后台程序消费Kafka后与给定的目标车辆的特征进行逐一比对,把符合特征的嫌疑车辆落地到 Mysql数据库,同时通过WebSocket通信协议进行推送预警,通过人机协同的方式对推送的数据进行排查筛选,在筛查分析的过程通过API接口调用不断推送车辆相关档案,并可点击疑似车辆进行详细信息及关联信息展示,包含车辆档案,年审信息,违法记录,近期落脚地等重要研判信息。最终确定目标车辆,通过路网分析技术绘制行进路线进行自动追踪,确定目标车辆落脚地,指派人员进行处理。
实施例10:
本技术方案提供了一种实施例,还包括:
获取嫌疑车辆的特征信息,抽取特征信息的限定特征信息,并根据所述限定特征信息,生成特征数据;其中,
所述限定特征信息至少包括车辆结构信息、车辆类型信息、车辆外形信息和车辆车牌信息的一种或多种;
通过所述特征数据,构建特定车辆的特征模型,并采集特征模型上的特征点;
基于所述特征点,生成嫌疑车辆的特定触发特征数据,并将所述特定触发特征数据传输至预设的事件产生器中,构建特定车辆触发采集机制;
基于所述特定车辆触发采集机制,实时对接监控设备的视频,辨识并采集嫌疑车辆图像;
检测嫌疑车辆图像上是否包括预设的车辆唯一标识信息,确定检测结果;其中,
所述车辆唯一标识信息代表具有车辆唯一标识的信息;
当所述检测结果为嫌疑车辆图像上包括预设的车辆唯一标识信息,对所述嫌疑图像进行精准追踪,确定目标车辆,并生成对应的追踪报告;
当所述检测结果为嫌疑车辆图像上不包括预设的车辆唯一标识信息,采集嫌疑车辆图像,并基于预设的优先机制,对嫌疑车辆图像按顺序进行检索和筛查,检测是否有特定车辆信息,确定第一检测结果。
上述技术方案的工作原理和有益效果在于:
本技术方案还包括一种实施例,通过对嫌疑车辆的特征信息的获取,抽取特征信息的限定特征信息,生成对应的特征数据,从而完成特征信息的采集,限定特征信息至少包括车辆结构信息、车辆类型信息、车辆外形信息和车辆车牌信息的一种或多种,用于对车辆模型的构建提供原材料,原始数据越具体,车辆模型的构建也越完善,通过采集特征模型上的特征点,生成嫌疑车辆的特定触发特征数据,并将特定触发特征数据传输至预设的事件产生器中,构建特定车辆触发采集机制,在模型运行和匹配时,当构建的车辆模型的匹配度大于预设阈值时,可以出发特定车辆触发采集机制对实时对接监控设备的视频进行辨识,从而采集到嫌疑车辆图像,再接着检测嫌疑车辆图像上是否包括预设的车辆唯一标识信息,确定检测结果,当检测结果为嫌疑车辆图像上包括预设的车辆唯一标识信息,基于预设的精准追踪模式,对嫌疑图像进行精准追踪,确定目标车辆,并生成对应的追踪报告;当检测结果为嫌疑车辆图像上不包括预设的车辆唯一标识信息,基于预设的模糊搜寻模式,采集嫌疑车辆图像,并基于预设的优先机制,对嫌疑车辆图像按顺序进行检索和筛查,检测是否有特定车辆信息,确定第一检测结果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于多源异构数据的特定车辆追踪方法,其特征在于,包括:
获取嫌疑车辆的特征信息,通过预设的Gis技术和所述特征信息,锁定特定范围;
智能筛选并追踪特定范围内的监控设备,确定筛选结果,并判断所述筛选结果中是否出现过嫌疑车辆,确定判断结果;
当判断结果为筛选结果出现过嫌疑车辆,确定目标车辆,并通过预设的路网分析技术,对目标车辆进行路线自动追踪;
当判断结果为筛选结果未出现过嫌疑车辆,超过预设的时间范围,结束对特定范围内的监控设备的追踪。
2.如权利要求1所述的一种基于多源异构数据的特定车辆追踪方法,其特征在于,所述特征信息包括嫌疑车辆经过的案发区域、嫌疑车辆的案发时间、嫌疑车辆的车辆特征信息;其中,
所述车辆特征信息至少包括车型特征信息、车辆颜色特征信息、车辆车牌特征信息、车辆型号特征信息、车辆年款特征信息和车辆天窗特征信息的一种或多种。
3.如权利要求1所述的一种基于多源异构数据的特定车辆追踪方法,其特征在于,所述智能筛选并追踪特定范围内的监控设备,确定筛选结果,并判断所述筛选结果中是否出现过嫌疑车辆,确定判断结果,包括以下步骤:
步骤1:通过预设的Gis技术,对特定范围内的监控设备进行智能筛选,确定筛选结果;
步骤2:获取筛选结果内的监控设备的监控视频,并对所述监控视频进行抽帧,确定抽帧图片;
步骤3:基于预设的远程字典服务和追踪搜索模式,判断抽帧图片是否出现有嫌疑车辆,确定判断结果;其中,
所述追踪机制包括精准追踪模式和模糊搜索模式;其中,
所述精准追踪模式用于通过车辆特征信息中的车牌相关档案或车辆车牌特征信息,对目标车辆进行精准追踪;
所述模糊搜索模式用于结合部分车辆特征信息与预设的车辆相关档案,对目标车辆进行模糊搜索;其中,
