CN110533039A

CN110533039A - 一种车牌的真伪检测方法、装置及设备

Info

Publication number: CN110533039A
Application number: CN201910834136.5A
Authority: CN
Inventors: 唐健; 张彦彬; 王浩; 罗杰
Original assignee: Shenzhen Jieshun Science and Technology Industry Co Ltd
Current assignee: Shenzhen Jieshun Science and Technology Industry Co Ltd
Priority date: 2019-09-04
Filing date: 2019-09-04
Publication date: 2019-12-03
Anticipated expiration: 2039-09-04
Also published as: CN110533039B

Abstract

本申请公开了一种车牌的真伪检测方法、装置、设备及可读存储介质，方案包括：获取原始图像，确定原始图像中的车头区域图像；提取车头区域图像的LBP纹理特征向量；根据LBP纹理特征向量，利用LDA分类模型对原始图像中的车牌进行真伪分类，得到原始图像中车牌的真伪检测结果。可见，该方案利用LDA分类模型对车牌的真伪进行检测，其中LDA分类模型具备计算量小，计算速度快的特点，且能够处理大量的矩阵运算，具备良好的拟合能力，因此，该方案在对车牌的真伪检测过程中，具备检测速度快，检测准确性高的特点。

Description

一种车牌的真伪检测方法、装置及设备

技术领域

本申请涉及计算机技术领域，特别涉及一种车牌的真伪检测方法、装置、设备及可读存储介质。

背景技术

各式各样的车牌造假现象一直屡见不鲜，这种现象对停车场车辆管理有着严重的负面影响。例如，一些恶意用户盗用月租卡用户的车牌图片以逃避缴纳停车费，当车辆行驶至停车场出入口时，通过手机事先拍摄好的车牌图片，在车牌识别装置前晃动，可触发系统打开道闸，从而达到逃费目的。

因此，在停车场出入口场景下，车牌真伪检测方案十分必要。可靠的车车牌真伪检测方案首先不能影响道闸的开启速度，同时要需要保证真伪车牌的检测准确率，也就是说需要保证检测的实时性和准确性，否则会给用户带来很差的体验。

传统方案包括一直基于运动轨迹的车牌真伪检测方案，然而，在停车场出入口场景下形成的运动轨迹往往不完整，此外，不同情形下车辆的运动方向也各不相同，因此，基于运动轨迹的车牌真伪检测方案难以满足当前需求。

可见，如何提供一种真伪车牌的检测方法，在保证检测实时性的同时保证检测的准确性，是亟待本领域技术人员解决的问题。

发明内容

本申请的目的是提供一种车牌的真伪检测方法、装置、设备及可读存储介质，用以解决传统方案的检测速率较慢，检测准确性较低，导致用户体验较差的问题。具体方案如下：

第一方面，本申请提供了一种车牌的真伪检测方法，包括：

获取原始图像，确定所述原始图像中的车头区域图像；

提取所述车头区域图像的LBP纹理特征向量；

根据所述LBP纹理特征向量，利用LDA分类模型对所述原始图像中的车牌进行真伪分类，得到所述原始图像中车牌的真伪检测结果。

优选的，所述确定所述原始图像中的车头区域图像，包括：

对所述原始图像进行目标检测，确定所述原始图像中车牌位置处的矩形检测框；

将所述矩形检测框按照预设比例进行扩展，以确定所述原始图像的车头区域；

根据扩展后的矩形检测框对所述原始图像进行裁剪，得到车头区域图像。

优选的，所述提取所述车头区域图像的LBP纹理特征向量，包括：

将所述车头区域图像划分为预设数量的子图像，得到子图像集合；

对于所述子图像集合中的各个子图像，根据所述子图像与相邻子图像的像素值的大小关系，确定所述子图像的LBP值；

根据所述LBP值，确定所述子图像的直方图；

根据所述子图像集合中各个子图像的直方图，确定所述车头区域图像的LBP纹理特征向量。

优选的，所述根据所述LBP纹理特征向量，利用LDA分类模型对所述原始图像中的车牌进行真伪分类，得到所述原始图像中车牌的真伪检测结果，包括：

对原始的LDA分类模型进行训练，以确定目标投影矩阵和目标阈值范围；

利用训练完成的LDA分类模型，根据所述LBP纹理特征向量和所述目标投影矩阵，确定投影值；并根据所述投影值和目标阈值区间，对所述原始图像中的车牌进行真伪分类，得到所述原始图像中车牌的真伪检测结果。

