CN110097052A - 一种基于图像的真假车牌判别方法 - Google Patents

一种基于图像的真假车牌判别方法 Download PDF

Info

Publication number
CN110097052A
CN110097052A CN201910322821.XA CN201910322821A CN110097052A CN 110097052 A CN110097052 A CN 110097052A CN 201910322821 A CN201910322821 A CN 201910322821A CN 110097052 A CN110097052 A CN 110097052A
Authority
CN
China
Prior art keywords
image
license plate
true
character
false
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
Application number
CN201910322821.XA
Other languages
English (en)
Inventor
袁媛
胡静远
杨娇娇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei haisai Information Technology Co.,Ltd.
Original Assignee
Suzhou Haisai Artificial Intelligence Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Haisai Artificial Intelligence Co Ltd filed Critical Suzhou Haisai Artificial Intelligence Co Ltd
Priority to CN201910322821.XA priority Critical patent/CN110097052A/zh
Publication of CN110097052A publication Critical patent/CN110097052A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/146—Aligning or centring of the image pick-up or image-field
    • G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
    • G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/153—Segmentation of character regions using recognition of characters or words
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像的真假车牌判别方法，包括以下步骤：S1对车牌图像进行识别，获取车牌号码，并从中提取需要比对的各个字符ID；S2根据字符ID，获取车牌号码中的关键字符图像，实现关键字符的定位；S3将关键字符图像中的控制点的坐标xi和其基准图像中预先设定的控制点的坐标x′i一一对应起来，其表示为：其中1≤i≤n；S4利用得到的控制点坐标的对应关系采用射影变换的方法对关键字符图像进行几何校正；S5将校正后的关键字符图像与基准图像进行比对，若无差异，则为真字符，从而判定对应车牌为真车牌；否则，则判定车牌为假车牌。其能够仅凭车牌图像判别车牌的真假，无需联网与数据库对比，应用场景广泛，断定准确。

Description

一种基于图像的真假车牌判别方法
技术领域
本发明涉及交通管理，具体涉及一种基于图像的真假车牌判别方法。
背景技术
随着汽车数量的急剧增长，使用假牌照、套牌或改造车牌的行为也呈现一定的增长，这些行为严重影响了交通秩序，打击假车牌成为我国交通系统的重要任务之一。然而，当前假车牌的辨别仍然主要依赖于执法人员的经验和肉眼识别，这种辨别模式耗人力、物力，且漏识率非常高。
中国专利“CN103632549A一种车牌真假智能识别方法”提供了一种车牌真假智能识别方法。此专利首先实时采集车辆信息；再通过web服务将所述车辆信息推送至特征对比数据库并与特征模板数据库中所存储的车辆信息进行特征比对，以得到比对结果，并推送至客户端；最后，在客户端中进行人工二次审核，以提取出包含假车牌的车辆信息。其需要将采集到的车辆信息联网与数据库中的信息进行比对，一方面，需采集到的车辆特征较多、计算复杂，另一方面，比对过程依赖于数据库、并对网络传输要求较高。
文献“周芳芹,汤剑.基于Matlab的真伪车牌识别系统的研究[J].科技创新与应用,2018(11):50-51”提出了一种基于Matlab的真伪车牌识别系统。该系统根据真车牌表面经过特殊处理具有在太阳光直射下不反光，而在灯光直射下会反光的特点，通过压力感应车辆经过，闪光灯拍摄，图片预处理，图像亮度分析四个步骤来实现快速辨别真伪车牌。其需要在路面下方设置感应线，应用场景受限，同时该识别结果易受光线影响，易出现漏识、误识现象。
发明内容
本发明要解决的技术问题是提供一种基于图像的真假车牌判别方法，其能够仅凭车牌图像判别车牌的真假，无需联网与数据库对比，应用场景广泛，断定准确。
为了解决上述技术问题，本发明提供了一种基于图像的真假车牌判别方法，包括以下步骤：
S1，提取字符ID：
对车牌图像进行识别，获取车牌号码，并从中提取需要比对的各个字符ID；
S2，定位关键字符：
根据字符ID，获取车牌号码中的关键字符图像，实现关键字符的定位；
S3，定位控制点：
将关键字符图像中的控制点的坐标xi和其基准图像中预先设定的控制点的坐标x′i一一对应起来，其表示为：
其中1≤i≤n，n为控制点的数量，且为大于0的自然数；
S4，关键字符图像校正：
利用得到的控制点坐标的对应关系采用射影变换的方法对关键字符图像进行几何校正；
S5，关键字符图像比对：
将校正后的关键字符图像与基准图像进行比对，若无差异，则为真字符，从而判定对应车牌为真车牌；否则，则判定车牌为假车牌。
作为优选的，步骤S5中的比对和判别方法包括以下步骤：
S50，对关键字符图像和基准图像分别作二值化处理；
S51，将二值化处理后的两张图像作逐像素的异或运算，获得差异图像；
S52，将二值化处理后的基准图像作膨胀运算，将膨胀运算获得的图像作为感兴趣区域的掩模；
S53，利用掩模对差异图像作开运算，若得到的图像的所有灰度值均为0，则判定关键字符图像和基准图像无差异，为真字符，从而判定对应车牌为真车牌；若得到的图像存在非0的灰度值，则判定关键字符图像和基准图像有差异，为假字符，从而判定对应车牌为假车牌。
作为优选的，步骤S2中关键字符的定位方法包括以下步骤：
S20，对字符ID进行二值化；
S21，采用形态学变换和连通域分析提取车牌的精确图像；
S22，采用连通域分析获取对应的关键字符图像。
作为优选的，步骤S20中对字符ID进行二值化的方法采用K-Means算法。
作为优选的，步骤S4中关键字符图像的校正方法包括以下步骤：
S40，剔除控制点对应过程中的离群值；
S41，采用最小二乘法确定变换模型；
S42，使用此模型进行图像校正。
作为优选的，步骤S40中剔除控制点对应过程中的离群值的方法采用RANSAC算法。
作为优选的，步骤S3中采用卷积回归网络对控制点进行定位。
作为优选的，步骤S3中定位模型的训练集采用基于少量已标注的关键字符图像生成的训练集。
作为优选的，步骤S1中提取字符ID的工具为无切割的不定长的识别网络CRNN。
作为优选的，步骤S1中提取字符的训练模型为CCPD-Base。
与现有技术相比，本发明的有益效果是：
1、本发明构建的车牌真假判别方法，从真假车牌在字体上的差异性出发，相较于其他基于颜色或者数据库比对的方法来说，对设备没有特殊的要求，应用范围更加广泛。
2、本发明的判别系统基于少量真实数据即可完成构建，且对假车牌的识别快速、准确。
3、本发明构建了一种基于图像的真假车牌判别系统，只需拍摄车牌照片，即可判别车牌的真假，能够为交通执法与维护社会秩序带来极大便利。
附图说明
为了更清楚的说明本发明实施例技术中的技术方案，下面将对实施例技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还能够根据这些附图获得其他的附图。
图1为本发明的流程图。
具体实施方式
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。基于本实用型中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
参照图1所示，本发明公开了一种基于图像的真假车牌判别方法，包括以下步骤：
S1，提取字符ID：
对车牌图像进行识别，获取车牌号码，并从中提取需要比对的各个字符ID；
S2，定位关键字符：
根据字符ID，获取车牌号码中的关键字符图像，实现关键字符的定位；
S3，定位控制点：
将关键字符图像中的控制点的坐标xi和其基准图像中预先设定的控制点的坐标x′i一一对应起来，其表示为：
其中1≤i≤n，n为控制点的数量，且为大于0的自然数，对于不同的关键字符图像，其控制点数和定位模型不同；
S4，关键字符图像校正：
利用得到的控制点坐标的对应关系采用射影变换的方法对关键字符图像进行几何校正；
S5，关键字符图像比对：
将校正后的关键字符图像与基准图像进行比对，若无差异，则为真字符，从而判定对应车牌为真车牌；否则，则判定车牌为假车牌。
作为本发明的进一步改进，上述步骤S1中采用无切割的不定长的识别网络CRNN提取字符ID，其模型在CCPD-Base数据集上训练。
作为本发明的进一步改进，上述步骤S2中关键字符的定位方法包括以下步骤：
S20，运用K-Means算法实现字符ID的二值化；
S21，采用形态学变换和连通域分析提取车牌的精确图像；
S22，采用连通域分析获取对应的关键字符图像。
作为本发明的进一步改进，上述步骤S3中采用卷积回归网络对控制点进行定位。
作为本发明的进一步改进，上述步骤S3中定位模型的训练集采用基于少量已标注的关键字符图像生成的训练集。其定位模型的训练仅需非常少量的标注样本即可完成，模型训练简单。
作为本发明的进一步改进，上述步骤S4中关键字符图像的校正方法包括以下步骤：
S40，采用RANSAC算法剔除控制点对应过程中的离群值；
S41，采用最小二乘法确定变换模型；
S42，使用此模型进行图像校正。
作为本发明的进一步改进，上述步骤S5中的比对和判别方法包括以下步骤：
S50，对关键字符图像和基准图像分别作二值化处理；
S51，将二值化处理后的两张图像作逐像素的异或运算，获得差异图像；
S52，将二值化处理后的基准图像作膨胀运算，将膨胀运算获得的图像作为感兴趣区域的掩模；
S53，利用掩模对差异图像作开运算，若得到的图像的所有灰度值均为0，则判定关键字符图像和基准图像无差异，为真字符，从而判定对应车牌为真车牌；若得到的图像存在非0的灰度值，则判定关键字符图像和基准图像有差异，为假字符，从而判定对应车牌为假车牌。
工作原理：
首先对车牌进行识别，得到车牌号码及关键字符ID，再提取出关键字符图像，利用卷积回归网络定位图像中的控制点坐标，由此对关键字符图像进行自动化校正，最后将校正后的图像与基准图像基于形态学变换作比对，完成车牌的真假判别。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理能够在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖点相一致的最宽的范围。

Claims (10)

1.一种基于图像的真假车牌判别方法，其特征在于，包括以下步骤：
S1，提取字符ID：
对车牌图像进行识别，获取车牌号码，并从中提取需要比对的各个字符ID；
S2，定位关键字符：
根据字符ID，获取车牌号码中的关键字符图像，实现关键字符的定位；
S3，定位控制点：
将关键字符图像中的控制点的坐标xi和其基准图像中预先设定的控制点的坐标x′i一一对应起来，其表示为：
其中1≤i≤n，n为控制点的数量，且为大于0的自然数；
S4，关键字符图像校正：
利用得到的控制点坐标的对应关系采用射影变换的方法对关键字符图像进行几何校正；
S5，关键字符图像比对：
将校正后的关键字符图像与基准图像进行比对，若无差异，则为真字符，从而判定对应车牌为真车牌；否则，则判定车牌为假车牌。
2.如权利要求1所述的基于图像的真假车牌判别方法，其特征在于，步骤S5中的比对和判别方法包括以下步骤：
S50，对关键字符图像和基准图像分别作二值化处理；
S51，将二值化处理后的两张图像作逐像素的异或运算，获得差异图像；
S52，将二值化处理后的基准图像作膨胀运算，将膨胀运算获得的图像作为感兴趣区域的掩模；
S53，利用掩模对差异图像作开运算，若得到的图像的所有灰度值均为0，则判定关键字符图像和基准图像无差异，为真字符，从而判定对应车牌为真车牌；若得到的图像存在非0的灰度值，则判定关键字符图像和基准图像有差异，为假字符，从而判定对应车牌为假车牌。
3.如权利要求1所述的基于图像的真假车牌判别方法，其特征在于，步骤S2中关键字符的定位方法包括以下步骤：
S20，对字符ID进行二值化；
S21，采用形态学变换和连通域分析提取车牌的精确图像；
S22，采用连通域分析获取对应的关键字符图像。
4.如权利要求3所述的基于图像的真假车牌判别方法，其特征在于，步骤S20中对字符ID进行二值化的方法采用K-Means算法。
5.如权利要求1所述的基于图像的真假车牌判别方法，其特征在于，步骤S4中关键字符图像的校正方法包括以下步骤：
S40，剔除控制点对应过程中的离群值；
S41，采用最小二乘法确定变换模型；
S42，使用此模型进行图像校正。
6.如权利要求5所述的基于图像的真假车牌判别方法，其特征在于，步骤S40中剔除控制点对应过程中的离群值的方法采用RANSAC算法。
7.如权利要求1所述的基于图像的真假车牌判别方法，其特征在于，步骤S3中采用卷积回归网络对控制点进行定位。
8.如权利要求7所述的基于图像的真假车牌判别方法，其特征在于，步骤S3中定位模型的训练集采用基于少量已标注的关键字符图像生成的训练集。
9.如权利要求1所述的基于图像的真假车牌判别方法，其特征在于，步骤S1中提取字符ID的工具为无切割的不定长的识别网络CRNN。
10.如权利要求9所述的基于图像的真假车牌判别方法，其特征在于，步骤S1中提取字符的训练模型为CCPD-Base。
CN201910322821.XA 2019-04-22 2019-04-22 一种基于图像的真假车牌判别方法 Pending CN110097052A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910322821.XA CN110097052A (zh) 2019-04-22 2019-04-22 一种基于图像的真假车牌判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910322821.XA CN110097052A (zh) 2019-04-22 2019-04-22 一种基于图像的真假车牌判别方法

Publications (1)

Publication Number Publication Date
CN110097052A true CN110097052A (zh) 2019-08-06

Family

ID=67445470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910322821.XA Pending CN110097052A (zh) 2019-04-22 2019-04-22 一种基于图像的真假车牌判别方法

Country Status (1)

Country Link
CN (1) CN110097052A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308067A (zh) * 2020-10-27 2021-02-02 北京字节跳动网络技术有限公司 一种图像处理方法、装置、电子设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509091A (zh) * 2011-11-29 2012-06-20 北京航空航天大学 一种飞机尾号识别方法
US20130170711A1 (en) * 2012-01-04 2013-07-04 Cyclops Technologies, Inc. Edge detection image capture and recognition system
CN103198315A (zh) * 2013-04-17 2013-07-10 南京理工大学 基于字符轮廓和模板匹配的车牌字符分割算法
CN105374105A (zh) * 2015-10-16 2016-03-02 浙江依特诺科技股份有限公司 一种用于移动终端鉴别纸币真伪的方法
CN106033592A (zh) * 2015-03-11 2016-10-19 株式会社理光 原稿的复制件矫正方法、原稿提供装置、复制件矫正装置以及原稿的复制件矫正系统
CN106874968A (zh) * 2016-12-21 2017-06-20 江苏国光信息产业股份有限公司 一种高效鲁棒的二代身份证真伪鉴别方法
CN108648197A (zh) * 2018-04-12 2018-10-12 天津大学 一种基于图像背景掩膜的目标候选区域提取方法
CN109583442A (zh) * 2018-11-07 2019-04-05 北京智芯原动科技有限公司 基于线段检测的虚假车牌检测方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509091A (zh) * 2011-11-29 2012-06-20 北京航空航天大学 一种飞机尾号识别方法
US20130170711A1 (en) * 2012-01-04 2013-07-04 Cyclops Technologies, Inc. Edge detection image capture and recognition system
CN103198315A (zh) * 2013-04-17 2013-07-10 南京理工大学 基于字符轮廓和模板匹配的车牌字符分割算法
CN106033592A (zh) * 2015-03-11 2016-10-19 株式会社理光 原稿的复制件矫正方法、原稿提供装置、复制件矫正装置以及原稿的复制件矫正系统
CN105374105A (zh) * 2015-10-16 2016-03-02 浙江依特诺科技股份有限公司 一种用于移动终端鉴别纸币真伪的方法
CN106874968A (zh) * 2016-12-21 2017-06-20 江苏国光信息产业股份有限公司 一种高效鲁棒的二代身份证真伪鉴别方法
CN108648197A (zh) * 2018-04-12 2018-10-12 天津大学 一种基于图像背景掩膜的目标候选区域提取方法
CN109583442A (zh) * 2018-11-07 2019-04-05 北京智芯原动科技有限公司 基于线段检测的虚假车牌检测方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
周芳芹: "基于Matlab的真伪车牌识别系统的研究", 《科技创新与应用》 *
袁媛: "车牌真假判别系统的研究", 《中国优秀硕士学位论文全文数据库》 *
迟晓君: "基于投影特征值的车牌字符分割算法", 《计算机应用研究》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308067A (zh) * 2020-10-27 2021-02-02 北京字节跳动网络技术有限公司 一种图像处理方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN106991462B (zh) 三维码生成方法
CN110414519A (zh) 一种图片文字的识别方法及其识别装置
CN109117885B (zh) 一种基于深度学习的邮票识别方法
CN107292307B (zh) 一种倒置汉字验证码自动识别方法及系统
CN102722733A (zh) 一种车牌类型的识别方法及装置
Tan et al. Legitimate adversarial patches: Evading human eyes and detection models in the physical world
CN109871845B (zh) 证件图像提取方法及终端设备
CN103544484A (zh) 一种基于surf的交通标志识别方法及系统
CN112101349A (zh) 一种车牌样本生成方法及装置
CN112966685B (zh) 用于场景文本识别的攻击网络训练方法、装置及相关设备
CN109815948B (zh) 一种复杂场景下的试卷分割算法
CN110807485B (zh) 基于高分遥感影像二分类语义分割图融合成多分类语义图的方法
CN108268527A (zh) 一种检测土地利用类型变化的方法
CN113505854A (zh) 一种人脸图像质量评价模型构建方法、装置、设备及介质
CN105426847A (zh) 低质量自然光虹膜图像非线性增强方法
CN108537223A (zh) 一种车牌检测方法、系统及设备和存储介质
CN110097052A (zh) 一种基于图像的真假车牌判别方法
CN108182691A (zh) 识别限速标志的方法、装置及车辆
CN108229273A (zh) 多层神经网络模型训练、道路特征识别的方法和装置
CN107369086A (zh) 一种身份证打码系统及方法
CN105069455B (zh) 一种发票公章过滤的方法及装置
Chen et al. Box-and-ellipse-based ANFIS for bridge coating assessment
CN104182882A (zh) 一种产品数字水印防伪防窜货系统及其应用方法
CN107729970A (zh) 一种与二维码具有相同存储信息的图像的生成方法及装置
CN107506767A (zh) 一种图片内数字粘连识别的方法和装置

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
TA01 Transfer of patent application right

Effective date of registration: 20211105

Address after: 230000 room 611-58, R & D center building, China (Hefei) international intelligent voice Industrial Park, 3333 Xiyou Road, high tech Zone, Hefei, Anhui Province

Applicant after: Hefei haisai Information Technology Co.,Ltd.

Address before: 215000 room 2810, Zhongxin building, building 1, No. 15, Yueliangwan Road, Suzhou Industrial Park, Jiangsu Province

Applicant before: Suzhou Haisai Artificial Intelligence Co.,Ltd.

TA01 Transfer of patent application right
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190806

WD01 Invention patent application deemed withdrawn after publication