所述车辆相关档案至少包括车辆档案、车辆年审信息、车辆违法记录和预设的时间期限车辆落脚地的一种或多种。
4.如权利要求3所述的一种基于多源异构数据的特定车辆追踪方法,其特征在于,所述步骤1,还包括:
步骤100:基于预设的Gis技术和特征信息,对查找范围进行初次定位,确定目标区域;
步骤101:对目标区域进行二次区域划分,生成重点区域和非重点区域;
步骤102:接收并解析重点区域内的监控设备的监控设备信息,统一汇聚所述监控设备信息,将所述监控设备信息统一进行格式转化,确定统一格式信息;
步骤103:基于所述统一格式信息,通过预设的API接口实时对接并筛查所述重点区域的监控设备,确定筛查结果。
5.如权利要求3所述的一种基于多源异构数据的特定车辆追踪方法,其特征在于,所述步骤3,还包括:
步骤301:将所述抽帧图片推送至预设的AI算法中进行解析和识别,生成符合初级特征的卡口数据;其中,
所述卡口数据用于全天候实时检测和记录特定场所中的符合初级特征的车辆行驶数据;
步骤302:推送所述卡口数据至远程字典服务进行二次解析,将所述卡口数据进行结构化,确定结构化特征数据;
步骤303:将所述结构化特征数据推送至预设的Kafka***,与嫌疑车辆的特征信息进行一一对比,判断抽帧图片是否出现有嫌疑车辆,确定判断结果。
6.如权利要求1所述的一种基于多源异构数据的特定车辆追踪方法,其特征在于,所述当判断结果为筛选结果出现过嫌疑车辆,确定目标车辆,包括以下步骤:
步骤S1:当判断结果为出现单个嫌疑车辆时,对嫌疑车辆进行信息采集,确定目标车辆;
步骤S2:当判断结果为出现多个嫌疑车辆时,通过预设的Kafka***和DTC分布式计算***,构建多任务追踪机制;其中,
所述Kafka***代表分布式发布订阅消息***,用于对DTC分布式计算***的多个计算结果进行分布式发布和订阅;
所述DTC分布式计算***用于同时分布处理至少下载图片、图片识别、图片入库、图片布控和图片订阅其中的一种或多种任务;
所述多任务追踪机制用于对所有嫌疑车辆进行追踪,生成多项追踪任务;
步骤S3:基于预设的DTC分布式计算***,对所述多项追踪任务进行调度和管理,并锁定目标车辆,并传输所述目标车辆至预设的控制终端。
7.如权利要求6所述的一种基于多源异构数据的特定车辆追踪方法,其特征在于,所述多项追踪任务分为进行时任务或结束任务;其中,
当追踪任务显示为结束任务时,确认目标车辆,并将结束任务数据化,生成对应的任务报告,同时将该项追踪任务标识为已为完成状态;
当追踪任务显示为进行时任务时,生成对应的任务列表,提供并展示任务列表中的任务进行对应的功能操作;其中,
所述功能操作包括继续追踪、筛查分析或任务结束。
8.如权利要求7所述的一种基于多源异构数据的特定车辆追踪方法,其特征在于,所述筛查分析,还包括以下步骤:
步骤A1:选择车辆特征信息,对未结束任务车辆进行筛查和检索,确定检索数据;
步骤A2:通过多项追踪任务和检索数据,展示和检索数据对应的车辆的相应状态信息;其中,
所述相应状态信息包括车牌号、车辆特征、状态标记、出现时间和地点;
步骤A3:基于所述相应状态信息,进行二次筛查,确定目标车辆;
步骤A4:将所述目标车辆和对应的车辆信息传输至预设的DTC分布式计算******,生成筛查报告,并通过所述筛查报告,确定目标车辆的相关信息。
9.如权利要求1所述的一种基于多源异构数据的特定车辆追踪方法,其特征在于,所述通过预设的路网分析技术,对目标车辆进行路线自动追踪,还包括:
将所述目标车辆存储至预设的Mysql数据库,确定存储数据,同时,通过预设的WebSocket通讯协议,进行推送预警;
通过预设的DTC分布式计算***,采集调度节点;
基于预设分配算法,将所述存储数据进行切片,确定切片数据,并将所述切片数据分配至若干调度节点进行多维计算,生成对应的计算结果;
将计算结果进行统计,生成统计结果,并对所述统计结果进行排查筛选,确定目标车辆,通过API接口,调用目标车辆的相关档案;
获取并展示目标车辆的详细信息及关联信息,生成对应的研判信息;其中,
所述研判信息包含至少包括车辆档案,年审信息,违法记录和近期落脚地的一种或多种。
10.一种适用于权利要求1-9任意一条的特定车辆追踪方法,所述特定车辆追踪方法,还包括:
获取嫌疑车辆的特征信息,抽取特征信息的限定特征信息,并根据所述限定特征信息,生成特征数据;其中,
所述限定特征信息至少包括车辆结构信息、车辆类型信息、车辆外形信息和车辆车牌信息的一种或多种;
通过所述特征数据,构建特定车辆的特征模型,并采集特征模型上的特征点;
基于所述特征点,生成嫌疑车辆的特定触发特征数据,并将所述特定触发特征数据传输至预设的事件产生器中,构建特定车辆触发采集机制;
