CN115457777B - 一种特定车辆溯源分析方法 - Google Patents
一种特定车辆溯源分析方法 Download PDFInfo
- Publication number
- CN115457777B CN115457777B CN202211081346.XA CN202211081346A CN115457777B CN 115457777 B CN115457777 B CN 115457777B CN 202211081346 A CN202211081346 A CN 202211081346A CN 115457777 B CN115457777 B CN 115457777B
- Authority
- CN
- China
- Prior art keywords
- data
- target vehicle
- vehicle
- snapshot
- gps
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种特定车辆溯源分析方法,包括:获取车辆遗撒位置和遗撒时间,基于预设的道路交通治安卡口监控***判断所述遗撒位置是否包含卡口抓拍数据,获取所述渣土车对应的卡口抓拍数据;根据所述车辆对应的卡口抓拍数据进行特征分析,确定目标车辆特征;根据所述目标车辆特征,基于预设的渣土车抓拍底库,结合所述目标车辆的抓拍数据和GPS数据,确定目标车辆的源头位置。本发明能够实现渣土车的全作业流程进行监控分析,直接溯源对应的工地。
Description
技术领域
本发明涉及交通管理技术领域,特别涉及一种特定车辆溯源分析方法。
背景技术
目前,随着城市现代化进程不断加快,城市建设呈井喷式发展,拆迁工地和建筑土方运输、垃圾渣土消纳量剧增,而后出现了“渣土车乱象”,且渣土车在道路遗撒后,无法追溯是从哪个工地出来的车辆,执法部门无法对工地进行管制。
发明内容
本发明提供一种特定车辆溯源分析方法,用以解决无法追溯渣土车源头,执法部门无法对工地进行管制的情况。
作为本发明的一种实施例:一种特定车辆溯源分析方法,包括:
获取车辆遗撒位置和遗撒时间,基于预设的道路交通治安卡口监控***判断所述遗撒位置是否包含卡口抓拍数据,获取所述渣土车对应的卡口抓拍数据;
根据所述车辆对应的卡口抓拍数据进行特征分析,确定目标车辆特征;
根据所述目标车辆特征,基于预设的渣土车抓拍底库,结合所述目标车辆的抓拍数据和GPS数据,确定目标车辆的源头位置。
作为本发明的一种实施例:所述根据所述渣土车对应的卡口抓拍数据进行特征分析,确定目标车辆特征,包括:
根据渣土车对应的所有卡口抓拍视频帧数据进行抽帧处理,获取若干帧独立图像帧数据,将所述图像帧数据通过Redis推送至对应算法进行解析,获取一级目标车辆特征,将包含一级目标车辆特征的卡口数据确定为一级卡口数据;
将所述一级卡口数据推送至Redis进行二次解析,获取二级目标车辆特征,将包含所述二级目标车辆特征的卡口数据确定为二级卡口数据;
针对所述二级卡口数据进行数据分析,获取结构化数据,确定三级卡口数据;
将所述三级卡口数据同步推送至Kafka进行特征提取,获取三级目标车辆特征,并基于所述三级目标车辆特征利用elasticsearch构建渣土车抓拍底库,并基于所述渣土车抓拍底库进行数据筛查,获取四级目标车辆特征。
作为本发明的一种实施例:所述根据所述渣土车对应的卡口抓拍数据进行特征分析,确定目标车辆特征,还包括:
根据所述渣土车遗撒位置和遗撒时间,获取所述遗撒位置对应的抓拍视频帧数据;
根据所述渣土车对应的抓拍视频帧数据进行视频分割,获取若干帧图像数据;
针对所述若干帧图像数据进行目标检测,判断所述图像数据中的车辆与对应的渣土车是否一致,确定判断结果,获取目标车辆;
基于预设的特征分析模型针对所述目标车辆进行特征分析,获取目标车辆的基本特征信息;其中,所述基本特征信息包括:车牌信息、车辆颜色信息、驾驶员面部信息、车辆尺寸信息。
作为本发明的一种实施例:所述根据所述目标车辆特征,基于预设的渣土车抓拍底库,结合所述目标车辆的抓拍数据和GPS数据,确定目标车辆的源头位置,包括:
将所述目标车辆特征基于预设的分类方式进行分组处理,并基于分类特征针对目标车辆的抓拍数据进行检索,获取目标车辆对应24 小时内的抓拍数据;
将所述目标车辆对应24小时内的抓拍数据基于预设的Oracle数据库进行数据查询,获取目标车辆的GPS数据,将所述目标车辆的 GPS数据进行多线程分析,确定目标GPS数据;
基于所述目标GPS数据、遗撒时间、目标车辆抓拍点位进行数据融合,确定目标车辆的一级运行轨迹,并根据所述运行轨迹判断目标车辆的目标位置;
基于所述目标车辆的目标位置和一级运行轨迹,结合道路网络进行智能分析,获取目标车辆的二级运行轨迹;
基于所述目标车辆的二级运行轨迹和目标位置进行信息分析,确定目标车辆的源头位置。
作为本发明的一种实施例:所述根据所述目标车辆特征,基于预设的渣土车抓拍底库,结合所述目标车辆的抓拍数据和GPS数据,确定目标车辆的源头位置,还包括:
基于预设的工地信息库,将所述GPS数据对应的经纬度数据与所述工地信息库中工地对应的空间位置进行关联度分析,获取关联度分析结果;
将所述关联度分析结果进行数据清理,获取异常数据,并针对所述异常数据进行去除处理,确定目标关联度分析结果;其中,所述异常数据包括:经纬度数据为0的数据、关联度结果为负数的数据、关联度结果大于1的数据;
将所述目标关联度分析结果按照由高到低进行排序处理,将前5 位工地作为初级源头位置。
作为本发明的一种实施例:所述根据所述目标车辆特征,基于预设的渣土车抓拍底库,结合所述目标车辆的抓拍数据和GPS数据,确定目标车辆的源头位置,还包括:
根据所述目标车辆对应的GPS数据,获取GPS队列数据,针对所述GPS队列数据中相邻的数据进行提取分析,获取GPS相邻数据提取分析结果;
将所述提取分析结果结合目标车辆的抓拍数据针对目标车辆的运行轨迹进行分析追溯,获取目标车辆的轨迹追溯结果;
针对所述目标车辆的轨迹追溯结果,基于预设的大数据处理***,对目标车辆的完整运行轨迹进行预测,获取完整轨迹的预测结果。
作为本发明的一种实施例:所述根据所述目标车辆对应的GPS 数据,获取GPS队列数据,针对所述GPS队列数据中相邻的数据进行提取分析,获取GPS相邻数据提取分析结果,执行步骤包括:
步骤1:获取目标车辆对应的GPS数据对应的时间,并根据所述 GPS数据对应的时间获取时间差值;
步骤2:基于GPS队列数据进行经纬度数据提取,获取两组经纬度坐标数据,将所述经纬度坐标数据进行转化,获取经纬度弧度数据;其中,坐标转化的公式为D×π/180;
步骤3:计算两组经纬度坐标数据之间的距离,计算公式如下:
s=6378.137×2×Math.asin(Math.sqrt(Math.pow(Math.sin(y1-y2)/2),2)
+Math.cos(y1)×Math.cos(y2)×Math.pow(Math.sin((x1-x2)/2),2)))
其中,x1和y1表示第一组GPS数据的经纬度转换结果,x2和y2表示第二组GPS数据的经纬度转换结果,6378.137表示地球半径的变量;
步骤4:根据两组经纬度坐标数据之间的距离和时间计算速度:
当计算结果显示,速度大于20m/s时,进行自动跳过处理,
当计算结果显示,时间为20min,距离为50m时作为最优数据,
步骤5:基于所述最优数据进行数据查找,获取包含工地信息的组,结合抓拍点位数据进行数据分析,获取目标车辆的行驶轨迹。
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特定车辆溯源分析方法对应的流程示意图。
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:
本发明实施例提供了一种特定车辆溯源分析方法,包括:
获取车辆遗撒位置和遗撒时间,基于预设的道路交通治安卡口监控***判断所述遗撒位置是否包含卡口抓拍数据,获取所述渣土车对应的卡口抓拍数据;
根据所述车辆对应的卡口抓拍数据进行特征分析,确定目标车辆特征;
根据所述目标车辆特征,基于预设的渣土车抓拍底库,结合所述目标车辆的抓拍数据和GPS数据,确定目标车辆的源头位置;
本发明在进行实施的的原理为:本发明采用基于AI人工智能技术构建多算法能力,通过卡口抓拍数据、GPS数据,进行轨迹双重研判,同时将车辆落脚点进行分析,实现车辆精准画像,利用住建委的工地数据、城管委的渣土车准运证、消纳证、车辆轨迹数据及消纳场所数据、生态环境局的用车大户数据、交通支队货车档案数据、执法六队货车营运资质许可数据,对每个工地、每台车辆、每个消纳场所进行画像,形成数据链的跟踪;
上述技术方案的有益效果为:本发明通过接收由用户提供的道路遗撒位置与大致时间,对范围内对应时间段的所有视频设备的数据进行采集,通过摄像设备采集到的数据自动研判违规车辆进出工地,有利于节省大量人力审核,通过结合卡口抓拍数据、GPS数据进行轨迹双重研判,有利于快速准确获取对应渣土车的目的工地位置和源头位置,通过对抓拍的数据进行特征分析,有利于提高查找目标车辆的准确率,此外,通过将已经出现过的车辆按照车牌和常用路径进行对比,有利于根据大数据预测未出现过的车辆,有利于提前进行防范,降低渣土车遗撒的概率。
实施例2:
在一个实施例中,所述根据所述渣土车对应的卡口抓拍数据进行特征分析,确定目标车辆特征,包括:
根据渣土车对应的所有卡口抓拍视频帧数据进行抽帧处理,获取若干帧独立图像帧数据,将所述图像帧数据通过Redis推送至对应算法进行解析,获取一级目标车辆特征,将包含一级目标车辆特征的卡口数据确定为一级卡口数据;
将所述一级卡口数据推送至Redis进行二次解析,获取二级目标车辆特征,将包含所述二级目标车辆特征的卡口数据确定为二级卡口数据;
针对所述二级卡口数据进行数据分析,获取结构化数据,确定三级卡口数据;
将所述三级卡口数据同步推送至Kafka进行特征提取,获取三级目标车辆特征,并基于所述三级目标车辆特征利用elasticsearch构建渣土车抓拍底库,并基于所述渣土车抓拍底库进行数据筛查,获取四级目标车辆特征;
本发明在进行实施的的原理为:本发明接收渣土车的遗撒位置和时间,对该范围内相应时间段中的所有视频设备进行抽帧,通过Redis 推送给算法进行解析,并将符合特征的卡口数据推送至Redis进行二次解析,提取出更详细的特征,将结构化的数据推送到Kafka 后,用提取出来的目标车辆详细特征在运用了elasticsearch构建出的渣土车抓拍底库中进行筛查,获取发生遗撒的目标车辆的特征信息;
上述技术方案的有益效果为:本发明将卡口视频数据通过Redis 进行算法解析,有利于提升数据读写速度,同时由于其支持大数据存入内存,因此有利于在读取数据时,准确率较高,响应速度提高,对于常用数据,若是第一次从数据库读出,以后读取数据时无需访问数据库可以对数据进行直接读取,提升数据处理的效率,且有利于提高数据处理的安全性,通过对数据进行二次解析,有利于提高特征的准确性和细节,使得最终获取的目标特征信任度较高。
实施例3:
在一个实施例中,所述根据所述渣土车对应的卡口抓拍数据进行特征分析,确定目标车辆特征,还包括:
根据所述渣土车遗撒位置和遗撒时间,获取所述遗撒位置对应的抓拍视频帧数据;
根据所述渣土车对应的抓拍视频帧数据进行视频分割,获取若干帧图像数据;
针对所述若干帧图像数据进行目标检测,判断所述图像数据中的车辆与对应的渣土车是否一致,确定判断结果,获取目标车辆;
基于预设的特征分析模型针对所述目标车辆进行特征分析,获取目标车辆的基本特征信息;其中,所述基本特征信息包括:车牌信息、车辆颜色信息、驾驶员面部信息、车辆尺寸信息;
本发明在进行实施的的原理为:本发明通过输入遗撒位置和大致的时间,通过大数据获得目标车辆的视频帧数据,但是由于视频帧数据占用较大内存,且可能包含过多无效特征数据,导致在进行特征分析时,导致较多的资源浪费,本发明通过对视频帧进行分割处理或如若干帧图像数据,通过对图像数据中是否包含目标进行判断,获取关于目标车辆的详细特征;
上述技术方案的有益效果为:本发明通过渣土车遗撒位置和遗撒时间获取对应的抓拍视频帧数据,有利于从庞大的数据中获取有效数据,提升数据提取的效率和能力,通过对视频帧数据进行视频分割有利于降低资源浪费,提升数据处理效率,使得获取的目标车辆的特征具有高可信度。
实施例4:
本发明实施例提供了所述根据所述目标车辆特征,基于预设的渣土车抓拍底库,结合所述目标车辆的抓拍数据和GPS数据,确定目标车辆的源头位置,包括:
将所述目标车辆特征基于预设的分类方式进行分组处理,并基于分类特征针对目标车辆的抓拍数据进行检索,获取目标车辆对应24 小时内的抓拍数据;
将所述目标车辆对应24小时内的抓拍数据基于预设的Oracle数据库进行数据查询,获取目标车辆的GPS数据,将所述目标车辆的 GPS数据进行多线程分析,确定目标GPS数据;
基于所述目标GPS数据、遗撒时间、目标车辆抓拍点位进行数据融合,确定目标车辆的一级运行轨迹,并根据所述运行轨迹判断目标车辆的目标位置;
基于所述目标车辆的目标位置和一级运行轨迹,结合道路网络进行智能分析,获取目标车辆的二级运行轨迹;
基于所述目标车辆的二级运行轨迹和目标位置进行信息分析,确定目标车辆的源头位置;
本发明在进行实施的的原理为:本发明根据通过二次解析获取的目标车辆的详细特征进行分组处理检索相应的渣土车在当天的抓拍数据,同时从Oracle数据库中查询符合目标车辆特征信息的GPS数据,从多维度出发,根据时间、渣土车抓拍点位、GPS数据,分析出车辆落脚点位置,结合路网分析出渣土车详细轨迹,对照出土工位置信息分析锁定出工地源头;
上述技术方案的有益效果为:本发明通过对获取的目标车辆特征进行分类,有利于提高特征分析的有效性,使得在根据特征进行抓拍数据查找时获得的数据可信度和有效性较高,此外将时间设置为24h 有利于提高数据提取的连贯性,GPS基本是0.5秒或1秒反馈一次数据,因此需要分析的数据很多,全部与GPS数据相关的部分采用了多线程分析,以达到更快更好的效果。
实施例5:
在一个实施例中,所述根据所述目标车辆特征,基于预设的渣土车抓拍底库,结合所述目标车辆的抓拍数据和GPS数据,确定目标车辆的源头位置,还包括:
基于预设的工地信息库,将所述GPS数据对应的经纬度数据与所述工地信息库中工地对应的空间位置进行关联度分析,获取关联度分析结果;
将所述关联度分析结果进行数据清理,获取异常数据,并针对所述异常数据进行去除处理,确定目标关联度分析结果;其中,所述异常数据包括:经纬度数据为0的数据、关联度结果为负数的数据、关联度结果大于1的数据;
将所述目标关联度分析结果按照由高到低进行排序处理,将前5 位工地作为初级源头位置;
本发明在进行实施的的原理为:本发明在GPS数据入库前,会与现有的工地空间位置进行比对,程序会绘制工地多边形空间范围,因为GPS的经纬度数据会出现不是很精确的情况,所以此时的工地空间范围会相对扩大一些,用GPS的经纬度坐标与其比对计算,根据空间算法判断出当前经纬度是否在工地范围内,缩短后续分析的时间。在分析落脚点前会对数据进行清理,清除掉那些出现错误的脏数据,比如经纬度都为0的数据,目前落脚点分为两种,一是街边停靠,二是工地停靠,本方案关注点为工地停靠,落脚点分析会从时间与空间这两个维度进行分析。
上述技术方案的有益效果为:本发明通过将GPS数据与工地信息库中的数据进行关联度分析有利于从庞大的数据量中对数据进行有效筛选,通过对关联度分析结果进行排序,在进行数据源查找时更具有针对性,通过针对关联度分析结果进行数据清理,有利于清除数据集中的异常数据,提升数据选择和处理的正确性和效率。
实施例6:
在一个实施例中,所述根据所述目标车辆特征,基于预设的渣土车抓拍底库,结合所述目标车辆的抓拍数据和GPS数据,确定目标车辆的源头位置,还包括:
根据所述目标车辆对应的GPS数据,获取GPS队列数据,针对所述GPS队列数据中相邻的数据进行提取分析,获取GPS相邻数据提取分析结果;
将所述提取分析结果结合目标车辆的抓拍数据针对目标车辆的运行轨迹进行分析追溯,获取目标车辆的轨迹追溯结果;
针对所述目标车辆的轨迹追溯结果,基于预设的大数据处理***,对目标车辆的完整运行轨迹进行预测,获取完整轨迹的预测结果;
本发明在进行实施的的原理为:本发明通过对目标车辆的GPS 数据把GPS数据队列中相邻的数据两两提取进行分析,根据分析的结果进行部分轨迹预测,基于大数据处理***进行智能分析,获取完整的轨迹预测结果;
上述技术方案的有益效果为:本发明通过对目标车辆的GPS数据进行特征分析有利于提高获取目标特征的准确性,实现渣土车的全作业流程监控分析,为执法部门事后执法提供强有力依据,通过基于大数据处理平台对目标车辆的轨迹进行完整预测,有利于获取的预测结果可信度较高,能够快速获取对应目标车辆的源头位置。
实施例7:
本发明实施例提供了所述根据所述目标车辆对应的GPS数据,获取GPS队列数据,针对所述GPS队列数据中相邻的数据进行提取分析,获取GPS相邻数据提取分析结果,执行步骤包括:
步骤1:获取目标车辆对应的GPS数据对应的时间,并根据所述 GPS数据对应的时间获取时间差值;
步骤2:基于GPS队列数据进行经纬度数据提取,获取两组经纬度坐标数据,将所述经纬度坐标数据进行转化,获取经纬度弧度数据;其中,坐标转化的公式为D×π/180;
步骤3:计算两组经纬度坐标数据之间的距离,计算公式如下:
s=6378.137×2×Math.asin(Math.sqrt(Math.pow(Math.sin(y1-y2)/2),2) +Math.cos(y1)×Math.cos(y2)×Math.pow(Math.sin((x1-x2)/2),2)))
其中,x1和y1表示第一组GPS数据的经纬度转换结果,x2和y2表示第二组GPS数据的经纬度转换结果,6378.137表示地球半径的变量;
步骤4:根据两组经纬度坐标数据之间的距离和时间计算速度:
当计算结果显示,速度大于20m/s时,进行自动跳过处理,
当计算结果显示,时间为20min,距离为50m时作为最优数据,
步骤5:基于所述最优数据进行数据查找,获取包含工地信息的组,结合抓拍点位数据进行数据分析,获取目标车辆的行驶轨迹;
本发明在进行实施的的原理为:本发明将与目标车辆相关的GPS 数据队列中相邻的数据两两提取进行分析,首先两组GPS数据的时间做差获取时间差,再提取两组GPS数据的经纬度坐标做转化,将坐标数据转化为弧度数据,再计算出两组数据之间的距离,进而计算对应的速度值,当速度大于20米每秒时自动跳过,当小于时针对距离与时间进行比对,通过一系列的实验比对分析后,此时间为20分钟距离为50米最佳,对数据进行逻辑判断与分组,筛选出符合逻辑的数据后,获取包含工地信息的组,再结合抓拍点位数据分析追溯目标车辆行驶轨迹,实现车辆精准画像,在经过大量数据分析后进行总结汇总,可对未出现过的车辆进行追溯预测;
上述技术方案的有益效果为:本发明通过卡口抓拍数据、GPS数据,进行轨迹双重研判,同时将车辆落脚点进行分析有利于实现车辆精准画像,此外,通过,结合车牌、轨迹、地图路径规划与轨迹库轨迹进行比对,已经出现过的车辆可根据车牌进行常用路径比对,能够实现对未出现过的车辆可根据群体规律进行预测。
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 (4)
1.一种特定车辆溯源分析方法,其特征在于,包括:
获取车辆遗撒位置和遗撒时间,基于预设的道路交通治安卡口监控***判断所述遗撒位置是否包含卡口抓拍数据,获取渣土车对应的卡口抓拍数据;
根据所述车辆对应的卡口抓拍数据进行特征分析,确定目标车辆特征;
根据所述目标车辆特征,基于预设的渣土车抓拍底库,结合所述目标车辆的抓拍数据和GPS数据,确定目标车辆的源头位置;
其中,所述根据所述目标车辆特征,基于预设的渣土车抓拍底库,结合目标车辆的抓拍数据和GPS数据,确定目标车辆的源头位置,包括:
将所述目标车辆特征基于预设的分类方式进行分组处理,并基于分类特征针对目标车辆的抓拍数据进行检索,获取目标车辆对应24小时内的抓拍数据;
将所述目标车辆对应24小时内的抓拍数据基于预设的Oracle数据库进行数据查询,获取目标车辆的GPS数据,将所述目标车辆的GPS数据进行多线程分析,确定目标GPS数据;
基于所述目标GPS数据、遗撒时间和目标车辆抓拍点位进行数据融合,确定目标车辆的一级运行轨迹,并根据所述一级运行轨迹判断目标车辆的目标位置;
基于所述目标车辆的目标位置和一级运行轨迹,结合预设的道路网络进行智能分析,获取目标车辆的二级运行轨迹;
基于所述目标车辆的二级运行轨迹和目标位置进行信息分析和溯源,确定目标车辆的源头位置;
所述根据所述车辆对应的卡口抓拍数据进行特征分析,确定目标车辆特征,包括:
根据渣土车对应的所有卡口抓拍视频帧数据进行抽帧处理,获取若干帧独立图像帧数据,将所述图像帧数据通过Redis推送至对应算法进行解析,获取一级目标车辆特征,将包含一级目标车辆特征的卡口数据确定为一级卡口数据;
将所述一级卡口数据推送至Redis进行二次解析,获取二级目标车辆特征,将包含所述二级目标车辆特征的卡口数据确定为二级卡口数据;
针对所述二级卡口数据进行数据分析,获取结构化数据,确定三级卡口数据;
将所述三级卡口数据同步推送至Kafka进行特征提取,获取三级目标车辆特征,并基于所述三级目标车辆特征利用elasticsearch构建渣土车抓拍底库,并基于所述渣土车抓拍底库进行数据筛查,获取四级目标车辆特征;
所述根据所述车辆对应的卡口抓拍数据进行特征分析,确定目标车辆特征,还包括:基于预设的特征分析模型针对所述目标车辆进行特征分析,获取目标车辆的基本特征信息;其中,所述基本特征信息包括:车牌信息、车辆颜色信息、驾驶员面部信息和车辆尺寸信息;
所述根据所述目标车辆特征,基于预设的渣土车抓拍底库,结合所述目标车辆的抓拍数据和GPS数据,确定目标车辆的源头位置,还包括:
基于预设的工地信息库,将所述GPS数据对应的经纬度数据与所述工地信息库中工地对应的空间位置进行关联度分析,获取关联度分析结果;
将所述关联度分析结果按照由高到低进行排序处理,将前5位工地作为初级源头位置;在GPS数据入库前,与现有的工地空间位置进行比对,程序会绘制工地多边形空间范围,用GPS的经纬度坐标与其比对计算,根据空间算法判断出当前经纬度是否在工地范围内,缩短后续分析的时间。
2.如权利要求1所述的一种特定车辆溯源分析方法,其特征在于,所述根据所述车辆对应的卡口抓拍数据进行特征分析,确定目标车辆特征,还包括:
根据所述渣土车遗撒位置和遗撒时间,获取所述遗撒位置对应的抓拍视频帧数据;
根据所述渣土车对应的抓拍视频帧数据进行视频分割,获取若干帧图像数据;
针对所述若干帧图像数据进行目标检测,判断所述图像数据中的车辆与对应的渣土车是否一致,确定判断结果,获取目标车辆。
3.如权利要求1所述的一种特定车辆溯源分析方法,其特征在于,所述根据所述目标车辆特征,基于预设的渣土车抓拍底库,结合所述目标车辆的抓拍数据和GPS数据,确定目标车辆的源头位置,还包括:
根据所述目标车辆对应的GPS数据,获取GPS队列数据,针对所述GPS队列数据中相邻的数据进行提取分析,获取GPS相邻数据提取分析结果;
将所述提取分析结果结合目标车辆的抓拍数据针对目标车辆的运行轨迹进行分析追溯,获取目标车辆的轨迹追溯结果;
针对所述目标车辆的轨迹追溯结果,基于预设的大数据处理***,对目标车辆的完整运行轨迹进行预测,获取完整轨迹的预测结果。
4.如权利要求3所述的一种特定车辆溯源分析方法,其特征在于,所述根据所述目标车辆对应的GPS数据,获取GPS队列数据,针对所述GPS队列数据中相邻的数据进行提取分析,获取GPS相邻数据提取分析结果,执行步骤包括:
步骤1:获取目标车辆对应的GPS数据对应的时间,并根据所述GPS数据对应的时间获取时间差值;
步骤2:基于GPS队列数据进行经纬度数据提取,获取两组经纬度坐标数据,将所述经纬度坐标数据进行转化,获取经纬度弧度数据;其中,坐标转化的公式为D×π/180,D表示经纬度数据;
步骤3:计算两组经纬度坐标数据之间的距离,计算公式如下:
s=6378.137×2×Math.asin(Math.sqrt(Math.pow(Math.sin(y1-y2)/2),2)+Math.cos(y1)×Math.cos(y2)×Math.pow(Math.sin((x1-x2)/2),2)))
其中,x1和y1表示第一组GPS数据的经纬度转换结果,x2和y2表示第二组GPS数据的经纬度转换结果,6378.137表示地球半径的变量;
步骤4:根据两组经纬度坐标数据之间的距离和时间计算速度:
当计算结果显示,速度大于20m/s时,进行自动跳过处理,
当计算结果显示,时间为20min,距离为50m时作为最优数据,
步骤5:基于所述最优数据进行数据查找,获取包含工地信息的组,结合抓拍点位数据进行数据分析,获取目标车辆的行驶轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211081346.XA CN115457777B (zh) | 2022-09-06 | 2022-09-06 | 一种特定车辆溯源分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211081346.XA CN115457777B (zh) | 2022-09-06 | 2022-09-06 | 一种特定车辆溯源分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115457777A CN115457777A (zh) | 2022-12-09 |
CN115457777B true CN115457777B (zh) | 2023-09-19 |
Family
ID=84302848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211081346.XA Active CN115457777B (zh) | 2022-09-06 | 2022-09-06 | 一种特定车辆溯源分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115457777B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115964545B (zh) * | 2023-03-16 | 2023-05-30 | 四川国蓝中天环境科技集团有限公司 | 一种基于运渣车轨迹点推断污染点位的方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201548995U (zh) * | 2009-12-24 | 2010-08-11 | 济南大学 | 建筑渣土运输管理*** |
CN103473927A (zh) * | 2013-09-18 | 2013-12-25 | 柳州天运寰通科技有限公司 | 一种车辆漏撒监控***的监控方法 |
RU2014100605A (ru) * | 2014-01-09 | 2015-07-20 | Государственное предприятие "Украинский научно-технический центр металлургической промышленности "Энергосталь" (ГП "УкрНТЦ "Энергосталь") | Металлургический комбинат |
CN110092217A (zh) * | 2019-03-27 | 2019-08-06 | 中铁隧道股份有限公司 | 将隧道内运渣车车厢内的渣土倾卸的整体式翻渣工作台 |
CN110889371A (zh) * | 2019-11-26 | 2020-03-17 | 浙江大华技术股份有限公司 | 一种渣土车抛洒检测的方法及装置 |
CN210244457U (zh) * | 2019-10-10 | 2020-04-03 | 中电骏途新能源科技有限公司 | 一种自动确认渣土车出工地的*** |
CN111274982A (zh) * | 2020-02-04 | 2020-06-12 | 浙江大华技术股份有限公司 | 抛洒物的识别方法、装置及存储介质 |
CN112215038A (zh) * | 2019-07-11 | 2021-01-12 | 上海闪马智能科技有限公司 | 特定车辆识别***、方法及存储介质 |
CN112348091A (zh) * | 2020-11-10 | 2021-02-09 | 成都福立盟环保大数据有限公司 | 基于渣土车gps的双聚类的黑工地点位识别算法 |
CN112432654A (zh) * | 2020-11-20 | 2021-03-02 | 浙江大华汽车技术有限公司 | 一种渣土车的状态分析方法和装置及存储介质 |
CN112733047A (zh) * | 2020-11-05 | 2021-04-30 | 浙江大华技术股份有限公司 | 车辆落脚点生成方法、装置、设备及计算机存储介质 |
CN113689102A (zh) * | 2021-08-17 | 2021-11-23 | 武汉依迅北斗时空技术股份有限公司 | 工地监查方式确定方法及*** |
CN113688805A (zh) * | 2021-10-25 | 2021-11-23 | 深圳联和智慧科技有限公司 | 一种基于无人机的无牌渣土车识别方法及*** |
CN114023076A (zh) * | 2021-10-22 | 2022-02-08 | 北京商海文天科技发展有限公司 | 一种基于多源异构数据的特定车辆追踪方法 |
WO2022083166A1 (zh) * | 2020-10-19 | 2022-04-28 | 山东交通学院 | 一种卡口数据缺失下的车辆行车轨迹重建方法及*** |
CN114529852A (zh) * | 2022-02-21 | 2022-05-24 | 北京商海文天科技发展有限公司 | 一种基于视频数据的遗留物检测分析方法 |
WO2022105019A1 (zh) * | 2020-11-20 | 2022-05-27 | 罗普特科技集团股份有限公司 | 一种车辆卡口设备抓拍质量评估方法、装置及可读介质 |
CN114692018A (zh) * | 2022-03-22 | 2022-07-01 | 杭州海康威视***技术有限公司 | 数据处理方法、装置、电子设备及机器可读存储介质 |
-
2022
- 2022-09-06 CN CN202211081346.XA patent/CN115457777B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201548995U (zh) * | 2009-12-24 | 2010-08-11 | 济南大学 | 建筑渣土运输管理*** |
CN103473927A (zh) * | 2013-09-18 | 2013-12-25 | 柳州天运寰通科技有限公司 | 一种车辆漏撒监控***的监控方法 |
RU2014100605A (ru) * | 2014-01-09 | 2015-07-20 | Государственное предприятие "Украинский научно-технический центр металлургической промышленности "Энергосталь" (ГП "УкрНТЦ "Энергосталь") | Металлургический комбинат |
CN110092217A (zh) * | 2019-03-27 | 2019-08-06 | 中铁隧道股份有限公司 | 将隧道内运渣车车厢内的渣土倾卸的整体式翻渣工作台 |
CN112215038A (zh) * | 2019-07-11 | 2021-01-12 | 上海闪马智能科技有限公司 | 特定车辆识别***、方法及存储介质 |
CN210244457U (zh) * | 2019-10-10 | 2020-04-03 | 中电骏途新能源科技有限公司 | 一种自动确认渣土车出工地的*** |
CN110889371A (zh) * | 2019-11-26 | 2020-03-17 | 浙江大华技术股份有限公司 | 一种渣土车抛洒检测的方法及装置 |
CN111274982A (zh) * | 2020-02-04 | 2020-06-12 | 浙江大华技术股份有限公司 | 抛洒物的识别方法、装置及存储介质 |
WO2022083166A1 (zh) * | 2020-10-19 | 2022-04-28 | 山东交通学院 | 一种卡口数据缺失下的车辆行车轨迹重建方法及*** |
CN112733047A (zh) * | 2020-11-05 | 2021-04-30 | 浙江大华技术股份有限公司 | 车辆落脚点生成方法、装置、设备及计算机存储介质 |
CN112348091A (zh) * | 2020-11-10 | 2021-02-09 | 成都福立盟环保大数据有限公司 | 基于渣土车gps的双聚类的黑工地点位识别算法 |
CN112432654A (zh) * | 2020-11-20 | 2021-03-02 | 浙江大华汽车技术有限公司 | 一种渣土车的状态分析方法和装置及存储介质 |
WO2022105019A1 (zh) * | 2020-11-20 | 2022-05-27 | 罗普特科技集团股份有限公司 | 一种车辆卡口设备抓拍质量评估方法、装置及可读介质 |
CN113689102A (zh) * | 2021-08-17 | 2021-11-23 | 武汉依迅北斗时空技术股份有限公司 | 工地监查方式确定方法及*** |
CN114023076A (zh) * | 2021-10-22 | 2022-02-08 | 北京商海文天科技发展有限公司 | 一种基于多源异构数据的特定车辆追踪方法 |
CN113688805A (zh) * | 2021-10-25 | 2021-11-23 | 深圳联和智慧科技有限公司 | 一种基于无人机的无牌渣土车识别方法及*** |
CN114529852A (zh) * | 2022-02-21 | 2022-05-24 | 北京商海文天科技发展有限公司 | 一种基于视频数据的遗留物检测分析方法 |
CN114692018A (zh) * | 2022-03-22 | 2022-07-01 | 杭州海康威视***技术有限公司 | 数据处理方法、装置、电子设备及机器可读存储介质 |
Non-Patent Citations (1)
Title |
---|
基于树莓派与神经计算棒的特种车辆检测识别;陈璐;管霜霜;谢艳芳;;计算机***应用(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115457777A (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Research trend of the application of information technologies in construction and demolition waste management | |
Kim et al. | Vision-based nonintrusive context documentation for earthmoving productivity simulation | |
CN111615054B (zh) | 人口分析方法及装置 | |
Yuan et al. | An unlicensed taxi identification model based on big data analysis | |
CN111429726B (zh) | 一种监控视频违停车辆检测、管理方法及对应的*** | |
CN103578277B (zh) | 套牌嫌疑车搜索方法及其装置 | |
CN104778245A (zh) | 基于海量车牌识别数据的相似轨迹挖掘方法及装置 | |
CN115457777B (zh) | 一种特定车辆溯源分析方法 | |
CN109118766A (zh) | 一种基于交通卡口的同行车辆判别方法及装置 | |
Ali et al. | Coverage and mobile sensor placement for vehicles on predetermined routes: A greedy heuristic approach | |
Aziz et al. | Identifying and characterizing truck stops from GPS data | |
Opara et al. | Defect detection on asphalt pavement by deep learning | |
Li et al. | Exploring multiple crowdsourced data to learn deep convolutional neural networks for road extraction | |
Oshan et al. | A scoping review on the multiplicity of scale in spatial analysis | |
Li et al. | Identification of undocumented buildings in cadastral data using remote sensing: Construction period, morphology, and landscape | |
Zamani et al. | Simulation-based decision support system for earthmoving operations using computer vision | |
Heydarian et al. | Automated benchmarking and monitoring of an earthmoving operation's carbon footprint using video cameras and a greenhouse gas estimation model | |
CN116524210A (zh) | 自动驾驶数据筛选方法、***、电子设备和存储介质 | |
Kumar et al. | The Real Time Vehicle License Plate Identification System | |
CN115114786A (zh) | 一种用于交通流仿真模型的评估方法、***和存储介质 | |
Adrees et al. | A proposed framework for using GIS to enhance traffic safety in Sudan: a case study | |
CN112633163A (zh) | 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 | |
Tsui et al. | Geographic information systems for circular cities and regions | |
Singh et al. | Evaluating the Performance of Ensembled YOLOv8 Variants in Smart Parking Applications for Vehicle Detection and License Plate Recognition under Varying Lighting Conditions | |
Karnati et al. | Machine Learning Algorithms for Traffic Interruption Detection |
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 |