CN107798879A - 一种智能识别套牌车的方法 - Google Patents
一种智能识别套牌车的方法 Download PDFInfo
- Publication number
- CN107798879A CN107798879A CN201711008054.2A CN201711008054A CN107798879A CN 107798879 A CN107798879 A CN 107798879A CN 201711008054 A CN201711008054 A CN 201711008054A CN 107798879 A CN107798879 A CN 107798879A
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- vehicles
- car
- model
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种智能识别套牌车的方法，涉及多源信息融合应用技术领域；在前端收集路面车辆信息，将收集的车辆信息与最近该车辆的交通违规信息及最近该车辆涉及的违法犯罪信息对比，确定可疑套牌车，最后在车辆档案信息中对比与该车车牌号相同的车辆信息是否与收集的车辆信息一致，若不一致，则标定该车为套牌车，并将对比结果返回到前端；可利用具有深度卷积神经网络模型的前端根据摄像头摄取的道路车辆画面，实时识别车辆型号和车牌号，将识别信息上传到云端，融合车管所、交管所和公安等部门信息进行对比，筛选可疑套牌车，筛选结果实时传递到监管机构，使套牌车无所遁形，而且信息对比快速，处理精准，适合长期使用，有利于治理套牌车。
Description
技术领域
本发明公开一种智能识别套牌车的方法，涉及多源信息融合应用技术领域。
背景技术
随着我国经济水平的发展，机动车已经成为了必备的交通工具。但机动车的管理一直存在套牌车的问题。不法分子伪造或窃取真车的车牌安装在假车上，达到以次充好、以假乱真、掩人耳目的目的。套牌车不仅给国家造成了经济损失，损害市场经济，也会严重危害公共安全。但因车辆数量过多，车辆活动范围过大，造成信息爆炸、数据分散，而且车辆档案、交通违规记录和犯罪记录等信息分别由不同的机构管理，未形成有效的信息融合，加大了治理套牌车的难度，无法长期有效进行治理。
本发明提供一种智能识别套牌车的方法，在前端收集路面车辆信息，将收集的车辆信息与最近该车辆的交通违规信息及最近该车辆涉及的违法犯罪信息对比，确定可疑套牌车，最后在车辆档案信息中对比与该车车牌号相同的车辆信息是否与收集的车辆信息一致，若不一致，则标定该车为套牌车，并将对比结果返回到前端，并可利用具有深度卷积神经网络模型的前端根据摄像头摄取的道路车辆画面，实时识别车辆型号和车牌号，将识别信息上传到云端，融合车管所、交管所和公安等部门信息进行对比，筛选可疑套牌车，筛选结果实时传递到监管机构，使套牌车无所遁形，而且信息对比快速，处理精准，适合长期使用，有利于治理套牌车。
发明内容
本发明针对现有技术中存在的问题，提供一种智能识别套牌车的方法，具有通用性强、实施简便等特点，具有广阔的应用前景。
本发明提出的具体方案是：
一种智能识别套牌车的方法：
前端收集路面车辆图像，对车辆信息进行识别,车辆信息包括车牌号、车辆型号、车身颜色、车辆品牌、录入车辆信息时的地理位置坐标、录入车辆信息时的时间、信源、现场图像；
将收集的车辆信息与最近该车辆的交通违规信息对比，由录入车辆信息时的地理位置坐标和交通违规信息发生地点求解位移s，两者信息的时间差为时间间隔t，v为收集车辆信息时该车的最大速度，若s/t>v，则标定为可疑套 牌车，
将收集的车辆信息与最近该车辆涉及的违法犯罪信息对比，由录入车辆信息时的地理位置坐标和违法犯罪信息发生地点求解位移s，两者信息的时间差为时间间隔t，v为收集车辆信息时该车的最大速度，若s/t>v，则标定为可疑套牌车，
在车辆档案信息中对比与该车车牌号相同的车辆信息是否与收集的车辆信息一致，若不一致，则标定该车为套牌车，并将对比结果返回到前端。
所述的方法中前端收集路面车辆图像时，对车辆信息中车辆型号进行识别：
收集一定数量的各种型号的车辆图像，标注车辆在图像中的位置、车辆型号和车牌号信息，形成数据集，利用形成的数据集训练Faster R-CNN模型建立车辆检测模型，
利用所述的数据集与标注车辆图像中车辆外形的信息，组成新数据集，利用新数据集训练ResNet-152模型建立车辆型号分类模型，
利用车辆检测模型检测车辆图像中车辆位置和车牌号位置，将车辆图像中车辆外形信息输入到车辆型号分类模型，车辆型号分类模型识别车辆型号及车身颜色。
所述的方法中前端收集路面车辆图像时，对车辆信息进行识别，具体步骤为：
前端收集路面车辆图像，将画面帧输入到车辆检测模型，检测出车辆像素位置和车牌像素位置，分别裁剪出子图，
将车辆位置子图输入到车辆型号分类模型，识别车辆型号及车身颜色，确定车辆品牌，
将车牌位置子图输入到车牌识别库，输出车牌号，
读取前端GPS定位，确定录入车辆信息时的地理位置坐标，
读取时间和信源信息，组装成车辆信息发送到云端，进行比对，返回比对结果到前端。
所述的方法中辆型号分类模型根据车辆图像中车辆外形信息分析车身颜色，转换车辆外形图像颜色空间到HSV，若图像颜色50％以上的V值不超过0.2，则车身颜色为黑色；若50％以上的V值超过0.8，且50％以上S值不超过0.2，则车身为白色；若50％以上S值不超过0.2，且50％以上H值不超过0.8，则车身颜色为灰色；
否则统计所有像素的H值直方图，直方图变化范围为[10-30][30-100]，[100-180]，[180-250]，[250-320]，[320-10]，分别为橙色、黄色、绿色、蓝色、紫色、红色，区间落入像素最多者，且与第二多者差距在10％以上，则该区间代表车身颜色，否则车身颜色为花色。
一种智能识别套牌车的系统，包括前端、云端、各车辆管理机构，
前端收集路面车辆图像，对车辆信息进行识别,车辆信息包括车牌号、车辆型号、车身颜色、车辆品牌、录入车辆信息时的地理位置坐标、录入车辆信息时的时间、信源、现场图像；
云端将收集的车辆信息与最近该车辆的交通违规信息对比，由录入车辆信息时的地理位置坐标和交通违规信息发生地点求解位移s，两者信息的时间差为时间间隔t，v为收集车辆信息时该车的最大速度，若s/t>v，则标定为可疑套牌车，
云端将收集的车辆信息与最近该车辆涉及的违法犯罪信息对比，由录入车辆信息时的地理位置坐标和违法犯罪信息发生地点求解位移s，两者信息的时间差为时间间隔t，v为收集车辆信息时该车的最大速度，若s/t>v，则标定为可疑套牌车，
云端在车辆档案信息中对比与该车车牌号相同的车辆信息是否与收集的车辆信息一致，若不一致，则标定该车为套牌车，并将对比结果返回到前端及各车辆管理机构。
前端收集路面车辆图像时，对车辆信息中车辆型号进行识别：
收集一定数量的各种型号的车辆图像，标注车辆在图像中的位置、车辆型号和车牌号信息，形成数据集，利用形成的数据集训练Faster R-CNN模型建立车辆检测模型，
利用所述的数据集与标注车辆图像中车辆外形的信息，组成新数据集，利用新数据集训练ResNet-152模型建立车辆型号分类模型，
利用车辆检测模型检测车辆图像中车辆位置和车牌号位置，将车辆图像中车辆外形信息输入到车辆型号分类模型，车辆型号分类模型识别车辆型号及车身颜色。
本发明的有益之处是：
本发明提供一种智能识别套牌车的方法：在前端收集路面车辆信息，将收集的车辆信息与最近该车辆的交通违规信息及最近该车辆涉及的违法犯罪信息对比，确定可疑套牌车，最后在车辆档案信息中对比与该车车牌号相同的车辆信息是否与收集的车辆信息一致，若不一致，则标定该车为套牌车，并将对比结果返回到前端，并可利用具有深度卷积神经网络模型的前端根据摄像头摄取的道路车辆画面，实时识别车辆型号和车牌号，将识别信息上传到云端，融合车管所、交管所和公安等部门信息进行对比，筛选可疑套牌车，筛选结果实时传递到监管机构，使套牌车无所遁形，而且信息对比快速，处理精准，适合长期使用，有利于治理套牌车。
附图说明
图1是Faster R-CNN模型原理图；
图2是ResNet-152模型示意图；
图3是车辆图像标注示意图；
图4是本发明系统工作流程图；
图5是前端工作流程图。
具体实施方式
本发明提供一种智能识别套牌车的方法：
前端收集路面车辆图像，对车辆信息进行识别,车辆信息包括车牌号、车辆型号、车身颜色、车辆品牌、录入车辆信息时的地理位置坐标、录入车辆信息时的时间、信源、现场图像；
将收集的车辆信息与最近该车辆的交通违规信息对比，由录入车辆信息时的地理位置坐标和交通违规信息发生地点求解位移s，两者信息的时间差为时间间隔t，v为收集车辆信息时该车的最大速度，若s/t>v，则标定为可疑套牌车，
将收集的车辆信息与最近该车辆涉及的违法犯罪信息对比，由录入车辆信息时的地理位置坐标和违法犯罪信息发生地点求解位移s，两者信息的时间差为时间间隔t，v为收集车辆信息时该车的最大速度，若s/t>v，则标定为可疑套牌车，
在车辆档案信息中对比与该车车牌号相同的车辆信息是否与收集的车辆信息一致，若不一致，则标定该车为套牌车，并将对比结果返回到前端。
同时提供一种智能识别套牌车的系统，包括前端、云端、各车辆管理机构，
前端收集路面车辆图像，对车辆信息进行识别,车辆信息包括车牌号、车辆型号、车身颜色、车辆品牌、录入车辆信息时的地理位置坐标、录入车辆信息时的时间、信源、现场图像；
云端将收集的车辆信息与最近该车辆的交通违规信息对比，由录入车辆信息时的地理位置坐标和交通违规信息发生地点求解位移s，两者信息的时间差为时间间隔t，v为收集车辆信息时该车的最大速度，若s/t>v，则标定为可疑套牌车，
云端将收集的车辆信息与最近该车辆涉及的违法犯罪信息对比，由录入车辆信息时的地理位置坐标和违法犯罪信息发生地点求解位移s，两者信息的时间差为时间间隔t，v为收集车辆信息时该车的最大速度，若s/t>v，则标定为可疑套牌车，
云端在车辆档案信息中对比与该车车牌号相同的车辆信息是否与收集的车辆信息一致，若不一致，则标定该车为套牌车，并将对比结果返回到前端及各车辆管理机构。
利用本发明方法及系统，在前端对车辆图像进行收集，对车辆信息进行识别,其中车辆信息格式如表1：
表1
车牌号为机车牌照号码，如‘鲁A12345’。车辆型号为机车具体型号，如‘Q5’。车辆品牌为机车的品牌或生产商，如‘奥迪’。经度和纬度代表录入信息时的地理位置坐标。信源表示入录信息的前端标识，可以为巡逻车牌照，或机构颁发的唯一识别码。时间为录入信息时的时间。现场图像为截取的摄像头拍摄的照片画面。
交通违规信息格式如表2：
表2
车主为违规机车的注册所有人，可以为空值。驾驶人为机车违规时的驾驶者，可以为空。违规类型为违反交通规则的类型，如‘闯红灯’等。状态为未处理、被套牌、已处理。
车辆涉及的违法犯罪信息格式如表3：
表3
对车辆信息中车辆型号进行识别前，收集各种型号的车辆图像，每种型号的车辆图像不少于100张，使用labelImg等工具标注车辆在图像中的位置、车辆型号和车牌号信息，形成数据集，利用形成的数据集训练Faster R-CNN模型建立车辆检测模型，其中利用神经网络软件库搭建Faster R-CNN模型，卷积层可采用预训练的VGG16的卷积层，Faster R-CNN模型是一个通用的物体检测模型，该模型能够自动识别图像中可识别对象在图像中的像素位置和对象类别。Faster R-CNN模型框架如附图1所示，其输出结果以矩形表示，附图3中车体外部矩形和车牌部位矩形分别表示车辆和牌照在图像中的检测结果；
利用上述数据集与标注车辆图像中车辆外形的信息，组成新数据集，利用新数据集训练ResNet-152模型建立车辆型号分类模型，其中利用神经网络软件库搭建ResNet-152模型输出层神经元设定为N，表示N种车辆类型；
利用车辆检测模型检测车辆图像中车辆位置和车牌号位置，将车辆图像中车辆外形信息输入到车辆型号分类模型，车辆型号分类模型识别车辆型号及车身颜色。
其中车辆型号分类模型根据车辆图像中车辆外形信息分析车身颜色，转换车辆外形图像颜色空间到HSV，若图像颜色50％以上的V值不超过0.2，则车身 颜色为黑色；若50％以上的V值超过0.8，且50％以上S值不超过0.2，则车身为白色；若50％以上S值不超过0.2，且50％以上H值不超过0.8，则车身颜色为灰色；
否则统计所有像素的H值直方图，直方图变化范围为[10-30][30-100]，[100-180]，[180-250]，[250-320]，[320-10]，分别为橙色、黄色、绿色、蓝色、紫色、红色，区间落入像素最多者，且与第二多者差距在10％以上，则该区间代表车身颜色，否则车身颜色为花色。
利用上述方法，前端收集路面车辆图像时，对车辆信息进行识别，具体步骤为：
前端利用摄像头收集路面车辆图像，将画面帧输入到车辆检测模型，车辆检测模型检测出车辆像素位置和车牌像素位置，分别裁剪出子图Img_car和Img_plate。Img_car输入到车辆型号分类模型，得到该车的型号，并识别车身颜色，Img_plate输入到EasyPR等车牌号识别库，输出车牌号；
读取前端GPS定位，确定经度和纬度，即录入车辆信息时的地理位置坐标，
读取时间和信源信息，组装成车辆信息发送到云端，进行比对，返回比对结果到前端及各车辆管理机构，参考图4及图5。
利用本发明方法，前端根据摄像头摄取的道路车辆画面，实时识别车辆型号和车牌号，将识别信息上传到云端，融合车管所、交管所和公安等部门信息进行对比，筛选可疑套牌车，筛选结果实时传递到监管机构，使套牌车无所遁形，而且信息对比快速，处理精准，适合长期使用，有利于治理套牌车。
Claims (6)
1.一种智能识别套牌车的方法，其特征是
前端收集路面车辆图像，对车辆信息进行识别,车辆信息包括车牌号、车辆型号、车身颜色、车辆品牌、录入车辆信息时的地理位置坐标、录入车辆信息时的时间、信源、现场图像；
将收集的车辆信息与最近该车辆的交通违规信息对比，由录入车辆信息时的地理位置坐标和交通违规信息发生地点求解位移s，两者信息的时间差为时间间隔t，v为收集车辆信息时该车的最大速度，若s/t > v，则标定为可疑套牌车，
将收集的车辆信息与最近该车辆涉及的违法犯罪信息对比，由录入车辆信息时的地理位置坐标和违法犯罪信息发生地点求解位移s，两者信息的时间差为时间间隔t，v为收集车辆信息时该车的最大速度，若s/t > v，则标定为可疑套牌车，
在车辆档案信息中对比与该车车牌号相同的车辆信息是否与收集的车辆信息一致，若不一致，则标定该车为套牌车，并将对比结果返回到前端。
2.根据权利要求1所述的方法，其特征是前端收集路面车辆图像时，对车辆信息中车辆型号进行识别：
收集一定数量的各种型号的车辆图像，标注车辆在图像中的位置、车辆型号和车牌号信息，形成数据集，利用形成的数据集训练Faster R-CNN模型建立车辆检测模型，
利用所述的数据集与标注车辆图像中车辆外形的信息，组成新数据集，利用新数据集训练ResNet-152模型建立车辆型号分类模型，
利用车辆检测模型检测车辆图像中车辆位置和车牌号位置，将车辆图像中车辆外形信息输入到车辆型号分类模型，车辆型号分类模型识别车辆型号及车身颜色。
3.根据权利要求2所述的方法，其特征是前端收集路面车辆图像时，对车辆信息进行识别，具体步骤为：
前端收集路面车辆图像，将画面帧输入到车辆检测模型，检测出车辆像素位置和车牌像素位置，分别裁剪出子图，
将车辆位置子图输入到车辆型号分类模型，识别车辆型号及车身颜色，确定车辆品牌，
将车牌位置子图输入到车牌识别库，输出车牌号，
读取前端GPS定位，确定录入车辆信息时的地理位置坐标，
读取时间和信源信息，组装成车辆信息发送到云端，进行比对，返回比对结果到前端。
4.根据权利要求3所述的方法，其特征是辆型号分类模型根据车辆图像中车辆外形信息分析车身颜色，转换车辆外形图像颜色空间到HSV，若图像颜色50%以上的V值不超过0.2，则车身颜色为黑色；若50%以上的V值超过0.8，且50%以上S值不超过0.2，则车身为白色；若50%以上S值不超过0.2，且50%以上H值不超过0.8，则车身颜色为灰色；
否则统计所有像素的H值直方图，直方图变化范围为[10-30][30-100]，[100-180]，[180-250]，[250-320]，[320-10]，分别为橙色、黄色、绿色、蓝色、紫色、红色，区间落入像素最多者，且与第二多者差距在10%以上，则该区间代表车身颜色，否则车身颜色为花色。
5.一种智能识别套牌车的系统，其特征是包括前端、云端、各车辆管理机构，
前端收集路面车辆图像，对车辆信息进行识别,车辆信息包括车牌号、车辆型号、车身颜色、车辆品牌、录入车辆信息时的地理位置坐标、录入车辆信息时的时间、信源、现场图像；
云端将收集的车辆信息与最近该车辆的交通违规信息对比，由录入车辆信息时的地理位置坐标和交通违规信息发生地点求解位移s，两者信息的时间差为时间间隔t，v为收集车辆信息时该车的最大速度，若s/t > v，则标定为可疑套牌车，
云端将收集的车辆信息与最近该车辆涉及的违法犯罪信息对比，由录入车辆信息时的地理位置坐标和违法犯罪信息发生地点求解位移s，两者信息的时间差为时间间隔t，v为收集车辆信息时该车的最大速度，若s/t > v，则标定为可疑套牌车，
云端在车辆档案信息中对比与该车车牌号相同的车辆信息是否与收集的车辆信息一致，若不一致，则标定该车为套牌车，并将对比结果返回到前端及各车辆管理机构。
6.根据权利要求5所述的系统，其特征是前端收集路面车辆图像时，对车辆信息中车辆型号进行识别：
收集一定数量的各种型号的车辆图像，标注车辆在图像中的位置、车辆型号和车牌号信息，形成数据集，利用形成的数据集训练Faster R-CNN模型建立车辆检测模型，
利用所述的数据集与标注车辆图像中车辆外形的信息，组成新数据集，利用新数据集训练ResNet-152模型建立车辆型号分类模型，
利用车辆检测模型检测车辆图像中车辆位置和车牌号位置，将车辆图像中车辆外形信息输入到车辆型号分类模型，车辆型号分类模型识别车辆型号及车身颜色。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711008054.2A CN107798879A (zh) | 2017-10-25 | 2017-10-25 | 一种智能识别套牌车的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711008054.2A CN107798879A (zh) | 2017-10-25 | 2017-10-25 | 一种智能识别套牌车的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107798879A true CN107798879A (zh) | 2018-03-13 |
Family
ID=61533613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711008054.2A Pending CN107798879A (zh) | 2017-10-25 | 2017-10-25 | 一种智能识别套牌车的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107798879A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491830A (zh) * | 2018-04-23 | 2018-09-04 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的施工现场人员制服穿着识别的方法 |
| CN108984644A (zh) * | 2018-06-25 | 2018-12-11 | 高新兴科技集团股份有限公司 | 一种套牌车检索方法及系统 |
| CN109492621A (zh) * | 2018-12-18 | 2019-03-19 | 新乡市中誉鼎力软件科技股份有限公司 | 矿用车辆识别方法、服务器及系统 |
| CN110837807A (zh) * | 2019-11-11 | 2020-02-25 | 内蒙古大学 | 一种套牌车辆的识别方法及系统 |
| CN112712706A (zh) * | 2020-12-23 | 2021-04-27 | 高新兴智联科技有限公司 | 一种车牌的识别方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101692314A (zh) * | 2009-10-15 | 2010-04-07 | 康华武 | 利用车辆位置信息识别车辆身份的方法及应用 |
| CN104063712A (zh) * | 2014-06-27 | 2014-09-24 | 杭州科度科技有限公司 | 一种车辆信息提取方法和系统 |
| CN104103173A (zh) * | 2014-07-22 | 2014-10-15 | 银江股份有限公司 | 一种套牌车辆缉查布控方法 |
| CN105513368A (zh) * | 2015-11-26 | 2016-04-20 | 银江股份有限公司 | 一种基于不确定信息的假牌车筛选方法 |
| CN106599905A (zh) * | 2016-11-25 | 2017-04-26 | 杭州中奥科技有限公司 | 一种基于深度学习的套牌车分析方法 |
| CN106650752A (zh) * | 2016-12-09 | 2017-05-10 | 浙江浩腾电子科技股份有限公司 | 一种车身颜色识别方法 |
| CN107146417A (zh) * | 2017-04-06 | 2017-09-08 | 北京易华录信息技术股份有限公司 | 一种基于汽车电子标识的克隆车辆判定方法及装置 |
| CN107204117A (zh) * | 2016-03-20 | 2017-09-26 | 徐超 | 套牌车的识别方法 |
| CN107292933A (zh) * | 2017-04-27 | 2017-10-24 | 浙江工业大学 | 一种基于bp神经网络的车辆颜色识别方法 |
-
2017
- 2017-10-25 CN CN201711008054.2A patent/CN107798879A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101692314A (zh) * | 2009-10-15 | 2010-04-07 | 康华武 | 利用车辆位置信息识别车辆身份的方法及应用 |
| CN104063712A (zh) * | 2014-06-27 | 2014-09-24 | 杭州科度科技有限公司 | 一种车辆信息提取方法和系统 |
| CN104103173A (zh) * | 2014-07-22 | 2014-10-15 | 银江股份有限公司 | 一种套牌车辆缉查布控方法 |
| CN105513368A (zh) * | 2015-11-26 | 2016-04-20 | 银江股份有限公司 | 一种基于不确定信息的假牌车筛选方法 |
| CN107204117A (zh) * | 2016-03-20 | 2017-09-26 | 徐超 | 套牌车的识别方法 |
| CN106599905A (zh) * | 2016-11-25 | 2017-04-26 | 杭州中奥科技有限公司 | 一种基于深度学习的套牌车分析方法 |
| CN106650752A (zh) * | 2016-12-09 | 2017-05-10 | 浙江浩腾电子科技股份有限公司 | 一种车身颜色识别方法 |
| CN107146417A (zh) * | 2017-04-06 | 2017-09-08 | 北京易华录信息技术股份有限公司 | 一种基于汽车电子标识的克隆车辆判定方法及装置 |
| CN107292933A (zh) * | 2017-04-27 | 2017-10-24 | 浙江工业大学 | 一种基于bp神经网络的车辆颜色识别方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108491830A (zh) * | 2018-04-23 | 2018-09-04 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的施工现场人员制服穿着识别的方法 |
| CN108984644A (zh) * | 2018-06-25 | 2018-12-11 | 高新兴科技集团股份有限公司 | 一种套牌车检索方法及系统 |
