基于卡口监测数据流的套牌车检测

李敏茜; 毛嘉莉; 袁培森; 金澈清

doi:10.3969/j.issn.1000-5641.2018.02.007

基于卡口监测数据流的套牌车检测

doi: 10.3969/j.issn.1000-5641.2018.02.007

1.
华东师范大学计算机科学与软件工程学院, 上海 200062
2.
华东师范大学数据科学与工程学院, 上海 200062
3.
南京农业大学信息科学技术学院, 南京 210095

基金项目:

国家重点研发计划重点专项（973） 2016YFB1000905

国家自然科学基金 61370101

国家自然科学基金 61532021

国家自然科学基金 U1501252

国家自然科学基金 U1401256

国家自然科学基金 61402180

详细信息

作者简介:
李敏茜, 女, 硕士研究生, 研究方向为基于位置的服务.E-mail:minxli@stu.ecnu.edu.cn

通讯作者:
金澈清, 男, 教授, 博士生导师, 研究方向为基于位置的服务.E-mail:cqjin@sei.ecnu.edu.cn

中图分类号: TP391
计量
- 文章访问数: 201
- HTML全文浏览量: 75
- PDF下载量: 394
- 被引次数: 0
出版历程
- 收稿日期: 2017-06-19
- 刊出日期: 2018-03-25

Detection of fake plate vehicles based on traffic data stream

1.
School of Computer Science and Software Engineering, East China Normal University, Shanghai 200062, China
2.
School of Data Science and Engineering, East China Normal University, Shanghai 200062, China
3.
College of Information Science and Technology, Nanjing Agricultural University, Nanjing 210095, China

摘要

摘要: 套牌车行为不仅扰乱公共交通秩序，还危害了真实车主的利益，给社会带来了极大危害，整治套牌车刻不容缓.广泛使用的卡口时间对比法使用统一的速度阈值检测套牌车辆，一旦阈值设置不当，容易造成套牌误判和漏检，导致检测结果准确率低.针对这样的问题，本文提出了一种两阶段的套牌车检测框架.离线部分根据历史卡口摄像头监测数据分时段对各路段建立速度分布，确定不同时段各路段的正常速度阈值；在线部分基于滑动窗口模型，根据正常速度阈值，对各路段实时通行车辆进行持续监测，将高频度出现速度异常的车辆判定为套牌车.最后使用真实卡口监测数据集对所提方法进行有效性验证，实验结果表明该方法能够有效避免噪声数据干扰，从而显著提升了套牌车检测的准确率.
- 套牌车 /
- 异常检测 /
- 速度分布 /
- 滑动窗口
Abstract: Since vehicles using fake plate violate traffic laws and regulations, infringe the rights of legal license owners and harm social benefits, it is therefore of great urgency to solve this social problem. In current detection methods, unified speed threshold is used to detect fake plate vehicles. Once an inappropriate threshold was set, it would lead to misjudgements and omissions, and thereby results in a low judgement accuracy. To solve this problem, we propose a two-phase fake plate vehicles detection framework. In the offline part, we train a distributed speed model based on sparse traffic trajectory data to calculate time-dependent thresholds for different roads. In the online part, we apply a sliding-window method to monitor whether a car is an outlier. If a car is continually detected as an outlier, it will be judged as a fake, and vice versa. We then use a real dataset to evaluate our method. The results demonstrate negative influences of noise data can be avoided by our method, so the accuracy of fake plate vehicles detection can be improved significantly.
- fake plate vehicle /
- anomaly detection /
- speed distribution /
- sliding window

HTML全文

图 1 不同路段不同时段车速对比示例

Fig. 1 An example of speed comparison

下载: 全尺寸图片幻灯片

图 2 某路段车速随时间变化示例

Fig. 2 An example of speed in different time

下载: 全尺寸图片幻灯片

图 3 套牌车检测框架

Fig. 3 Framework of fake plate vehicles detection

下载: 全尺寸图片幻灯片

图 4 路段1 d车流量分布示例

Fig. 4 Example of a traffic flow distribution

下载: 全尺寸图片幻灯片

图 5 路段速度分布示例

Fig. 5 Example of a road's speed distribution

下载: 全尺寸图片幻灯片

图 6 滑动窗口

Fig. 6 Sliding window

下载: 全尺寸图片幻灯片

图 7 (a)、(b)各路段平均速度与速度阈值

Fig. 7 (a)、(b)Average speed and threshold speed of every road

下载: 全尺寸图片幻灯片

图 8 参数敏感性

Fig. 8 Parameter effects

下载: 全尺寸图片幻灯片

图 9 性能分析

Fig. 9 Efficiency evaluation

下载: 全尺寸图片幻灯片

图 10 实验结果正确性对比

Fig. 10 Comparisons of two method

下载: 全尺寸图片幻灯片

算法1 构建路段速度分布集合
输入: 轨迹集合$I$
输出: 路段速度分布集合$SDS$
1. $SDS=\phi$;
2. $\textbf{for}$ $TR_C\in I$ $\textbf{do}$
3. $\textbf{for}$ $P_i, P_{i+1}\in TR_C$ $\textbf{do}$
4. $\textbf{if}$ NOT validate $(P_i, P_{i+1}) $ $\textbf{then}$
5. continue;
6. $\textbf{end if}$;
7. $v:\; P_i, P_{i+1}$之间的平均速度;
8. $T:\; P_i, P_{i+1}$所在时段;
9. $\textbf{if}$集合$SDS$中存在$P_i, P_{i+1}$相应路段的速度分布$RDS$ $\textbf{then}$
10. $D=RDS.\text{get}(T)$;
11. $D.x=D.x+v; $ $D.y=D.y+v^2$; $D.n=D.n+1$;
12. $\textbf{ else}$
13. 初始化$RDS$, 将$RDS$中各时段速度分布的$x, y, n$初始化为0;
14. $D=RDS.\text{get}(T)$;
15. $D.x=D.x+v$; $D.y=D.y+v^2$; $D.n=D.n+1$;
16. 将$\langle P_i.\text{ID}, P_{i+1}.\text{ID}, RDS\rangle$加入到集合$RDS$中;
17. $\textbf{end if}$
18. $\textbf{end for}$
19. $\textbf{end for}$
20. $\textbf{return}$ $SDS$;

下载: 导出CSV

算法2 在线高频度异常车辆检测
输入: 一个时段摄像头数据集合$\mathcal{L}$, 套牌车候选集合$E$, 速度分布集合$SDS$, 窗口大小$W$, 异常频度阈值$K$
输出: 套牌车集合$FP$, 套牌车候选集合$E$, 速度分布集合$SDS$
1. 由$\mathcal{L}$构建轨迹集合$I$
2. $\textbf{for}$ $\langle C_i, C\text{List}_i \rangle \in E$ $\textbf{do}$
3. $\textbf{if}$ len($C\text{List}_i$)==$ W$ $\textbf{then}$
4. $C\text{List}_i$.Delete(0);
5. $\textbf{end if}$
6. $C\text{List}_i$.insert(len($C\text{List}_i$), 0);
7. $\textbf{end for}$
8. $\textbf{for}$ $TR_C\in I$ $\textbf{do}$
9. num=OutlierNum$(TR_C, SDS)$;
10. Update$(TR_C, SDS)$;
11. $\textbf{if}$ num==0 $\textbf{then}$
12. continue;
13. $\textbf{end if}$
14. $C$:轨迹$TR_C$的车牌;
15. $\textbf{if}$ $E$中不含车牌$C$的记录 $\textbf{ then}$
16. $C\text{List}_C=\phi$;
17. $C\text{List}_C.\rm insert(0, num)$;
18. 将$\langle C, C\text{List}_C \rangle$加入到套牌车候选集合$E$中;
19. $\textbf{else}$
20. $C\text{List}_C [\text{len}(C\text{List}_C)-1]$=num;
21. $\textbf{end if}$
22. $\textbf{if}$ $C\text{List}_C$中元素之和超过$K$ $\textbf{then}$
23. 将车牌$C$加入到套牌车集合$FP$中;
24. $\textbf{end if}$
25. $\textbf{end for}$
26. 将$E$中所有异常频度之和为0的车牌移除;
27. $\textbf{return}$ $FP, E, SDS$;

下载: 导出CSV

参考文献(15)

[1]	唐晓东.套牌机动车辆检测方法分析[J].中国人民公安大学学报(自然科学版), 2013, 19(2):76-79. http://d.wanfangdata.com.cn/Periodical_gadxxb-zrkxb201302019.aspx
[2]	吴俊文, 范大伟. 一种汽车牌照防套牌装置: 中国, 200720000158. 4[P]. 2007-12-19.
[3]	杨博.物联网ZigBee技术在套牌车监管中的应用研究[J].制造业自动化, 2012, 34(17):41-43. doi: 10.3969/j.issn.1009-0134.2012.9(s).14
[4]	李悦, 刘晨.基于历史车牌识别数据的套牌车并行检测方法[J].计算机应用, 2016, 36(3):864-870. doi: 10.11772/j.issn.1001-9081.2016.03.864
[5]	周傲英, 杨彬, 金澈清, 等.基于位置的服务:架构与进展[J].计算机学报, 2011, 34(7):1155-1171. http://d.wanfangdata.com.cn/Periodical_jsjxb201107001.aspx
[6]	LIU H P, JIN C Q, ZHOU A Y. Popular route planning with travel cost estimation[C]//Proceedings, Part Ⅱ, of the 21st International Conference on Database Systems for Advanced Applications-Volume 9643. New York: Springer-Verlag Inc, 2016: 403-418.
[7]	WU C H, HO J M, LEE D T. Travel-time prediction with support vector regression[J]. IEEE Transactions on Intelligent Transportation Systems, 2004, 5(4):276-281. doi: 10.1109/TITS.2004.837813
[8]	CHEN Z B, SHEN H T, ZHOU X F. Discovering popular routes from trajectories[C]//2011 IEEE 27th International Conference on Data Engineering (ICDE). 2011: 900-911.
[9]	DENG C Y, XUE L F, LI W Q, et al. The real-time monitoring system for inspecting car based on RFID, GPS and GIS[C]//2010 International Conference on Environmental Science and Information Application Technology. IEEE, 2010: 772-775.
[10]	IQBAL U, ZAMIR S W, SHAHID M H, et al. Image based vehicle type identification[C]//2010 International Conference on Information and Emerging Technologies. IEEE, 2010, Page(s): 1-5. DOI: 10.1109/ICIET.2010.5625675.
[11]	卢晓春, 周欣, 蒋欣荣, 等.基于网格化监控的套牌车检测系统[J].计算机应用, 2009, 29(10):2847-2848. http://www.doc88.com/p-60799079761.html
[12]	毛嘉莉, 金澈清, 章志刚, 等.轨迹大数据异常检测:研究进展及系统框架[J].软件学报, 2017, 28(1):17-34. doi: 10.13328/j.cnki.jos.005151.html
[13]	LEI P R. A framework for anomaly detection in maritime trajectory behavior[J]. Knowledge and Information Systems, 2016, 47(1):189-214. doi: 10.1007/s10115-015-0845-4
[14]	ZHU J, JIANG W, LIU A, et al. Time-dependent popular routes based trajectory outlier detection[C]//International Conference on Web Information Systems Engineering-WISE 2015. Berlin: Springer International Publishing, 2015: 16-30.
[15]	PAN B, ZHENG Y U, WILKIE D, et al. Crowd sensing of traffic anomalies based on human mobility and social media[C]//Proceedings of the 21st ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. 2013: 344-353.