基于所述特定车辆触发采集机制,实时对接监控设备的视频,辨识并采集嫌疑车辆图像;
检测嫌疑车辆图像上是否包括预设的车辆唯一标识信息,确定检测结果;其中,
所述车辆唯一标识信息代表具有车辆唯一标识的信息;
当所述检测结果为嫌疑车辆图像上包括预设的车辆唯一标识信息,对所述嫌疑图像进行精准追踪,确定目标车辆,并生成对应的追踪报告;
当所述检测结果为嫌疑车辆图像上不包括预设的车辆唯一标识信息,采集嫌疑车辆图像,并基于预设的优先机制,对嫌疑车辆图像按顺序进行检索和筛查,检测是否有特定车辆信息,确定第一检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111231363.2A CN114023076B (zh) | 2021-10-22 | 2021-10-22 | 一种基于多源异构数据的特定车辆追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111231363.2A CN114023076B (zh) | 2021-10-22 | 2021-10-22 | 一种基于多源异构数据的特定车辆追踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114023076A true CN114023076A (zh) | 2022-02-08 |
CN114023076B CN114023076B (zh) | 2022-10-04 |
Family
ID=80056906
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111231363.2A Active CN114023076B (zh) | 2021-10-22 | 2021-10-22 | 一种基于多源异构数据的特定车辆追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114023076B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359436A (zh) * | 2022-08-18 | 2022-11-18 | 中国人民公安大学 | 基于遥感图像的排查方法、装置、设备及存储介质 |
CN115457777A (zh) * | 2022-09-06 | 2022-12-09 | 北京商海文天科技发展有限公司 | 一种特定车辆溯源分析方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102724482A (zh) * | 2012-06-18 | 2012-10-10 | 西安电子科技大学 | 基于gps和gis的智能视觉传感网络运动目标接力跟踪*** |
CN102789487A (zh) * | 2012-06-29 | 2012-11-21 | 用友软件股份有限公司 | 数据查询检索处理装置和数据查询检索处理方法 |
US20130033386A1 (en) * | 2007-01-17 | 2013-02-07 | Milan Zlojutro | Vehicle monitoring & identification system |
US20160117928A1 (en) * | 2014-10-24 | 2016-04-28 | Telogis, Inc. | Systems and methods for performing driver and vehicle analysis and alerting |
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*** |
CN106650553A (zh) * | 2015-10-30 | 2017-05-10 | 比亚迪股份有限公司 | 车牌识别方法及*** |
US20180025648A1 (en) * | 2010-04-15 | 2018-01-25 | Milan Zlojutro | Vehicle Monitoring & Identification System |
CN108257410A (zh) * | 2017-12-25 | 2018-07-06 | 陈飞 | 一种现场监控与导航***协作的停车位精准导航方法 |
CN108683877A (zh) * | 2018-03-30 | 2018-10-19 | 中国科学院自动化研究所 | 基于Spark的分布式海量视频解析*** |