| CN108984644B (zh) * | 2018-06-25 | 2021-04-23 | 高新兴科技集团股份有限公司 | 一种套牌车检索方法及系统 |
| CN109492621A (zh) * | 2018-12-18 | 2019-03-19 | 新乡市中誉鼎力软件科技股份有限公司 | 矿用车辆识别方法、服务器及系统 |
| CN110837807A (zh) * | 2019-11-11 | 2020-02-25 | 内蒙古大学 | 一种套牌车辆的识别方法及系统 |
| CN112712706A (zh) * | 2020-12-23 | 2021-04-27 | 高新兴智联科技有限公司 | 一种车牌的识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107798879A (zh) | 一种智能识别套牌车的方法 | |
| CN100565555C (zh) | 基于计算机视觉的违章停车检测装置 | |
| Rasheed et al. | Automated number plate recognition using hough lines and template matching | |
| CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
| CN102722704B (zh) | 一种融合视频动态跟踪的车牌识别方法和系统 | |
| Qadri et al. | Automatic number plate recognition system for vehicle identification using optical character recognition | |
| CN107481526A (zh) | 用于行车变道检测记录及违章变道举报控制的系统及方法 | |
| US7786897B2 (en) | High occupancy vehicle (HOV) lane enforcement | |
| 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 | |
| CN102426786B (zh) | 一种自动识别套牌车辆的智能视频分析系统及方法 | |
| CN109949579A (zh) | 一种基于深度学习的闯红灯违法自动审核方法 | |
| CN107730898A (zh) | 停车场非法车辆识别方法及系统 | |
| CN101630361A (zh) | 一种基于车牌、车身颜色和车标识别的套牌车辆识别设备及方法 | |
| CN111161543A (zh) | 一种基于图像识别的公交前车违章行为自动抓拍方法及系统 | |
| CN103544481A (zh) | 一种基于人脸识别的道路卡口监控方法及系统 | |
| CN107591018A (zh) | 一种开放路段停车管理方法及系统 | |
| CN107891808A (zh) | 行车提醒方法、装置及车辆 | |
| CN109033175A (zh) | 一种以图搜车的方法及系统 | |
| CN110619277A (zh) | 一种多社区智慧布控方法以及系统 | |
| CN106934374A (zh) | 一种雾霾场景中交通标识牌的识别方法及系统 | |
| CN108269407A (zh) | 一种自动管理人流、物流的安防机器人 | |
| CN110689724A (zh) | 一种基于深度学习的机动车斑马线礼让行人自动审核方法 | |
| CN103699880A (zh) | 基于物联网的交通违法车辆牌照检测与识别方法 | |
| CN102122348A (zh) | 一种实用的模糊车牌图像复原方法 | |
| CN103390166B (zh) | 基于车前脸特征的车辆型号一致性判别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180313 |