CN109299729A - 车辆检测方法及装置 - Google Patents
车辆检测方法及装置 Download PDFInfo
- Publication number
- CN109299729A CN109299729A CN201810979215.0A CN201810979215A CN109299729A CN 109299729 A CN109299729 A CN 109299729A CN 201810979215 A CN201810979215 A CN 201810979215A CN 109299729 A CN109299729 A CN 109299729A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- feature
- face
- sample 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.)
- Granted
Links
Classifications
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种车辆检测方法及装置,涉及图像处理技术领域。方法包括:获得包含车辆前脸的至少一张图像;根据至少一张图像和车辆特征识别模型,确定出车辆前脸上的至少两个车辆前脸特征;判断至少两个车辆前脸特征是否均与车辆的至少两个预设前脸特征一一对应匹配;若否,确定车辆为异常车辆。由于已经预设了该车辆的至少两个预设前脸特征,故只要在至少两个前脸特征与至少两个预设前脸特征不匹配时,便可以确定出该车辆是为异常的套牌车辆,从而可以实现大面积、高效率和高准确度的对套牌车辆进行识别,故能够有效的制止套牌者的违法行为。
Description
技术领域
本申请涉及图像处理技术领域,具体而言,涉及一种车辆检测方法及装置。
背景技术
车牌是车辆的唯一身份信息,与车主信息一对一地绑定,而套牌车辆则采用的是伪造车牌的方式来实施违法。
目前,查出套牌车辆的途径通常是交警有目的性地将车辆拦下后,查询该车辆的注册信息与车辆信息是否一致。但这种方式效率低下且人力成本很高,难以大面积对套牌车辆进行查询和确定,故其并不能够有效的制止套牌者的违法行为,甚至会使得套牌者的违法行为更加肆无忌惮,这不仅极大地损害了原车主的利益,也为社会安全带来了许多隐患。
发明内容
本申请在于提供一种车辆检测方法及装置,以有效的改善上述技术问题。
为了实现上述目的,本申请的实施例通过如下方式实现:
第一方面,本申请实施例提供了一种车辆检测方法,所述方法包括:获得包含车辆前脸的至少一张图像;根据所述至少一张图像和车辆特征识别模型,确定出所述车辆前脸上的至少两个车辆前脸特征;判断所述至少两个车辆前脸特征是否均与所述车辆的至少两个预设前脸特征一一对应匹配;若否,确定所述车辆为异常车辆。
结合第一方面,在一些可能的实现方式中,所述至少一张图像包括:第一图像、第二图像和第三图像,所述至少两个车辆前脸特征包括:车牌特征、车辆品牌特征和车辆颜色特征,所述根据所述至少一张图像和车辆特征识别模型,确定出所述车辆前脸上的至少两个车辆前脸特征,包括:根据所述第一图像和车辆特征识别模型,确定所述车辆前脸上的车牌特征;判断所述车辆特征是否预先从其它图像确定出;若否,根据所述第二图像和所述车辆特征识别模型,确定出所述车辆品牌特征;以及根据所述第三图像和所述车辆特征识别模块,确定出所述车辆颜色特征。
结合第一方面,在一些可能的实现方式中,所述判断所述至少两个车辆前脸特征是否均与所述车辆的至少两个预设前脸特征一一对应匹配,包括:判断所述车牌特征是否与所述车辆的预设车牌特征匹配;若是,判断所述车辆品牌特征是否与所述车辆的预设品牌特征匹配,以及判断所述车辆颜色特征是否与所述车辆的预设颜色特征匹配。
结合第一方面,在一些可能的实现方式中,在所述获得包含车辆前脸的至少一张图像之前,所述方法还包括:获得训练样本图像集,其中,所述训练样本图像集中,每张训练样本图像上均标识出了训练车辆的前脸的所在区域,以及每张训练样本图像上均标识出了至少两个训练车辆的前脸特征;根据所述训练样本图像集对神经网络进行训练,获得车辆特征识别的待测模型;获得测试样本图像集,根据所述测试样本图像集对所述车辆特征识别的待测模型进行识别准确度测试,获得测试结果,其中,所述测试样本图像集中每张测试样本图像为包含测试车辆的前脸的图像;根据所述测试结果确定通过测试,将测试通过的所述车辆特征识别的待测模型作为所述车辆特征识别模型。
结合第一方面,在一些可能的实现方式中,所述获得包含车辆前脸的至少一张图像,包括:在预设时间点,从包含所述车辆前脸的视频流中抽取出帧数连续的所述至少一张图像。
第二方面,本申请实施例提供了一种车辆检测装置,其特征在于,所述装置包括:
图像获得模块,用于获得包含车辆前脸的至少一张图像;
特征识别模块,用于根据所述至少一张图像和车辆特征识别模型,确定出所述车辆前脸上的至少两个车辆前脸特征;
特征匹配模块,用于判断所述至少两个车辆前脸特征是否均与所述车辆的至少两个预设前脸特征一一对应匹配;
异常确定模块,用于若否,确定所述车辆为异常车辆。
结合第二方面,在一些可能的实现方式中,所述至少一张图像包括:第一图像、第二图像和第三图像,所述至少两个车辆前脸特征包括:车牌特征、车辆品牌特征和车辆颜色特征。所述特征识别模块,还用于根据所述第一图像和车辆特征识别模型,确定所述车辆前脸上的车牌特征;判断所述车辆特征是否预先从其它图像确定出;若否,根据所述第二图像和所述车辆特征识别模型,确定出所述车辆品牌特征;以及根据所述第三图像和所述车辆特征识别模块,确定出所述车辆颜色特征。
结合第二方面,在一些可能的实现方式中,所述特征匹配模块,还用于判断所述车牌特征是否与所述车辆的预设车牌特征匹配;若是,判断所述车辆品牌特征是否与所述车辆的预设品牌特征匹配,以及判断所述车辆颜色特征是否与所述车辆的预设颜色特征匹配。
结合第二方面,在一些可能的实现方式中,所述装置还包括:训练样本获得模块,用于获得训练样本图像集,其中,所述训练样本图像集中,每张训练样本图像上均标识出了训练车辆的前脸的所在区域,以及每张训练样本图像上均标识出了至少两个训练车辆的前脸特征。模型训练模块,用于根据所述训练样本图像集对神经网络进行训练,获得车辆特征识别的待测模型。测试样本获得模块,用于获得测试样本图像集,根据所述测试样本图像集对所述车辆特征识别的待测模型进行识别准确度测试,获得测试结果,其中,所述测试样本图像集中每张测试样本图像为包含测试车辆的前脸的图像。模型测试模块,用于根据所述测试结果确定通过测试,将测试通过的所述车辆特征识别的待测模型作为所述车辆特征识别模型。
结合第二方面,在一些可能的实现方式中,所述图像获得模块,还用于在预设时间点,从包含所述车辆前脸的视频流中抽取出帧数连续的所述至少一张图像。
第三方面,本申请实施例提供了一种电子设备,所述电子设备包括:处理器,存储器,总线和通信接口;所述处理器、所述通信接口和存储器通过所述总线连接。所述存储器,用于存储程序。所述处理器,用于通过调用存储在所述存储器中的程序,以执行第一方面、及第一方面的任一种实现方式所述的车辆检测方法。
第四方面,本申请实施例提供了一种具有计算机可执行的非易失程序代码的计算机可读储存介质,所述程序代码使所述计算机执行第一方面、及第一方面的任一种实现方式所述的车辆检测方法。
本申请实施例的有益效果是:
通过根据至少一张图像和车辆特征识别模型,则可以确定出该车辆前脸上的至少两个前脸特征。由于已经预设了该车辆的至少两个预设前脸特征,故只要在至少两个前脸特征与至少两个预设前脸特征不匹配时,便可以确定出该车辆是为异常的套牌车辆,从而可以实现大面积、高效率和高准确度的对套牌车辆进行识别,故能够有效的制止套牌者的违法行为。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请第一实施例提供的一种电子设备的结构框图;
图2示出了本申请第二实施例提供的一种车辆检测方法的流程图;
图3示出了本申请第三实施例提供的一种车辆检测装置的结构框图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有进行出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
第一实施例
请参阅图1,本申请实施例提供了一种电子设备10,电子设备10可以为终端,例如个人电脑(personal computer,PC)、平板电脑、智能手机、个人数字助理(personaldigital assistant,PDA)等;或者,电子设备10也可以为服务器,例如网络服务器、数据库服务器、云服务器或由多个子服务器构成的服务器集成等。当然,上述列举的设备为用于便于理解本实施例,其不应作为对本实施例的限定。
