CN110598701A - 车牌防伪方法、装置及电子设备 - Google Patents

车牌防伪方法、装置及电子设备 Download PDF

Info

Publication number
CN110598701A
CN110598701A CN201910877024.8A CN201910877024A CN110598701A CN 110598701 A CN110598701 A CN 110598701A CN 201910877024 A CN201910877024 A CN 201910877024A CN 110598701 A CN110598701 A CN 110598701A
Authority
CN
China
Prior art keywords
convolution
module
license plate
pooling
layer
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
CN201910877024.8A
Other languages
English (en)
Inventor
周庆标
李治农
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.)
ZKTeco Co Ltd
Original Assignee
ZKTeco 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 ZKTeco Co Ltd filed Critical ZKTeco Co Ltd
Priority to CN201910877024.8A priority Critical patent/CN110598701A/zh
Publication of CN110598701A publication Critical patent/CN110598701A/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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种车牌防伪方法、装置及电子设备，获取包括车牌区域以及所述车牌区域的周围区域的待识别图像，将待识别图像中的车牌区域填充为目标颜色，得到目标待识别图像；将目标待识别图像输入预先训练好的车牌防伪模型，得到表征车牌真假的识别结果，实现了对手机拍摄的车牌、纸质打印车牌、仿制车牌等虚假车牌的快速有效识别。

Description

车牌防伪方法、装置及电子设备
技术领域
本申请涉及信息处理技术领域，更具体地说，涉及一种车牌防伪方法、装置及电子设备。
背景技术
目前，汽车已经成为人们出行的重要交通工具之一。随着汽车数量的增多，为了保证人车安全，在一些场合(例如，停车场入口、小区入口等)需要对进出车辆进行控制，该控制通常是通过车牌识别来对车辆进行认证，只有认证通过时，才能对车辆进行放行。
然而，目前车牌识别方法对虚假车牌(如，手机拍摄的车牌、纸质打印车牌、仿制车牌等)的识别率较低，使得有些人为了自己的私人利益，会使用虚假车牌蒙混过关，对车辆管理造成不便。
因此，如何对虚假车牌进行识别成为亟待解决的技术问题。
发明内容
本申请的目的是提供一种车牌防伪方法、装置及电子设备，以至少部分的克服现有技术中存在的技术问题。
为实现上述目的，本申请提供了如下技术方案：
一种车牌防伪方法，包括：
获取待识别图像，所述待识别图像中包括车牌区域以及所述车牌区域的周围区域；
将所述车牌区域填充为目标颜色，得到目标待识别图像；
将所述目标待识别图像输入预先训练好的车牌防伪模型，得到表征车牌真假的识别结果。
上述方法，优选的，所述将所述车牌区域填充为目标颜色，包括：
将所述车牌区域填充为黑色。
上述方法，优选的，所述车牌防伪模型包括：
四个串联连接的第一卷积池化模块；每个所述第一卷积池化模块包括一卷积层和与该卷积层的输出端连接的池化层；
与所述四个串联连接的第一卷积池化模块的输出端连接的第一卷积模块；
与所述第一卷积模块的输出端连接的拼接模块，所述拼接模块用于将所述第一卷积模块的输出与所述四个串联连接的第一卷积池化模块中的目标池化层的输出进行拼接；
与所述拼接模块的输出端连接的第二卷积模块；
