基于大数据技术快速分析套牌车方法.docx

基于大数据技术快速分析套牌车方法摘要：针对城市海量的卡口数据从中能快速有效地检测出套牌嫌疑车该文提出一种基于大数据技术快速分析套牌车方法通过引入管理节点和多台数据节点资源协同并行处理海量数据下的套牌车检测问题进一步提高检测速度和准确率。关键词：车牌识别；套牌车；大数据中图分类号：TP391文献标识码：A文章编号：1009-3044（2015）34-0020-011概述随着社会的发展人民生活水平的提高道路上的机动车也越来越多。截至2014年底我国汽车保有量新增1707万辆目前全国机动车保有量达2.64亿辆其中汽车1.54亿辆因此套牌机动车的数量也随着增高。由于套牌机动车发现难度大、检测难度高有许多套牌机动车使用多年并没有被发现严重地影响了道路交通安全秩序如随意闯红灯、超速、跨越双实线、乱停乱放给广大人民群众的安全出行带来隐患也为肇事逃逸案件的侦破增加了难度。为解决套牌车问题本文具体介绍了基于视频图像处理技术实现套牌车的识别主要从视频和图像中识别出车牌信息并结合城市卡口的位置和时间信息从而判断是否为套牌车辆。2技术实现方法通过前端卡口摄像机识别的车牌号、位置信息利用“时间差”判定检测出涉嫌套牌车辆的方法[1]即基于同一辆车在不可能时间内出现在两个地点的原理分析各监控点的车牌信息实现套牌车的自动检测及报警。2.1卡口监控点的选取[2]只有选取合适的监控点才能最大程度减少套牌车漏分析因此选取监控点应符合最少监控点、最大车流量的原则一般优先选取以下监控点：1）城市主干道路尤其是繁华地段；2）大型停车场、车站、火车站等繁忙路段和交叉口。2.2实现原理利用城市卡口摄像机对抓拍的图像进行分析识别出车牌号及车牌颜色结合城市卡口的位置信息以及经过卡口的时间信息判断套牌机动车同时还可以实现套牌车实时轨迹、历史轨迹为布控提供依据。具体实现原理如下：1）在大数据平台上建立索引由于不同车牌颜色有可能为同一车牌防止误判因此以车牌号及车牌颜色为基准建立索引并存储经过卡口的时间、卡口的位置等信息；2）预设城市各卡口之间的最短时间设置时间矩阵监控范围内经过任意两卡口所需的最短时间为卡口间的距离与这两个卡口之间道路最高时速之商[3]将其作为套牌车时间阈值；3）通过城市卡口摄像机获取经过各卡口摄像机的车牌号、车牌颜色、经过时间、卡口号等信息通过城市网络将相关信息传输到大数据平台上；4）将实时抓拍的车牌号及车牌颜色与索引表中的车牌号及车牌颜色比对分析；5）若比对分析结果有历史信息则需存储时间、卡口的位置等信息即可并与存储中前一个历史车牌号经过卡口的时间进行比对分析判断两次过车的时间差是否小于两个卡口间的时间阈值若是则为套牌车；若否就记录为历史数据；6）若比对分析结果无历史过车记录在索引中将实时过车记录保存为历史过车记录。2.3大数据平台由于以上布控方式要求处理海量的数据处理的效率要足够高、数据要足够准确因此本文提出基于大数据技术快速分析套牌车方案。基于开源的分布式计算架构Hadoop搭建大数据平台构建1台管理节点和多台数据节点（根据城市实际卡口的数据量确定具体数量）其中1台管理节点用于构建索引和管理数据节点多台数据节点用于存储车辆信息以及并行计算分析套牌车情况。1）HDFS技术Hadoop提供了分布式文件系统HDFS用于存储车牌号、车牌颜色、经过卡口的时间、卡口位置信息等为分布式计算提供数据支撑。2）MapReduce技术MapReduce技术是并行计算模型包括Map和Reduce两个函数可以进行海量数据分割、任务分解与结果汇总从而完成海量数据的并行处理同时还可通过增加计算节点使之在集群上并行执行实现系统的可扩展性[4]。MapReduce算法的核心由两部分构成分别为Map算法和Reduce算法。其工作原理是先分后合的数据处理方式。Map算法即“分解”将HDFS中存储的海量数据（车牌号、车牌颜色等信息）分割成若干部分分给多台硬件计算资源上并行处理（从HDFS中寻找从前端卡口抓拍的车牌号信息）；Reduce算法即“合并”把各台处理器处理后的结果进行汇总。若没有相关的信息记录则在存储中将实时过车记录保存为历史过车记录；若有相关信息的记录则与前一条过车的历史记录进行比较分析判断是否是套牌车。3结论针对城市卡口海量数据的处理采用传统的算法会存在处理速度慢和计算瓶颈问题提出了基于大数据技术快速分析套牌车方法并结合车牌颜色识别提高系统