CN108984644B - 一种套牌车检索方法及系统 - Google Patents

Abstract

本发明提供了一种套牌车检索方法及系统，其方法包括，预先训练用于车辆过滤的分类模型，获取目标车辆的类型、颜色、子品牌、车牌号、特征区域信息，去除目标车辆的车牌号信息获得第二图像，去除车辆过车记录原始测试集车辆的车牌号信息获得第二测试集，将第二测试集中与目标车辆类型、颜色、子品牌不同的车辆图像过滤掉获得第三测试集，选出第三测试集中与第二图像相似度符合相似度要求的车辆图像集，恢复图像集中车辆的车牌号信息，并将图像集中车辆的车牌信息与第一图像的车牌信息进行匹配验证，从而达到匹配验证的目的。采用本发明的技术方案，解决了现有技术对套牌车无法实现的精准检索及验证的技术问题。

Description

一种套牌车检索方法及系统

本技术方案涉及车辆监控领域，尤其涉及一种套牌车检索方法及系统。

背景技术

随着计算机视觉技术的研究与应用，对目标进行跟踪检索以其智能性和可靠性可被用在政府管控、违章锁定、嫌疑人跟等现实场景，目前已经应用于交通、公安、军队、能源等多个领域，更有进一步深入发展的趋势。

在车辆跟踪监测领域，一般是已知目标车辆的图像信息，需要在海量的测试库中寻找目标车辆。在刑事办案过程中，有一种特殊的情况为，犯罪嫌疑人驾驶的车辆为套牌车，也就是犯罪嫌疑人不断更换车牌。

发明人在对车辆跟踪检索的研究过程中，提出了一种把目标车辆分为有牌车、无牌车、套牌车的检索方法，因套牌车与有牌车、无牌车检索的方案均有交叉，为描述简洁，以“有牌车、无牌车的检索”及“套牌车的检索”分别申请专利。

发明内容

本技术方案提出了一种套牌车的检索及系统，解决了现有技术对套牌车无法实现的精准检索及验证的技术问题。

本发明公开的一种套牌车的检索方法，包括，

预先训练用于车辆过滤的模型，所述模型包括车辆类型模型、颜色模型、子品牌模型、车牌信息模型、特征区域分类模型；

获取待检索目标车辆信息的第一图像，提取所述第一图像的车辆车牌号信息；

去除所述第一图像的车辆车牌号信息，获得第二图像，提取所述第二图像的车辆类型信息、车辆颜色信息、车辆子品牌信息、特征提取区域信息；

去除车辆过车记录原始测试集车辆的车牌号信息，获得第二测试集；

对所述第二测试集与所述第二图像比较，进行车辆类型、车辆颜色、车辆子品牌的过滤，获得第三测试集；

对所述第三测试集中车辆特征提取区域与所述第二图像信息中特征提取区域使用所述特征区域分类模型分别提取特征进行比对及相似度排序，选出符合相似度要求的图像集；

恢复所述图像集中车辆的车牌号信息，并将所述图像集中车辆的车牌信息与所述第一图像的车牌信息进行匹配验证。

更进一步，所述符合相似度要求的图像集具体包括，所述相似度大于预先设定的阈值。

更进一步，所述符合相似度要求的图像集为相似度排名前N的图像集，其中，N≥1，N为正整数。

更进一步，所述符合相似度要求的图像集具体为相似度大于预先设定的阈值并且排名前N的图像集，其中，N≥1，N为正整数。

更进一步，N＝100。

更进一步，若所述相似度大于预先设定阈值的图像集图像数量M小于N，则所述图像集的数量为M，其中，M≥1，M为正整数。

更进一步，所述特征区域分类模型为全车区域特征分类模型。

更进一步，所述特征区域分类模型使用分类网络的512维权连接层作为所述第二测试集中车辆图片的特征向量。

本发明还公开了一种套牌车的检索系统，其特征在于，包括，

训练单元，用于预先训练用于车辆过滤的模型，所述模型包括车辆类型模型、颜色模型、子品牌模型、车牌信息模型、特征区域分类模型；

获取单元，用于获取待检索目标车辆信息的第一图像，提取所述第一图像的车辆车牌号信息；第一去除单元，用于去除所述第一图像的车辆车牌号信息，获得第二图像，提取所述第二图像的车辆类型信息、车辆颜色信息、车辆子品牌信息、特征提取区域信息；