与所述第二卷积模块的输出端连接的第二卷积池化模块；
与所述第二卷积池化模块的输出端连接的预测模块。
上述方法，优选的，所述第一卷积池化模块中的池化层为最大池化层。
上述方法，优选的，所述第二卷积池化模块包括一卷积层和与该卷积层的输出端连接的均值池化层。
上述方法，优选的，所述第二卷积模块为卷积核大小为1*1的卷积层。
一种车牌防伪装置，包括：
获取模块，用于获取待识别图像，所述待识别图像中包括车牌区域以及所述车牌区域的周围区域；
填充模块，用于将所述车牌区域填充为目标颜色，得到目标待识别图像；
识别模块，用于将所述目标待识别图像输入预先训练好的车牌防伪模型，得到表征车牌真假的识别结果。
上述装置，优选的，所述填充模块具体用于：将将所述车牌区域填充为黑色。
上述装置，优选的，所述车牌防伪模型包括：
四个串联连接的第一卷积池化模块；每个所述第一卷积池化模块包括一卷积层和与该卷积层的输出端连接的池化层；
与所述四个串联连接的第一卷积池化模块的输出端连接的第一卷积模块；
与所述第一卷积模块的输出端连接的拼接模块，所述拼接模块用于将所述第一卷积模块的输出与所述四个串联连接的第一卷积池化模块中的目标池化层的输出进行拼接；
与所述拼接模块的输出端连接的第二卷积模块；
与所述第二卷积模块的输出端连接的第二卷积池化模块；
与所述第二卷积池化模块的输出端连接的预测模块。
一种电子设备，包括：
存储器，用存储程序指令；
处理器，用于执行所述程序指令，实现如上任一项所述的车牌防伪方法的各个步骤。
通过以上方案可知，本申请提供的一种车牌防伪方法、装置及电子设备，获取包括车牌区域以及所述车牌区域的周围区域的待识别图像，将待识别图像中的车牌区域填充为目标颜色，得到目标待识别图像；将目标待识别图像输入预先训练好的车牌防伪模型，得到表征车牌真假的识别结果，实现了手机拍摄的车牌、纸质打印车牌、仿制车牌等虚假车牌的快速有效地识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的车牌防伪方法的一种实现流程图；
图2为本申请实施例提供的车牌防伪模型的一种结构示意图；
图3为本申请实施例提供的车牌防伪装置的一种结构示意图；
图4为本申请实施例提供的电子设备的硬件结构框图的示例图。
说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的部分，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示的以外的顺序实施。
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、完整地描述，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。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动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。
请参阅图1，图1为本申请实施例提供的车牌防伪方法的一种实现流程图，可以包括：
步骤S11：获取待识别图像，该待识别图像中包括车牌区域以及车牌区域的周围区域。
该待识别图像可以是从实时拍摄的图像中截取得到的，也可以是从内存中读取的图像中截取到的，或者，是直接从内存中读取得到的(即，在拍摄得到图像后，从拍摄得到的图像中截取得到待识别图像并存储)。本申请实施例中，待识别图像中除了包括车牌区域外，还包括非车牌区域，即车牌区域的周围区域。
具体在截取时，可以先对图像进行车牌区域识别，然后根据识别到的车牌区域的宽、高，按照设定比例进行截取，例如，截取区域(即待识别图像)的宽度为识别到的车牌区域的宽度的a倍，而截取区域的高度为识别到的车牌区域的高度的b倍，a和b均为大于1的正数。其中，车牌区域识别的过程可以参看现有的一些成熟的技术，这里不再详述。
步骤S12：将待识别图像中的车牌区域填充为目标颜色，得到目标待识别图像。
发明人在实现本申请的过程中发现，虚假车牌一般为手机拍摄车牌、纸质打印车牌或者仿制车牌，其与真实车牌的在颜色、纹理上具有极为相似的特征，这种车牌区域特征的相似性会对车牌防伪产生干扰，为了屏蔽掉这种干扰，本申请实施例中对车牌区域进行填充，将其填充为目标颜色。该目标颜色可以为黑色，或者，可以为与黑色的灰度差小于阈值的灰度颜色。
优选的，由于黑色像素值为0，不会对网络特征提取产生干扰，因此将车牌区域填充为黑色。
步骤S13：将目标待识别图像输入预先训练好的车牌防伪模型，得到表征车牌真假的识别结果。
可选的，预先训练好的车牌防伪模型可以为卷积神经网络(ConvolutionalNeural Networks,CNN)。
本申请实施例提供的车牌防伪方法，获取包括车牌区域以及所述车牌区域的周围区域的待识别图像，将待识别图像中的车牌区域填充为目标颜色，得到目标待识别图像；将目标待识别图像输入预先训练好的车牌防伪模型，得到表征车牌真假的识别结果，实现了手机拍摄的车牌、纸质打印车牌、仿制车牌等虚假车牌的有效识别。
可选的，本申请实施例提供的车牌防伪模型的一种结构示意图如图2所示，可以包括：
四个第一卷积池化模块21，第一卷积模块22，拼接模块23，第二卷积模块24，第二卷积池化模块25和预测模块26；其中，
四个第一卷积池化模块21串联连接，每个第一卷积池化模块包括一卷积层和与该卷积层的输出端连接的池化层。也就是说，每个第一卷积池化模块的输入即为该第一卷积池化模块的卷积层的输入，该第一卷积池化模块的输出即为该第一卷积池化模块的池化层的输出。
图2所示实施例中，四个串联连接的第一卷积池化模块分别为：
包括卷积层conv1和池化层pool1的第一卷积池化模块；
包括卷积层conv2和池化层pool2的第一卷积池化模块；
包括卷积层conv3和池化层pool3的第一卷积池化模块；
包括卷积层conv4和池化层pool4的第一卷积池化模块；
其中，卷积层conv1、卷积层conv2、卷积层conv3和卷积层conv4四个卷积层的卷积核的大小相同，可选的，卷积核的大小为3*3；四个卷积层中卷积核的输出维度可以不同，可选的，卷积层conv1的卷积核的输出维度可以为8，卷积层conv2的卷积核的输出维度可以为16，卷积层conv3的卷积核的输出维度可以为32，卷积层conv4的卷积核的输出维度可以为64；池化层pool1、池化层pool2、池化层pool3和池化层pool4也相同，可选的，均为最大池化层。也就是说，四个第一卷积池化模块21中的卷积核的大小和池化层是相同的，而卷积核的输出维度是不同的。
第一卷积模块22与上述四个串联连接的第一卷积池化模块21的输出端连接，其中，四个串联连接的第一卷积池化模块21的输出端即为由该四个第一卷积池化模块21串联连接构成的整体的输出端，如图2所示，四个串联连接的第一卷积池化模块输出端即为与conv4的输出端连接的最大池化层pool4的输出端。
第一卷积模块22可以包括一个卷积层，图2所示实施例中，第一卷积模块22包括一个卷积层conv5。卷积层conv5的卷积核的大小为3*3，卷积核的输出维度为128，即卷积层conv5具有128个3*3的卷积核。
拼接模块23与第一卷积模块22的输出端和四个串联连接的第一卷积池化模块21中的目标池化层的输出端连接，该拼接模块23用于将第一卷积模块22的输出特征与四个串联连接的第一卷积池化模块中的目标池化层的输出特征进行拼接，得到高维度的特征。如图2所示，拼接模块23中可以包括一层拼接层concat。
该目标池化层为四个串联连接的第一卷积池化模块中的非最后一个池化层。即，该目标池化层为四个串联连接的第一卷积池化模块中的中间某一个最大池化层。图2所示示例中，目标池化层为与第二个卷积层conv2的输出端连接的最大池化层pool2。
本申请实施例中，通过将浅层的细粒度特征(即目标池化层输出的特征)与深层特征(即第一卷积模块22输出的特征)进行拼接，解决了单一的深层特征无法正确表达正负样本之间的差异的问题，提高了识别特征的鲁棒性。
第二卷积模块24与拼接模块23的输出端连接。可选的，该第二卷积模块24可以为一层具有较小卷积核的卷积层conv6，例如，该卷积层的卷积核的大小为1*1，卷积核的输出维度为128。
本申请实施例中，在特征拼接后面又增加了一层具有较小卷积核的卷积层，用于进行特征融合，一方面增加了网络的深度，另一方面对拼接的特征进行了特征融合并且降低了特征的输出维度。
第二卷积池化模块25与第二卷积模块24的输出端连接。
第二卷积池化模块25包括一卷积层conv7和与该卷积层的输出端连接的池化层pool5。
可选的，该第二卷积池化模块25中，卷积层conv7的卷积核大小为1*1，卷积核的输出维度为2，池化层可以为均值池化层。
预测模块26与第二卷积池化模块25的输出端连接。预测模块26可以基于softmax函数实现。
可选的，softmax函数可以为：
其中，P(y(i)＝j|x(i),θ)表示输入车牌防伪模型的第i个待识别图像为x(i)时，预测得到的第j种车牌识别结果为x(i)对应的真实识别结果y(i)的概率，第j种车牌识别结果为：车牌为真或车牌为假。θj为车牌防伪模型中与第j种分类标签对应的网络参数；θc为车牌防伪模型中与第c种分类标签对应的网络参数，n为所有分类标签的个数；T表示转置操作。
由于本申请中是识别车牌的真假，因此，预测结果只有两种：车牌为真或车牌为假。
假设预测结果为：车牌为真的概率为P1，车牌为假的概率为P2，如果P1大于P2，则可以确定待识别图像中的车牌为真，否则，说明待识别图像中的车牌为假。
本申请实施例提供的车牌防伪模型，对输入图像进行多次降采样(通过四个第一卷积池化模块中的最大池化层实现)，提高了识别特征的复杂度，并选取合适的更小的卷积核维度来提取网络特征，一方面降低了网络的计算量，另一方面也降低了网络的参数量，而网络的参数量决定了网络模型的大小，因此，本申请实施例提供的车牌防伪模型具有模型小的特点，同时由于计算量降低，该车牌防伪模型能够在嵌入式设备上实时运行。
在一可选的实施例中，训练车牌防伪模型所使用的训练样本均是从基于实际的应用场景拍摄的照片截取得到的，具体在截取时，可以根据照片中车牌区域的宽、高，按照设定比例进行截取，例如，截取区域的宽度为车牌区域的宽度的a倍，而截取区域的高度为车牌区域的高度的b倍，a和b均为大于的正数。
上述基于实际的应用场景拍摄的照片分为两类，一类为包含真实车牌的照片，另一类为包含虚假车牌的照片，这些包含虚假车牌的照片，可以包含如下几种：包含手机拍摄车牌的照片，包含纸质打印车牌的照片，包含仿制车牌的照片等。
将从包含真实车牌的照片中截取的图像标记为真实车牌，作为正样本，将从包含虚假车牌的照片中截取的图像标记为虚假车牌，作为负样本。
在训练过程中，训练车牌防伪模型所使用的损失函数L(θ)为：
其中，m为一次处理的样本数(本申请实施例中，车牌防伪模型可以一次处理多个样本)，x(i)为第i个样本，P(y(i)＝j|x(i),θ)为预测函数，表示输入为第i个样本时，预测得到的第j种车牌识别结果为x(i)对应的真实识别结果y(i)的概率，第j种车牌识别结果为：车牌为真或车牌为假。θ为车牌防伪模型中的网络参数。
sign(y(i)＝j)为符号函数：
如表1所示，为基于本申请实施例提供的车牌防伪模型的车牌防伪结果与基于LeNet网络的车牌防伪识别结果和基于AlexNet网络的车牌防伪识别结果的对比：
表1
网络 模型大小(MB) 识别率(％) 速度(fps)
LeNet 60 99.36 4
AlexNet 114 98.66 1
本申请 0.58 99.99 17
显然，基于本申请提供的车牌防伪模型，在模型大小、识别率和识别速度方面都优于其它网络。
与方法实施例相对应，本申请还提供一种车牌防伪装置，本申请提供的车牌防伪装置的一种结构示意图如图3所示，可以包括：
获取模块31，填充模块32和识别模块33；其中，
获取模块31用于获取待识别图像，所述待识别图像中包括车牌区域以及所述车牌区域的周围区域；
填充模块32用于将所述车牌区域填充为目标颜色，得到目标待识别图像；
识别模块33用于将所述目标待识别图像输入预先训练好的车牌防伪模型，得到表征车牌真假的识别结果。
本申请提供的车牌防伪装置，获取包括车牌区域以及所述车牌区域的周围区域的待识别图像，将待识别图像中的车牌区域填充为目标颜色，得到目标待识别图像；将目标待识别图像输入预先训练好的车牌防伪模型，得到表征车牌真假的识别结果，实现了手机拍摄的车牌、纸质打印车牌、仿制车牌等虚假车牌的有效识别。
在一可选的实施例中，填充模块32具体用于将所述车牌区域填充为黑色。
在一可选的实施例中，所述车牌防伪模型包括：
四个串联连接的第一卷积池化模块；每个所述第一卷积池化模块包括一卷积层和与该卷积层的输出端连接的池化层；
与所述四个串联连接的第一卷积池化模块的输出端连接的第一卷积模块；
与所述第一卷积模块的输出端连接的拼接模块，所述拼接模块用于将所述第一卷积模块的输出与所述四个串联连接的第一卷积池化模块中的目标池化层的输出进行拼接；