优选的，所述获取原始图像，包括：

获取视频采集装置采集得到的视频流数据，其中所述视频采集装置设置于停车场的出口或入口；

截取所述视频流数据的图像帧，以作为原始图像。

优选的，所述根据所述LBP纹理特征向量，利用LDA分类模型对所述原始图像中的车牌进行真伪分类，得到所述车牌的真伪检测结果，包括：

根据所述LBP纹理特征向量，利用LDA分类模型分别对所述视频流数据的多个原始图像中的车牌进行真伪分类，得到分类结果集合；

根据所述分类结果集合中真伪结果的比例，确定所述视频流数据中车牌的真伪检测结果。

针对所述视频流数据的多个原始图像，分别确定各个所述原始图像的车牌图像尺寸与前一原始图像的车牌图像尺寸之间的大小关系，得到大小关系集合；

根据所述分类结果集合、所述大小关系集合和预设规则，确定综合分类结果集合；其中，所述预设规则为：若所述原始图像的分类结果为真且所述大小关系为大于，则所述原始图像的综合分类结果为真，否则所述原始图像的综合分类结果为伪；

根据所述综合分类结果集合中真伪结果的比例，确定所述视频流数据中车牌的真伪检测结果。

第二方面，本申请提供了一种车牌的真伪检测装置，包括：

车头区域图像确定模块：用于获取原始图像，确定所述原始图像中的车头区域图像；

特征向量提取模块：用于提取所述车头区域图像的LBP纹理特征向量；

真伪检测模块：用于根据所述LBP纹理特征向量，利用LDA分类模型对所述原始图像中的车牌进行真伪分类，得到所述原始图像中车牌的真伪检测结果。

第三方面，本申请提供了一种车牌的真伪检测设备，包括：

存储器：用于存储计算机程序；

处理器：用于执行所述计算机程序，以实现如上所述的一种车牌的真伪检测方法的步骤。

第四方面，本申请提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上所述的一种车牌的真伪检测方法的步骤。

本申请所提供的一种车牌的真伪检测方法、装置、设备及可读存储介质，方案包括：获取原始图像，确定原始图像中的车头区域图像；提取车头区域图像的LBP纹理特征向量；根据LBP纹理特征向量，利用LDA分类模型对原始图像中的车牌进行真伪分类，得到原始图像中车牌的真伪检测结果。

可见，该方案利用LDA分类模型对车牌的真伪进行检测，其中LDA分类模型具备计算量小，计算速度快的特点，且能够处理大量的矩阵运算，具备良好的拟合能力，因此，该方案在对车牌的真伪检测过程中，具备检测速度快，检测准确性高的特点。

附图说明

为了更清楚的说明本申请实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本申请所提供的一种车牌的真伪检测方法实施例一的实现流程图；

图2为本申请所提供的一种车牌的真伪检测方法实施例二的实现流程图；

图3为本申请所提供的一种车牌的真伪检测方法实施例二中S203的实现流程图；

图4为本申请所提供的一种车牌的真伪检测方法实施例二中S204的实现流程图；

图5为本申请所提供的一种车牌的真伪检测方法实施例二中S205的实现流程图；

图6为本申请所提供的一种车牌的真伪检测方法实施例二中S206的实现流程图；

图7为本申请所提供的一种车牌的真伪检测装置实施例的功能框图；

图8为本申请所提供的一种车牌的真伪检测设备实施例的结构示意图。

具体实施方式

本申请的核心是提供一种车牌的真伪检测方法、装置、设备及可读存储介质，有效提升了检测的速率和准确性。

为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。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。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。

下面对本申请提供的一种车牌的真伪检测方法实施例一进行介绍，参见图1，实施例一包括：

S101、获取原始图像，确定所述原始图像中的车头区域图像；

S102、提取所述车头区域图像的LBP纹理特征向量；

S103、根据所述LBP纹理特征向量，利用LDA分类模型对所述原始图像中的车牌进行真伪分类，得到所述原始图像中车牌的真伪检测结果。

具体的，设置于停车场出库或入口的视频采集装置对来往的车辆进行视频采集，得到视频流数据，本实施例中的原始图像为对该视频流数据进行截取得到的图像帧。

考虑到在停车场的出入口的情境下，伪车牌往往是通过非法用户手持的方式展示在视频采集装置前方，因此，在对车牌进行真伪检测时，仅仅依据车牌部位的图像进行检测可能无法得到准确的检测结果。针对该问题，且为了保证检测的效率，本实施例根据车头部位的图像对车牌进行真伪检测，即上述车头区域图像。具体的，本实施例在获取到原始图像之后，首先对原始图像进行识别，确定原始图像中车头所在区域，据此得到车头区域图像，本实施例的后续真伪检测过程基于该车头区域图像实现。

本实施例在得到车头区域图像之后，会提取所述车头区域图像的LBP纹理特征向量，后续过程中依据该特征向量进行车牌的真伪分类。其中LBP(Local Binary Pattern，局部二值模式)是一种用来描述图像局部纹理特征的算子，具有旋转不变性和灰度不变性的特点，主要用于提取图像的局部的纹理特征。

LDA(Linear Discriminant Analysis)是机器学习中线性分类模，本实施例中的LDA分类模型主要用于根据车头区域图像对车牌进行真伪分类。具体过程包括：对原始的LDA分类模型进行训练，以确定目标投影矩阵和目标阈值范围；利用训练完成的LDA分类模型，根据LBP纹理特征向量和目标投影矩阵，确定投影值；并根据投影值和目标阈值区间，对原始图像中的车牌进行真伪分类，得到原始图像中车牌的真伪检测结果。

本实施例所提供一种车牌的真伪检测方法，包括：获取原始图像，确定原始图像中的车头区域图像；提取车头区域图像的LBP纹理特征向量；根据LBP纹理特征向量，利用LDA分类模型对原始图像中的车牌进行真伪分类，得到原始图像中车牌的真伪检测结果。可见，该方案利用LDA分类模型对车牌的真伪进行检测，其中LDA分类模型具备计算量小，计算速度快的特点，且能够处理大量的矩阵运算，具备良好的拟合能力，因此，该方案在对车牌的真伪检测过程中，具备检测速度快，检测准确性高的特点

下面开始详细介绍本申请提供的一种车牌的真伪检测方法实施例二，实施例二基于上述实施例一实现，并正在实施例一的基础上进行了一定程度上的拓展。

具体的，实施例二依据视频流数据中多个图像帧的真伪检测结果，确定该视频流数据中车牌的真伪检测结果。参见图2，实施例二具体包括：

S201、获取视频采集装置采集得到的视频流数据，其中所述视频采集装置设置于停车场的出口或入口；

S202、截取视频流数据的多个图像帧，得到多个原始图像；

S203、确定各个原始图像中的车头区域图像；

S204、提取各个车头区域图像的LBP纹理特征向量；

S205、根据所述LBP纹理特征向量，利用LDA分类模型分别对所述视频流数据的多个原始图像中的车牌进行真伪分类，得到分类结果集合；

S206、根据所述分类结果集合中真伪结果的比例，确定所述视频流数据中车牌的真伪检测结果。

如上所述，本实施例根据视频流数据中多个图像帧的真伪检测结果确定最终的车牌真伪检测结果。作为一种具体的实施方式，预先设置一个比例阈值，在对各个图像帧进行真伪分类，得到分类结果集合，当分类结果集合中分类结果为伪的比例超过上述比例阈值的时候，则判定该车牌为伪车牌，否则，判定该车位为真车牌。

具体的，参见图3，实施例二中的S203具体包括以下步骤：

S301、对所述原始图像进行目标检测，确定所述原始图像中车牌位置处的矩形检测框；

S302、将所述矩形检测框按照预设比例进行扩展，以确定所述原始图像的车头区域；

S303、根据扩展后的矩形检测框对所述原始图像进行裁剪，得到车头区域图像。

上述预设比例具体指车牌与车头的大小比例，作为一种具体的实施方式，上述预设比例可以设置为1:3。

具体的，参见图4，实施例二中的S204具体包括以下步骤：

S401、将所述车头区域图像划分为预设数量的子图像，得到子图像集合；

S402、对于所述子图像集合中的各个子图像，根据所述子图像与相邻子图像的像素值的大小关系，确定所述子图像的LBP值；

S403、根据所述LBP值，确定所述子图像的直方图；

S404、根据所述子图像集合中各个子图像的直方图，确定所述车头区域图像的LBP纹理特征向量。

图像中的纹理特征描述的是像素之间的灰度关系，而LBP特征反映的是像素间的变化关系，这种特征对光照不敏感，并且运算速度快。本实施例中，LBP算子定义为：在3×3的窗口内，设窗口中心像素为阈值V_t，将其周围相邻8个像素的灰度值与中心像素值进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，该窗口内经过比较后可产生8位二进制LBP码，将其转换为十进制数便可得到即该窗口的LBP值。由于LBP特征描述的是像素点间的变化关系，只要原像素值变化维持原大小关系，LBP特征便维持不变，在一定程度上有效解决了光照对目标区域的影响。

在生成LBP特征时，本实施例不会之间将整个车头区域图像转成LBP图谱作为特征来分类，而是将车头区域图像分割成若干个子图像，然后对每个子图像统计直方图，使用直方图作为分类的依据可避免因为车头外扩区域的不一致而产生较大误差，最终将所有直方图组合在一起来表示当前车头区域图像的LBP纹理特征向量。

作为一种具体的实施方式，本实施例将车头区域图像划分为8×8个子图像，相应的，最终得到与车头区域图像对应的一个1×3712维的LBP纹理特征向量，在后续过程中用LDA分类模型对其分类。

具体的，参见图5，实施例二中的S205具体包括以下步骤：

S501、对原始的LDA分类模型进行训练，以确定目标投影矩阵和目标阈值范围；

S502、利用训练完成的LDA分类模型，根据所述LBP纹理特征向量和所述目标投影矩阵，确定投影值；并根据所述投影值和目标阈值区间，对所述原始图像中的车牌进行真伪分类，得到所述原始图像中车牌的真伪检测结果。

如上所述，首先训练LDA分类模型，当车牌真伪检测主要用于月卡用户时，训练样本可以设置如下：正样本主要包括蓝牌、新能源、港澳牌及少部分黄牌车头，共计2万余张；负样本包括手机中采集的车头及车牌图像，共计5万余张，正负样本大小均为64*64。

在训练过程中，将每个图像划分为8*8个子图像，得到每个图像对应的一个1*3712维的LBP纹理特征向量，对所有正样本和负样本训练后得到目标投影矩阵和目标阈值区间。本实施例中，该目标投影矩阵为一个3712*1维的矩阵，假设该阈值区间为(-4.12，0.74)。使用LDA分类模型对样本进行判别，用样本的LBP纹理特征向量与目标投影矩阵做内积得到一个投影值，若该投影值距离-4.12更近，则认为是正样本，反之认为是负样本。

LDA的思想非常简单，主要为：对给定的训练数据集，设法将所有样例投影通过投影矩阵W，其投影到一条直线上，设该直线表达式为：

y＝W^Tx (1)

投影后使同类样本的投影点尽可能接近、异类样本的投影点尽可能远离。在对新样本分类时，通过投影矩阵将其同样的投影到直线y上，再根据投影点的位置来确定该样本的类别。

给定训练数据集D＝{(x_i,y_i)},y_i∈{0,1},i＝1,2…N，x_i表示第i个样本，y_i为该样本的标签。将所有数据投影在直线y上，则两类样本的中心在投影直线上分别为W^Tμ₀和W^Tμ₁，两类样本在投影直线上的方差分别为W^T∑₀W和W^T∑₁W，其中μi、∑i分别表示第i类样本的均值向量和协方差矩阵。欲使同类样本的投影点尽可能接近，可以让同类样本投影点的协方差尽可能小，即W^T∑₀W+W^T∑₁W尽可能小；而不同类别的投影点尽可能远离，即它们的投影中心距离尽可能大，即尽可能大。若将两者同时考虑，可得最大化目标，目标函数如下：

本实施例中，定义类内散度矩阵和类间散度矩阵分别为：

S_b＝(x-μ₀)(x-μ₀)^T (4)

因此，上述式(2)可写为：

其中X_i为第i类样本的集合，由于上式分子与分母都是关于W的二次式，因此J的求解仅与W的方向有关，令W^TS_wW＝1，则式(5)转换为：

根据拉格朗日乘子法，上式(6)转换为：

S_bW＝λS_WW (7)

其中λ是拉格朗日乘子，由于S_bW的方向恒为μ₀-μ₁，因此，上式(7)可转换为：

S_bW＝λ(μ₀-μ₁) (8)

最终，对上式(8)进行变换，可以得到：

上式(9)中的W就是目标投影矩阵，根据目标投影矩阵以及线性变换公式y＝W^Tx，便可得到向量x对应的投影点。本实施例对训练集中的正样本和负样本训练后得到一个3712×1维的目标投影矩阵和一个目标阈值区间(a,b)。这样，在后续检测过程中，根据车头区域图像对应的LBP纹理特征向量与目标投影矩阵做内积便得到一个投影值，通过该值在目标阈值区间的大小便可判断该图像中的车牌是否为伪车牌。

作为一种优选的实施方式，参见图6，实施例二中的S206具体包括以下步骤：

S601、针对所述视频流数据的多个原始图像，分别确定各个所述原始图像的车牌图像尺寸与前一原始图像的车牌图像尺寸之间的大小关系，得到大小关系集合；

S602、根据所述分类结果集合、所述大小关系集合和预设规则，确定综合分类结果集合；其中，所述预设规则为：若所述原始图像的分类结果为真且所述大小关系为大于，则所述原始图像的综合分类结果为真，否则所述原始图像的综合分类结果为伪；

S603、根据所述综合分类结果集合中真伪结果的比例，确定所述视频流数据中车牌的真伪检测结果。

在停车场的出口或入口，视频采集装置负责采集来往车辆的视频，无论是在车辆进入停车场的情况下，还是在车辆离开停车场的情况下，车辆都是渐渐驶向视频采集装置的，因此，视频采集装置采集到的视频流数据中，相邻图像帧的车牌区域的尺寸应为逐渐变大的。而对于伪车牌，非法用户手持伪车牌展示的时候，往往车牌处于固定竖直平面上，不具备上述尺寸逐渐变大的特点。

基于此，如上所述，本实施例在对视频流数据中的车牌进行真伪检测时，不仅仅依据LDA分类模型的真伪分类结果，还考量车牌部位在相邻图像帧中的尺寸变化趋势。可以理解的是，本实施例不限定S601和S205的执行先后顺序，也就是不限定利用LDA分类模型对图像帧进行真伪分类，以及对图像帧中车牌区域大小检测的先后顺序。

综上，本实施例提供的一种车牌的真伪检测方法，在实施例一的基础上，基于多个图像帧的真伪分类结果确定最终的车牌真伪检测结果，显著提升了检测结果的可靠性。此外，作为优选的实施方式，在判断车牌真伪的时候，不仅依据LDA分类模型的真伪分类结果，还考量了相邻的图像帧中车牌区域的尺寸变化趋势，进一步提升了检测结果的可靠性和准确性。

下面对本申请实施例提供的一种车牌的真伪检测装置进行介绍，下文描述的一种车牌的真伪检测装置与上文描述的一种车牌的真伪检测方法可相互对应参照。

参见图7，该车牌的真伪检测装置包括：

车头区域图像确定模块701：用于获取原始图像，确定所述原始图像中的车头区域图像；

特征向量提取模块702：用于提取所述车头区域图像的LBP纹理特征向量；

真伪检测模块703：用于根据所述LBP纹理特征向量，利用LDA分类模型对所述原始图像中的车牌进行真伪分类，得到所述原始图像中车牌的真伪检测结果。

本实施例的车牌的真伪检测装置用于实现前述的车牌的真伪检测方法，因此该装置中的具体实施方式可见前文中的车牌的真伪检测方法的实施例部分，例如，车头区域图像确定模块701、特征向量提取模块702、真伪检测模块703，分别用于实现上述车牌的真伪检测方法中步骤S101，S102，S103。所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。

另外，由于本实施例的车牌的真伪检测装置用于实现前述的车牌的真伪检测方法，因此其作用与上述方法的作用相对应，这里不再赘述。

此外，本申请还提供了一种车牌的真伪检测设备，如图8所示，包括：

存储器100：用于存储计算机程序；

处理器200：用于执行所述计算机程序，以实现上所述的一种车牌的真伪检测方法的步骤。

最终，本申请提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上所述的一种车牌的真伪检测方法的步骤。

本实施例的车牌的真伪检测设备、可读存储介质用于实现前述的车牌的真伪检测方法，因此该设备、可读存储介质的具体实施方式可见前文中的车牌的真伪检测方法的实施例部分，且二者的作用与前述方法实施例的作用相对应，这里不再赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

以上对本申请所提供的方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims

1.一种车牌的真伪检测方法，其特征在于，包括：

获取原始图像，确定所述原始图像中的车头区域图像；

提取所述车头区域图像的LBP纹理特征向量；

2.如权利要求1所述的方法，其特征在于，所述确定所述原始图像中的车头区域图像，包括：

3.如权利要求1所述的方法，其特征在于，所述提取所述车头区域图像的LBP纹理特征向量，包括：

根据所述LBP值，确定所述子图像的直方图；

4.如权利要求1所述的方法，其特征在于，所述根据所述LBP纹理特征向量，利用LDA分类模型对所述原始图像中的车牌进行真伪分类，得到所述原始图像中车牌的真伪检测结果，包括：

5.如权利要求1所述的方法，其特征在于，所述获取原始图像，包括：

截取所述视频流数据的图像帧，以作为原始图像。

6.如权利要求5所述的方法，其特征在于，所述根据所述LBP纹理特征向量，利用LDA分类模型对所述原始图像中的车牌进行真伪分类，得到所述车牌的真伪检测结果，包括：

7.如权利要求5所述的方法，其特征在于，所述根据所述LBP纹理特征向量，利用LDA分类模型对所述原始图像中的车牌进行真伪分类，得到所述车牌的真伪检测结果，包括：

8.一种车牌的真伪检测装置，其特征在于，包括：

9.一种车牌的真伪检测设备，其特征在于，包括：

存储器：用于存储计算机程序；

处理器：用于执行所述计算机程序，以实现如权利要求1-7任意一项所述的一种车牌的真伪检测方法的步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如权利要求1-7任意一项所述的一种车牌的真伪检测方法的步骤。