CN103246876A - 基于图像特征比对的车辆套牌识别方法 - Google Patents

Abstract

本发明公开了一种基于图像特征比对的车辆套牌识别系统，包括车辆图像采集模块、套牌预处理模块和套牌增强识别模块，其特征在于所述车辆图像采集模块用于采集车辆图像，并传输给套牌预处理模块；所述套牌预处理模块设置有车型特征库、车辆基础库，用于根据号牌区域和车头区域判断待识别的车辆车型，并与根据车辆号牌从车型特征库中检索获得的车型进行比对；当根据号牌区域和车头区域判断的车辆车型与根据车辆号牌从车型特征库中检索获得的车型不一致时，所述套牌预处理模块将待识别的车辆纳入套牌嫌疑库，并传输给套牌增强识别模块进行处理；所述套牌增强识别模块根据车辆号牌补办情况、待识别的车辆图像的车牌模糊系数的大小、车牌号码错误聚类因子的大小判断纳入套牌嫌疑库的待识别车辆是否为套牌车。

Description

基于图像特征比对的车辆套牌识别方法

技术领域

本发明属于图像识别技术领域，具体涉及一种基于图像特征比对的车辆套牌识别方法。

背景技术

假、套牌交通违法行为，是指行为人伪造、变造或者使用伪造、变造机动车牌证上道路行驶等违反机动车号牌、证件管理规定的严重交通违法行为。假、牌套牌违法行为危害极大，不仅严重扰乱正常的交通管理秩序，造成巨大交通安全隐患，而且给交通事故处理、肇事逃逸、刑事案件侦破带来了很大难度。同时，套牌车辆肆意违反交通法规，使真正的车主意见很大，一定程度上也削弱公安机关的执法威信。

近年来，公安部先后在全国部署开展了多次机动车涉牌涉证交通违法行为专项整治工作。据统计，2008年5月到7月，全国共查处涉牌涉证交通违法行为632万起，其中，使用伪造、变造机动车牌证违法行为26.7万起，使用其他机动车牌证等违法行为11.4万起（数据来源于人民网：http://legal.people.com.cn/GB/194060/11868280.html）。上述数据一方面说明专项行动成效明显，另一方面也反映出我国假牌假证问题还十分严重，假牌套牌现象没有得到根治。目前影响公安交警部门打击假牌套牌违法行为效果的主要原因：一是随着制假造假水平的提高，交警通过肉眼识别等常规手段发现套牌假牌的难度加大。二是套牌假牌车辆一般只能在发生交通违法或事故或真实车主举报时，才能被发现和查处，在路面正常行驶很难被主动发现，增加了交警的执法难度。

如何通过科技信息化手段，基于现有软硬件条件来实现假、套牌车辆的实时发现预警，是一项重大的科技难题。针对这一难题，海军航空工程学院的王枚提出通过车灯定位识别方法，通过车灯特征来识别车辆类型，根据识别结果和车辆信息库进行比较来判断假、套牌；专利申请号为201110400123.0公开了通过前端车辆检测识别单元对车辆号牌、车牌颜色、车身颜色、车辆商标进行自动识别，如果车身颜色或车辆商标与记载的信息不一致，则有套牌车；专利申请号为200910058943.9公开了一种基于车辆牌照识别和网格化监控的套牌车检测方法，是在车辆牌照识别及网格化监控的基础上，将车辆牌照与各个监控点的信息关联起来，通过“时间差”判定，检测出涉嫌套牌车辆的方法；专利申请号为200910051843.3公开了一种基于理论最短行驶时间的套牌识别方法，认为同一车牌在不合理的时间段内理论上不可能同时出现在不同路面；上海交通大学的刘锋通过图像识别算法提取车辆的几何特征来实现车型识别，并以此进行套牌判定。

上述文献和公开的专利为假、套牌识别提供了技术实现方法，但实战应用方面仍然有较大的提升空间，比如利用车灯、车标来识别车型对抓拍图像质量要求过高，对于一般质量照片存在识别准确度低，无法适应全天候实战环境；通过“时间差”和“理论最短行驶时间”来判断套牌，虽然可以解决同时在路面上的套牌情况，但仍无法认定“谁套了谁的牌”，也无法解决套牌车在非同一时间出现的套牌情况；通过提取车辆几何特征来实现车辆类型识别，虽然安装方便、兼容性高，但仍然有运算强度大、识别率不高，套牌预警误报严重的问题。即使随着科学技术的发展，以上方法准确率和运算效率得到很大程度上提高，比如车型识别准确度高达95%，车牌识别率达到98%，那么：假设某城市汽车保有量为200万车辆，套牌占比1%，车型识别的5%错误率以及车牌识别的2%错误率相互的叠加将造成10万次（200万*5%*200万*2%=10万）套牌误报，而实际套牌车辆仅有2万辆，那么套牌预警的误报率高达80%。因此，尽可能的减少假、套牌误报，提高识别方法的实战性和普适性，是衡量假、套牌识别方法优劣的重要依据。

发明内容

本发明目的在于提供一种基于图像特征比对的车辆套牌识别系统，解决了现有技术中道路图像中由于汽车快速性、机动性导致车辆套牌难以进行有效识别等问题。

为了解决现有技术中的这些问题，本发明提供的技术方案是：

一种基于图像特征比对的车辆套牌识别系统，包括车辆图像采集模块、套牌预处理模块和套牌增强识别模块，其特征在于所述车辆图像采集模块用于采集车辆图像，并传输给套牌预处理模块；所述套牌预处理模块设置有车型特征库、车辆基础库，用于根据号牌区域和车头区域判断待识别的车辆车型，并与根据车辆号牌从车型特征库中检索获得的车型进行比对；当根据号牌区域和车头区域判断的车辆车型与根据车辆号牌从车型特征库中检索获得的车型不一致时，所述套牌预处理模块将待识别的车辆纳入套牌嫌疑库，并传输给套牌增强识别模块进行处理；所述套牌增强识别模块根据车辆号牌补办情况、待识别的车辆图像的车牌模糊系数的大小、车牌号码错误聚类因子的大小判断纳入套牌嫌疑库的待识别车辆是否为套牌车。

优选的，该系统为分布式架构，所述车辆图像采集模块为设置在道路卡口的高清摄像头，所述套牌预处理模块作为汇聚节点，连接若干个所述高清摄像头，所述套牌增强识别模块作为汇聚终点，连接所有套牌预处理模块。

本发明的另一目的在于提供一种基于图像特征比对的车辆套牌识别方法，其特征在于所述方法包括以下步骤

（1）采集车辆图像，提取车辆图像上的号牌区域、车头区域，根据号牌区域、车头区域判断车型；根据判断后的车型与根据车辆号牌在车辆基础库中检索得到的车型判断待识别的车辆是否为套牌嫌疑车辆；

（2）当待识别的车辆为套牌嫌疑车辆时根据待识别的车辆车牌补办情况、待识别的车辆图像的车牌模糊系数的大小、车牌号码错误聚类因子的大小进行套牌车辆筛查；当待识别的车辆图像的车牌号码错误聚类因子大于预定阈值时，判断待识别的车辆图像中车辆为套牌车。

优选的，所述方法步骤（1）之前需要根据车辆基础库预先构建车型特征库，具体方法是先提取车辆图像中的车牌区域，以车牌区域为基础，向外拓展获取车头区域；然后提取车头区域的图像特征；以通过号牌识别算法获得的车辆号牌为查询条件检索车辆基础库获得车型，并与车头特征形成对应关系存入车型特征库。

优选的，所述方法步骤（2）中根据获得的套牌嫌疑车辆图像车辆号牌检索待识别的车辆车牌补办情况，当存在车辆车牌补办情况时，计算车辆号牌的车牌模糊系数，根据车辆号牌的车牌模糊系数判断是否增加特征提取、比对算法的时间复杂度重新计算车辆号牌；当不存在车辆车牌补办情况时，增加特征提取、比对算法的时间复杂度重新计算待识别车辆的车型。

优选的，所述方法步骤（2）中当增加特征提取、比对算法的时间复杂度重新计算得到的待识别车辆的车型与检索获得的车型仍不一致时，计算车辆号牌错误聚类因子；根据车辆号牌错误聚类因子的大小判断是否为套牌车。

优选的，所述方法步骤（2）中车辆号牌错误聚类因子按照以下方法进行计算：

假设套牌嫌疑库为TBDB,车辆号牌为CarNum，车辆型号为CarType；Count(CarNum,CarType)为车牌号为CarNum，车型为CarType在TBDB中的总数；f(CarNum)为车牌号为CarNum的错误聚类因子，其公示为：

f(CarNum)=Count(CarNum,CarType)。

优选的，所述方法步骤（2）中车辆号牌的车牌模糊系数按照以下方法进行计算：

假设号牌字符串StrCarNum={Scn_i|i=1,n}其中Scn_i为第i个号牌字符串，n为号牌字符个数常量为NCOUNT；设定号牌字符模糊个数集合StrNumClu={Scn_i,CluCount_i|i=1,n},该集合表示与号牌字符Scn_i有模糊关系的字符个数为CluCount_i，Count(Scn_i)用于计算Scn_i模糊字符个数；则号牌字符串StrCarNum的号牌模糊系数为： $f\left(\mathrm{StrCarNum}\right)=\underset{i=1}{\overset{\mathrm{NCOUNT}}{\mathrm{\Σ}}}\mathrm{Count}\left({\mathrm{Scn}}_i\right).$

本发明涉及一种基于图像特征比对技术的车辆套牌识别方法，尤其涉及通过计算号牌模糊系数、错误聚类因子以及依托警用专题库来提高假、套牌识别准确度的方法。

本发明所要解决的技术问题为如何在现有高清卡口系统建设的基础上，利用图像特征比对技术来完成对车辆套牌的识别，并依托自建的警用专题库，通过计算号牌模糊系数、错误聚类因子来协助套牌识别算法以获得更高的识别率，并将此方法应用在交通管理领域。

所谓的警用专题库包括车型特征库、车辆基础库、车牌补办库、套牌嫌疑库、套牌库五类数据库。其中，车辆特征库存储了车辆型号与车辆特征对应关系；车辆基础库，是交警业务数据库，存储了车牌和车型的对应关系；车牌补办库，是交警在受理车牌遗失补办业务时形成的业务数据库，记录了补办车牌号码、车型等信息；套牌嫌疑库，是指套牌初查算法计算后发现的嫌疑车牌，它包括涉嫌套牌的车牌和车型的对应关系；套牌库，是在套牌嫌疑库的基础上，通过进一步筛选排查，将最终符合套牌条件的写入套牌库，该库是本方法的最终结果库。

所谓的号牌模糊系数，是指用来衡量号牌识别难易程度的参数，该系数越高，该号牌越容易识别错误。

所谓的错误聚类因子，是计算套牌嫌疑库中同样套牌方式出现的次数，同样时间段，错误聚类因子越大，该车牌涉嫌套牌嫌疑越严重。

所述车型特征库，构建流程如下：

步骤一，接收车辆抓拍照片，记为CarPic；

步骤二，提取CarPic中车牌区域，记为NumRec，并以NumRec为基础，获取车头区域，记为CarHRec；

步骤三，识别NumRec中的车牌，记为CarNum；

步骤四，提取区域为CarHRec的图像特征，记为PicFeature；

步骤五，以CarNum为查询条件检索车辆基础库获得车型为CarType，并与PicFeature形成对应关系存入车型特征库。

所述系统大体工作流程如下：

步骤一，前端抓拍设备向汇聚节点的卡口公共机汇聚车辆照片数据的同时向预处理模块发送车辆抓拍照片；

步骤二，假、套牌预处理模块处理车辆照片，判断其是否具有假、套牌嫌疑，将有嫌疑的车辆照片及其相关参数发送到汇聚终点中的套牌嫌疑库；

步骤三，假、套牌筛查模块依托增强识别算法，来判断该车辆是否为套牌，如果是，则写入套牌库，如果不是，则从嫌疑库中移除。

所述的套牌预处理模块（包括但不限于假牌、套牌），其工作流程如下：

步骤一，假、套牌预处理模块接收卡口车辆抓拍照片，记为CarPic；

步骤二，提取CarPic中车牌区域，记为NumRec，并以NumRec为基础，获取车头区域，记为CarHRec；

步骤三，识别NumRec中的车牌，记为CarNum；

步骤四，提取区域为CarHRec的图像特征，记为PicFeature；

步骤五，以PicFeature为查询条件检索车型特征库，获得车型为CarTypeByImg，以CarNum为查询条件检索车辆基础库，获得车型为CarTypeByNum；

步骤六，如果CarTypeByImg与CarTypeByNum不同，判断该车辆具有假套牌嫌疑，将该车辆相关信息写入车辆嫌疑库，否则，车辆正常，预处理模块运行结束。

所述套牌识别增强模块的（包括但不限于假牌、套牌），其工作流程如下：

步骤一，筛查模块接收预处理模块发送的假、套牌嫌疑车辆，其车辆号牌CarNum，号牌区域为NumRec，车头区域为CarHRec，号牌检索得到的车型为CarTypeByNum，特征比对得到车型为CarTypeByImg；

步骤二，以号牌CarNum为查询条件，检索车牌补办库；如果车牌补办库中存在CarNum对应纪录，转到步骤三，否则，转到步骤五；

步骤三，增加特征提取、比对算法的时间复杂度，重新计算CarHRec对应的车型，记为RCarTypeByImg，如果车型RCarTypeByImg与CarNum对应车型一致，则排除嫌疑，筛查模块流程结束，如果不一致，转到步骤四；

步骤四，依托嫌疑库，计算CarNum错误聚类因子，记为WCluster，如果WCluster大于错误聚类阈值M，则判定CarNum对应的车辆为假、套牌车辆，筛查模块流程结束，否则，将CarNum对应车辆相关信息写入套牌嫌疑库，筛查模块流程结束；

步骤五，计算车辆号牌CarNum的车牌模糊系数，记为NumIndis，如果NumIndis小于模糊阈值I，转到步骤三，否则，转到步骤六；

步骤六，增加特征提取、比对算法的时间复杂度，重新计算区域NumRec对应的号牌，记为RCarNum，如果RCarNum等于CarNum，转到步骤四；否则，将RCarNum赋值于CarNum，转到步骤二；

所谓特征提取、比对算法的时间复杂度，是衡量特征提取和比对算法效率的指标,时间复杂度越小,执行时间越短,运行效率越高。增加时间复杂度是指增加算法的运行时间，以牺牲算法效率来提高特征提取、比对的准确度，其工作流程如下：

步骤一，根据新增的时间，相应降低特征提取的等级；

步骤二，根据特征提取等级，重新计算图像中的特征重要性等级，将满足新等级的特征进行组合，形成图像特征；

步骤三，根据新提取的图像特征进行号牌识别或者检索车型特征库，得到新号牌或者车辆型号。

所述的号牌模糊系数，算法流程如下：

步骤一，设定号牌字符串StrCarNum={Scn_i|i=1,n}，其中Scn_i为第i个号牌字符串，n为号牌字符个数常量为NCOUNT，目前NCOUNT=7;设定号牌字符模糊个数集合StrNumClu={Scn_i,CluCount_i|i=1,n}，该集合说明与号牌字符Scn_i有模糊关系的字符个数为CluCount_i，Count(Scn_i)用于计算Scn_i模糊字符个数；

步骤二，计算号牌字符串StrCarNum的号牌模糊系数 $f\left(\mathrm{StrCarNum}\right)=\underset{i=1}{\overset{\mathrm{NCOUNT}}{\mathrm{\Σ}}}\mathrm{Count}\left({\mathrm{Scn}}_i\right)$

所述的错误聚类因子，算法流程如下：

步骤一，设定套牌嫌疑库为TBDB,车辆号牌为CarNum，车辆型号为CarType；

步骤二，Count(CarNum,CarType)统计车牌号为CarNum，车型为CarType在TBDB中的总数；

步骤三，车牌号为CarNum的错误聚类因子为f(CarNum)，

f(CarNum)=Count(CarNum,CarType)

