基于自动车牌识别数据的团伙犯罪时空关联车辆发现方法

自动车牌识别（ANPR）数据是当前公安工作中获取车辆轨迹的主要来源之一，在实际工作中发现，团伙车辆会存在主观避嫌意图，导致出现故意远距离跟随等与传统伴随关系不同的时空关联模式，而现有方法难以有效识别。本文基于车牌自动识别数据，提出了团伙犯罪的时空关联车辆发现方法，为公安部门开展团伙犯罪防控工作提供新思路和技术支持。

时空关联车辆发现方法框架

（一）车辆时空关联模式的分类

（1）近距离跟随模式。每个监测点获取的ANPR数据具有较强的时间约束，是当前车辆伴随关系挖掘的主要研究对象，如面向运钞车、出租车等特殊车辆的伴随车辆挖掘、协同作案车辆发现等。

（2）故意远距离跟随模式。团伙车辆在行进途中，有相同的行进路线，但为了减小集中出行的暴露风险，跟随车辆故意在出行时间上有所滞后，造成同一个监测点下，团伙车辆ANPR数据的时间约束不强。

（3）另择路线前往模式。跟随车辆具有更强的反侦查意识，虽然有相同的出发地和目的地，但中途会采取不同的行进路线，此时车辆之间的轨迹重合度较小，ANPR数据的时空关联很小，关联关系挖掘困难。

在整个行进过程中，近距离跟随、故意远距离跟随、另择路线前往3种时空关联模式往往同时存在。

（二）关联关系的时空约束参数

A、B是具有关联关系的团伙车辆，其中A为前车，B为跟随车辆。当车辆间保持近距离跟随模式时，跟随车辆与前车始终维持在一定的时空约束内。

（1）监测点的时间约束Δt。

车辆A、B依次经过监测点Pi的时间分别为tAi、tBi，则“监测点Pi的时间约束”记为Δti。

Δt _i >|t _Ai -t _Bi |

如图所示，设“监测点的时间约束”为0.5min，从而识别出A、B车辆在P1处构成点伴随关系。

（2）点伴随次数Num_W。

if B⊂ W _Ai ,Num_ W _A .add(1)

Num_WA数值越大，表示车辆的关联强度越大。如图所示，A车与B车分别在P0、P1、P2、P7、P8 5个监测点存在点伴随，则Num_WA记为5次。

（3）持续点伴随数量Con_Num_WA。

if B⊂ W _Ai & B⊂ W _A(i-1) , Con_Num_W _A .add(1)

如图所示，A、B车辆在P0、P1、P2 3个连续的监测点构成点伴随关系，则Con_Num_WA记为3次。

（4）间断伴随距离d。

d = distance(P _i , P _j )

如图所示，P2和P7为2个不连续的监测点，B车与A车在其分别构成点伴随关系，P2到P7的距离即为d。d能够反映关联关系维持的距离长短。

（5）伴随时间δt。

δt = | O _x ·t _i - O _x ·t _j |

车辆关联时空约束参数示意图

（1） 提出了公安实际工作中的团伙犯罪车辆之间基于不同的跟随策略产生的“近距离跟随模式”、“故意远距离跟随模式”、“另择路线前往模式”3种车辆关联模式。

（2） 基于ANPR数据构建了关联车辆数据模型，并根据关联模式的时空规律，提出了“监测点的时间约束”、“点伴随次数”、“持续点伴随数量”、“间断伴随距离”、“伴随时间”5个车辆关联的时空约束参数。

（3） 基于历史案件数据对时空约束参数阈值进行了定量评估，能够为时空关联车辆发现方法提供科学合理的参数设置。

时空约束参数阈值定量分析

（4） 本文方法能够有效发现团伙犯罪中的含有不同时空关联模式的时空关联车辆，采用本文方法、频繁序列挖掘、计算伴随概率3种方法进行试验对比，计算得到的平均有效率分别为87.59%、37.43%、43.38%。

不同方法对团伙犯罪时空关联车辆发现的有效率

本文方法能够更好地发现“故意远距离跟随模式”、“另择路线前往模式”等传统方法难以发现的团伙犯罪时空关联车辆，以便快速锁定涉案人员，进一步缩小侦查范围。