CN105321350B - 套牌车检测方法及装置 - Google Patents
套牌车检测方法及装置 Download PDFInfo
- Publication number
- CN105321350B CN105321350B CN201410381655.8A CN201410381655A CN105321350B CN 105321350 B CN105321350 B CN 105321350B CN 201410381655 A CN201410381655 A CN 201410381655A CN 105321350 B CN105321350 B CN 105321350B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- subgraph
- model data
- data storehouse
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明提供一种套牌车检测方法及装置,该方法包括:提取待查询图像中待查询车辆对应的第一子图像,第一子图像中包括能够识别的车牌号;识别第一子图像中的车牌号,确定待检测车辆的车型信息;根据车型信息,从预先建立的数据库中获取车型信息对应的车型数据库中的所有样例图像;判断第一子图像与车型数据库中的所有样例图像是否匹配;若不匹配,则确定待查询车辆为套牌车;其中,所述数据库包括:多种车型数据库,每一车型数据库包括:该车型的多个样例图像的集合;所述车型的样例图像包括:不同光照条件下的车辆图像、不同拍摄角度的车辆图像和不同场景的车辆图像。上述方法能够更准确且简单的判断待查询车辆是否为套牌车。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种套牌车检测方法及装置。
背景技术
随着我国经济的快速发展、城市规模的不断扩大、以及车辆数量的大幅增长,我国的交通系统正逐渐走向智能化。有些车辆为了达到某种目的,变造、伪造车牌,或者使用他车车牌(套牌),为了有效地克服嫌疑车辆改造、变造车牌的行为,使可疑车辆无所遁形,有效的套牌车检测技术正面临着迫切的需求。现有技术中,一般先对查询车辆进行车牌号识别,然后通过车牌号从数据库中读取车型信息,然后与检测到的车型做比对,从而判断是否为套牌车。其中,检测车型的方法一般分为两种:硬件设备检测,如雷达、红外线等装置,获取车辆的轮廓特征;特征提取,如通过图像提取形状信息,或识别一些特定部位,如车标,从而得到车型。这类方法的缺陷在于,要么依赖于特定的额外的设备,要么提取的特征不够细致,不能判断出具体某一款车型,那么在与数据库车型进行比对时,双方信息不在同一层次,匹配不够精确。此外,还有一类方法通过判断同一车牌号车辆在不同监控点视频中出现的时间关系,结合不同监控点的位置关系,根据其合理性判断是否为套牌车。这类“时空分析”的方法运算量大且复杂。
鉴于此,如何提供一种判断套牌车的更准确且简单的套牌车检测方法成为当前需要解决的技术问题。
发明内容
针对现有技术中的缺陷,本发明提供一种套牌车检测方法及装置,能够更准确且简单的判断待查询车辆是否为套牌车。
第一方面,本发明提供一种套牌车检测方法,包括:
提取待查询图像中待查询车辆对应的第一子图像,所述第一子图像中包括能够识别的车牌号;
识别所述第一子图像中的车牌号,确定待检测车辆的车型信息;
根据所述车型信息,从预先建立的数据库中获取所述车型信息对应的车型数据库中的所有样例图像;
判断所述第一子图像与所述车型数据库中的所有样例图像是否匹配;
若所述第一子图像与所述车型数据库中的所有样例图像不匹配,则确定所述待查询车辆为套牌车;
其中,所述数据库包括:多种车型数据库,每一车型数据库包括:该车型的多个样例图像的集合;所述车型的样例图像包括:不同光照条件下的车辆图像、不同拍摄角度的车辆图像和不同场景的车辆图像。
可选地,所述判断所述第一子图像与所述车型数据库中的所有样例图像是否匹配的步骤,包括:
采用特征描述子方式获取所述第一子图像与所述车型数据库中每一样例图像的第一相似度;
比较所述第一相似度与预设的第一阈值的大小;
或者,
采用特征描述子方式获取所述第一子图像与所述车型数据库的第二相似度;
比较所述第二相似度与预设的第二阈值的大小;
相应地,所述第一子图像与所述车型数据库中的所有样例图像不匹配的步骤,包括:
所述第一子图像与所述车型数据库中每一样例图像的第一相似度均小于等于第一阈值,则确定所述第一子图像与所述车型数据库中的所有样例图像不匹配;
或者,
所述第一子图像与所述车型数据库的第二相似度小于预设的第二阈值,则确定所述第一子图像与所述车型数据库中的所有样例图像不匹配。
可选地,所述识别所述第一子图像中的车牌号,确定待检测车辆的车型信息的步骤,包括:
识别所述第一子图像中的车牌号,根据所述车牌号在车辆管理机构的数据库中查找与所述车牌号对应的车型信息。
可选地,所述采用特征描述子方式获取所述第一子图像与所述车型数据库中每一样例图像的第一相似度的步骤,包括:
获取所述第一子图像的视觉特征,以及获取所述车型信息的车型数据库中的所有样例图像的视觉特征;
获取所述第一子图像的视觉特征与所述车型信息的车型数据库中的所有样例图像的视觉特征的视觉特征相似度。
可选地,所述采用特征描述子方式获取所述第一子图像与所述车型数据库的第二相似度的步骤,包括:
采用特征描述子方式获取所述第一子图像与所述车型数据库中所有样例图像的第一相似度,得到第一相似度集合;
对所述第一相似度集合进行数学统计分析,得到所述第一子图像与所述车型数据库的第二相似度。
第二方面,本发明提供一种套牌车检测装置,包括:
图像提取单元,用于提取待查询图像中待查询车辆对应的第一子图像,所述第一子图像中包括能够识别的车牌号;
车型信息确定单元,用于识别所述第一子图像中的车牌号,确定待检测车辆的车型信息;
车型数据库获取单元,用于根据所述车型信息,从预先建立的数据库中获取所述车型信息对应的车型数据库中的所有样例图像;
判断单元,用于判断所述第一子图像与所述车型数据库中的所有样例图像是否匹配;
套牌车确定单元,用于在所述第一子图像与所述车型数据库中的所有样例图像不匹配时,确定所述待查询车辆为套牌车;
其中,所述数据库包括:多种车型数据库,每一车型数据库包括:该车型的多个样例图像的集合;所述车型的样例图像包括:不同光照条件下的车辆图像、不同拍摄角度的车辆图像和不同场景的车辆图像。
可选地,所述判断单元,具体用于
采用特征描述子方式获取所述第一子图像与所述车型数据库中每一样例图像的第一相似度;
比较所述第一相似度与预设的第一阈值的大小;
相应地,套牌车确定单元,具体用于
所述第一子图像与所述车型数据库中每一样例图像的第一相似度均小于等于第一阈值,则确定所述第一子图像与所述车型数据库中的所有样例图像不匹配,确定所述待查询车辆为套牌车;
或者,
采用特征描述子方式获取所述第一子图像与所述车型数据库的第二相似度;
比较所述第二相似度与预设的第二阈值的大小;
相应地,套牌车确定单元,具体用于
所述第一子图像与所述车型数据库的第二相似度小于预设的第二阈值,则确定所述第一子图像与所述车型数据库中的所有样例图像不匹配,确定所述待查询车辆为套牌车。
可选地,车型信息确定单元,具体用于:
识别所述第一子图像中的车牌号,根据所述车牌号在车辆管理机构的数据库中查找与所述车牌号对应的车型信息。
由上述技术方案可知,本发明的套牌车检测方法及装置,通过提取待查询图像中待查询车辆对应的第一子图像,所述第一子图像中包括能够识别的车牌号,识别所述第一子图像中的车牌号,确定待检测车辆的车型信息,根据所述车型信息,从预先建立的数据库中获取所述车型信息对应的车型数据库中的所有样例图像,判断所述第一子图像与所述车型数据库中的所有样例图像是否匹配,若所述第一子图像与所述车型数据库中的所有样例图像不匹配,则确定所述待查询车辆为套牌车,由此,能够更准确且简单的判断待查询车辆是否为套牌车。
附图说明
图1为本发明一实施例提供的套牌车检测方法的流程示意图;
图2为本发明一实施例提供的车型数据库的建立方法的流程示意图;
图3为本发明一实施例提供的套牌车检测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例,都属于本发明保护的范围。
图1示出了本发明一实施例提供的套牌车检测方法的流程示意图,如图1所示,本实施例的套牌车检测方法如下所述。
101、提取待查询图像中待查询车辆对应的第一子图像,所述第一子图像中包括能够识别的车牌号。
可理解的是,本实施例中的第一子图像包括能够识别的车牌号,可以是待查询图像中待查询车辆所在的区域图像,也可以是待查询车辆的一部分所对应的图像,是对车辆识别有用的区域图像,所述第一子图像占据所述待查询图像比例可根据实际需要选取。当然,第一子图像也可以是全部的待查询图像。
102、识别所述第一子图像中的车牌号,确定待检测车辆的车型信息。
举例来说,识别所述第一子图像中的车牌号后,可以根据所述车牌号在车辆管理机构的数据库中查找与所述车牌号对应的车型信息。
本实施例中的车型信息可包括车辆的型号,以及车辆的颜色等信息。
103、根据所述车型信息,从预先建立的数据库中获取所述车型信息对应的车型数据库中的所有样例图像。
本实施例中预先建立的数据库可包括:多种车型数据库,每一车型数据库包括:该车型的多个样例图像的集合;所述车型的样例图像包括:不同光照条件下的车辆图像、不同拍摄角度的车辆图像和不同场景的车辆图像。
104、判断所述第一子图像与所述车型数据库中的所有样例图像是否匹配。
105、若所述第一子图像与所述车型数据库中的所有样例图像不匹配,则确定所述待查询车辆为套牌车。
本实施例的套牌车检测方法,通过提取待查询图像中待查询车辆对应的第一子图像,所述第一子图像中包括能够识别的车牌号,识别所述第一子图像中的车牌号,确定待检测车辆的车型信息,根据所述车型信息,从预先建立的数据库中获取所述车型信息对应的车型数据库中的所有样例图像,判断所述第一子图像与所述车型数据库中的所有样例图像是否匹配,若所述第一子图像与所述车型数据库中的所有样例图像不匹配,则确定所述待查询车辆为套牌车,由此,能够更准确且简单的判断待查询车辆是否为套牌车。
在具体应用中,前述方法的步骤104可包括图中未示出的步骤1041和步骤1042,或者步骤1041’和步骤1042’:
1041、采用特征描述子方式获取所述第一子图像与所述车型数据库中每一样例图像的第一相似度。
可理解的是,该处的第一相似度可为第一子图像与所述车型数据库中每一样例图像的第一视觉特征相似度,本实施例为较好的进行下述的说明,可将第一视觉特征相似度简称为第一相似度。
1042、比较所述第一相似度与预设的第一阈值的大小。
相应地,前述方法的步骤105可包括图中未示出的步骤1051:
所述第一子图像与所述车型数据库中每一样例图像的第一相似度均小于等于第一阈值,则确定所述第一子图像与所述车型数据库中的所有样例图像不匹配。
在另一种可能的实现方式中,前述方法的步骤104可包括图中未示出的步骤1041’和步骤1042’:
1041’、采用特征描述子方式获取所述第一子图像与所述车型数据库的第二相似度。
可理解的是,该处的第二相似度可为第一子图像与所述车型数据库的第二视觉特征相似度,本实施例为较好的进行下述的说明,可将第二视觉特征相似度简称为第二相似度。
1042’、比较所述第二相似度与预设的第二阈值的大小。
相应地,前述方法的步骤105可包括图中未示出的步骤1051’:
所述第一子图像与所述车型数据库的第二相似度小于预设的第二阈值,则确定所述第一子图像与所述车型数据库中的所有样例图像不匹配。
举例来说,任一图像的视觉特征为能够反映图像内容的特征,图像视觉特征的提取主要是通过计算机识别并计算反映图像内容的特征部分。
在本实施例中,可采用全局特征描述子的方式提取所述第一子图像和所述车型数据库中的所有样例图像的视觉特征,或者采用局部特征描述子的方式提取所述第一子图像和所述车型数据库中的所有样例图像的视觉特征。
通常,可采用尺度不变特征转换(Scale-invariant feature transform,简称SIFT),快速鲁棒特征(Speeded-up Robust Features,简称SURF),特征梯度直方图(Histograms of Oriented Gradients,简称HOG)等方式提取所述第一子图像和所述车型数据库中的所有样例图像的视觉特征。
本实施例中,提取任一图像的视觉特征可为业内公知技术,本实施例不对其进行详述。
此外,在提取所述第一子图像的视觉特征,以及所述车型数据库中所有样例图像的视觉特征之后,可采用欧式距离或马式距离的方式获取所述第一子图像和所述车型数据库中所有图像的视觉特征相似度即第一相似度。
可选地,在步骤1041’中,采用特征描述子方式获取所述第一子图像与所述车型数据库的第二相似度,可具体理解如下的方式获取:
采用特征描述子方式获取所述第一子图像与所述车型数据库中所有样例图像的第一相似度,得到第一相似度集合;
对所述第一相似度集合进行数学统计分析,得到所述第一子图像与所述车型数据库的第二相似度。
举例来说,可以将所有样例图像的第一相似度的平均值作为所述第一子图像与所述车型数据库的第二相似度;
或者,可以将所有样例图像的第一相似度中的最大值作为所述第一子图像与所述车型数据库的第二相似度;
或者,还可以将所有样例图像的第一相似度中的最小值作为所述第一子图像与所述车型数据库的第二相似度;
或者,还可以采用异类样本分析方式去除所有样例图像的第一相似度中的孤立点,获取所有样例图像中除去孤立点之外的第一相似度的平均值,将该平均值作为第一子图像与所述车型数据库的第二相似度。本实施例仅为举例说明,不对其进行限定。
上述的车型数据库所包括的车辆图像均来自于真实场景中,例如,车型数据库中的所有样例图像可为从监控视频中采集的图像,或者,采用图像采集装置在特定条件下采集的图像,本实施例不对其进行限定。
应说明的是,本实施例中的数据库可包括特定区域的所有的车型数据库,且车型数据库可包括各种条件下属于真实场景的样例图像。
本实施例的套牌车检测方法,能够更准确且简单的判断待查询车辆是否为套牌车。
图2示出了本发明一实施例提供的车型数据库的建立方法的流程示意图,如图2所示,本实施例的车型数据库的建立方法如下所述。
201、获取多个车辆图像,每一车辆图像中具有能够识别的车牌号。
举例来说,可通过车辆的视频监控装置中获取多个车辆图像,或者,可通过图像采集装置获取多个车辆图像。本实施例中的视频监控装置可为道路监控系统中的视频监控装置。
应说明的是,本实施例中获取的多个车辆图像中的每一车辆图像可包括车牌号,即每一车辆图像中具有能够识别的车牌号。
对于车辆图像包括车牌号主要是用于方便获取车辆信息。当前,只有通过车牌号的方式可获取车辆信息,保证车辆信息的准确性。
202、识别所述车辆图像中的车牌号,并根据所述车辆图像的车牌号,从预设的数据库中获取与所述车牌号对应的车辆信息,所述车辆信息可包括:车型信息。
本实施例中的车型信息可包括车辆的型号,以及车辆的颜色等信息。
举例来说,识别车牌号可为当前业内公知的技术,例如采用车牌识别技术从车辆图像中识别车牌号。本实施例中采用公知技术识别车辆图像中的车牌号主要是用于获取车牌号对应的车辆信息。
当然,在实际应用中,本实施例的车辆信息还可包括:车辆部件信息(如部件型号)、车辆颜色(如白色、黑色)、所述车辆的车主信息(如身份证号、性别、年龄等)、所述车辆的注册日期、和/或所述车辆的购买日期等等,本实施例仅对车辆信息进行举例说明,不限定车辆信息所包含的其他内容。另外,需要说明的是,这里所述的车辆信息可为车辆管理机构内部的车辆信息。
前述的预设的数据库可为业内所知的车辆管理机构的数据库。
举例来说,车辆管理机构的数据库中包括如下信息:车辆是宝马X6汽车、奥迪Q7汽车、大众v6汽车等车型的信息,车辆是什么颜色的,是黑色,白色还是银色的,车辆所有者车辆的购买日期、车辆图像等等。
203、将所述车辆信息和所述车辆图像生成所述车型信息的候选车型数据库。
也就是说,对一幅监控视频中的车辆图像S,对车辆图像S中的车牌号进行识别,获取车辆图像S的车牌号P;通过车牌号P获取车辆图像S的车辆信息,对车牌号P检索到与之对应的车辆的车型T,将车辆图像S与车辆的车型T加入到车型T的候选车型数据库(TemplateDataset,简称TDS)。
需要说明的是,本实施例可重复执行前述的步骤201至步骤203,获取车型T的多个角度、不同光照、不同场景下的多个车辆图像,进而将这些车辆图像均加入到车型T的候选车型数据库。
另外,在确定车型T的候选车型数据库之后,还可采用图像采集装置对该车型T采集多个图像,该些图像可以包括车牌号,也可以不包括车牌号等,采集的多个图像均属于车型T的候选车型数据库中的图像。
应说明的是,由于区域的分配,每个区域的车型T的候选车型数据库可不同,例如,北京区域的车型T的候选车型数据库、天津区域的车型T的候选车型数据库、南京区域的车型T的候选车型数据库可不相同。本实施例中可针对不同区域建立各自的候选车型数据库,方便后续车辆管理机构的管理。
当然,在实际应用中,车型T也可建立一个候选车型数据库,该候选车型数据库可包括不同区域的子候选车型数据库,本实施例仅为举例说明,不对其进行限定。
204、根据预设条件筛选所述候选车型数据库,获得所述车型信息的车型数据库。
通常情况下,可将候选车型数据库中重复的图像删除,保证车型数据库中每一图像的场景/光照/属性都是唯一的。
在实际应用中,筛选可为人工筛选也可为自动筛选,优选实现自动筛选,因为每一车型信息的车型数据库中的数据(包括图像)有上千张,人工筛选导致费时费力,可通过视觉特征比对的方式自动筛选重复的图像。
本实施例中,候选车型数据库中图像的数量可大于等于最后获取的车型数据库中图像的数量。
筛选时应保证车型数据库中的数据的多样性,即包含不同角度、不同尺度、不同颜色、不同遮挡程度、不同遮挡角度、不同光照、不同天气情况等尽可能涵盖所有代表性的不同情况下的图像。
本实施例中,通过对候选车型数据库的筛选,可以建立良好的车型数据库,涵盖各种条件的图像,方便车辆管理机构的管理。
另外,数据库中车型数据库的建立,还可从道路的视频监控装置中获取多个车辆图像,若所述车辆图像包括:背景区域和车辆显示区域。本实施例中的背景区域为使用车辆图像时用户不关注的区域。由此,最后获取的车型数据库中的车辆图像可不包括车辆图像的背景区域。
图3为本发明另一实施例提供的套牌车检测装置的结构示意图,如图3所示,本实施例的套牌车检测装置包括:图像提取单元31、车型信息确定单元32、车型数据库获取单元33和判断单元34、套牌车确定单元35;
其中,图像提取单元31用于提取待查询图像中待查询车辆对应的第一子图像,所述第一子图像中包括能够识别的车牌号;
车型信息确定单元32用于识别所述第一子图像中的车牌号,确定待检测车辆的车型信息;
车型数据库获取单元33用于根据所述车型信息,从预先建立的数据库中获取所述车型信息对应的车型数据库中的所有样例图像;
判断单元34用于判断所述第一子图像与所述车型数据库中的所有样例图像是否匹配;
套牌车确定单元35用于在所述第一子图像与所述车型数据库中的所有样例图像不匹配时,确定所述待查询车辆为套牌车;
其中,所述数据库包括:多种车型数据库,每一车型数据库包括:该车型的多个样例图像的集合;所述车型的样例图像包括:不同光照条件下的车辆图像、不同拍摄角度的车辆图像和不同场景的车辆图像。
在具体应用中,前述的判断单元34具体用于
采用特征描述子方式获取所述第一子图像与所述车型数据库中每一样例图像的第一相似度;
比较所述第一相似度与预设的第一阈值的大小;
相应地,套牌车确定单元35具体用于,所述第一子图像与所述车型数据库中每一样例图像的第一相似度均小于等于第一阈值,则确定所述第一子图像与所述车型数据库中的所有样例图像不匹配,确定所述待查询车辆为套牌车。
在另一种可能的实现方式中,前述的判断单元34具体用于
采用特征描述子方式获取所述第一子图像与所述车型数据库的第二相似度;
比较所述第二相似度与预设的第二阈值的大小;
相应地,套牌车确定单元35具体用于,所述第一子图像与所述车型数据库的第二相似度小于预设的第二阈值,则确定所述第一子图像与所述车型数据库中的所有样例图像不匹配,确定所述待查询车辆为套牌车。
在另一可能的实现场景中,车型信息确定单元32具体用于:识别所述第一子图像中的车牌号,根据所述车牌号在车辆管理机构的数据库中查找与所述车牌号对应的车型信息。
本实施例的套牌车检测装置,能够更准确且简单的判断待查询车辆是否为套牌车。
本实施例的套牌车检测装置,可以用于执行前述图1和图2所示方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种套牌车检测方法,其特征在于,包括:
提取待查询图像中待查询车辆对应的第一子图像,所述第一子图像中包括能够识别的车牌号;
识别所述第一子图像中的车牌号,根据所述车牌号在车辆管理机构的数据库中查找与所述车牌号对应的车型信息;
根据所述车型信息,从预先建立的数据库中获取所述车型信息对应的车型数据库中的所有样例图像;
判断所述第一子图像与所述车型数据库中的所有样例图像是否匹配;
若所述第一子图像与所述车型数据库中的所有样例图像不匹配,则确定所述待查询车辆为套牌车;
其中,所述数据库包括:多种车型数据库,每一车型数据库包括:该车型的多个样例图像的集合;所述车型的样例图像包括:不同光照条件下的车辆图像、不同拍摄角度的车辆图像和不同场景的车辆图像。
2.根据权利要求1所述的方法,其特征在于,所述判断所述第一子图像与所述车型数据库中的所有样例图像是否匹配的步骤,包括:
采用特征描述子方式获取所述第一子图像与所述车型数据库中每一样例图像的第一相似度;
比较所述第一相似度与预设的第一阈值的大小;
或者,
采用特征描述子方式获取所述第一子图像与所述车型数据库的第二相似度;
比较所述第二相似度与预设的第二阈值的大小;
相应地,所述第一子图像与所述车型数据库中的所有样例图像不匹配的步骤,包括:
所述第一子图像与所述车型数据库中每一样例图像的第一相似度均小于等于第一阈值,则确定所述第一子图像与所述车型数据库中的所有样例图像不匹配;
或者,
所述第一子图像与所述车型数据库的第二相似度小于预设的第二阈值,则确定所述第一子图像与所述车型数据库中的所有样例图像不匹配。
3.根据权利要求2所述的方法,其特征在于,所述采用特征描述子方式获取所述第一子图像与所述车型数据库中每一样例图像的第一相似度的步骤,包括:
获取所述第一子图像的视觉特征,以及获取所述车型信息的车型数据库中的所有样例图像的视觉特征;
获取所述第一子图像的视觉特征与所述车型信息的车型数据库中的所有样例图像的视觉特征的第一相似度。
4.根据权利要求2所述的方法,其特征在于,所述采用特征描述子方式获取所述第一子图像与所述车型数据库的第二相似度的步骤,包括:
采用特征描述子方式获取所述第一子图像与所述车型数据库中所有样例图像的第一相似度,得到第一相似度集合;
对所述第一相似度集合进行数学统计分析,得到所述第一子图像与所述车型数据库的第二相似度。
5.一种套牌车检测装置,其特征在于,包括:
图像提取单元,用于提取待查询图像中待查询车辆对应的第一子图像,所述第一子图像中包括能够识别的车牌号;
车型信息确定单元,用于识别所述第一子图像中的车牌号,根据所述车牌号在车辆管理机构的数据库中查找与所述车牌号对应的车型信息;
车型数据库获取单元,用于根据所述车型信息,从预先建立的数据库中获取所述车型信息对应的车型数据库中的所有样例图像;
判断单元,用于判断所述第一子图像与所述车型数据库中的所有样例图像是否匹配;
套牌车确定单元,用于在所述第一子图像与所述车型数据库中的所有样例图像不匹配时,确定所述待查询车辆为套牌车;
其中,所述数据库包括:多种车型数据库,每一车型数据库包括:该车型的多个样例图像的集合;所述车型的样例图像包括:不同光照条件下的车辆图像、不同拍摄角度的车辆图像和不同场景的车辆图像。
6.根据权利要求5所述的套牌车检测装置,其特征在于,所述判断单元,具体用于
采用特征描述子方式获取所述第一子图像与所述车型数据库中每一样例图像的第一相似度;
比较所述第一相似度与预设的第一阈值的大小;
相应地,套牌车确定单元,具体用于
所述第一子图像与所述车型数据库中每一样例图像的第一相似度均小于等于第一阈值,则确定所述第一子图像与所述车型数据库中的所有样例图像不匹配,确定所述待查询车辆为套牌车;
或者,
采用特征描述子方式获取所述第一子图像与所述车型数据库的第二相似度;
比较所述第二相似度与预设的第二阈值的大小;
相应地,套牌车确定单元,具体用于
所述第一子图像与所述车型数据库的第二相似度小于预设的第二阈值,则确定所述第一子图像与所述车型数据库中的所有样例图像不匹配,确定所述待查询车辆为套牌车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410381655.8A CN105321350B (zh) | 2014-08-05 | 2014-08-05 | 套牌车检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410381655.8A CN105321350B (zh) | 2014-08-05 | 2014-08-05 | 套牌车检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105321350A CN105321350A (zh) | 2016-02-10 |
CN105321350B true CN105321350B (zh) | 2018-01-23 |
Family
ID=55248650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410381655.8A Active CN105321350B (zh) | 2014-08-05 | 2014-08-05 | 套牌车检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105321350B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106412509A (zh) * | 2016-09-30 | 2017-02-15 | 北京中星微电子有限公司 | 牌号冒用/伪造的智能监控方法和系统 |
CN106571040B (zh) * | 2016-10-31 | 2020-10-20 | 浙江宇视科技有限公司 | 一种可疑车辆确认方法及设备 |
CN107256397A (zh) * | 2017-06-13 | 2017-10-17 | 成都尽知致远科技有限公司 | 交通视频影像中的车牌号识别方法 |
CN107358794A (zh) * | 2017-06-13 | 2017-11-17 | 深圳前海慧泊中安运营管理有限公司 | 数据处理方法及装置 |
CN109389014B (zh) * | 2017-08-10 | 2021-05-28 | 杭州海康威视数字技术股份有限公司 | 套用车牌车辆的检测方法、装置及电子设备 |
CN108010326A (zh) * | 2017-11-24 | 2018-05-08 | 南京依维柯汽车有限公司 | 一种车辆识别系统及其方法 |
CN108830227A (zh) * | 2018-06-19 | 2018-11-16 | 芜湖岭上信息科技有限公司 | 一种基于图像的车辆套牌识别装置与方法 |
CN109325409B (zh) * | 2018-08-15 | 2021-08-03 | 北方工业大学 | 通行车辆套牌检验平台 |
CN110287847A (zh) * | 2019-06-19 | 2019-09-27 | 长安大学 | 基于Alexnet-CLbpSurf多特征融合的车辆分级检索方法 |
CN110263864A (zh) * | 2019-06-24 | 2019-09-20 | 北京精英路通科技有限公司 | 车辆的匹配方法、装置、计算机设备及存储介质 |
CN110517502B (zh) * | 2019-07-12 | 2022-06-10 | 云宝宝大数据产业发展有限责任公司 | 一种单摄像机的违停车牌识别方法 |
CN110458211A (zh) * | 2019-07-29 | 2019-11-15 | 南京硅基智能科技有限公司 | 一种车型识别方法及装置 |
CN113223191A (zh) * | 2020-01-21 | 2021-08-06 | 武汉德云祥科技发展有限公司 | 一种无感支付的设备及方法 |
CN112330967B (zh) * | 2020-11-11 | 2022-03-01 | 浙江大华技术股份有限公司 | 套牌车辆的识别方法、装置、系统和计算机设备 |
CN117218613B (zh) * | 2023-11-09 | 2024-03-19 | 中远海运特种运输股份有限公司 | 一种车辆抓拍识别系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635092A (zh) * | 2009-05-22 | 2010-01-27 | 上海宝康电子控制工程有限公司 | 一种套牌机动车识别系统以及方法 |
CN102610102A (zh) * | 2012-02-27 | 2012-07-25 | 安科智慧城市技术(中国)有限公司 | 一种嫌疑车辆查控方法及系统 |
CN102708691A (zh) * | 2011-12-26 | 2012-10-03 | 南京信息工程大学 | 基于车牌车型匹配的虚假车牌识别方法 |
EP2573709A2 (de) * | 2011-08-26 | 2013-03-27 | JENOPTIK Robot GmbH | Verfahren und Vorrichtung zur Identifikation von Kraftfahrzeugen zur Verkehrsüberwachung |
CN103150904A (zh) * | 2013-02-05 | 2013-06-12 | 中山大学 | 一种基于图像特征的卡口车辆图像识别方法 |
CN103279756A (zh) * | 2013-06-13 | 2013-09-04 | 苏州市公安局苏州工业园区分局 | 基于集成分类器的车辆检测分析系统及其检测分析方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4446642A1 (de) * | 1994-12-19 | 1996-06-20 | Teledrive Telematik Im Verkehr | Vorrichtung zur automatischen Kontrolle des Zuganges von Fahrzeugen zu einem Verkehrsraum |
ITTO20020827A1 (it) * | 2002-09-20 | 2004-03-21 | Elsag Spa | Sistema per la sorveglianza e/o il controllo della sicurezza |
CN103810505B (zh) * | 2014-02-19 | 2017-11-24 | 北京大学 | 基于多层描述子的车辆标识方法与系统 |
-
2014
- 2014-08-05 CN CN201410381655.8A patent/CN105321350B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635092A (zh) * | 2009-05-22 | 2010-01-27 | 上海宝康电子控制工程有限公司 | 一种套牌机动车识别系统以及方法 |
EP2573709A2 (de) * | 2011-08-26 | 2013-03-27 | JENOPTIK Robot GmbH | Verfahren und Vorrichtung zur Identifikation von Kraftfahrzeugen zur Verkehrsüberwachung |
CN102708691A (zh) * | 2011-12-26 | 2012-10-03 | 南京信息工程大学 | 基于车牌车型匹配的虚假车牌识别方法 |
CN102610102A (zh) * | 2012-02-27 | 2012-07-25 | 安科智慧城市技术(中国)有限公司 | 一种嫌疑车辆查控方法及系统 |
CN103150904A (zh) * | 2013-02-05 | 2013-06-12 | 中山大学 | 一种基于图像特征的卡口车辆图像识别方法 |
CN103279756A (zh) * | 2013-06-13 | 2013-09-04 | 苏州市公安局苏州工业园区分局 | 基于集成分类器的车辆检测分析系统及其检测分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105321350A (zh) | 2016-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105321350B (zh) | 套牌车检测方法及装置 | |
Zheng et al. | A survey on image tampering and its detection in real-world photos | |
CN105320923B (zh) | 车型识别方法及装置 | |
CN105320705B (zh) | 相似车辆的检索方法及装置 | |
CN104424466B (zh) | 对象检测方法、对象检测设备及图像拾取设备 | |
CN105702048B (zh) | 基于行车记录仪的高速公路前车违法占道识别系统及方法 | |
CN110209866A (zh) | 一种图像检索方法、装置、设备及计算机可读存储介质 | |
CN106355188A (zh) | 图像检测方法及装置 | |
CN107944017B (zh) | 一种视频中非机动车的检索方法 | |
CN108323209B (zh) | 信息处理方法、系统、云处理设备以及计算机存储介质 | |
CN105976392B (zh) | 基于最大输出概率的车辆轮胎检测方法及装置 | |
CN104318225A (zh) | 车牌检测方法及装置 | |
CN106503638B (zh) | 用于颜色识别的图像处理、车辆颜色识别方法和系统 | |
CN103295024A (zh) | 分类与对象检测方法和装置以及图像拍摄和处理设备 | |
CN105320708B (zh) | 车型数据库的建立方法及服务器 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
Li et al. | Road vehicle monitoring system based on intelligent visual internet of things | |
WO2020038138A1 (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
CN105320703B (zh) | 相似车辆检索中的查询扩展方法及装置 | |
CN108509950A (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN105320710B (zh) | 抗光照变化的车辆检索方法及装置 | |
CN103310235A (zh) | 一种基于参数识别与估计的隐写分析方法 | |
CN108537223A (zh) | 一种车牌检测方法、系统及设备和存储介质 | |
Wang et al. | Deep-learning-based block similarity evaluation for image forensics | |
CN105320704B (zh) | 跨区域相似车辆检索方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |