(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111636282.0 (22)申请日 2021.12.2 9 (71)申请人 北京商海文天科技发展 有限公司 地址 100081 北京市海淀区大柳树 富海中 心3号楼1 1层1101室 (72)发明人 战凯　 (74)专利代理 机构 北京金宏来专利代理事务所 (特殊普通 合伙) 11641 代理人 刘慧红 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 16/2457(2019.01) G06F 16/2458(2019.01) (54)发明名称 一种基于客运车辆违规上下客的分析方法 (57)摘要 本发明提供了一种基于客运车辆违规上下 客的分析方法， 包括以下步骤： 步骤S01： 通过对 客运监测数据进行车辆违规筛选， 获取违规上下 客特征值； 步骤S02： 根据所述违规上下客特征 值， 进行特征分析， 构建车辆违规模型； 步骤S03： 通过对所述车辆违规模型进行模 型对比计算， 生 成输出值相似度； 步骤S04： 根据所述输 出值相似 度， 进行偏差识别， 获取待检车辆信息； 步骤S05： 根据所述待检车辆信息对待检车辆进行违规检 测， 获取车辆违规信息； 通过建立车辆违规模型， 提高了对客运车违规行为的分析效率， 并计算出 输出值相似度， 增强了对客运车违规分析的准确 度， 减少了无效检测， 节省了 违规检测时间。 权利要求书3页 说明书9页 附图2页 CN 114282623 A 2022.04.05 CN 114282623 A 1.一种基于客 运车辆违规上 下客的分析 方法， 包括以下步骤： 步骤S01： 通过对客 运监测数据进行 车辆违规筛 选， 获取违规上 下客特征值； 步骤S02： 根据所述违规上 下客特征值， 进行 特征分析， 构建车辆违规模型； 步骤S03： 通过对所述车辆违规模型进行模型对比计算， 生成输出值相似度； 步骤S04： 根据所述输出值相似度， 进行偏差识别， 获取待检车辆信息； 步骤S05： 根据所述待检车辆信息对待检车辆进行违规检测， 获取 车辆违规信息 。 2.如权利要求1所述的一种基于客运车辆违规上下客的分析方法， 其特征在于， 所述步 骤S01包括： 通过将客 运监测数据按照数据作用进行 数据分类， 获取监测数据类别； 其中， 所述客运监测数据包括： 卡口数据和视频 结构化数据； 所述监测数据类别包括： 数字类别、 速度类别、 时间类别、 行为类别； 通过对每一检测数据类别进行类别特征提取， 生成每一类别的类别特征值， 对所述类 别特征值进行 上下客分析， 获取违规上 下客特征值。 3.如权利要求1所述的一种基于客运车辆违规上下客的分析方法， 其特征在于， 所述步 骤S02包括： 通过将违规上 下客特征值进行建模筛 选处理， 获取违规模型 特征信息； 其中， 所述违规模型 特征信息包括： 位置信息、 节点信息、 边 缘信息、 间段信息； 根据所述违规模型 特征信息， 进行主体模型构建， 生成车辆违规模型。 4.如权利要求1所述的一种基于客运车辆违规上下客的分析方法， 其特征在于， 所述模 型对比计算包括以下步骤： 步骤一： 通过对车辆违规模型 数据进行归一 化处理， 获取归一 化数据； 其中， 所述归一化处理通过对车辆违规模型数据进行离差标准化， 将转化结果映射到预设区 间； 其中， 所述离差标准化包括： 通过 预设的转换函数将车辆违规模型 数据进行线性变换； 步骤二： 将所述归一化数据传输至孪生网络进行映射分析处理， 生成孪生特征空间数 据； 其中， 所述孪生网络包括： 提取归一化数据的双输入数据， 输入到神经网络中， 并进行映射处 理； 其中， 所述双输入数据包括： 前帧数据、 后帧数据； 步骤三： 对所述孪生特征空间数据进行输出计算， 获取输出值相似度， 并进行判断； 其 中， 当所述输出值相似度小于等于预设的阈值时， 则为 正常车辆行为； 当所述输出值相似度大于预设的阈值时， 则为异常车辆行为。 5.如权利要求1所述的一种基于客运车辆违规上下客的分析方法， 其特征在于， 所述步 骤S04包括： 通过根据输出值相似度， 匹配对应的计算方法， 进行偏差计算， 获取偏差值， 并进行判 断； 其中， 所述偏差计算包括： 根据所述对应的计算方法， 将输出值与预设的输出对照数据组进 行对比计算， 获取对比偏差值；权　利　要　求　书 1/3 页 2 CN 114282623 A 2当所述偏差值大于预设的阈值 时， 则为过大偏差， 确定为待检测车辆， 获取待检测车辆 信息； 当所述偏差值小于等于预设的阈值时， 则为 正常偏差 。 6.如权利要求1所述的一种基于客运车辆违规上下客的分析方法， 其特征在于， 所述步 骤S05包括： 通过将待检车辆信息进行关键数据筛 选， 获取第一筛 选信息； 其中， 所述关键数据筛 选包括： 移动状态筛 选、 路径筛 选； 对所述第一筛选信息进行车辆信息提取， 获取第一待检车辆， 并对所述第一待检车辆 进行违规检测， 获取 车辆违规信息； 其中， 所述违规检测包括： 客 运车检测、 客 运车车牌识别。 7.如权利要求6所述的一种基于客运车辆违规上下客的分析方法， 其特征在于， 所述客 运车检测包括以下步骤： 步骤S10： 通过对待检测车辆信息进行 特征分层， 获取信息特 征层； 其中， 所述特征分层包括： 尺度分层、 成本分层、 训练分层； 步骤S20： 根据 预设的多尺度 特征学习分别提取每一信 息特征层的特征信息， 生成信息 特征层对应的信息特 征节点； 步骤S30： 对所述信息特征层和对应的信息特征节点， 进行子空间映射， 获取映射结果， 并对映射结果进行判断； 其中， 当所述映射结果在预设的阈值范围内时， 则为 合规客运车； 当所述映射结果不在预设的阈值范围内时， 则为违规客运车， 获取违规客运车信 息， 并 进行预设的违规应对处 理。 8.如权利要求6所述的一种基于客运车辆违规上下客的分析方法， 其特征在于， 所述客 运车车牌识别包括以下步骤： 步骤S100： 通过预设的检测卷积神经网络， 进行 卷积特征提取， 获取 特征图； 其中， 所述卷积特 征提取包括： 卷积、 激活函数、 构建池化层； 步骤S200： 根据所述特征图进行预设的特征网络分析处理， 生成客运车检测边框； 其 中， 所述特征网络分析处 理包括： 区域 提案网络处 理、 全连接层处 理； 其中， 所述区域提案网络处理包括： 通过生成待选区域， 获取待选区域节点， 判断待选区域的 节点属性， 根据所述节点属性进行包围边框回归处 理， 确定第一待选区域； 其中， 所述节点属性包括： 前 景节点、 背景节点； 所述全连接层处理包括： 根据 所述第一待选区域， 进行综合信 息提取， 生成待选区特征 图， 根据所述待选区特 征图进行边框回归计算， 获取客 运车检测边框； 步骤S300： 根据所述 客运车检测边框， 进行客 运车违规检测， 获取客 运车违规信息 。 9.如权利要求1所述的一种基于客运车辆违规上下客的分析方法， 其特征在于， 所述违 规检测包括： 通过对客 运车辆进行分段检测， 获取分段检测信息； 其中， 所述分段检测包括： 时间分段检测、 路线分段检测； 根据所述分段检测信息， 进行分段相似度分析， 获取分段相似值， 并进行判断； 其中，权　利　要　求　书 2/3 页 3 CN 114282623 A 3