非法运营车辆的识别方法及电子设备与流程

1.本发明涉及智能交通技术领域，特别涉及一种非法运营车辆的识别方法及电子设备。


背景技术：

2.非法运营车辆的存在，严重威胁着乘客人身安全和交通秩序。目前，各地运管部门、交警部门都在进行对非法运营车辆进行打击。
3.现有技术中，非法运营车辆的识别主要是在固定的检查点人工设卡查处，但是由于非法运营车辆的司机相互报信，导致非法运营车辆的查处的效率较低。


技术实现要素：

4.本公开示例性的实施方式中提供一种非法运营车辆的识别方法及电子设备，用于提高非法运营车辆识别的效率。
5.本公开的第一方面提供一种非法运营车辆的识别方法，所述方法包括：
6.基于各待识别车辆的图像，分别得到所述各待识别车辆的车辆目标特征和车辆类型，其中所述车辆目标特征包括车辆出行时间、车辆落脚点、车辆途径点和车辆轨迹相似度；
7.针对任意一个待识别车辆，根据所述待识别车辆的车辆类型，确定与所述待识别车辆的车辆类型相对应的车辆风险评估模型；其中，所述车辆风险评估模型为各车辆目标特征分别与车辆风险评估值的对应关系；
8.利用所述车辆风险评估模型，分别得到与所述车辆出行时间、所述车辆落脚点、所述车辆途径点以及所述车辆轨迹相似度相对应第一车辆风险评估值；
9.通过各第一车辆风险评估值，确定第一车辆风险评估总值；
10.若确定所述待识别车辆的第一车辆风险评估总值大于第一指定阈值，则确定所述待识别车辆为非法运营车辆。
11.本实施例中通过基于各待识别车辆的图像，分别得到所述各待识别车辆的车辆目标特征和车辆类型；然后针对任意一个待识别车辆，根据所述待识别车辆的车辆类型，确定与所述待识别车辆的车辆类型相对应的车辆风险评估模型；其中，所述车辆风险评估模型为各车辆目标特征分别与车辆风险评估值的对应关系；并分别得到与所述车辆出行时间、所述车辆落脚点、所述车辆途径点以及所述车辆轨迹相似度相对应第一车辆风险评估值；通过各第一车辆风险评估值，确定第一车辆风险评估总值；若确定所述待识别车辆的第一车辆风险评估总值大于第一指定阈值，则确定所述待识别车辆为非法运营车辆。由此，本实施例可以自动识别出非法运营车辆，提高了非法运营车辆的识别效率。并且通过车辆出行时间、所述车辆落脚点、所述车辆途径点以及所述车辆轨迹相似度来识别非法运营车辆，提高了识别准确率。
12.在一个实施例中，通过以下方式确定所述待识别车辆的车辆出行时间：
13.针对任意一个待识别车辆，基于所述待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据；其中所述历史过车数据为车辆经过各地点的时间和方向；
14.针对同一日期中的历史过车数据，将所述历史过车数据按照时间段进行划分，得到各时间段内的子历史过车数据；
15.确定各时间段内的子历史过车数据的总数，并将与大于指定阈值的子历史过车数据的总数相对应的时间段确定为所述车辆出行时间。
16.本实施例中通过待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据；其中所述历史过车数据为车辆经过各地点的时间和方向；然后针对同一日期中的历史过车数据，将所述历史过车数据按照时间段进行划分，得到各时间段内的子历史过车数据；并确定各时间段内的子历史过车数据的总数，并将与大于指定阈值的子历史过车数据的总数相对应的时间段确定为所述车辆出行时间。以使得到的车辆出行时间更加准确。
17.在一个实施例中，通过以下方式确定所述待识别车辆的车辆落脚点：
18.针对任意一个待识别车辆，基于所述待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据；其中所述历史过车数据为车辆经过各地点的时间和方向；
19.针对同一日期中的历史过车数据，将所述历史过车数据按照时间段进行划分，得到各子历史过车数据；其中，各子历史过车数据是按照时间顺序进行排列的；
20.针对任意两个相邻的子历史过车数据，若所述两个子历史过车数据之间的时间间隔大于指定时间间隔，则将所述两个子历史过车数据中指定的子历史过车数据中处于指定位置的地点确定为所述待识别车辆的子车辆落脚点；
21.利用预设算法对各子车辆落脚点进行聚合分析，得到各类子落脚点；
22.将子落脚点数量最多的类别确定为所述车辆落脚点。
23.本实施例中通过时间间隔大于指定时间间隔的相邻的两个子历史过车数据中指定的子历史过车数据中处于指定位置的地点确定为所述待识别车辆的车辆落脚点，以此保证得到车辆落脚点更加准确。
24.在一个实施例中，通过以下方式确定所述待识别车辆的车辆途经点：
25.针对任意一个待识别车辆，基于所述待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据；其中所述历史过车数据为车辆经过各地点的时间和方向；
26.若所述历史过车数据中包含预设地点中的任意一个，则将包含的所述预设地点确定为所述车辆途径点。
27.本实施例基于所述待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据，若所述历史过车数据中包含预设地点中的任意一个，则将包含的所述预设地点确定为所述车辆途径点。以此使得确定出车辆途径点更加准确。
28.在一个实施例中，通过以下方式确定所述待识别车辆的车辆轨迹相似度：
29.针对任意一个待识别车辆，基于所述待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据；其中所述历史过车数据为车辆经过各地点的时间和方
向；
30.利用所述历史过车数据，得到所述待识别车辆的各车辆出行轨迹；
31.针对任意两个车辆出行轨迹，根据所述两个车辆出行轨迹，得到所述两个车辆出行轨迹的目标公共轨迹长度；并，
32.通过所述目标公共轨迹长度以及所述两个车辆出行轨迹长度，得到两个车辆出行轨迹之间的相似度；
33.基于各车辆出行轨迹之间的相似度，得到所述车辆轨迹相似度。
34.本实施例通过针对任意一个待识别车辆，基于所述待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据，利用所述历史过车数据，得到所述待识别车辆的各车辆出行轨迹；针对任意两个车辆出行轨迹，根据所述两个车辆出行轨迹，得到所述两个车辆出行轨迹的目标公共轨迹长度；并，通过所述目标公共轨迹长度以及所述两个车辆出行轨迹长度，得到两个车辆出行轨迹之间的相似度；基于各车辆出行轨迹之间的相似度，得到所述车辆轨迹相似度。以此使得确定出的车辆轨迹相似度更加准确。
35.在一个实施例中，所述车辆目标特征还包括车辆自身特征和车辆运营特征，其中所述车辆自身特征包括车辆运营性质、车辆年限、车辆归属地、车辆归属企业以及车辆年审检验情况中的至少一个；所述车辆运营特征包括是否具有运营区间标识牌和/或是否有人员超员情况；
36.所述通过各第一车辆风险评估值，确定第一车辆风险评估总值之后，所述方法还包括：
37.若所述待识别车辆的第一车辆风险评估总值不大于所述第一指定阈值，则基于所述车辆风险评估模型，得到与所述车辆自身特征和所述车辆运营特征分别相对应的第二车辆风险评估值；
38.根据各第二车辆风险评估值以及各第一车辆风险评估值，得到第二风险评估总值；
39.若确定所述第二风险评估总值大于所述第一指定阈值，则确定所述待识别车辆为非法运营车辆；或，
40.若确定所述第二风险评估总值不大于所述第一指定阈值，则确定所述待识别车辆不是非法运营车辆。
41.本实施例通过车辆自身特征和车辆运营特征来进一步判断待识别车辆是否是非法运营车辆，以此提高非法运营车辆识别的准确率。
42.在一个实施例中，所述根据所述待识别车辆的车辆类型，确定与所述待识别车辆的车辆类型相对应的车辆风险评估模型之前，所述方法还包括：
43.通过所述待识别车辆的类型，对所述车辆目标特征进行筛选，得到筛选后的车辆目标特征，并将所述筛选后的车辆目标特征确定为所述车辆目标特征。
44.本实施例中通过所述待识别车辆的类型，对所述车辆目标特征进行筛选，得到筛选后的车辆目标特征，并将所述筛选后的车辆目标特征确定为所述车辆目标特征，由此，本实施例中将不需要的车辆目标特征进行过滤，以此提高识别的准确率和识别效率。
45.在一个实施例中，所述基于各待识别车辆的图像，分别得到所述各待识别车辆的车辆目标特征和车辆类型之前，所述方法还包括：
46.针对任意一个车辆，若所述车辆满足指定条件，则确定所述车辆为所述待识别车辆，其中，所述指定条件为车辆的营运性质为非营运车辆或营转非车辆，且所述车辆进入指定区域。
47.本实施例中针对任意一个车辆，若所述车辆满足指定条件，则确定所述车辆为所述待识别车辆，其中，所述指定条件为车辆的营运性质为非营运车辆或营转非车辆，且所述车辆未进入指定区域，由此只对营运性质为非营运车辆或营转非车辆，且所述车辆进入指定区域进行识别，以此节省时间，提高识别效率。
48.本公开第二方面提供一种电子设备，包括存储单元和处理器，其中：
49.所述存储单元，被配置为存储各待识别车辆的图像；
50.所述处理器，被配置为：
51.基于各待识别车辆的图像，分别得到所述各待识别车辆的车辆目标特征和车辆类型，其中所述车辆目标特征包括车辆出行时间、车辆落脚点、车辆途径点和车辆轨迹相似度；
52.针对任意一个待识别车辆，根据所述待识别车辆的车辆类型，确定与所述待识别车辆的车辆类型相对应的车辆风险评估模型；其中，所述车辆风险评估模型为各车辆目标特征分别与车辆风险评估值的对应关系；
53.利用所述车辆风险评估模型，分别得到与所述车辆出行时间、所述车辆落脚点、所述车辆途径点以及所述车辆轨迹相似度相对应第一车辆风险评估值；
54.通过各第一车辆风险评估值，确定第一车辆风险评估总值；
55.若确定所述待识别车辆的第一车辆风险评估总值大于第一指定阈值，则确定所述待识别车辆为非法运营车辆。
56.在一个实施例中，通过以下方式确定所述待识别车辆的车辆出行时间：
57.针对任意一个待识别车辆，基于所述待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据；其中所述历史过车数据为车辆经过各地点的时间和方向；
58.针对同一日期中的历史过车数据，将所述历史过车数据按照时间段进行划分，得到各时间段内的子历史过车数据；
59.确定各时间段内的子历史过车数据的总数，并将与大于指定阈值的子历史过车数据的总数相对应的时间段确定为所述车辆出行时间。
60.在一个实施例中，通过以下方式确定所述待识别车辆的车辆落脚点：
61.针对任意一个待识别车辆，基于所述待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据；其中所述历史过车数据为车辆经过各地点的时间和方向；
62.针对同一日期中的历史过车数据，将所述历史过车数据按照时间段进行划分，得到各子历史过车数据；其中，各子历史过车数据是按照时间顺序进行排列的；
63.针对任意两个相邻的子历史过车数据，若所述两个子历史过车数据之间的时间间隔大于指定时间间隔，则将所述两个子历史过车数据中指定的子历史过车数据中处于指定位置的地点确定为所述待识别车辆的车辆落脚点。
64.在一个实施例中，通过以下方式确定所述待识别车辆的车辆途经点：