第二去除单元，用于去除车辆过车记录车辆过车记录原始测试集车辆的车牌号信息，获得第二测试集；

过滤单元，用于对所述第二测试集与所述第二图像比较，进行车辆类型、车辆颜色、车辆子品牌的过滤，获得第三测试集；

比对单元，用于对所述第三测试集中车辆特征提取区域与所述第二图像信息中特征提取区域使用所述特征区域分类模型分别提取特征进行比对及相似度排序，选出符合相似度要求的图像集；

验证单元，用于恢复所述图像集中车辆的车牌号信息，并将所述图像集中车辆的车牌信息与所述第一图像的车牌信息进行匹配验证。

更进一步，所述比对单元还包括，

计算模块，用于计算所述符合相似度要求的图像集；

排序模块，用于对所述符合相似度要求的图像集进行排序。

从以上技术方案可以看出，

本发明公开的套牌车检索方法及系统，提前训练多种过滤模型并获取目标车辆图像，首先通过多种模型对车辆过车记录原始测试集车辆进行过滤以降低干扰因素的影响，然后再使用特征提取模型提取特征进行比对排序，最后将相似度大于阈值且排名靠前的车辆集与目标车辆进行车牌号比对，最终判定是否为套牌车，以及套牌车的套牌信息，在应用过程中保证了检索的准确率、显存占用、运行速度之间的平衡。

附图说明

图1为本发明实施例1的流程示意图；

图2为本发明实施例2的流程示意图；

图3为本发明实施例3的结构示意图；

图4为本发明实施例4的结构示意图；

具体实施方式

为使得本申请实施例的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请实施例一部分实施例，而非全部的实施例。基于本申请实施例中的实施例，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它实施例，都属于本申请实施例保护的范围。

实施例1：

图1为本实施例流程示意图，一种套牌车检索方法，包括，

步骤101，预先训练用于车辆过滤的模型，所这里的模型包括车辆类型模型、颜色模型、子品牌模型、车牌信息模型、特征区域分类模型；

本实施例公开的套牌车检索方法采用了深度学习的目标检测模型，因深度学习具备强大的特征学习能力，可以提高目标检测准确率及效率。具体的，本实施例使用如vgg、resnet等经典模型进行优化，同时满足了精度与速度的要求。

在本实施例中，对从公安交通卡口的摄像头采集的车辆图像进行模型训练，得到多种过滤模型，这里的过滤模型包括车辆类型模型、颜色模型、子品牌模型、车牌信息模型、特征区域分类模型，每个过滤模型提前用各自对应的训练集训练完成。其中车辆类型具体包括轿车、大客车、大货车、小客车、小货车、皮卡、商务车、越野车、微型、面包车等常见类型；颜色模型为所采集到车辆的颜色信息，包括白色、红色、蓝色、黄色、灰色、黑色、绿色、粉色、紫色、棕色、橙色等主流颜色类别；子品牌模型为主品牌下的细分类别，这里的子品牌模型训练集中包含了市场上大部分常见的子品牌车辆，因数量种类庞大，在此不一一列举；车牌信息模型包括有牌或无牌及车牌号码信息；特征区域分类模型包括对图像的特征信息进行训练，图像的特征信息可以采用向量形式表示，在本实施例中，使用分类网络的512维全连接层作为每张图片的特征向量，具体的，采用10万辆车，每辆车50张不同姿态的图片,训练类别数为10万的分类网络。取分类网络的512维度全连接层作为特征向量，这些特征向量表达了每辆车的特征信息。比如，同一辆车的图片提取的特征向量的空间距离近，不同车的图片提取的特征向量的空间距离远。

还需要说明的是，上述训练集，是指训练过滤模型所用到的数据，比如训练车辆类型时，需要用到10种车辆类型的数据，每种车辆类型1W张图片，训练10分类模型；训练颜色模型需要用到10种车辆颜色数据，每种颜色1W张图片，训练10分类模型；训练子品牌模型需要3000种子品牌类型数据，每种子品牌需要1000张图片，训练3000分类模型；车牌信息模型分为有牌车和无牌车，需要有牌车1000张图片，无牌车1000张图片，训练2种分类模型；训练特征提取模型时，采用10万辆车，每辆车50张不同姿态的图片,训练类别数为10万的分类模型。

在本实施例中，为了保证训练精度的同时减少训练的复杂度，训练车辆类型模型与车辆颜色模型使用全车区域进行训练，子品牌模型、车牌信息模型使用车脸区域进行训练，特征区域分类模型可以选择使用全车区域或者车脸区域进行训练。

步骤102，获取待检索目标车辆信息的第一图像，提取第一图像的车辆车牌号信息；获取待检索目标车辆的第一图像，可以采用设置在公安交通卡口的相机拍摄到的图像，也可以是民用车库、公共停车场进出口的相机拍摄到的图像。设置在公安卡口的相机一般是公安部门为了监控道路信息，在道路上访设置的摄像机或照相机。通常，在同一公安卡口还会设置有相应的机动车辆感知装置，例如铺设在路面下方的感应线圈，当有机动车辆通过相应路段时，机动车辆感知装置可以感知到有机动车辆驶过，进而触发相机对通过的机动车辆进行拍摄。民用车库、公共停车场、进出口一般会设置监控设备，对进出车辆进行信息采集，以便对车库、停车场车辆进行管控及对车辆收费。

本实施例中获取的待检索车辆的第一图像，一般是目标车辆的正面俯拍图像，所谓的正面俯拍图，是指对于机动车辆的前脸拍摄的图像，通过正面俯拍图像可以获得待检索机动车辆全车，尤其是车脸区域的信息。

步骤103，去除第一图像的车辆车牌号信息，获得第二图像，提取第二图像的车辆类型信息、车辆颜色信息、车辆子品牌信息、特征提取区域信息；

具体的，之所以去除第一图像的车牌号信息，是为了避免车牌号信息带来的干扰。假定事先目标车辆使用了套牌，因此就用其他特征筛选出测试集中相似的车辆，以便在以后的步骤中通过第一图像的车牌号信息进行匹配验证。

需要说明的是，为了与步骤105中车辆过车记录原始测试集车辆进行比对，这里获取的第二图像信息要与车辆过车记录原始测试集车辆信息相对应，也就是说，获取的待检索目标车辆的图像信息包括车辆类型、颜色、子品牌、特征提取区域中，目标车辆的类型能与车辆过车记录原始测试集车辆类型相对应，目标车辆的颜色能与车辆过车记录原始测试集车辆的颜色相对应，目标车辆子品牌类型能与车辆过车记录原始测试集车辆的子品牌对应，目标车辆特征区域与车辆过车记录原始测试集车辆特征区域相对应，目标车辆特征区域输入特征区域分类模型中，最后512维全连接层输出的值为目标车辆的特征向量，在专利后续中简称提取特征区域的512维特征向量。

步骤104，去除车辆过车记录原始测试集车辆的车牌号信息，获得第二测试集；

具体的，同步骤103，去除车辆过车记录原始测试集中每张图像的车牌号信息是为了暂时规避无用信息(因已假设为套牌车)对检索产生的不利影响。

步骤105，将第二测试集与所述第二图像比较，进行车辆类型、车辆颜色、车辆子品牌的过滤，获得第三测试集；

需要说明的是，这里的车辆过车记录原始测试集指车辆分析系统里面的过车记录，本步骤的目的在于将第二测试集中与目标车辆类型、颜色、子品牌不同的车辆过滤掉，以达到避免车辆类型、车辆颜色、车辆子品牌对目标检索产生的影响。在经过本步骤获得的第二测试集中，只剩下与目标车辆类型、颜色、子品牌相同的车辆，可以减少在之后的步骤中进行特征比对的难度。

作为本实施例一个具体情况，比如有车辆分析系统里面的过车记录测试集图片有1000万张，现抓拍到一张目标车辆图片，去除车牌号信息后，识别为：轿车、白色、奔驰2012款。根据本实施例技术方案，接下来的过滤流程为：轿车---过滤掉测试集中非轿车的图片，测试集只剩下100W辆；白色---过滤掉测试集中非白色的车辆，测试集只剩下10W辆；奔驰2012款---过滤掉剩余测试集非奔驰2012款的车辆图片，最终的测试集中仅剩下1000辆与目标车辆类型、颜色、子品牌一致的车。

步骤106，对第三测试集中车辆特征提取区域与第二图像信息中特征提取区域使用特征区域分类模型分别提取特征进行比对及相似度排序，选出符合相似度要求的图像集，执行步骤107。

具体的，第三测试集中特征区域与第二图像特征区域与是相对应的，并且第三测试集特征区域提取到的特征信息与第二图像特征区域提取到的特征信息也是相对应的。将第三测试集的特征区域与第二图像的特征区域提取特征进行比对及相似度排序，筛选出相似度符合要求的图像集，作为步骤107中进行验证的基础。

步骤107，恢复图像集中车辆的车牌号信息，并将图像集中车辆的车牌信息与第一图像的车牌信息进行匹配验证。

具体的，恢复图像集中车辆的车牌信息，将图像集里面的图片与第一图像的车牌号循环进行比对，如果有车牌号不匹配，则说明有套牌车，如果全部匹配，则说明并非是套牌车。

根据上述本实施例的具体描述，提前训练多种过滤模型模型并获取目标车辆图像，去除目标车辆的车牌号信息获得第二图像，去除车辆过车记录原始测试集车辆的车牌号信息获得第二测试集，将第二测试集中与待检索目标车辆类型、颜色、子品牌不同的车辆图像过滤掉获得第三测试集，选出第三测试集中与第二图像相似度符合要求的图像集，恢复图像集中车辆的车牌号信息，并将图像集中车辆的车牌信息与第一图像的车牌信息进行匹配验证，从而达到匹配验证的目的。采用本实施例的技术方案，解决了现有技术对套牌车无法实现的精准检索及验证的技术问题。

实施例2

本实施例实质为实施例1的一种改进，具体而言是对步骤106提出的改进，为保证描述的完整性，以下对实施例2的所有步骤进行描述，需要说明的是，本实施例步骤201至步骤205与实施例步骤101至步骤105方案相同。

图2为本实施例流程示意图，一种套牌车检索方法，包括，

步骤201，预先训练用于车辆过滤的模型，所这里的模型包括车辆类型模型、颜色模型、子品牌模型、车牌信息模型、特征区域分类模型；

本实施例公开的套牌车检索方法采用了深度学习的目标检测模型，因深度学习具备强大的特征学习能力，可以提高目标检测准确率及效率。具体的，本实施例使用如vgg、resnet等经典模型进行优化，同时满足了精度与速度的要求。

在本实施例中，对从公安交通卡口的摄像头采集的车辆图像进行模型训练，得到多种过滤模型，这里的过滤模型包括车辆类型模型、颜色模型、子品牌模型、车牌信息模型、特征区域分类模型，每个过滤模型提前用各自对应的训练集训练完成。其中车辆类型具体包括轿车、大客车、大货车、小客车、小货车、皮卡、商务车、越野车、微型、面包车等常见类型；颜色模型为所采集到车辆的颜色信息，包括白色、红色、蓝色、黄色、灰色、黑色、绿色、粉色、紫色、棕色、橙色等主流颜色类别；子品牌模型为主品牌下的细分类别，这里的子品牌模型训练集中包含了市场上大部分常见的子品牌车辆，因数量种类庞大，在此不一一列举；车牌信息模型包括有牌或无牌及车牌号码信息；特征区域分类模型包括对图像的特征信息进行训练，图像的特征信息可以采用向量形式表示，在本实施例中，使用分类网络的512维全连接层作为每张图片的特征向量，具体的，采用10万辆车，每辆车50张不同姿态的图片,训练类别数为10万的分类网络。取分类网络的512维度全连接层作为特征向量，这些特征向量表达了每辆车的特征信息。比如，同一辆车的图片提取的特征向量的空间距离近，不同车的图片提取的特征向量的空间距离远。

还需要说明的是，上述训练集，是指训练过滤模型所用到的数据，比如训练车辆类型时，需要用到10种车辆类型的数据，每种车辆类型1W张图片，训练10分类模型；训练颜色模型需要用到10种车辆颜色数据，每种颜色1W张图片，训练10分类模型；训练子品牌模型需要3000种子品牌类型数据，每种子品牌需要1000张图片，训练3000分类模型；车牌信息模型分为有牌车和无牌车，需要有牌车1000张图片，无牌车1000张图片，训练2种分类模型；训练特征提取模型时，采用10万辆车，每辆车50张不同姿态的图片,训练类别数为10万的分类模型。

在本实施例中，为了保证训练精度的同时减少训练的复杂度，训练车辆类型模型与车辆颜色模型使用全车区域进行训练，子品牌模型、车牌信息模型使用车脸区域进行训练，特征区域分类模型可以选择使用全车区域或者车脸区域进行训练。

步骤202，获取待检索目标车辆信息的第一图像，提取第一图像的车辆车牌号信息；获取待检索目标车辆的第一图像，可以采用设置在公安交通卡口的相机拍摄到的图像，也可以是民用车库、公共停车场进出口的相机拍摄到的图像。设置在公安卡口的相机一般是公安部门为了监控道路信息，在道路上访设置的摄像机或照相机。通常，在同一公安卡口还会设置有相应的机动车辆感知装置，例如铺设在路面下方的感应线圈，当有机动车辆通过相应路段时，机动车辆感知装置可以感知到有机动车辆驶过，进而触发相机对通过的机动车辆进行拍摄。民用车库、公共停车场、进出口一般会设置监控设备，对进出车辆进行信息采集，以便对车库、停车场车辆进行管控及对车辆收费。

本实施例中获取的待检索车辆的第一图像，一般是目标车辆的正面俯拍图像，所谓的正面俯拍图，是指对于机动车辆的前脸拍摄的图像，通过正面俯拍图像可以获得待检索机动车辆全车，尤其是车脸区域的信息。

步骤203，去除第一图像的车辆车牌号信息，获得第二图像，提取第二图像的车辆类型信息、车辆颜色信息、车辆子品牌信息、特征提取区域信息；

具体的，之所以去除第一图像的车牌号信息，是为了避免车牌号信息对检索速度及精确都产生的影响。假定事先目标车辆使用了套牌，因此就用其他特征筛选出测试集中相似的车辆，以便在以后的步骤中通过第一图像的车牌号信息进行匹配验证。

需要说明的是，为了与步骤205中车辆过车记录原始测试集车辆进行比对，这里获取的第二图像信息要与车辆过车记录原始测试集车辆信息相对应，也就是说，获取的待检索目标车辆的图像信息包括车辆类型、颜色、子品牌、特征提取区域中，目标车辆的类型能与车辆过车记录原始测试集车辆类型相对应，目标车辆的颜色能与车辆过车记录原始测试集车辆的颜色相对应，目标车辆子品牌类型能与车辆过车记录原始测试集车辆的子品牌对应，目标车辆特征区域与车辆过车记录原始测试集车辆特征区域相对应，目标车辆特征区域输入特征区域分类模型中，最后512维全连接层输出的值为目标车辆的特征向量，在专利后续中简称提取特征区域的512维特征向量

步骤204，去除车辆过车记录原始测试集车辆的车牌号信息，获得第二测试集；

具体的，同步骤203，去除车辆过车记录原始测试集中每张图像的车牌号信息是为了暂时规避无用信息(因已假设为套牌车)对检索产生的不利影响。

步骤205，将第二测试集与所述第二图像比较，进行车辆类型、车辆颜色、车辆子品牌的过滤，获得第三测试集；

需要说明的是，这里的车辆过车记录原始测试集指车辆分析系统里面的过车记录，本步骤的目的在于将第二测试集中与目标车辆类型、颜色、子品牌不同的车辆过滤掉，以达到避免车辆类型、车辆颜色、车辆子品牌对目标检索产生的影响。在经过本步骤获得的第二测试集中，只剩下与目标车辆类型、颜色、子品牌相同的车辆，可以减少在之后的步骤中进行特征比对的难度。

作为本实施例一个具体情况，比如有车辆分析系统里面的过车记录测试集图片有1000万张，现抓拍到一张目标车辆图片，去除车牌号信息后，识别为：轿车、白色、奔驰2012款。根据本实施例技术方案，接下来的过滤流程为：轿车---过滤掉测试集中非轿车的图片，测试集只剩下100W辆；白色---过滤掉测试集中非白色的车辆，测试集只剩下10W辆；奔驰2012款---过滤掉剩余测试集非奔驰2012款的车辆图片，最终的测试集中仅剩下1000辆与目标车辆类型、颜色、子品牌一致的车。

步骤206，对第三测试集中车辆特征提取区域与第二图像信息中特征提取区域使用特征区域分类模型分别提取特征进行比对及相似度排序，选出相似度大于预先设定的阈值并且排名前N的图像集，其中，N≥1，N为正整数，执行步骤207。

具体的，第三测试集中特征区域与第二图像特征区域与是相对应的，并且第三测试集特征区域提取到的特征信息与第二图像特征区域提取到的特征信息也是相对应的。本实施例筛选相似度大于预先设定的阈值并且排名前N的图像集，执行步骤207。这里N的值设置的越大精确度越高，因为如果待检索目标车辆在监控系统中经常出现的话，便会有较多的抓拍记录。为兼顾精度与效率，N可以优选为100。

需要说明的是，若第三测试集中所有车辆与第二图像车辆的相似度都小于设定阈值时，判定为非同一车辆，表示为第三测试集中没有这辆车的其它图片，不再进行车牌号匹配。

还需要说明的是，本实施例还可能出现特殊的情形：若相似度大于预先设定阈值的图像集图像数量M小于N，则图像集的数量为M，其中，M≥1，M为正整数，执行步骤207。

步骤207，恢复图像集中车辆的车牌号信息，并将图像集中车辆的车牌信息与第一图像的车牌信息进行匹配验证。

具体的，恢复图像集中车辆的车牌信息，将图像集里面的图片与第一图像的车牌号循环进行比对，如果有车牌号不匹配，则说明有套牌车，如果全部匹配，则说明并非是套牌车。

根据上述本实施例的具体描述，提前训练多种过滤模型模型并获取目标车辆图像，去除目标车辆的车牌号信息获得第二图像，去除车辆过车记录原始测试集车辆的车牌号信息获得第二测试集，将第二测试集中与待检索目标车辆类型、颜色、子品牌不同的车辆图像过滤掉获得第三测试集，选出第三测试集中与第二图像相似度大于预先设定的阈值并且排名前N的图像集，恢复图像集中车辆的车牌号信息，并将图像集中车辆的车牌信息与第一图像的车牌信息进行匹配验证，从而达到匹配验证的目的。采用本实施例的技术方案，在解决了现有技术对套牌车无法实现的精准检索及验证的技术问题的同时，进一步提高了检索精度和效率。

实施例3：

图3为本实施例结构示意图，一种套牌车检索系统，包括，

训练单元301，用于预先训练用于车辆过滤的模型，这里的模型包括车辆类型模型、颜色模型、子品牌模型、车牌信息模型、特征区域分类模型；

获取单元302，用于获取待检索目标车辆信息的第一图像，提取第一图像的车辆车牌号信息；第一去除单元303，用于去除第一图像的车辆车牌号信息，获得第二图像，提取第二图像的车辆类型信息、车辆颜色信息、车辆子品牌信息、特征提取区域信息；

第二去除单元304，用于去除车辆过车记录原始测试集车辆的车牌号信息，获得第二测试集，其中，第二测试集车辆包括车辆类型模型、颜色模型、子品牌模型、特征提取区域分类模型；过滤单元305，用于对第二测试集与第二图像比较，进行车辆类型、车辆颜色、车辆子品牌的过滤，获得第三测试集；

比对单元306，用于对第三测试集中车辆特征提取区域与第二图像信息中特征提取区域使用特征区域分类模型分别提取特征进行比对及相似度排序，选出符合相似度要求的图像集；

验证单307元，用于恢复图像集中车辆的车牌号信息，并将图像集中车辆的车牌信息与所述第一图像的车牌信息进行匹配验证。

实施例4：

图4为本实施例结构示意图，一种套牌车检索系统，包括，

训练单元401，用于预先训练用于车辆过滤的模型，这里的模型包括车辆类型模型、颜色模型、子品牌模型、车牌信息模型、特征区域分类模型；

获取单元402，用于获取待检索目标车辆信息的第一图像，提取第一图像的车辆车牌号信息；第一去除单元403，用于去除第一图像的车辆车牌号信息，获得第二图像，提取第二图像的车辆类型信息、车辆颜色信息、车辆子品牌信息、特征提取区域信息；

第二去除单元404，用于去除车辆过车记录原始测试集车辆的车牌号信息，获得第二测试集，其中，第二测试集车辆包括车辆类型模型、颜色模型、子品牌模型、特征提取区域分类模型；过滤单元405，用于对第二测试集与第二图像比较，进行车辆类型、车辆颜色、车辆子品牌的过滤，获得第三测试集；

比对单元406，用于对第三测试集中车辆特征提取区域与第二图像信息中特征提取区域使用特征区域分类模型分别提取特征进行比对及相似度排序，选出符合相似度要求的图像集；

计算模块4061，用于计算所述符合相似度要求的图像集；

排序模块4062，用于对所述符合相似度要求的图像集进行排序。

验证单407元，用于恢复图像集中车辆的车牌号信息，并将图像集中车辆的车牌信息与所述第一图像的车牌信息进行匹配验证。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所披露的方法、系统，可以通过其它的方式实现。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。

Claims (6)

1.一种套牌车的检索方法，其特征在于，包括，

预先训练用于车辆过滤的模型，所述模型包括车辆类型模型、颜色模型、子品牌模型、车牌信息模型、特征区域分类模型；

获取待检索目标车辆信息的第一图像，提取所述第一图像的车辆车牌号信息；

去除所述第一图像的车辆车牌号信息，获得第二图像，提取所述第二图像的车辆类型信息、车辆颜色信息、车辆子品牌信息、特征提取区域信息；

去除车辆过车记录原始测试集车辆的车牌号信息，获得第二测试集；

对所述第二测试集与所述第二图像比较，进行车辆类型、车辆颜色、车辆子品牌的过滤，获得第三测试集；

对所述第三测试集中车辆特征提取区域与所述第二图像信息中特征提取区域使用所述特征区域分类模型分别提取特征进行比对及相似度排序，选出符合相似度要求的图像集；

恢复所述图像集中车辆的车牌号信息，并将所述图像集中车辆的车牌信息与所述第一图像的车牌信息进行匹配验证；

其中所述符合相似度要求的图像集具体为相似度大于预先设定的阈值并且排名前N的图像集，其中，N≥1，N为正整数。

2.根据权利要求1所述的套牌车检索方法，其特征在于，N＝100。

3.根据权利要求2所述的套牌车检索方法，其特征在于，若所述相似度大于预先设定阈值的图像集图像数量M小于N，则所述图像集的数量为M，其中，M≥1，M为正整数。

4.根据权利要求1-3所述的任意一种套牌车检索方法，其特征在于，所述特征区域分类模型为全车区域特征分类模型。

5.根据权利要求1-3所述的任意一种套牌车检索方法，其特征在于，所述特征区域分类模型使用分类网络的512维权连接层作为所述第二测试集中车辆图片的特征向量。

6.一种套牌车的检索系统，其特征在于，包括，

训练单元，用于预先训练用于车辆过滤的模型，所述模型包括车辆类型模型、颜色模型、子品牌模型、车牌信息模型、特征区域分类模型；

获取单元，用于获取待检索目标车辆信息的第一图像，提取所述第一图像的车辆车牌号信息；

第一去除单元，用于去除所述第一图像的车辆车牌号信息，获得第二图像，提取所述第二图像的车辆类型信息、车辆颜色信息、车辆子品牌信息、特征提取区域信息；

第二去除单元，用于去除车辆过车记录原始测试集车辆的车牌号信息，获得第二测试集；

过滤单元，用于对所述第二测试集与所述第二图像比较，进行车辆类型、车辆颜色、车辆子品牌的过滤，获得第三测试集；

比对单元，用于对所述第三测试集中车辆特征提取区域与所述第二图像信息中特征提取区域使用所述特征区域分类模型分别提取特征进行比对及相似度排序，选出符合相似度要求的图像集；

验证单元，用于恢复所述图像集中车辆的车牌号信息，并将所述图像集中车辆的车牌信息与所述第一图像的车牌信息进行匹配验证；

其中所述比对单元还包括，

计算模块，用于计算所述符合相似度要求的图像集；

排序模块，用于对所述符合相似度要求的图像集进行排序。

Images