[发明专利]基于大数据技术分析车辆入城套牌作案的方法

说明书

本申请公开了一种基于大数据技术分析车辆入城套牌作案的方法，包括步骤：道路前端拍摄设备采集过车记录，解析为结构化数据后存储在HBase过车记录表中；分析目标车辆车牌消失地点；限定时间范围；限定地域范围；限定车型特征；数据检索：从所述HBase过车记录表筛选出符合所述时间范围、地域范围和车型特征的所有过车记录集合R，过车记录集合R中车辆满足在时间(t_c+s)之后出现在第一卡口附近符合车型特征的全部车辆；去除噪音数据；从所述集合R中去除噪音数据后剩下的数据为符合要求的数据，其中包含所述目标车辆。本发明克服了现有技术中分析车辆入城套牌作案方法中的不足，帮助公安部门快速侦破案件，提高了案件侦破速度。

技术领域

本发明涉及大数据分析与公共安全领域，具体地说，是涉及一种基于大数据技术分析车辆入城套牌作案的方法。

背景技术

随着人们生活水平的提高，家用轿车越来越普及。车辆给人们生活带来便利的同时，也被违法犯罪分子作为作案工具。目前在有些城市，尤其是旅游城市(例如泰安、曲阜等)每天入城的外地车数量巨大。在众多的外地车中，不乏怀有作案动机的车辆。这些作案车辆在作案之前一般都会更换车牌，然后作案，最后逃窜。我们将这种车辆(尤其是外地车辆)入城、换牌、作案、逃窜的行为称为“车辆入城套牌作案”。

传统的分析车辆入城套牌作案的方式有两种：一种是套牌车分析；一种是以图搜图。但是这两种方式对于分析车辆入城套牌作案参考意义不大，具体原因如下：

套牌车分析一般有两种实现思路，第一种是根据同一个车牌号两次出现位置的距离除以两次出现的时间间隔得出车辆的平均速度，如果平均速度大于某一阈值，就认为这两次出现的车辆互为套牌车，这种计算套牌车的方式基于一个大前提：即假定涉案车辆所套用的车牌刚好是本地车牌，或者涉案车辆所套用的车牌所对应的真实车辆最近也恰巧在该市行驶过。在真实的案件中这种假设很难成立，因为稍有经验的犯罪人员一般都会套用外地车牌，所以这种方式无法胜任车辆入城套牌作案这种场景。第二种分析套牌车的方式是根据历史过车数据计算主体车并形成主体车库，然后每条过车记录都跟主体车库对比，若该条过车记录的车辆特征(如车辆品牌、车辆型号、车辆年款)跟主体车库对应车牌的车辆特征不一致，就认为该车是套牌车，这种方式依赖于历史过车数据，而初次入城犯案的车辆没有历史过车数据，所以基于主体车的套牌车分析也无法胜任车辆入城套牌作案这种场景。

以图搜图这种方式是通过抓取涉案车辆过车图片，并上传到车辆分析系统中，系统首先根据过车图片，识别出车辆的品牌、型号、年款等信息。然后在过车图片中人工圈画特征(如年检标排列方式、纸巾盒、摆件、挂件、遮阳板)，最后使用这些特征去跟过车库中的相同品牌、型号、年款的车辆的图片做比对，若图片特征相符，则认为这两条记录是同一辆车。然后比较车牌号，若车牌号也不一致，则认为这两辆车互为套牌车。以图搜图这种方式因为要圈画车辆特征，所以对于过车图片有一定的要求。具体来说卡口拍摄的车头图片，特征点较多，比较适合以图搜图；而电子警察拍摄的车尾，特征点较少，不适合以图搜图。而有些城市(如泰安)由于城市规划等原因，市内只部署有电子警察，而只有城市外圈有少量的卡口，这就注定了这些城市无法使用以图搜图来解决这类问题。所以，以图搜图也无法较好的胜任车辆入城套牌作案这种场景。

近年来大数据技术持续升温，作为大数据技术领域领头羊的Hadoop备受关注，Hadoop生态圈包含一系列的组件。其中MapReduce是一种离线批处理框架，MapReduce作业分为map和reduce两个阶段，MapReduce作业在各个节点之间并行执行并提供容错机制。HBase是分布式的key-value数据库，HBase利用HDFS分布式文件系统作为底层存储。HBase的数据是按照rowkey(行键)进行排序的，且执行查询时各节点并行执行，所以HBase比较适用于在线实时查询。

发明内容

本发明所要解决的技术问题是提供一种较为科学的分析车辆入城套牌作案的方法，以克服现有技术的不足。