CN109165606A (zh) * | 2018-08-29 | 2019-01-08 | 腾讯科技(深圳)有限公司 | 一种车辆信息的获取方法、装置以及存储介质 |
CN109816971A (zh) * | 2019-03-11 | 2019-05-28 | 长安大学 | 基于多源数据融合的危险品运输车辆预防跟踪***及方法 |
CN110349411A (zh) * | 2019-06-13 | 2019-10-18 | 成都宜泊信息科技有限公司 | 一种车牌识别方法和*** |
CN111369797A (zh) * | 2018-12-25 | 2020-07-03 | 航天信息股份有限公司 | 车辆监测方法、电子围栏的构建方法、电子围栏及装置 |
CN111695565A (zh) * | 2020-06-14 | 2020-09-22 | 荆门汇易佳信息科技有限公司 | 基于道路关卡模糊图像的汽车标志精准定位方法 |
CN112017431A (zh) * | 2020-07-29 | 2020-12-01 | 河北德冠隆电子科技有限公司 | 基于多数据融合的主动式车辆持续跟踪定位***及方法 |
CN112633163A (zh) * | 2020-12-22 | 2021-04-09 | 合肥品恩智能科技有限公司 | 一种基于机器学习算法实现非法运营车辆检测的检测方法 |
CN112836683A (zh) * | 2021-03-04 | 2021-05-25 | 广东建邦计算机软件股份有限公司 | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 |
-
2021
- 2021-10-22 CN CN202111231363.2A patent/CN114023076B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130033386A1 (en) * | 2007-01-17 | 2013-02-07 | Milan Zlojutro | Vehicle monitoring & identification system |
US20180025648A1 (en) * | 2010-04-15 | 2018-01-25 | Milan Zlojutro | Vehicle Monitoring & Identification System |
CN102724482A (zh) * | 2012-06-18 | 2012-10-10 | 西安电子科技大学 | 基于gps和gis的智能视觉传感网络运动目标接力跟踪*** |
CN102789487A (zh) * | 2012-06-29 | 2012-11-21 | 用友软件股份有限公司 | 数据查询检索处理装置和数据查询检索处理方法 |
US20160117928A1 (en) * | 2014-10-24 | 2016-04-28 | Telogis, Inc. | Systems and methods for performing driver and vehicle analysis and alerting |
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 |
CN106650553A (zh) * | 2015-10-30 | 2017-05-10 | 比亚迪股份有限公司 | 车牌识别方法及*** |
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*** |
CN108257410A (zh) * | 2017-12-25 | 2018-07-06 | 陈飞 | 一种现场监控与导航***协作的停车位精准导航方法 |
CN108683877A (zh) * | 2018-03-30 | 2018-10-19 | 中国科学院自动化研究所 | 基于Spark的分布式海量视频解析*** |
CN109165606A (zh) * | 2018-08-29 | 2019-01-08 | 腾讯科技(深圳)有限公司 | 一种车辆信息的获取方法、装置以及存储介质 |
CN111369797A (zh) * | 2018-12-25 | 2020-07-03 | 航天信息股份有限公司 | 车辆监测方法、电子围栏的构建方法、电子围栏及装置 |
CN109816971A (zh) * | 2019-03-11 | 2019-05-28 | 长安大学 | 基于多源数据融合的危险品运输车辆预防跟踪***及方法 |