65.针对任意一个待识别车辆，基于所述待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据；其中所述历史过车数据为车辆经过各地点的时间和方向；
66.若所述历史过车数据中包含预设地点中的任意一个，则将包含的预设地点确定为所述车辆途径点。
67.在一个实施例中，通过以下方式确定所述待识别车辆的车辆轨迹相似度：
68.针对任意一个待识别车辆，基于所述待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据；其中所述历史过车数据为车辆经过各地点的时间和方向；
69.利用所述历史过车数据，得到所述待识别车辆的各车辆出行轨迹；
70.针对任意两个车辆出行轨迹，根据所述两个车辆出行轨迹，得到所述两个车辆出行轨迹的目标公共轨迹长度；并，
71.通过所述目标公共轨迹长度以及所述两个车辆出行轨迹长度，得到两个车辆出行轨迹之间的相似度；
72.基于各车辆出行轨迹之间的相似度，得到所述车辆轨迹相似度。
73.在一个实施例中，所述车辆目标特征还包括车辆自身特征和车辆运营特征，其中所述车辆自身特征包括车辆运营性质、车辆年限、车辆归属地、车辆归属企业以及车辆年审检验情况中的至少一个；所述车辆运营特征包括是否具有运营区间标识牌和/或是否有人员超员情况；
74.所述通过各第一车辆风险评估值，确定第一车辆风险评估总值之后，所述方法还包括：
75.若所述待识别车辆的第一车辆风险评估总值不大于所述第一指定阈值，则基于所述车辆风险评估模型，得到与所述车辆自身特征和所述车辆运营特征分别相对应的第二车辆风险评估值；
76.根据各第二车辆风险评估值以及各第一车辆风险评估值，得到第二风险评估总值；
77.若确定所述第二风险评估总值大于所述第一指定阈值，则确定所述待识别车辆为非法运营车辆；或，
78.若确定所述第二风险评估总值不大于所述第一指定阈值，则确定所述待识别车辆不是非法运营车辆。
79.在一个实施例中，所述处理器，还被配置为：
80.所述根据所述待识别车辆的车辆类型，确定与所述待识别车辆的车辆类型相对应的车辆风险评估模型之前，通过所述待识别车辆的类型，对所述车辆目标特征进行筛选，得到筛选后的车辆目标特征，并将所述筛选后的车辆目标特征确定为所述车辆目标特征。
81.在一个实施例中，所述处理器，还被配置为：
82.所述基于各待识别车辆的图像，分别得到所述各待识别车辆的车辆目标特征和车辆类型之前，针对任意一个车辆，若所述车辆满足指定条件，则确定所述车辆为所述待识别车辆，其中，所述指定条件为车辆的营运性质为非营运车辆或营转非车辆，且所述车辆进入指定区域。
83.根据本公开实施例提供的第三方面，提供一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序用于执行如第一方面所述的方法。
附图说明
84.为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
85.图1为根据本公开一个实施例中的适用场景示意图；
86.图2为根据本公开一个实施例的非法运营车辆的识别方法的流程示意图之一；
87.图3为根据本公开一个实施例的非法运营车辆的识别方法中历史过车数据分组示意图；
88.图4a-4b为根据本公开一个实施例的非法运营车辆示意图；
89.图5为根据本公开一个实施例的非法运营车辆的识别方法的流程示意图之二；
90.图6为根据本公开一个实施例的非法运营车辆的识别装置；
91.图7为根据本公开一个实施例的电子设备的结构示意图。
具体实施方式
92.为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
93.本公开实施例中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
94.本公开实施例描述的应用场景是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
95.现有技术中，非法运营车辆的识别主要是在固定的检查点人工设卡查处，但是由于非法运营车辆的司机相互报信，导致非法运营车辆的查处的效率较低。
96.因此，本公开提供一种非法运营车辆的识别方法，基于各待识别车辆的图像，分别得到所述各待识别车辆的车辆目标特征和车辆类型；然后针对任意一个待识别车辆，根据所述待识别车辆的车辆类型，确定与所述待识别车辆的车辆类型相对应的车辆风险评估模型；其中，所述车辆风险评估模型为各车辆目标特征分别与车辆风险评估值的对应关系；并分别得到与所述车辆出行时间、所述车辆落脚点、所述车辆途径点以及所述车辆轨迹相似度相对应第一车辆风险评估值；通过各第一车辆风险评估值，确定第一车辆风险评估总值；若确定所述待识别车辆的第一车辆风险评估总值大于第一指定阈值，则确定所述待识别车辆为非法运营车辆。由此，可以自动识别出非法运营车辆，提高了非法运营车辆的识别效
率。并且通过车辆出行时间、所述车辆落脚点、所述车辆途径点以及所述车辆轨迹相似度来识别非法运营车辆，提高了识别准确率。下面，结合附图对本公开的方案详细的进行介绍。
97.如图1所示，一种非法运营车辆的识别方法的应用场景，该应用场景中包括摄像机110、服务器120和终端设备130，图1中是以一个摄像机110和一个终端设备130为例，实际上不限制摄像机110和终端设备130的数量。其中，摄像机110可为电警、卡口等上的摄像机。终端设备130可为手机、平板电脑和个人计算机等。服务器120可以通过单个服务器实现，也可以通过多个服务器实现。服务器120可以通过实体服务器实现，也可以通过虚拟服务器实现。