本方法以已建高清卡口系统为基础，在警用专题库的支撑下，利用图像特征对比技术实现了假套牌的预处理，最后通过计算号牌模糊系数、错误聚类因子进一步的排除假、套牌嫌疑误报，进一步提高假、套牌识别准确度。随着图像特征比对技术的进一步完善，结合本方法，对于提高交通管理的智能化水平具有很大的作用。

相对于现有技术中的方案，本发明的优点是：

本发明技术方案兼容性高。本发明对外接口简单，只需要在卡口汇聚节点上增加车牌抓拍图像转发接口便可以快速应用本方法，无所做更多的修改，因此，本方法可以兼容现有多种类型的卡口，兼容性高的特点。

本发明技术方案运算效率高。本发明的车型特征库是由车头特征组成，参与特征比对也是车头，比利用全车特征提取、比对提高了运算效率。

本发明技术方案实战性强。本发明重点在于如何过滤假、套牌误报的各类情形以提高假、套牌预警的准确度，本发明很大程度上提高了假、套牌识别率，使本发明具备更高的实战性。

本发明公开了一种车辆假、套牌识别的增强方法，其特征是：以已建高清卡口系统为基础，在警用专题库的支撑下，利用图像特征对比技术实现了假套牌的预处理，最后通过计算号牌模糊系数、错误聚类因子进一步的排除假、套牌嫌疑误报，进一步提高假、套牌识别准确度。本方法算法简单易行，可以配合各种车型、车牌识别方法使用，并随着图像特征提取、比对算法的进一步完善，利用本方法可以进一步提高假、套牌的识别率。将此方法用于交通管理，可以很大程度上提高交通管理的智能化水平，有效打击假、套牌交通违法行为。

附图说明

下面结合附图及实施例对本发明作进一步描述：

图1为假、套牌识别增强方法的工作原理图；

图2为车型建模工作流程图；

图3为假、套牌预处理模块工作流程图；

图4为假、套牌筛查模块工作流程图；

图5为正常车辆情况下的假、套牌识别增强方法工作流程图；

图6为涉嫌套牌情况下的假、套牌识别增强方法工作流程图;

图7为假、套牌判定工作流程图。

具体实施方式

以下结合具体实施例对上述方案做进一步说明。应理解，这些实施例是用于说明本发明而不限于限制本发明的范围。实施例中采用的实施条件可以根据具体厂家的条件做进一步调整，未注明的实施条件通常为常规实验中的条件。

实施例

如图1所示，该基于图像特征比对的车辆套牌识别系统，为分布式架构，包括n个车辆图像采集模块、n个套牌预处理模块和套牌增强识别模块，所述车辆图像采集模块为设置在道路卡口的高清摄像头，所述套牌预处理模块作为汇聚节点，连接若干个所述高清摄像头，所述套牌增强识别模块作为汇聚终点，连接所有套牌预处理模块。所述车辆图像采集模块用于采集车辆图像，并传输给套牌预处理模块；所述套牌预处理模块设置有车型特征库、车辆基础库，用于根据号牌区域和车头区域判断待识别的车辆车型，并与根据车辆号牌从车型特征库中检索获得的车型进行比对；当根据号牌区域和车头区域判断的车辆车型与根据车辆号牌从车型特征库中检索获得的车型不一致时，所述套牌预处理模块将待识别的车辆纳入套牌嫌疑库，并传输给套牌增强识别模块进行处理；所述套牌增强识别模块根据车辆号牌补办情况、待识别的车辆图像的车牌模糊系数的大小、车牌号码错误聚类因子的大小判断纳入套牌嫌疑库的待识别车辆是否为套牌车。

图2～图7详细描述了假、套牌识别增强方法在交通管理中的应用流程。利用图像特征比对算法，通过车头图像特征提取、比对，实现车型识别，以此为依据与车辆基础库比较，判别车牌是否具有假、套牌交通违法嫌疑；依托自建的警用专题库，通过计算号牌模糊系数、错误聚类因子来进一步甄别假、套牌，提高识别准确度，减少假、套牌预警误报。

具体先通过前端抓拍设备向汇聚节点的卡口公共机汇聚车辆照片数据的同时向预处理模块发送车辆抓拍照片；然后采用假、套牌预处理模块处理车辆照片，判断其是否具有假、套牌嫌疑，将有嫌疑的车辆照片及其相关参数发送到汇聚终点中的套牌嫌疑库；最后假、套牌筛查模块依托套牌嫌疑库，利用增强识别算法，来判断该车辆是否为套牌，如果是，则写入套牌库，如果不是，则从嫌疑库中移除。

如图2所示，为车型特征库的构建方法，其流程是：

1）接收车辆抓拍照片；

2）提取车辆抓拍图像中的车牌区域，并以为基础，向外拓展获取车头区域；

3）提取车头区域的图像特征；

4）以通过号牌识别算法获得的车辆号牌为查询条件检索车辆基础库获得车型，并与车头特征形成对应关系存入车型特征库。

如图3所示，套牌预处理模块的工作流程是：

1）假、套牌预处理模块接收卡口车辆抓拍照片，记为CarPic；

2）提取CarPic中车牌区域，记为NumRec，并以NumRec为基础，获取车头区域，记为CarHRec；

3）识别NumRec中的车牌，记为CarNum；

4）提取区域为CarHRec的图像特征，记为PicFeature；

5）以PicFeature为查询条件检索车型特征库，获得车型为CarTypeByImg，以CarNum为查询条件检索车辆基础库，获得车型为CarTypeByNum；

6）如果CarTypeByImg与CarTypeByNum不同，判断该车辆具有假套牌嫌疑，将该车辆相关信息写入车辆嫌疑库，否则，车辆正常，预处理模块运行结束。

如图4所示，套牌增强识别模块的工作流程是：

1）接收预处理模块发送的假、套牌嫌疑车辆，其车辆号牌CarNum，号牌区域为NumRec，车头区域为CarHRec，号牌检索得到的车型为CarTypeByNum，特征比对得到车型为CarTypeByImg；

2）以号牌CarNum为查询条件，检索车牌补办库；如果车牌补办库中存在CarNum对应纪录，转到3），否则，转到5）；

3）增加特征提取、比对算法的时间复杂度，重新计算CarHRec对应的车型，记为RCarTypeByImg，如果车型RCarTypeByImg与CarNum对应车型一致，则排除嫌疑，筛查模块流程结束，如果不一致，转到4）；

4）依托嫌疑库，计算CarNum错误聚类因子，记为WCluster，如果WCluster大于错误聚类阈值M，则判定CarNum对应的车辆为假、套牌车辆，筛查模块流程结束，否则，将CarNum对应车辆相关信息写入套牌嫌疑库，筛查模块流程结束；

5）计算车辆号牌CarNum的车牌模糊系数，记为NumIndis，如果NumIndis小于模糊阈值I，转到3），否则，转到6）；

6）增加特征提取、比对算法的时间复杂度，重新计算区域NumRec对应的号牌，记为RCarNum，如果RCarNum等于CarNum，转到4）；否则，将RCarNum赋值于CarNum，转到2）。

号牌模糊系数计算方法的流程如下：

设定号牌字符串StrCarNum=(Scn_i|i=l，n}，其中Scn_i为第i个号牌字符串，n为号牌字符个数常量为NCOUNT，目前NCOUNT=7;设定号牌字符模糊个数集合StrNumClu={Scn_i,CluCount_i|i=1,n}，该集合说明与号牌字符Scn_i有模糊关系的字符个数为CluCount_i，Count(Scn_i)用于计算Scn_i模糊字符个数；

计算号牌字符串StrCarNum的号牌模糊系数 $f\left(\mathrm{StrCarNum}\right)=\underset{i=1}{\overset{\mathrm{NCOUNT}}{\mathrm{\Σ}}}\mathrm{Count}\left({\mathrm{Scn}}_i\right).$

错误聚类因子的计算方法，其流程如下：

设定套牌嫌疑库为TBDB,车辆号牌为CarNum，车辆型号为CarType；

Count(CarNum,CarType)统计车牌号为CarNum，车型为CarType在TBDB中的总数；

车牌号为CarNum的错误聚类因子为f(CarNum)，

f(CarNum)=Count(CarNum,CarType)

以下进行具体应用，首先构建车型特征库，错误聚类集合，并从交警部门获取车辆基础库。

其次选取2012年度苏州市高清卡口约一亿张抓拍照片作为训练集来构建车型特征库，车型覆盖包括大众、日产、丰田、本田、五菱共覆盖约100个常见车辆类型。

再次根据号牌识别算法特性，将容易识别出错的字符建立错误聚类，比如8容易识别为B，5容易识别为S，2容易识别为Z，0容易识别为Q，D，G等，错误聚类设置针对号牌识别算法特性进行自定义。

最后从交警部门获取车辆基础库，覆盖信息包括车辆号牌、车辆型号等信息。

具体说明如下（其中设置错误聚类因子比较阈值为3）：

应用例1：高清卡口抓拍的车辆为正常车辆

步骤一，假、套牌预处理模块接收卡口车辆抓拍照片，记为CarPic；

步骤二，提取CarPic中车牌区域，记为NumRec，并以NumRec为基础，获取车头区域，记为CarHRec；

步骤三，识别NumRec中的车牌，记为CarNum=苏E8SN85；

步骤四，提取区域为CarHRec的图像特征，记为PicFeature；

步骤五，以PicFeature为查询条件检索车型特征库，获得车型为CarTypeByImg为尼桑天籁，以CarNum为查询条件检索车辆基础库，获得车型为CarTypeByNum为尼桑天籁；

步骤六，CarTypeByImg与CarTypeByNum相同，判断该车辆不具有假套牌嫌疑，预处理模块运行结束。

应用例2：高清卡口抓拍的车辆为假、套牌嫌疑车辆

步骤一，假、套牌预处理模块接收卡口车辆抓拍照片，记为CarPic；

步骤二，提取CarPic中车牌区域，记为NumRec，并以NumRec为基础，获取车头区域，记为CarHRec；

步骤三，识别NumRec中的车牌，记为CarNum=苏E8SN85；

步骤四，提取区域为CarHRec的图像特征，记为PicFeature；

步骤五，以PicFeature为查询条件检索车型特征库，获得车型为CarTypeByImg为荣威750，以CarNum为查询条件检索车辆基础库，获得车型为CarTypeByNum为尼桑天籁；

步骤六，CarTypeByImg与CarTypeByNum不相同，判断该车辆具有假套牌嫌疑，写入套牌嫌疑库，预处理模块运行结束

应用例3

步骤一，筛查模块接收预处理模块发送的假、套牌嫌疑车辆，具体信息为：车辆号牌CarNum为苏E8SN85，号牌区域为NumRec，车头区域为CarHRec，号牌检索得到的车型为CarTypeByNum为尼桑天籁，特征比对得到车型为CarTypeByImg为荣威750；

步骤二，在车牌补办库中检索苏E8SN85，的确存在苏E8SN85有补办纪录；

步骤三，增加特征提取、比对算法的时间复杂度，重新计算CarHRec对应的车型，记为RCarTypeByImg为荣威750；

步骤四，依托嫌疑库，计算CarNum错误聚类因子（如嫌疑库中有4次同样类型嫌疑纪录），记为WCluster=4，且WCluster大于错误聚类阈值M（M=3），则判定苏E8SN85对应的车辆为假、套牌车辆，筛查模块流程结束。

应用例结果分析：

从应用例中可以看出，通过图像特征比对技术，利用识别得到的车型与号牌检索得到的车型进行对比，可以有效的发现假、套牌车辆；通过号牌模糊系数与车辆错误聚类因子，可以有效地排除因号牌识别错误、车型识别错误产生的假、套牌判定的失误，减少误报，提高假、套牌预警的准确性。本方法对于提升公安机关利用先进科技技术打击假、套牌的违法的实战行动具有较高的信息化支撑作用。