与所述拼接模块的输出端连接的第二卷积模块；
与所述第二卷积模块的输出端连接的第二卷积池化模块；
与所述第二卷积池化模块的输出端连接的预测模块。
在一可选的实施例中，所述第一卷积池化模块中的池化层为最大池化层。
在一可选的实施例中，所述第二卷积池化模块包括一卷积层和与该卷积层的输出端连接的均值池化层。
在一可选的实施例中，所述第二卷积模块为卷积核大小为1*1的卷积层。
本申请实施例还提供一种电子设备，该电子设备的硬件结构框图的示例图如图4所示，可以包括：
处理器1，通信接口2，存储器3和通信总线4；
其中处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
可选的，通信接口2可以为通信模块的接口，如GSM模块的接口；
处理器1可能是中央处理器CPU，或者是图形处理器GPU，或者是特定集成电路ASIC(Application Specific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。
其中，处理器1具体用于执行所述存储器3中存储的程序指令，实现如下步骤：
获取待识别图像，所述待识别图像中包括车牌区域以及所述车牌区域的周围区域；
将所述车牌区域填充为目标颜色，得到目标待识别图像；
将所述目标待识别图像输入预先训练好的车牌防伪模型，得到表征车牌真假的识别结果。
可选的，所述程序的细化功能和扩展功能可参照上文描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明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。
应当理解，本申请实施例中，从权、各个实施例、特征可以互相组合结合，都能实现解决前述技术问题。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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可以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特点相一致的最宽的范围。

Claims (10)

1.一种车牌防伪方法，其特征在于，包括：
获取待识别图像，所述待识别图像中包括车牌区域以及所述车牌区域的周围区域；
将所述车牌区域填充为目标颜色，得到目标待识别图像；
将所述目标待识别图像输入预先训练好的车牌防伪模型，得到表征车牌真假的识别结果。
2.根据权利要求1所述的方法，其特征在于，所述将所述车牌区域填充为目标颜色，包括：
将所述车牌区域填充为黑色。
3.根据权利要求1所述的方法，其特征在于，所述车牌防伪模型包括：
四个串联连接的第一卷积池化模块；每个所述第一卷积池化模块包括一卷积层和与该卷积层的输出端连接的池化层；
与所述四个串联连接的第一卷积池化模块的输出端连接的第一卷积模块；
与所述第一卷积模块的输出端连接的拼接模块，所述拼接模块用于将所述第一卷积模块的输出与所述四个串联连接的第一卷积池化模块中的目标池化层的输出进行拼接；
与所述拼接模块的输出端连接的第二卷积模块；
与所述第二卷积模块的输出端连接的第二卷积池化模块；
与所述第二卷积池化模块的输出端连接的预测模块。
4.根据权利要求3所述的方法，其特征在于，所述第一卷积池化模块中的池化层为最大池化层。
5.根据权利要求3所述的方法，其特征在于，所述第二卷积池化模块包括一卷积层和与该卷积层的输出端连接的均值池化层。
6.根据权利要求1所述的方法，其特征在于，所述第二卷积模块为卷积核大小为1*1的卷积层。
7.一种车牌防伪装置，其特征在于，包括：
获取模块，用于获取待识别图像，所述待识别图像中包括车牌区域以及所述车牌区域的周围区域；
填充模块，用于将所述车牌区域填充为目标颜色，得到目标待识别图像；
识别模块，用于将所述目标待识别图像输入预先训练好的车牌防伪模型，得到表征车牌真假的识别结果。
8.根据权利要求7所述的装置，其特征在于，所述填充模块具体用于：将将所述车牌区域填充为黑色。
9.根据权利要求7所述的装置，其特征在于，所述车牌防伪模型包括：
四个串联连接的第一卷积池化模块；每个所述第一卷积池化模块包括一卷积层和与该卷积层的输出端连接的池化层；