该电子设备10可以包括:存储器11、通信接口12、总线13和处理器14。其中,处理器14、通信接口12和存储器11通过总线13连接。
处理器24用于执行存储器21中存储的可执行模块,例如计算机程序。图1所示的电子设备10的组件和结构只是示例性的,而非限制性的,根据需要,电子设备10也可以具有其他组件和结构。
存储器11可能包含高速随机存取存储器(Random Access Memory RAM),也可能还包括非不稳定的存储器(non-volatile memory),例如至少两个磁盘存储器。本实施例中,存储器11存储了执行车辆检测方法所需要的程序。
总线13可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图1中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类别的总线。
处理器14可能是一种具有信号的处理能力集成电路芯片。在实现过程中,上述方法的各步骤可以通过处理器14中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器14可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。
本申请实施例任意实施例揭示的流过程或定义的装置所执行的方法可以应用于处理器14中,或者由处理器14实现。处理器14在接收到执行指令后,通过总线13调用存储在存储器11中的程序后,处理器14通过总线13控制通信接口12则可以执行车辆检测方法的流程。
第二实施例
本实施例提供了一种车辆检测方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。以下对本实施例进行详细介绍。
请参阅图2,在本实施例提供的车辆检测方法中,该车辆检测方法可以为由电子设备执行,该车辆检测方法包括:步骤S110、步骤S120、步骤S130和步骤S140。
步骤S110:获得包含车辆前脸的至少一张图像。
步骤S120:根据所述至少一张图像和车辆特征识别模型,确定出所述车辆前脸上的至少两个车辆前脸特征。
步骤S130:判断所述至少两个车辆前脸特征是否均与所述车辆的至少两个预设前脸特征一一对应匹配。
步骤S140:若否,确定所述车辆为异常车辆寸。
下面将对本申请的方法流程进行详细地描述。
在步骤S110之前,电子设备可以先进行模型的训练,从而获得训练好的车辆特征识别模型。
在训练前,电子设备可以获得用于训练以获得车辆特征识别模型的训练样本图像集。其中,电子设备获得训练样本图像集的方式可以为:电子设备在与存储有训练样本图像集的外部存储介质连接时,响应用户的存储操作从存储介质中获得训练样本图像集;或电子设备获得训练样本图像集的方式还可以为:响应用户的下载操作从存储有训练样本图像集的服务器或数据库上获得训练样本图像集。
训练样本图像集可以为由多张训练样本图像组成,例如,训练样本图像的张数可以为成百上千张。其中,训练样本图像集中每张训练样本图像上均标识出了训练车辆的前脸的所在区域,即每张训练样本图像上均采用矩形框圈划出了训练车辆的前脸的所在区域,以便训练神经网络能够将矩形框圈划的区域学习识别为每张训练样本图像中训练车辆的前脸所在的区域。以及,训练样本图像集中每张训练样本图像上还均标识出了至少两个训练车辆的前脸特征,以便训练神经网络能够学习将前脸所在的区域识别出的特征与至少两个训练车辆的前脸特征关联。其中,至少两个训练车辆的前脸特征包括:预设车牌特征、预设品牌特征和预设颜色特征
本实施例中,标识出至少两个训练车辆的前脸特征的方式可以为在每张训练样本图像写上:川AXXXXX5、A品牌、白色,其中,川AXXXXX5为预设车牌特征、A品牌为预设品牌特征、白色为预设颜色特征。另外,若颜色不太好准确描述时,可以将预设颜色特征描述为其它颜色。
需要说明的是,训练样本图像集可以为针对同一类型的汽车对神经网络进行训练,故训练样本图像集中每张训练样本图像上标识出的至少两个训练车辆的前脸特征均相同。
电子设备可以利用训练样本图像集对神经网络进行训练,其中,该神经网络可为:深度神经网络模型FaceLoc-Net,由深度神经网络学习到输入数据特征的能力更加强,故训练得到的车辆特征识别模型能够具有很高的识别准确率。可选地,对神经网络的训练过程可以为:神经网络通过对每张训练样本图像中前脸的所在区域进行识别并与至少两个训练车辆的前脸特征关联,以学习并确定出识别和关联前脸的所在区域的规则以及该规则的各种参数。那么,通过训练就可以得到车辆特征识别的待测模型。
电子设备通过训练样本图像集对神经网络进行训练得到车辆特征识别的待测模型后,为保证后续得到车辆特征识别模型的检测准确度,还可以利用测试样本图像集对得到的车辆特征识别的待测模型进行准确度的测试。其中,测试样本图像集也可以为由多张测试样本图像组成,且每张测试样本图像与训练样本图像包含的内容的类型是相同。即每张测试样本图像也为包含测试车辆的前脸的图像,测试车辆与验证样本图像中验证车辆的类型相同,以及,测试样本图像的张数为近百张。
需要说明的是,为保证测试的准确性和高效性,验证样本图像集和测试样本图像集的图像数量比例可以为4:1,且测试样本图像集中与没有训练样本图像集相同的测试样本图像。
本实施例中,电子设备可以获得该测试测试样本图像集,其中,获得测试样本图像集的方式与获得训练样本图像集的方式类似,本实施例就不再累述。测试的过程可以为车辆特征识别的待测模型对测试样本图像集的每张测试样本图像进行识别,以获得车辆特征识别的待测模型对每张测试样本图像的识别是否准确的结果。故根据测试样本图像集对车辆特征识别的待测模型进行识别准确度测试而获得每张测试样本图像的识别是否准确的结果,那么电子设备可以获得识别结果准确的测试样本图像在测试样本图像集中所占百分比的测试结果。
根据该测试结果是否达到阈值百分比,电子设备可以确定是否通过测试,其中,阈值百分比可以为99.5%。若确定测试未通过,电子设备可以利用新的训练样本图像集和新的测试样本图像集以轮训执行训练和测试的流程,并直至确定测试通过。若确定测试通过,那么电子设备可以确定模型训练成功,故可以将测试通过的该车辆特征识别的待测模型作为后续使用的车辆特征识别模型。
在训练出车辆特征识别模型,电子设备便可以执行步骤S100。
步骤S100:获得包含车辆前脸的至少一张图像。
电子设备获得视频监控设备发送包含车辆前脸的视频流,电子设备可以预览该视频流,从而在预设时间点,从视频流中抽取至少一张图像。
本实施例中,预设时间点可以为电子设备对视频流中位于至少一张图像前一帧的图像处理完成的时刻。至少一张图像可以包括:第一图像、第二图像和第三图像。可选地,该第一图像、第二图像和第三图像可以为相同图像,即至少一张图像的张数为一张,本实施例中将其分别命名为第一图像、第二图像和第三图像是为便于区分对针对同一图像进行的不同处理。或者该第一图像、第二图像和第三图像可以为至少部分不相同的图像,即至少一张图像的张数为两张或三张帧数连续图像。
需要说明的是,在以下的描述中,该第一图像、第二图像和第三图像,可以理解为同一图像或者理解为不同的图像,对此本实施例并不限定。但在理解为同一图像时,可以认为对该第一图像、第二图像和第三图像的处理可以是语言描述上的重复,并不是处理过程上的重复。
在获得至少一张图像后,电子设备就可以执行步骤S200。
步骤S200:根据所述至少一张图像和车辆特征识别模型,确定出所述车辆前脸上的至少两个车辆前脸特征。
电子设备可以调用已经预训练的车辆特征识别模型,将第一图像输入到车辆特征识别模型中,以通过车辆特征识别模型输出车辆前脸上的车牌特征。
未避免重复处理,电子设备可以判断该确定出的车辆特征是否已经预先从视频流前面帧数其它图像确定出,即电子设备判断该车辆特征是否为第二次获得。
若是,说明针对该车辆前脸已经进行过识别,故本次无需再次识别,故电子设备可以终止后续流程的执行。
若否,说明针对该车辆前脸为第一次识别,那么电子设备可以继续调用该车辆特征识别模型,将第二图像和第三图像均输入该车辆特征识别模型,从而获得车辆特征识别模型根据第二图像计算确定出车辆品牌特征,以及获得车辆特征识别模型根据第三图像计算确定出车辆颜色特征。
可以理解到,至少两个车辆前脸特征包括:车牌特征、车辆品牌特征和车辆颜色特征,获得该车牌特征、车辆品牌特征和车辆颜色特征即为获得了至少两个车辆前脸特征,那么电子设备可以继续执行步骤S300。
步骤S300:判断所述至少两个车辆前脸特征是否均与所述车辆的至少两个预设前脸特征一一对应匹配。
电子设备中预设了各车辆中每个车辆的至少两个预设前脸特征,即预设了每个车辆的预设车牌特征、预设品牌特征和预设颜色特征。故电子设备可以判断获得的两个车辆前脸特征中车牌特征是否与该车辆的预设车牌特征匹配。
在判断为不匹配时,则说明未预设该车辆的至少两个预设前脸特征,故可以生成报错信息并显示出该报错信息。
在判断为匹配时,则说明可以继续对该车辆进行匹配。那么,电子设备可以判断该两个车辆前脸特征中的车辆品牌特征是否与该车辆的预设品牌特征匹配,以及判断该两个车辆前脸特征中车辆颜色特征是否与该车辆的预设颜色特征匹配。
在判断至少两个车辆前脸特征是否匹配后,电子设备便可以继续执行步骤S400。
在判断为是时,即判断为车牌特征、品牌特征和颜色特征均匹配的情况下,电子设备则可以确定该至少一张图像中车辆前脸与该车辆预设的车辆前脸相同,故可以确定该车辆不是套牌车辆。
在判断为否时,即判断为车牌特征匹配,但品牌特征和/或颜色特征不匹配的情况下,故电子设备则可以确定该至少一张图像中车辆前脸与该车辆预设的车辆前脸不相同,故可以确定该车辆是套牌的异常车辆。并可以生成包含该套牌车辆的情况和所在位置的报警信息并发送至相关的执法部门,以使执法部门能够及时获知并及时处理。
第三实施例
请参阅图3,本申请实施例提供了一种车辆检测装置100,该车辆检测装置100可以应用于电子设备,该车辆检测装置100包括:
图像获得模块110,用于获得包含车辆前脸的至少一张图像。
特征识别模块120,用于根据所述至少一张图像和车辆特征识别模型,确定出所述车辆前脸上的至少两个车辆前脸特征。
特征匹配模块130,用于判断所述至少两个车辆前脸特征是否均与所述车辆的至少两个预设前脸特征一一对应匹配。
异常确定模块140,用于若否,确定所述车辆为异常车辆。
以及,该车辆检测装置100还包括:
训练样本获得模块150,用于获得训练样本图像集,其中,所述训练样本图像集中,每张训练样本图像上均标识出了训练车辆的前脸的所在区域,以及每张训练样本图像上均标识出了至少两个训练车辆的前脸特征。
模型训练模块160,用于根据所述训练样本图像集对神经网络进行训练,获得车辆特征识别的待测模型。
测试样本获得模块170,用于获得测试样本图像集,根据所述测试样本图像集对所述车辆特征识别的待测模型进行识别准确度测试,获得测试结果,其中,所述测试样本图像集中每张测试样本图像为包含测试车辆的前脸的图像。
模型测试模块180,用于根据所述测试结果确定通过测试,将测试通过的所述车辆特征识别的待测模型作为所述车辆特征识别模型。
可选地,所述图像获得模块110,还用于在预设时间点,从包含所述车辆前脸的视频流中抽取出帧数连续的所述至少一张图像。
可选地,所述至少一张图像包括:第一图像、第二图像和第三图像,所述至少两个车辆前脸特征包括:车牌特征、车辆品牌特征和车辆颜色特征。
可选地,所述特征识别模块120,还用于根据所述第一图像和车辆特征识别模型,确定所述车辆前脸上的车牌特征;判断所述车辆特征是否预先从其它图像确定出;若否,根据所述第二图像和所述车辆特征识别模型,确定出所述车辆品牌特征;以及根据所述第三图像和所述车辆特征识别模块,确定出所述车辆颜色特征。
可选地,所述特征匹配模块130,还用于判断所述车牌特征是否与所述车辆的预设车牌特征匹配;若是,判断所述车辆品牌特征是否与所述车辆的预设品牌特征匹配,以及判断所述车辆颜色特征是否与所述车辆的预设颜色特征匹配。
需要说明的是,由于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,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域内的技术人员应明白,本申请实施例可提供为方法、系统、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
综上所述,本申请实施例提供了一种车辆检测方法及装置。方法包括:获得包含车辆前脸的至少一张图像;根据至少一张图像和车辆特征识别模型,确定出车辆前脸上的至少两个车辆前脸特征;判断至少两个车辆前脸特征是否均与车辆的至少两个预设前脸特征一一对应匹配;若否,确定车辆为异常车辆。
通过根据至少一张图像和车辆特征识别模型,则可以确定出该车辆前脸上的至少两个前脸特征。由于已经预设了该车辆的至少两个预设前脸特征,故只要在至少两个前脸特征与至少两个预设前脸特征不匹配时,便可以确定出该车辆是为异常的套牌车辆,从而可以实现大面积、高效率和高准确度的对套牌车辆进行识别,故能够有效的制止套牌者的违法行为。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种车辆检测方法,其特征在于,所述方法包括:
获得包含车辆前脸的至少一张图像;
根据所述至少一张图像和车辆特征识别模型,确定出所述车辆前脸上的至少两个车辆前脸特征;
判断所述至少两个车辆前脸特征是否均与所述车辆的至少两个预设前脸特征一一对应匹配;
若否,确定所述车辆为异常车辆。
2.根据权利要求1所述的车辆检测方法,其特征在于,所述至少一张图像包括:第一图像、第二图像和第三图像,所述至少两个车辆前脸特征包括:车牌特征、车辆品牌特征和车辆颜色特征,所述根据所述至少一张图像和车辆特征识别模型,确定出所述车辆前脸上的至少两个车辆前脸特征,包括:
根据所述第一图像和车辆特征识别模型,确定所述车辆前脸上的车牌特征;
判断所述车辆特征是否预先从其它图像确定出;
若否,根据所述第二图像和所述车辆特征识别模型,确定出所述车辆品牌特征;以及根据所述第三图像和所述车辆特征识别模块,确定出所述车辆颜色特征。
3.根据权利要求2所述的车辆检测方法,其特征在于,所述判断所述至少两个车辆前脸特征是否均与所述车辆的至少两个预设前脸特征一一对应匹配,包括:
判断所述车牌特征是否与所述车辆的预设车牌特征匹配;
若是,判断所述车辆品牌特征是否与所述车辆的预设品牌特征匹配,以及判断所述车辆颜色特征是否与所述车辆的预设颜色特征匹配。
4.根据权利要求1-3任一权项所述的车辆检测方法,其特征在于,在所述获得包含车辆前脸的至少一张图像之前,所述方法还包括:
获得训练样本图像集,其中,所述训练样本图像集中,每张训练样本图像上均标识出了训练车辆的前脸的所在区域,以及每张训练样本图像上均标识出了至少两个训练车辆的前脸特征;
根据所述训练样本图像集对神经网络进行训练,获得车辆特征识别的待测模型;
获得测试样本图像集,根据所述测试样本图像集对所述车辆特征识别的待测模型进行识别准确度测试,获得测试结果,其中,所述测试样本图像集中每张测试样本图像为包含测试车辆的前脸的图像;
根据所述测试结果确定通过测试,将测试通过的所述车辆特征识别的待测模型作为所述车辆特征识别模型。
5.根据权利要求1-3任一权项所述的车辆检测方法,其特征在于,所述获得包含车辆前脸的至少一张图像,包括:
在预设时间点,从包含所述车辆前脸的视频流中抽取出帧数连续的所述至少一张图像。
6.一种车辆检测装置,其特征在于,所述装置包括:
图像获得模块,用于获得包含车辆前脸的至少一张图像;
特征识别模块,用于根据所述至少一张图像和车辆特征识别模型,确定出所述车辆前脸上的至少两个车辆前脸特征;
特征匹配模块,用于判断所述至少两个车辆前脸特征是否均与所述车辆的至少两个预设前脸特征一一对应匹配;
异常确定模块,用于若否,确定所述车辆为异常车辆。
7.根据权利要求6所述的车辆检测装置,其特征在于,所述至少一张图像包括:第一图像、第二图像和第三图像,所述至少两个车辆前脸特征包括:车牌特征、车辆品牌特征和车辆颜色特征;
所述特征识别模块,还用于根据所述第一图像和车辆特征识别模型,确定所述车辆前脸上的车牌特征;判断所述车辆特征是否预先从其它图像确定出;若否,根据所述第二图像和所述车辆特征识别模型,确定出所述车辆品牌特征;以及根据所述第三图像和所述车辆特征识别模块,确定出所述车辆颜色特征。
8.根据权利要求7所述的车辆检测装置,其特征在于,
所述特征匹配模块,还用于判断所述车牌特征是否与所述车辆的预设车牌特征匹配;若是,判断所述车辆品牌特征是否与所述车辆的预设品牌特征匹配,以及判断所述车辆颜色特征是否与所述车辆的预设颜色特征匹配。
9.根据权利要求6-8任一权项所述的车辆检测装置,其特征在于,所述装置还包括:
训练样本获得模块,用于获得训练样本图像集,其中,所述训练样本图像集中,每张训练样本图像上均标识出了训练车辆的前脸的所在区域,以及每张训练样本图像上均标识出了至少两个训练车辆的前脸特征;
模型训练模块,用于根据所述训练样本图像集对神经网络进行训练,获得车辆特征识别的待测模型;
测试样本获得模块,用于获得测试样本图像集,根据所述测试样本图像集对所述车辆特征识别的待测模型进行识别准确度测试,获得测试结果,其中,所述测试样本图像集中每张测试样本图像为包含测试车辆的前脸的图像;
模型测试模块,用于根据所述测试结果确定通过测试,将测试通过的所述车辆特征识别的待测模型作为所述车辆特征识别模型。
10.根据权利要求6-8任一权项所述的车辆检测装置,其特征在于,
所述图像获得模块,还用于在预设时间点,从包含所述车辆前脸的视频流中抽取出帧数连续的所述至少一张图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810979215.0A CN109299729B (zh) | 2018-08-24 | 2018-08-24 | 车辆检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810979215.0A CN109299729B (zh) | 2018-08-24 | 2018-08-24 | 车辆检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109299729A true CN109299729A (zh) | 2019-02-01 |
CN109299729B CN109299729B (zh) | 2021-02-23 |
Family
ID=65165486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810979215.0A Active CN109299729B (zh) | 2018-08-24 | 2018-08-24 | 车辆检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109299729B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554024A (zh) * | 2021-07-27 | 2021-10-26 | 宁波小遛共享信息科技有限公司 | 一种车辆的清洁度的确定方法、装置及计算机设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390166A (zh) * | 2013-07-17 | 2013-11-13 | 中科联合自动化科技无锡有限公司 | 基于车前脸特征的车辆型号一致性判别方法 |
CN103745598A (zh) * | 2014-01-09 | 2014-04-23 | 中科联合自动化科技无锡有限公司 | 基于前脸特征的车型识别方法 |
CN105787437A (zh) * | 2016-02-03 | 2016-07-20 | 东南大学 | 一种基于级联集成分类器的车辆品牌类型识别方法 |
WO2016183380A1 (en) * | 2015-05-12 | 2016-11-17 | Mine One Gmbh | Facial signature methods, systems and software |
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 |
CN107545239A (zh) * | 2017-07-06 | 2018-01-05 | 南京理工大学 | 一种基于车牌识别与车辆特征匹配的套牌检测方法 |
-
2018
- 2018-08-24 CN CN201810979215.0A patent/CN109299729B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390166A (zh) * | 2013-07-17 | 2013-11-13 | 中科联合自动化科技无锡有限公司 | 基于车前脸特征的车辆型号一致性判别方法 |
CN103745598A (zh) * | 2014-01-09 | 2014-04-23 | 中科联合自动化科技无锡有限公司 | 基于前脸特征的车型识别方法 |
WO2016183380A1 (en) * | 2015-05-12 | 2016-11-17 | Mine One Gmbh | Facial signature methods, systems and software |
CN105787437A (zh) * | 2016-02-03 | 2016-07-20 | 东南大学 | 一种基于级联集成分类器的车辆品牌类型识别方法 |
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 |
CN107545239A (zh) * | 2017-07-06 | 2018-01-05 | 南京理工大学 | 一种基于车牌识别与车辆特征匹配的套牌检测方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113554024A (zh) * | 2021-07-27 | 2021-10-26 | 宁波小遛共享信息科技有限公司 | 一种车辆的清洁度的确定方法、装置及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109299729B (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256394A (zh) | 驾驶员信息与车辆信息核验方法、装置以及系统 | |
CN106815574B (zh) | 建立检测模型、检测接打手机行为的方法和装置 | |
CN111382704A (zh) | 基于深度学习的车辆压线违章判断方法、装置及存储介质 | |
WO2020038138A1 (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
CN111126098B (zh) | 证件图像采集方法、装置、设备及存储介质 | |
CN111369801A (zh) | 车辆识别方法、装置、设备和存储介质 | |
CN109325409B (zh) | 通行车辆套牌检验平台 | |
CN104573680A (zh) | 图像检测方法、图像检测装置以及交通违法检测系统 | |
CN111079621A (zh) | 检测对象的方法、装置、电子设备和存储介质 | |
CN110298302B (zh) | 一种人体目标检测方法及相关设备 | |
CN109299729A (zh) | 车辆检测方法及装置 | |
CN109508699B (zh) | 老人座椅占用提醒系统以及相应终端 | |
CN112580457A (zh) | 车辆视频的处理方法、装置、计算机设备和存储介质 | |
CN115294505B (zh) | 风险物体检测及其模型的训练方法、装置及电子设备 | |
CN113902999A (zh) | 一种跟踪方法、装置、设备及介质 | |
CN113327337A (zh) | 一种确保车辆正常缴费出场的方法 | |
CN112595398A (zh) | 一种基于物联网的智能称重方法、装置以及系统 | |
CN114386019A (zh) | 安检操作记录方法、装置、电子设备及计算机可读介质 | |
Vishwanath et al. | A hybrid Indian license plate character segmentation algorithm for automatic license plate recognition system | |
CN114612919B (zh) | 一种票据信息处理系统及方法、装置 | |
KR102528816B1 (ko) | 신분증 검수 정보를 이용한 신경망의 약지도 학습 방법 및 시스템 | |
CN111539753B (zh) | 车辆检测方法、装置、电子设备及计算机存储介质 | |
CN111931545B (zh) | 号牌识别方法及装置 | |
CN114241434A (zh) | 一种违章车辆处理方法、装置、电子设备及可读介质 | |
EP4328796A1 (en) | Template collection method, apparatus and system |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |