科多大数据培训
全国24小时免费热线
15328019568
联系QQ
3048661160
开班时间
当前位置:首页 > 学习资讯 > 大数据内容 >

大数据培训应用:基于车辆识别的大数据分析技战法

大数据时代来临,大数据技术已经逐渐应用到了各行各业中,比如医疗、教育、金融、政务、交通等都有大数据的身影。在大数据培训学习的过程中,科多大数据希望我们要不断的思考

  大数据时代来临,大数据技术已经逐渐应用到了各行各业中,比如医疗、教育、金融、政务、交通等都有大数据的身影。在大数据培训学习的过程中,科多大数据希望我们要不断的思考大数据技术的应用领域以及实现方式,这样才能保证自己的不断进步,拓宽自己的技能适用范围。
  随着城市的机动车保有量不断增长,带来了庞大的交通流量,其中交通肇事、交通违章等问题也越发 严重,车辆识别技术是从非结构化数据如视频、图片等信息中提取出车辆的车牌,车型,车身颜色,商标 等结构化信息的技术手段,关联其采集信息,如采集的时间、地点及经纬度坐标等,然后结合大数据技术 如 Spark,ElasticSearch 等大数据计算框架进行碰撞分析,可以分析出一些违法犯罪行为,文本通过车 辆识别技术与大数据分析相结合的方式设计实现了一套智能交通分析方法,能有效的利用现有的资源协助 公安交通部门更好的进行管理工作,下面将详述其实现原理及过程。
  一、车辆识别大数据技战法业务分析
  首先通过采集系统采集相关结构化及非结构化数据,非结构化数据通过车辆识别引擎(封装了车辆识别算法的服务组件)进行结构化处理,处理后的数据通过大数据平台进行存储及碰撞分析。
  相关业务描述如下:
  1、 车辆首次入城分析
  对首次进入监控区域的车辆进行分析。通过设定分析的时间段、回溯时长、区域进行实时查询或预警。
  2、频繁过车分析
  对指定时间范围内经过指定区域内的所有车辆的经过次数进行分析。可以用于快速排查有涉案嫌疑的频繁过车行为; 通过对案发区域周边的过车数据行分析, 可以快速锁定在该区域频繁活动疑似踩点的车辆,获得破案线索。
  3、车辆区域碰撞分析
  对指定的多个时间区域(一个时间区域:指定时间范围与区域范围)的车辆记录进行分析计算出同时出现在多个区域的车辆集合。用于分析嫌疑车辆的多次犯罪嫌疑与犯罪活动的范围。
  4、同行车分析
  对指定的一辆车,分析在指定时间范围内与其同行的车辆。用于分析嫌疑车辆是否有犯罪团伙或支持分析尾随犯案的嫌疑车辆。
  5、车辆昼伏夜出分析
  对指定时间范围、区域范围内的所有车辆记录,找出以夜间活动为主的车辆。用于分析出多以夜间活动的车辆信息,有助于减小排查夜间犯罪车辆的难度。
  6、一牌多车分析
  对指定时间范围、区域范围内的所有车辆记录进行套牌分析,找出悬挂同一车牌号的不同类型车辆。用于检索假牌、套牌车辆。
  7、判断是否一牌多车的方法有如下 2 种:
  (1)车辆特征判断:
  1)使用车辆的特征属性如:车身颜色、车牌颜色、车辆类型、车辆 logo、车辆子品牌、年代款判断;
  2)车辆的属性特征可以配置,让用户选择使用哪一些属性特征进行判断;
  3)如果 2 条记录的车辆特征属性值全部一样,即为同一辆车,否则可能为一牌多车。
  (2)时空判断:
  1)在短时间内出现在两个距离较远的卡口;
  2)根据 2 条记录中的卡口间的距离和间隔时间,计算车辆速度(距离/间隔时间),然后判断速度是否超过指定值,如果是,则可能为一牌多车。
  二、车辆识别大数据技战法业务流程设计
  基于车辆识别的大数据分析系统,首先从前端设备如监控摄像机、车辆卡口等设备或系统采集非结构 化的数据如视频、图片等,同时采集结构化的信息 如时间、采集点的经纬度、过车信息(如卡口系统 中的驾驶证)等信息传输到数据采集组件 Flume, 然后通过 Kafka 消息队列转发到 SparkStreaming 组 件 , 并 将 结 构 化 信 息 存 入 检 索 服 务 ElasticSearch,非结构化文件存储入分布式存储 系统 FastDFS 并通过车辆识别引擎进行结构化处 理 , 将 处 理 结 果 中 的 结 构 化 数 据 存 储 入 ElasticSearch,在 Spark 进行数据分析及运算时 从 Alluxio 和 Redis 中提取缓存数据, 如果没有则 从 ElasticSearch 中提取并同步存入缓存,然后进行运 算并返回结果。如图 1 所示。
大数据培训应用:基于车辆识别的大数据分析技战法
  1、车辆首次入城分析
  1) 分析指定时间段内经过监控区域的所有过车记录作为列表 L1(包含车牌号码、记录 ID 两个字段),
  作为第一个查询数据集;
  2) 回溯时间段内经过监控区域的所有车牌号码作为集合 S1,作为第二个查询数据集;
  3) 在 L1 中过滤掉在 S1 中出现的车牌,产生列表 L2;
  4) 在 L2 中,获取每个车牌第一次出现的记录 ID,结果以 ID 倒序排列;
  5) spark 算法返回:车牌号码、记录 ID 的列表 L3;
  6) 根据列表 L3,组装返回结果。
  2、 频繁过车分析
  1) 分析时间段内经过监控区域的所有车辆记录组成列表 L1(包含车牌号码、记录 ID 两个字段);
  2) 对 L1 中的车辆记录按车牌号码进行分组计算;
  3) 过滤掉小于指定过车频次的车牌记录,并按过车次数进行倒序排序;
  4) spark 算法返回车牌号码、次数、记录 ID 的列表 L2;
  5) 根据列表 L2,组装返回结果。
  3、车辆区域碰撞分析
  1) 每个时间区域的所有车辆记录组成列表 L1(包含车牌号码、记录 ID 两个字段);
  2) 将 N 个时间区域的列表 L1...LN 进行 union 操作,产生列表 LL1;
  3) 按车辆计算经过同时经过所有区域的车辆列表,并按车牌号码正序排列;
  4) spark 算法返回车牌号码、记录 ID 的列表 LL2;
  5) 根据列表 LL2,组装返回结果。
  4、 同行车分析
  1) 查询指定车辆在指定时间范围、指定区域内经过的过车记录列表(包含车牌号码、记录 ID 两个字段);
  2) 查询指定车辆经过每个卡口时间前后 5 分钟(可指定)内经过的所有车辆记录,集合个数 =卡口
  列表元素个数;
  3) 对所有车牌集合进行合并,产生列表 L1;
  4) 按车牌号码,计算同行超过指定同行卡口数的车牌集合,按同行卡口数倒序;
  5) spark 算法返回车牌号码、同行卡口数、记录 ID 的列表 L2;
  6) 根据列表 LL2,组装返回结果。
  5、车辆昼伏夜出分析
  1) 根据日期范围和白天开始结束时间段等条件查询过车记录列表 L1(包含车牌号码、 记录 ID 两个字段),白天作为第一个查询数据集;
  2) 根据日期范围和夜晚开始结束时间段等条件查询过车记录列表 L2(包含车牌号码、 记录 ID 两个字
  段),夜晚作为第二个查询数据集;
  3) 合并 L1 和 L2 为 L3;
  4) 在 L3 中,按车牌号码计算每辆车白天和夜晚出现次数,并过滤掉大于设定的白天出现次数和小
  于设定的夜晚出现次数的车牌记录;
  5) 按白天出现次数升序排序;
  6) spark 算法返回车牌号码、白天出现次数、夜晚出现次数、记录 ID 的列表 L4;
  7) 根据列表 L4,组装返回结果输入。
  6、一牌多车分析
  1) 指定时间范围、区域范围内所有过车记录列表 L1(包含车牌号码、记录 ID 两个字段);
  2) 按车牌号码计算过车记录中的车辆特征是否一致、是否在短时间内(可指定)出现在 2 个距离很
  远的卡口,若存在,则记录此车牌号码;
  3) 返回疑似一牌多车的车牌号码;
  4) spark 算法返回记录 ID、识别类型(1 车辆特征 2 时空特征 3 全部)的列表 L2;
  5) 根据列表 L2,组装返回结果。
  针对车辆识别结合大数据分析业务系统的原理和设计进行了深入的探讨,车辆识别结合大数据分析业务是将来智能交通的发展趋势,车辆识别技术结合大数据分析的技战法,可以促进公安交通部门对交通资源更有效的利用,也能更进一步提升自身的业务水平,为智慧城市的发展提供有力的支撑。看完了小伙伴们是否对大数据技术的应用感兴趣呢?如果想要进入大数据行业的话,科多大数据在这里等着你哦~
最新资讯更多+
内容推荐更多+
在线课堂
猜你喜欢