98.在一种可能的应用场景中，摄像机110将拍摄到的各车辆的图像发送至服务器120中，服务器120基于各待识别车辆的图像，分别得到所述各待识别车辆的车辆目标特征和车辆类型；然后服务器120针对任意一个待识别车辆，根据所述待识别车辆的车辆类型，确定与所述待识别车辆的车辆类型相对应的车辆风险评估模型；其中，所述车辆风险评估模型为各车辆目标特征分别与车辆风险评估值的对应关系；并利用所述车辆风险评估模型，分别得到与所述车辆出行时间、所述车辆落脚点、所述车辆途径点以及所述车辆轨迹相似度相对应第一车辆风险评估值；然后服务器120通过各第一车辆风险评估值，确定第一车辆风险评估总值；若确定所述待识别车辆的第一车辆风险评估总值大于第一指定阈值，则确定所述待识别车辆为非法运营车辆。服务器120将确定出的所述非法运营车辆发送至终端设备130中进行显示。
99.如图2所示，为本公开的非法运营车辆的识别方法的流程示意图，可包括以下步骤：
100.步骤201：基于各待识别车辆的图像，分别得到所述各待识别车辆的车辆目标特征和车辆类型，其中所述车辆目标特征包括车辆出行时间、车辆落脚点、车辆途径点和车辆轨迹相似度；
101.在一个实施例中，通过以下方式确定所述待识别车辆的车辆出行时间：
102.针对任意一个待识别车辆，基于所述待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据；其中所述历史过车数据为车辆经过各地点的时间和方向；针对同一日期中的历史过车数据，将所述历史过车数据按照时间段进行划分，得到各时间段内的子历史过车数据；确定各时间段内的子历史过车数据的总数，并将与大于指定阈值的子历史过车数据的总数相对应的时间段确定为所述车辆出行时间。
103.例如，本实施例中以每五分钟为一个时间段，且以指定阈值为5为例进行说明。图3中为划分后一周内同一车辆的各子历史过车数据，横坐标为时间，纵坐标为日期。如图3可知，时间段6:05～6:10、6:10～6:15、6:15～6:20、6:20～6:25、6:25～6:30、6:30～6:35、6:35～6:40、6:40～6:45、6:45～6:50、6:50～6:55、6:55～7:00、12:05～12:10、12:10～12:15、12:15～12:20、12:20～12:25、12:25～12:30、12:30～12:35、12:35～12:40、12:40～12:45、12:45～12:50、12:50～12:55对应的子历史过车数据大于指定阈值5。则确定待识别车辆的车辆出行时间：6:05～7:00(天数：7天)、12:05～12:55(天数：6天)。
104.在一个实施例中，通过以下方式确定所述待识别车辆的车辆落脚点：
105.针对任意一个待识别车辆，基于所述待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据；其中所述历史过车数据为车辆经过各地点的时间和方
向；针对同一日期中的历史过车数据，将所述历史过车数据按照时间段进行划分，得到各子历史过车数据；其中，各子历史过车数据是按照时间顺序进行排列的；针对任意两个相邻的子历史过车数据，若所述两个子历史过车数据之间的时间间隔大于指定时间间隔，则将所述两个子历史过车数据中指定的子历史过车数据中处于指定位置的地点确定为所述待识别车辆的子车辆落脚点，利用预设算法对各子车辆落脚点进行聚合分析，得到所述车辆落脚点，利用预设算法对各子车辆落脚点进行聚合分析，得到各类子落脚点；将子落脚点数量最多的类别确定为所述车辆落脚点。
106.本实施例中若指定子历史过车数据为时间早的子历史过车数据，则按照时间顺序，指定位置为该子历史过车数据中的最后一个位置。若指定子历史过车数据为时间晚的子历史过车数据，则按照时间顺序，指定位置为该子历史过车数据中的第一个位置。
107.例如，如图3所示，7月5日中6:00～7:55对应的历史过车数据与7月5日中11:05～13:55中对应的子历史过车数据的时间间隔大于指定时间间隔，则将6:00～7:55对应的子历史过车数据对应的最后一个位置的地点作为子落脚点1，然后利用同样的方式，对其他日期的历史过车数据进行分析，得到多个其他子落脚点，将子落脚点1和其他子落脚点通过聚合分析，得到各类子落脚点，将子落脚点数量最多的类别，确定为所述车辆落脚点。若得到子落脚数量最多的类别为医院，则确定该车辆的车辆落脚点为医院。
108.需要说明的是，是利用预设算法对本公开中的落脚点进行聚合分析的具体方法，只要是现有技术中的能够时间聚合分子的算法均可，本实施例在此并不进行限定。
109.在一个实施例中，通过以下方式确定所述待识别车辆的车辆途经点：
110.针对任意一个待识别车辆，基于所述待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据；其中所述历史过车数据为车辆经过各地点的时间和方向；若所述历史过车数据中包含预设地点中的任意一个，则将包含的预设地点确定为所述车辆途径点。
111.例如，预设地点包括：医院和火车站。若车辆1的历史过车数据中包括医院，则确定车辆1的车辆途经点为医院。
112.在一个实施例中，通过以下方式确定所述待识别车辆的车辆轨迹相似度：
113.针对任意一个待识别车辆，基于所述待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据；其中所述历史过车数据为车辆经过各地点的时间和方向；利用所述历史过车数据，得到所述待识别车辆的各车辆出行轨迹；针对任意两个车辆出行轨迹，根据所述两个车辆出行轨迹，得到所述两个车辆出行轨迹的目标公共轨迹长度；并，通过所述目标公共轨迹长度以及所述两个车辆出行轨迹长度，得到两个车辆出行轨迹之间的相似度；基于各车辆出行轨迹之间的相似度，得到所述车辆轨迹相似度。
114.其中，首先基于历史过车数据中的各子历史过车数据的日期，对所述历史过车数据进行分类，得到各日期对应的子历史过车数据，针对任一日期对应的子历史过车数据，根据子历史过车数据的时间顺序，得到所述待识别车辆的各车俩出行轨迹。
115.例如，指定时间段内的历史过车数据包括：地点1(9月15日，9:00，南
→
北)、地点2(9月15日，9:20，南
→
北)、地点3(9月15日，9:30，南
→
北)、地点4(9月15日，9:50，南
→
北)、地点5(9月15日，9:30，南
→
北)、地点6(9月16日，9:05，南
→
北)、地点2(9月16日，9:20，南
→
北)、地点4(9月16日，9:50，南
→
北)。则得到的车辆出行轨迹分别为：车辆出行轨迹1为：地
点1
→
地点2
→
地点3
→
地点4
→
地点5。车辆出行轨迹2为地点1
→
地点2
→
地点4。
116.其中，可通过以下方式确定任意两个车辆出行轨迹之间的目标公共轨迹长度：
117.针对两个车辆出行轨迹中指定的车辆出行轨迹的各地点按照时间顺序进行遍历，针对任一遍历到的目标地点执行：按照时间顺序，遍历另一个车辆出行轨迹中指定车辆出行序列中的地点，若确定另一个车辆出行轨迹中存在与所述目标地点相同的地点，则将目标公共序列长度加上设定值，并与另一个车辆出行轨迹中位于与所述目标地点相同的地点之后的其他子车辆出行序列确定为所述指定车辆出行序列，直至遍历结束。
118.其中，可通过公式(1)计算车辆出行轨迹x与车辆出行轨迹y的轨迹相似度sim(x,y)：
[0119][0120]
其中，m，n分别为车辆出行轨迹x的序列长度和车辆出行轨迹y的序列长度，max_len为车辆出行轨迹x与车辆出行轨迹y的目标公共轨迹长度。
[0121]
步骤202：针对任意一个待识别车辆，根据所述待识别车辆的车辆类型，确定与所述待识别车辆的车辆类型相对应的车辆风险评估模型；其中，所述车辆风险评估模型为各车辆目标特征分别与车辆风险评估值的对应关系；
[0122]
其中，车辆类型包括：面包车、班线车等类型。
[0123]
需要说明的是，不同的车辆类型有对应的车辆风险评估模型。不同类型的车辆中同一车辆目标特征对应的车辆风险评估值可能相同也可能不同，可根据具体实际情况进行设置，本实施例在此并不进行限定。
[0124]
步骤203：利用所述车辆风险评估模型，分别得到与所述车辆出行时间、所述车辆落脚点、所述车辆途径点以及所述车辆轨迹相似度相对应第一车辆风险评估值；
[0125]
本实施例中不同车辆出行时间、不同车辆落脚点、不同车辆途径点以及不同车辆轨迹相似度分别对应的第一车辆风险评估值可根据实际情况进行设置，本实施例在此并不进行限定。
[0126]
步骤204：通过各第一车辆风险评估值，确定第一车辆风险评估总值；
[0127]
将各第一车辆风险评估值相加，得到所述第一车辆风险评估总值。
[0128]
步骤205：若确定所述待识别车辆的第一车辆风险评估总值大于第一指定阈值，则确定所述待识别车辆为非法运营车辆。
[0129]
为了提高非法运营车辆识别的准确率，在一个实施例中，所述车辆目标特征还包括车辆自身特征和车辆运营特征，其中所述车辆自身特征包括车辆运营性质、车辆年限、车辆归属地、车辆归属企业以及车辆年审检验情况中的至少一个；所述车辆运营特征包括是否具有运营区间标识牌和/或是否有人员超员情况；
[0130]
执行步骤204之后，若所述待识别车辆的第一车辆风险评估总值不大于所述第一指定阈值，则基于所述车辆风险评估模型，得到与所述车辆自身特征和所述车辆运营特征分别相对应的第二车辆风险评估值；根据各第二车辆风险评估值以及各第一车辆风险评估值，得到第二风险评估总值；若确定所述第二风险评估总值大于所述第一指定阈值，则确定所述待识别车辆为非法运营车辆；或，若确定所述第二风险评估总值不大于所述第一指定阈值，则确定所述待识别车辆不是非法运营车辆。
[0131]
其中，将各第二车辆风险评估值与各第一车辆风险评估值相加，得到第二车辆风险评估总值。
[0132]
在一个实施例中，通过以下方式确定各待识别车辆的车辆自身特征：
[0133]
基于各待识别车辆的图像，得到所述各待识别车辆的车辆标识；利用预设的车辆标识与车辆自身特征的对应关系，确定与各待识别车辆的车辆标识相对应的车辆自身特征；其中，车辆标识与车辆自身特征的对应关系可如表1所示：
[0134][0135][0136]
表1
[0137]
需要说明的是：本实施例中可通过将所述各待识别车辆的图像分别输入至预先训练好的神经网络模型中进行识别，得到所述各待识别车辆的车辆标识。其中，具体的神经网络模型的识别以及训练方式本实施例在此并不进行限定，现有技术中的识别和训练方式均可使用。
[0138]
在一个实施例中，通过以下方式确定各待识别车辆的车辆运营特征：
[0139]
将各待识别车辆的图像输入至预先训练好的神经网络中进行识别，得到所述各待识别车辆的车辆运营特征。
[0140]
例如，如图4a和4b所示，图4a为对待识别车辆的运营区间标识牌进行识别，图4b为对待识别车辆的是否有人员超员情况进行识别，如图4b所示，主要是通过车辆图像对车辆的副驾驶区域进行识别，确定是否存在人员超员的情况。
[0141]
需要说明的是，本实施例中神经网络只要是现有技术中能对车辆运营特征进行识别的均可，本实施例在此并不进行限定。且本实施例中识别车辆运营特征的神经网络模型与识别车辆标识的神经网络模型并不相同。
[0142]
为了确保非法运营车辆能够尽快被查处，在一个实施例中，根据所述待识别车辆的历史过车数据，确定所述待识别车辆的当前位置范围；基于所述当前位置范围以及车辆历史出行轨迹预测所述待识别车辆的目标位置，并将所述目标位置发送给指定终端设备。
[0143]
其中，可基于车辆历史出行轨迹确定出车辆常用出行轨迹，具体的方式本实施例在此并不进行限定。
[0144]
例如，车辆常用出行轨迹为:地点1
→
地点2
→
地点3
→
地点4
→
地点5。若根据历史过车数据确定出车辆在地点2附近，则可确定待识别车辆的下一目标位置为地点3。
[0145]
需要说明的是：也可根据历史过车数据对应的拍摄到的车辆的图像，确定出车辆在哪个车道，然后根据车辆所在的车辆，预测出车辆的运动方向。例如，若车辆在最左侧车道，则预测车辆的运动方向为左转。若车辆在中间车道，则预测车辆的运动方向为直行。若车辆在右侧车道，则预测车辆的运动方向为右转或者是直行。
[0146]
其中，所述指定终端设备可为与该待识别车辆最近的交通部门的终端设备，以便于交警部门可以迅速对该非法运营车辆进行拦截。
[0147]
为了提高车辆识别的效率，在一个实施例中，在执行步骤202之前，通过所述待识别车辆的类型，对所述车辆目标特征进行筛选，得到筛选后的车辆目标特征，并将所述筛选后的车辆目标特征确定为所述车辆目标特征。
[0148]
其中，不同车辆类型有对应的目标特征，将与目标特征相同的车辆目标特征进行保留，将与目标特征不相同的车辆目标特征进行删除，以此得到筛选后的车辆目标特征。
[0149]
为了进一步提高车辆识别效率，在一个实施例中，在执行步骤201之前，针对任意一个车辆，若所述车辆满足指定条件，则确定所述车辆为所述待识别车辆，其中，所述指定条件为车辆的营运性质为非营运车辆或营转非车辆，且所述车辆进入指定区域。
[0150]
例如，车辆1、车辆2和车辆3的营运性质分别为营运车辆、非营运车辆和营转非车辆。且车辆1进入指定区域、车辆2进入指定区域，车辆2未进入指定区域。则确定车辆2为待识别车辆。
[0151]
为了进一步的了解本公开的技术方案，下面结合图5进行详细的说明，可包括以下步骤：
[0152]
步骤501：针对任意一个车辆，若所述车辆满足指定条件，则确定所述车辆为所述待识别车辆，其中，所述指定条件为车辆的营运性质为非营运车辆或营转非车辆，且所述车辆进入指定区域；
[0153]
步骤502：基于各待识别车辆的图像，分别得到所述各待识别车辆的车辆目标特征和车辆类型，其中所述车辆目标特征包括车辆出行时间、车辆落脚点、车辆途径点和车辆轨迹相似度；
[0154]
步骤503：通过所述待识别车辆的类型，对所述车辆目标特征进行筛选，得到筛选后的车辆目标特征，并将所述筛选后的车辆目标特征确定为所述车辆目标特征；
[0155]
步骤504：针对任意一个待识别车辆，根据所述待识别车辆的车辆类型，确定与所述待识别车辆的车辆类型相对应的车辆风险评估模型；其中，所述车辆风险评估模型为各车辆目标特征分别与车辆风险评估值的对应关系；
[0156]
步骤505：利用所述车辆风险评估模型，分别得到与所述车辆出行时间、所述车辆落脚点、所述车辆途径点以及所述车辆轨迹相似度相对应第一车辆风险评估值；
[0157]
步骤506：通过各第一车辆风险评估值，确定第一车辆风险评估总值；
[0158]
步骤507：判断所述待识别车辆的第一车辆风险评估总值是否大于第一指定阈值，若是，则执行步骤508，若否，则执行步骤509；
[0159]
步骤508：确定所述待识别车辆为非法运营车辆；
[0160]
步骤509：基于所述车辆风险评估模型，得到与车辆自身特征和车辆运营特征分别相对应的第二车辆风险评估值；
[0161]
其中所述车辆自身特征包括车辆运营性质、车辆年限、车辆归属地、车辆归属企业以及车辆年审检验情况中的至少一个；所述车辆运营特征包括是否具有运营区间标识牌和/或是否有人员超员情况；
[0162]
步骤510：根据各第二车辆风险评估值以及各第一车辆风险评估值，得到第二风险评估总值；
[0163]
步骤511：判断所述第二风险评估总值是否大于所述第一指定阈值，若是，则执行步骤508，若否，则执行步骤512；
[0164]
步骤512：确定所述待识别车辆不是非法运营车辆。
[0165]
基于相同的公开构思，本公开如上所述的非法运营车辆的识别方法还可以由一种非法运营车辆的识别装置实现。该非法运营车辆的识别装置的效果与前述方法的效果相似，在此不再赘述。
[0166]
图6为根据本公开一个实施例的非法运营车辆的识别装置的结构示意图。
[0167]
如图6所示，本公开的非法运营车辆的识别装置600可以包括车辆目标特征确定模块610、车辆风险评估模型模块620、车辆风险评估值确定模块630、第一车辆风险评估总值确定模块640和非法运营车辆确定模块650。
[0168]
车辆目标特征确定模块610，用于基于各待识别车辆的图像，分别得到所述各待识别车辆的车辆目标特征和车辆类型，其中所述车辆目标特征包括车辆出行时间、车辆落脚点、车辆途径点和车辆轨迹相似度；
[0169]
车辆风险评估模型模块620，用于针对任意一个待识别车辆，根据所述待识别车辆的车辆类型，确定与所述待识别车辆的车辆类型相对应的车辆风险评估模型；其中，所述车辆风险评估模型为各车辆目标特征分别与车辆风险评估值的对应关系；
[0170]
车辆风险评估值确定模块630，用于利用所述车辆风险评估模型，分别得到与所述车辆出行时间、所述车辆落脚点、所述车辆途径点以及所述车辆轨迹相似度相对应第一车辆风险评估值；
[0171]
第一车辆风险评估总值确定模块640，用于通过各第一车辆风险评估值，确定第一车辆风险评估总值；
[0172]
非法运营车辆确定模块650，用于若确定所述待识别车辆的第一车辆风险评估总值大于第一指定阈值，则确定所述待识别车辆为非法运营车辆。
[0173]
在一个实施例中，所述车辆目标特征确定模块610，还用于：
[0174]
通过以下方式确定所述待识别车辆的车辆出行时间：
[0175]
针对任意一个待识别车辆，基于所述待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据；其中所述历史过车数据为车辆经过各地点的时间和方向；
[0176]
针对同一日期中的历史过车数据，将所述历史过车数据按照时间段进行划分，得到各时间段内的子历史过车数据；
[0177]
确定各时间段内的子历史过车数据的总数，并将与大于指定阈值的子历史过车数据的总数相对应的时间段确定为所述车辆出行时间。
[0178]
在一个实施例中，所述车辆目标特征确定模块610，还用于：
[0179]
通过以下方式确定所述待识别车辆的车辆落脚点：
[0180]
针对任意一个待识别车辆，基于所述待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据；其中所述历史过车数据为车辆经过各地点的时间和方向；
[0181]
针对同一日期中的历史过车数据，将所述历史过车数据按照时间段进行划分，得到各子历史过车数据；其中，各子历史过车数据是按照时间顺序进行排列的；
[0182]
针对任意两个相邻的子历史过车数据，若所述两个子历史过车数据之间的时间间隔大于指定时间间隔，则将所述两个子历史过车数据中指定的子历史过车数据中处于指定位置的地点确定为所述待识别车辆的子车辆落脚点；
[0183]
利用预设算法对各子车辆落脚点进行聚合分析，得到各类子落脚点；
[0184]
将子落脚点数量最多的类别确定为所述车辆落脚点。
[0185]
在一个实施例中，所述车辆目标特征确定模块610，还用于：
[0186]
通过以下方式确定所述待识别车辆的车辆途经点：
[0187]
针对任意一个待识别车辆，基于所述待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据；其中所述历史过车数据为车辆经过各地点的时间和方向；
[0188]
若所述历史过车数据中包含预设地点中的任意一个，则将包含的预设地点确定为所述车辆途径点。
[0189]
在一个实施例中，所述车辆目标特征确定模块610，还用于：
[0190]
通过以下方式确定所述待识别车辆的车辆轨迹相似度：
[0191]
针对任意一个待识别车辆，基于所述待识别车辆在指定时间段内对应的图像，确定所述待识别车辆的历史过车数据；其中所述历史过车数据为车辆经过各地点的时间和方向；
[0192]
利用所述历史过车数据，得到所述待识别车辆的各车辆出行轨迹；
[0193]
针对任意两个车辆出行轨迹，根据所述两个车辆出行轨迹，得到所述两个车辆出行轨迹的目标公共轨迹长度；并，
[0194]
通过所述目标公共轨迹长度以及所述两个车辆出行轨迹长度，得到两个车辆出行轨迹之间的相似度；
[0195]
基于各车辆出行轨迹之间的相似度，得到所述车辆轨迹相似度。
[0196]
在一个实施例中所述车辆目标特征还包括车辆自身特征和车辆运营特征，其中所述车辆自身特征包括车辆运营性质、车辆年限、车辆归属地、车辆归属企业以及车辆年审检验情况中的至少一个；所述车辆运营特征包括是否具有运营区间标识牌和/或是否有人员超员情况；所述非法运营车辆确定模块650，还用于：
[0197]
所述通过各第一车辆风险评估值，确定第一车辆风险评估总值之后，若所述待识别车辆的第一车辆风险评估总值不大于所述第一指定阈值，则基于所述车辆风险评估模型，得到与所述车辆自身特征和所述车辆运营特征分别相对应的第二车辆风险评估值；
[0198]
根据各第二车辆风险评估值以及各第一车辆风险评估值，得到第二风险评估总值；
[0199]
若确定所述第二风险评估总值大于所述第一指定阈值，则确定所述待识别车辆为非法运营车辆；或，
[0200]
若确定所述第二风险评估总值不大于所述第一指定阈值，则确定所述待识别车辆不是非法运营车辆。
[0201]
在一个实施例中，所述车辆目标特征确定模块610，还用于：
[0202]
所述根据所述待识别车辆的车辆类型，确定与所述待识别车辆的车辆类型相对应的车辆风险评估模型之前，通过所述待识别车辆的类型，对所述车辆目标特征进行筛选，得
到筛选后的车辆目标特征，并将所述筛选后的车辆目标特征确定为所述车辆目标特征。
[0203]
在一个实施例中，所述装置还包括：
[0204]
待识别车辆确定模块660，所述基于各待识别车辆的图像，分别得到所述各待识别车辆的车辆目标特征和车辆类型之前，针对任意一个车辆，若所述车辆满足指定条件，则确定所述车辆为所述待识别车辆，其中，所述指定条件为车辆的营运性质为非营运车辆或营转非车辆，且所述车辆进入指定区域。
[0205]
在介绍了本公开示例性实施方式的一种非法运营车辆的识别方法及装置之后，接下来，介绍根据本公开的另一示例性实施方式的电子设备。
[0206]
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0207]
在一些可能的实施方式中，根据本公开的电子设备可以至少包括至少一个处理器、以及至少一个计算机存储介质。其中，计算机存储介质存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本公开各种示例性实施方式的非法运营车辆的识别方法中的步骤。例如，处理器可以执行如图2中所示的步骤201-205。