上述实例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人是能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于图像特征比对的车辆套牌识别系统，包括车辆图像采集模块、套牌预处理模块和套牌增强识别模块，其特征在于所述车辆图像采集模块用于采集车辆图像，并传输给套牌预处理模块；所述套牌预处理模块设置有车型特征库、车辆基础库，用于根据号牌区域和车头区域判断待识别的车辆车型，并与根据车辆号牌从车型特征库中检索获得的车型进行比对；当根据号牌区域和车头区域判断的车辆车型与根据车辆号牌从车型特征库中检索获得的车型不一致时，所述套牌预处理模块将待识别的车辆纳入套牌嫌疑库，并传输给套牌增强识别模块进行处理；所述套牌增强识别模块根据车辆号牌补办情况、待识别的车辆图像的车牌模糊系数的大小、车牌号码错误聚类因子的大小判断纳入套牌嫌疑库的待识别车辆是否为套牌车。

2.根据权利要求1所述的基于图像特征比对的车辆套牌识别系统，其特征在于该系统为分布式架构，所述车辆图像采集模块为设置在道路卡口的高清摄像头，所述套牌预处理模块作为汇聚节点，连接若干个所述高清摄像头，所述套牌增强识别模块作为汇聚终点，连接所有套牌预处理模块。

3.一种基于图像特征比对的车辆套牌识别方法，其特征在于所述方法包括以下步骤

（1）采集车辆图像，提取车辆图像上的号牌区域、车头区域，根据号牌区域、车头区域判断车型；根据判断后的车型与根据车辆号牌在车辆基础库中检索得到的车型判断待识别的车辆是否为套牌嫌疑车辆；

（2）当待识别的车辆为套牌嫌疑车辆时根据待识别的车辆车牌补办情况、待识别的车辆图像的车牌模糊系数的大小、车牌号码错误聚类因子的大小进行套牌车辆筛查；当待识别的车辆图像的车牌号码错误聚类因子大于预定阈值时，判断待识别的车辆图像中车辆为套牌车。

4.根据权利要求3所述的方法，其特征在于所述方法步骤（1）之前需要根据车辆基础库预先构建车型特征库，具体方法是先提取车辆图像中的车牌区域，以车牌区域为基础，向外拓展获取车头区域；然后提取车头区域的图像特征；以通过号牌识别算法获得的车辆号牌为查询条件检索车辆基础库获得车型，并与车头特征形成对应关系存入车型特征库。

5.根据权利要求4所述的方法，其特征在于所述方法步骤（2）中根据获得的套牌嫌疑车辆图像车辆号牌检索待识别的车辆车牌补办情况，当存在车辆车牌补办情况时，计算车辆号牌的车牌模糊系数，根据车辆号牌的车牌模糊系数判断是否增加特征提取、比对算法的时间复杂度重新计算车辆号牌；当不存在车辆车牌补办情况时，增加特征提取、比对算法的时间复杂度重新计算待识别车辆的车型。

6.根据权利要求5所述的方法，其特征在于所述方法步骤（2）中当增加特征提取、比对算法的时间复杂度重新计算得到的待识别车辆的车型与检索获得的车型仍不一致时，计算车辆号牌错误聚类因子；根据车辆号牌错误聚类因子的大小判断是否为套牌车。

7.根据权利要求6所述的方法，其特征在于所述方法步骤（2）中车辆号牌错误聚类因子按照以下方法进行计算：

假设套牌嫌疑库为TBDB,车辆号牌为CarNum，车辆型号为CarType；Count(CarNum,CarType)为车牌号为CarNum，车型为CarType在TBDB中的总数；f(CarNum)为车牌号为CarNum的错误聚类因子，其公示为：

f(CarNum)=Count(CarNum,CarType)。

8.根据权利要求5所述的方法，其特征在于所述方法步骤（2）中车辆号牌的车牌模糊系数按照以下方法进行计算：

假设号牌字符串StrCarNum={Scn_i|i=1,n}，其中Scn_i为第i个号牌字符串，n为号牌字符个数常量为NCOUNT；设定号牌字符模糊个数集合StrNumClu={Scn_i,CluCount_i|i=1,n}，该集合表示与号牌字符Scn_i有模糊关系的字符个数为CluCount_i，Count(Scn_i)用于计算Scn_i模糊字符个数；则号牌字符串StrCarNum的号牌模糊系数为： $f\left(\mathrm{StrCarNum}\right)=\underset{i=1}{\overset{\mathrm{NCOUNT}}{\mathrm{\Σ}}}\mathrm{Count}\left({\mathrm{Scn}}_i\right).$

Images