本发明一种基于时空范围约束的可疑车辆发现算法，涉及智能交通、时空数据库和人工智能等应用领域，特别是一种不依赖视觉特征的可疑车辆发现方法。
背景技术
可疑车辆识别是智能交通中的重要问题，旨在帮助公安机关追踪违规、违法车辆。实际生活中的可疑车辆通常包括两类：一是具有典型外部特征的车辆，如有目击者或者某处的监控系统记录了可疑车辆的典型外部特征，如车牌号、品牌型号和颜色等；二是外部特征未知的车辆。当前的可疑车辆发现算法主要具有典型外部特征的可疑车辆，通常采用基于图像处理的发现算法，主要包括确定可疑车辆的车牌号以及确定可疑车辆的行车路线两类。确定可疑车辆的车牌号，即对于目击证人提供的车辆品牌、颜色和型号等特征，通过监控系统查询事故现场附近的在事故发生时间区间内所有满足特征的车辆信息，逐个排查直至确定可疑车辆的车牌号，从而确定犯罪嫌疑人的身份信息。确定可疑车辆的行车路线是指给定车牌号和时间区间，通过监控系统查询给定车辆的运动轨迹，即车辆在给定时间区间内经过哪些路段以及在何处停留多久等信息。可疑车辆车牌号的识别和行车路线的查询可以结合起来，根据行车路线可以提高车牌号识别的效率和精度。
对于车牌号识别主要通过图像处理的方法，在监控系统拍摄的视频中提取各个车辆的特征，与现场目击者提供的车辆特征进行匹配，找到在事故地点附件、在事故发生前后的时间区间内所有满足特征的车辆。当前的交通监控系统已经能够快速高效的识别过往车辆的车牌号，因此可以确定所有满足特征的车辆的车牌号。然后根据车牌号，结合每辆车的行车路线进一步缩小可疑车辆的范围。
对于无典型外部特征的可疑车辆，通常采用查询的方式，根据警方推测的时间和位置在交通系统内查找满足条件的车辆。现有的可疑车辆查询方法采用关系数据库的数据存储和查询方法，包括两类：一是确定时间和确定位置的查询，即是在关系数据库中检索时间和位置与给定条件相等的所有车辆；二是时间范围和确定位置的查询，即查询给定时间范围内通过特定位置的所有车辆。由于这类方法中位置信息通常采用的符号位置，因此仅支持确定位置的查询，而很难适用于空间范围的查询。然而，在实际应用中可疑车辆的查询通常是基于时间范围和空间范围的查询，即在某个时间段内经过某片区域的车辆即为可疑车辆。而且，为了增加查询精度，通常需要根据案件线索设置多组时间范围和空间范围的约束。
可疑车辆的发现有助于警方追捕犯罪嫌疑人，而可疑车辆为了干扰警方的追捕工作，通常采用各种方式隐匿自身的交通路径，使得警方很难精确定位某一时刻可疑车辆位于哪个位置，需要投入大量人力物力通过人工方式甄别交通系统的监控视频，并逐步扩大时间和空间范围进行排查。因此需要提供一种不依赖视觉特征的可疑车辆发现方法，能够自动、高效的发现可疑车辆，为警方打击犯罪行为提供决策支持。
现有的可疑车辆发现方法主要通过图像识别技术，发现具备一定外部特征的嫌疑车辆，或者利用关系数据库查询技术发现通过特定地点的车辆，无法高效地解决在时间和地点不确定的情况下无明确外部特征的可疑车辆的发现问题。
技术实现要素：
本发明的目的是针对上述不足之处提供一种基于时空范围约束的可疑车辆发现算法，能够在时间和地点不确定的情况下发现无明确外部特征的可疑车辆，解决对基于图像识别的方法以及基于关系数据库的方法均无法高效发现无典型外部特征且位置信息不明确的可疑车辆的查询问题。
本发明是采取以下技术方案实现的：
一种基于时空范围约束的可疑车辆发现算法，包括如下步骤，
1）提交k个时空约束条件
k是自然数，k的取值范围为1≤k≤10；
k个时空约束条件即k组相对明确的空间和时间范围；
2）在轨迹数据库中依次查找符合k个时空约束条件的车辆，并得出最终查询结果。
步骤2）的具体过程，包括如下步骤：
下面所述的i为自然数，1≤i<k；
2-1）若对第i个时空约束条件的查询结果为空，则说明交通管理系统中不存在满足所有时空约束条件测车辆，查询结果为空，进入步骤2-3）；若对第i个时空约束条件的查询结果不为空，则进入步骤2-2）；
2-2）更新源数据库和当前时空约束条件；
如果第i个时空约束条件为最后一个时空约束条件，则当前查询结果即为最终查询结果，进入步骤2-3）；否则，将针对第i个时空约束条件的查询结果，作为第i+1个时空约束条件查询的数据源，进入步骤2-1）进行第i+1个时空约束条件的查询；
2-3）用户确认是否需要调整时空约束条件，若不要调整，则输出查询结果，结束算法执行过程；若需要调整，则用户确定当前结果偏多或者偏少，若当前结果偏少，则进入步骤2-4）；若当前结果偏多，则进入步骤2-5）；
2-4）由用户根据实际情况，在当前已计算完成的时空约束条件中删除最不重要的时空约束条件或者放松约束最强的时空约束条件中的时间和空间限制；或者由算法选择在当前已计算完成的时空约束条件中查询结果与输入源数据量比值最小的时空约束条件，放松其时间和空间限制；若删除第j个时空约束条件，则将第j个时空约束条件的源数据作为第j+1个时空约束条件的源数据，进入步骤2-1）进行第j+1个时空约束条件的查询；若放松第j个时空约束条件，则保持第j+1个时空约束条件的源数据不变，进入步骤2-1）进行第j个时空约束条件的查询；所述j为自然数，1≤j<k；
2-5）由用户根据实际情况在当前已计算完成的k个时空约束条件中加强约束最弱的时空约束条件中的时间和空间限制或添加新的时空约束条件；或者由算法选择在当前已计算完成的k个时空约束条件中查询结果与输入源数据量比值最大的时空约束条件，加强其时间和空间限制，将当前查询结果作为源数据，将新的时空约束条件或者加强时间和空间限制后的时空约束条件作为系统的第k+1个时空约束条件，进入步骤2-1）进行第k+1个时空约束条件的查询。
发明优点：本发明主要用于在时间和地点不确定的情况下高效地发现无典型外部特征的可疑车辆。当可疑车辆无明确外部特征时，现有的基于图像识别的方法不可用；当位置信息不确定时，基于关系数据库的查询方法无法高效地发现可疑车辆。利用可疑车辆运动的时空特征，将可疑车辆运动的时间范围和空间范围表示为时空约束条件，基于时空约束进行可疑车辆的查询，能够支持多个时空约束条件以及分布式处理方式以提高可疑车辆发现的效率。
附图说明
以下将结合附图对本发明作进一步说明：
图1是本发明可疑车辆发现算法的逻辑流程图；
图2是本发明可疑车辆发现算法的约束空间划分实施例示意图；
图3是本发明采用的基于数据划分的分布式方法流程图；
图4是本发明采用的基于数据备份的分布式方法流程图；
图5是本发明基于云平台的分布式算法可疑车辆发现算法实现的实施流程图。
具体实施方式
下面通过具体实施实例并结合附图来说明本发明方案。
假设每辆车obj在运动过程中的t时刻经过位置p时系统会产生一条记录(obj,t,p)，每个时空约束条件的格式为c=(t1,t2,pos1,pos2)，其中t1和t2表示时间，且t1≤t2，pos1=(x1,y1)和pos2=(x2,y2)，x1和x2表示位置pos1和pos2的经度，y1和y2表示位置pos1和pos2的纬度，以位置pos1和pos2为对角顶点所形成的矩形区域记为area(c)。若对象obj在t时刻位于区域area(c)内，即
对于某个嫌疑人而言，通常可以推断出其大概的逃逸时间和路线，在其逃逸路线上选择k个相对明确的空间和时间范围，即给定k个时空约束条件，每个时空约束条件ci的格式为：ci=(ti1,ti2,posi1,posi2)，1≤i≤k，表示嫌疑车辆在时间区间[ti1,ti2]内会经过以位置posi1和posi2为对角顶点所形成的矩形区域记为area(ci)。每辆车obj的路径轨迹是一系列采样点的集合，若车辆在t1时刻经过位置p1，在t2时刻经过位置p2，…，在tm时刻经过位置pm，则其路径为path(obj)={(obj,t1,p1),(obj,t2,p2),…,(obj,tm,pm)}。若某车辆obj的路径可满足给定的全部可k个时空约束条件，即
本发明发现可疑车辆的过程即为在交通管理系统中查找符合条件k个时空约束条件的所有车辆（1≤k≤10），该方法的逻辑流程如图1所示。在轨迹数据库中依次查找符合k个时空约束条件的车辆，其中针对第i（1≤i<k）个时空约束条件的查询结果作为第i+1个时空约束条件查询的数据源。若查询结果为空，或用户认为当前的查询结果较多或较少，说明当前时空约束条件的设置不合理，此时需要用户调整给定的时空约束条件。时空约束条件的调整存在两种情况：一是时空约束条件太强导致查询结果为空或结果较少，此时需要删除某些时空约束条件或者放松某些时空约束条件中的时间和空间限制；二是时空约束条件太弱导致查询结果数量较多，此时需要增加更多的时空约束条件或者将某些时空约束条件的时间和空间限制加强。时空约束条件调整的具体方案应由用户结合实际应用进行选择。
k个时空约束条件即k个相对明确的空间和时间范围。
提交k个时空约束条件的具体步骤，包括：
1-1）为每个时空约束条件ci=(ti1,ti2,posi1,posi2)，构建矩形空间区域area(ci)，该矩形空间区域作为ci的约束空间，其两个对角顶点分别为posi1=(xi1,yi1)和posi2=(xi2,yi2)，其中i是时空约束条件的序号，ti1、ti2、posi1、posi2分别表示可疑车辆在时间区间[ti1,ti2]内会经过area(ci)区域，1≤i≤k；
1-2）将约束空间area(ci)按照geohash的不同粒度划分成多个子空间，具体的划分为：
1-2-1）利用geohash的多粒度索引结构，从较粗粒度找出覆盖约束空间的子空间；
1-2-2）找出更细粒度上覆盖约束空间的子空间；
1-2-3）依次在更细力度上搜索，直到完全覆盖约束空间area(ci)。
图2为本发明中采用的约束空间划分实施例示意图，在此实施例中，约束空间area(ci)可以划分为area1、area2和area3、area4~area6三种不同粒度的6个子空间。
在轨迹数据库中依次查找符合k个时空约束条件的车辆，即：
2-1）在轨迹数据库tdbi中查找在时间区间[ti1,ti2]内经过每个子空间areaj的所有车辆lobj(areaj)；
2-2）合并步骤2-1）产生的所有结果，得到满足时空约束条件ci的所有可疑车辆
2-3）若所有时空约束条件均已处理完成，则输出可疑车辆集合gobj(ci)；否则更新轨迹数据库tdbi+1=gobj(ci)，跳转到步骤2-1）。
本发明所述的可疑车辆发现算法可以在分布式环境下以并行处理的方式提高效率。
下面举例，主要是采用基于数据划分的分布式方法和基于数据备份的分布式方法。
1）基于数据划分的分布式方法：
若原始的轨迹数据tdb以水平划分的方式存储在多个节点{n1,n2,…,nq}上，即
2）基于数据备份的分布式方法：
若原始的轨迹数据tdb在多个节点{n1,n2,…,nq}上均存储原始的轨迹数据tdb的一个完整副本，即每个节点ni上均存储数据集tdb，其中1≤i≤q。此时，若q≥k，则选择k个节点，每个节点ni上处理1个时空约束条件ci的可疑车辆查询，得到结果result(ci)，然后将这些结果求交集即可得到满足所有时空约束条件的可疑车辆，即
基于数据划分的分布式方法基于集中式方法，计算量较少；而基于数据备份的分布式方法利用冗余节点提高算法效率，可以在较短的时间内返回结果。在云环境下，由于数据一般按水平划分，并且每个数据分块均存储一定数量的备份，因此可以采用基于数据划分和基于数据备份相结合的分布式方法，在数据块之间采用基于数据划分的分布式方法，在数据块内部的各个数据备份上采用基于数据备份的分布式方法。
本发明算法要求车辆位置信息的采集过程中，用经纬度表示车辆的绝对位置，而非基于符号的相对位置。在交通系统中，由于数据量巨大，通常采用云平台实现对车辆位置信息的存储和分析。本发明所述的集中式算法部署在每个数据节点上，而分布式策略部署在master（主机）上。当用户提交时空约束条件进行可疑车辆查询时，master首先根据元数据判断如何利用云平台的特性进行分布式部署，在每个节点上进行集中式算法的查询产生局部结果，再对局部结果进行合并产生最终的所有可疑车辆。
假设现有的轨迹数据库tdb水平划分为tdb1和tdb2两个数据块，每个数据块存储3个副本，tdb1的三个副本分别存储在n1、n2和n3节点上，而tdb2数据块的副本存储在n4、n5和n6三个节点上。在进行分布式处理时，在数据块tdb1和tdb2上分别采用基于数据副本的分布式方法，而在tdb上的可疑车辆发现结果即为在tdb1和tdb2上结果的并集，如图5所示。在对tdb1的三个副本的分别求解满足时空约束条件c1、c2和c3的局部可疑车辆，产生结果r11、r21和r31，进而产生针对数据块tdb1的可疑车辆
通过上述实施例和分析，与传统可疑车辆发现方法相比，本发明：
1、不依赖于视觉特征，即无需提供可疑车辆的车牌、颜色、型号等外部特征即可发现可疑车辆；
2、支持不确定时间和空间的可疑车辆发现，即只给定时间范围和位置范围即可进行可疑车辆查找；
3、支持分布式部署以提高效率，既支持基于数据划分的分布式部署也支持基于数据备份的分布式部署。