[0208]
下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
[0209]
如图7所示，电子设备700以通用电子设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理器701、上述至少一个计算机存储介质702、连接不同系统组件(包括计算机存储介质702和处理器701)的总线703。
[0210]
总线703表示几类总线结构中的一种或多种，包括计算机存储介质总线或者计算机存储介质控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
[0211]
计算机存储介质702可以包括易失性计算机存储介质形式的可读介质，例如随机存取计算机存储介质(ram)721和/或高速缓存存储介质722，还可以进一步包括只读计算机存储介质(rom)723。
[0212]
计算机存储介质702还可以包括具有一组(至少一个)程序模块724的程序/实用工具725，这样的程序模块724包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
[0213]
电子设备700也可以与一个或多个外部设备704(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口705进行。并且，电子设备700还可以通过网络适配器706与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器706通过总线703与用于电子设备700的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0214]
在一些可能的实施方式中，本公开提供的一种非法运营车辆的识别方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书上述描述的根据本公开各种示例性实施方式的非法运营车辆的识别方法中的步骤。
[0215]
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取计算机存储介质(ram)、只读计算机存储介质(rom)、可擦式可编程只读计算机存储介质(eprom或闪存)、光纤、便携式紧凑盘只读计算机存储介质(cd-rom)、光计算机存储介质件、磁计算机存储介质件、或者上述的任意合适的组合。
[0216]
本公开的实施方式的非法运营车辆的识别的程序产品可以采用便携式紧凑盘只读计算机存储介质(cd-rom)并包括程序代码，并可以在电子设备上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0217]
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0218]
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
[0219]
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络包括局域网(lan)或广域网(wan)连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
[0220]
应当注意，尽管在上文详细描述中提及了装置的若干模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块的特征和功能可以在一个模块中具体化。反之，上文描述的一个模块的特征和功能可以进一步划分为由多个模块来具体化。
[0221]
此外，尽管在附图中以特定顺序描述了本公开方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
[0222]
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序
产品。因此，本公开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，本公开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(包括但不限于磁盘计算机存储介质、cd-rom、光学计算机存储介质等)上实施的计算机程序产品的形式。
[0223]
本公开是参照根据本公开的方法、设备(系统)、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。
[0224]
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计算机存储介质中，使得存储在该计算机可读计算机存储介质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。
[0225]
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。
[0226]
显然，本领域的技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样，倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。