CN110349411A (zh) * | 2019-06-13 | 2019-10-18 | 成都宜泊信息科技有限公司 | 一种车牌识别方法和*** |
CN111695565A (zh) * | 2020-06-14 | 2020-09-22 | 荆门汇易佳信息科技有限公司 | 基于道路关卡模糊图像的汽车标志精准定位方法 |
CN112017431A (zh) * | 2020-07-29 | 2020-12-01 | 河北德冠隆电子科技有限公司 | 基于多数据融合的主动式车辆持续跟踪定位***及方法 |
CN112633163A (zh) * | 2020-12-22 | 2021-04-09 | 合肥品恩智能科技有限公司 | 一种基于机器学习算法实现非法运营车辆检测的检测方法 |
CN112836683A (zh) * | 2021-03-04 | 2021-05-25 | 广东建邦计算机软件股份有限公司 | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115359436A (zh) * | 2022-08-18 | 2022-11-18 | 中国人民公安大学 | 基于遥感图像的排查方法、装置、设备及存储介质 |
CN115457777A (zh) * | 2022-09-06 | 2022-12-09 | 北京商海文天科技发展有限公司 | 一种特定车辆溯源分析方法 |
CN115457777B (zh) * | 2022-09-06 | 2023-09-19 | 北京商海文天科技发展有限公司 | 一种特定车辆溯源分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114023076B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114023076B (zh) | 一种基于多源异构数据的特定车辆追踪方法 | |
CN103004188B (zh) | 设备、***和方法 | |
CN101848377B (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 | |
CN109299642A (zh) | 基于人像识别的逻辑布控预警***及方法 | |
CN109374631B (zh) | 一种隧道状态评测方法 | |
CN109710660A (zh) | 一种景区数据管理***及方法 | |
CN112383756B (zh) | 一种视频监控报警处理方法和装置 | |
CN112419120A (zh) | 群体性聚集事件预警方法、装置、***和电子设备 | |
WO2021114985A1 (zh) | 一种同行对象识别方法、装置、服务器及*** | |
CN115801369A (zh) | 基于云计算的数据处理方法及服务器 | |
CN114120428A (zh) | 一种图码联侦关联方法、装置、计算机设备及存储介质 | |
CN112836683A (zh) | 用于便携式摄像设备的车牌识别方法、装置、设备和介质 | |
CN116986246A (zh) | 一种用于对输煤皮带进行智能巡检***及巡检方法 | |
CN113168528A (zh) | 持续学习图像流处理*** | |
CN113033443B (zh) | 一种基于无人机的行人过街设施全路网自动化排查方法 | |
CN117523900A (zh) | 一种停车场占有率预测方法及*** | |
CN112256809A (zh) | 一种数据处理方法和装置 | |
CN112182121B (zh) | 一种涉车关系发现方法、装置、设备和介质 | |
CN112153341B (zh) | 一种任务监督方法、装置、***、电子设备及存储介质 | |
CN114911677A (zh) | 集群中容器的监控方法、装置和计算机可读存储介质 | |
CN111369804B (zh) | 一种车辆数据处理方法、装置、电子设备、存储介质 | |
KR20210029655A (ko) | 차량검색 시스템 및 방법 | |
CN116520307B (zh) | 一种基于目标追踪的雷达协同检测***及方法 | |
CN115223006A (zh) | 一种基于深度学习的水泥窑协同处置安全管理的方法 | |
CN117576642A (zh) | 车辆监管方法、装置、电子设备及存储介质 |
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 |