与所述四个串联连接的第一卷积池化模块的输出端连接的第一卷积模块；
与所述第一卷积模块的输出端连接的拼接模块，所述拼接模块用于将所述第一卷积模块的输出与所述四个串联连接的第一卷积池化模块中的目标池化层的输出进行拼接；
与所述拼接模块的输出端连接的第二卷积模块；
与所述第二卷积模块的输出端连接的第二卷积池化模块；
与所述第二卷积池化模块的输出端连接的预测模块。
10.一种电子设备，其特征在于，包括：
存储器，用存储程序指令；
处理器，用于执行所述程序指令，实现如权利要求1-6中任一项所述的车牌防伪方法的各个步骤。
CN201910877024.8A 2019-09-17 2019-09-17 车牌防伪方法、装置及电子设备 Pending CN110598701A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910877024.8A CN110598701A (zh) 2019-09-17 2019-09-17 车牌防伪方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910877024.8A CN110598701A (zh) 2019-09-17 2019-09-17 车牌防伪方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN110598701A true CN110598701A (zh) 2019-12-20

Family

ID=68860192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910877024.8A Pending CN110598701A (zh) 2019-09-17 2019-09-17 车牌防伪方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN110598701A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI789830B (zh) * 2021-07-15 2023-01-11 台灣車輛充電股份有限公司 停車場系統之車牌辨識裝置及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506763A (zh) * 2017-09-05 2017-12-22 武汉大学 一种基于卷积神经网络的多尺度车牌精准定位方法
CN107688784A (zh) * 2017-08-23 2018-02-13 福建六壬网安股份有限公司 一种基于深层特征和浅层特征融合的字符识别方法及存储介质
CN109815881A (zh) * 2019-01-18 2019-05-28 成都旷视金智科技有限公司 行为识别模型的训练方法、行为识别方法、装置及设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107688784A (zh) * 2017-08-23 2018-02-13 福建六壬网安股份有限公司 一种基于深层特征和浅层特征融合的字符识别方法及存储介质
CN107506763A (zh) * 2017-09-05 2017-12-22 武汉大学 一种基于卷积神经网络的多尺度车牌精准定位方法
CN109815881A (zh) * 2019-01-18 2019-05-28 成都旷视金智科技有限公司 行为识别模型的训练方法、行为识别方法、装置及设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张文超等: "多级细粒度特征融合的端到端车牌识别研究", 《沈阳理工大学学报》 *
徐克虎等: "《智能计算方法及其应用》", 31 July 2019, 国防工业出版社 *
易晓春等: "捷顺科技车牌防伪技术让"车牌李鬼"无所遁形", 《HTTP://WWW.SZNEWS.COM/NEWS/CONTENT/2018-09/11/CONTENT_20159791.HTM》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI789830B (zh) * 2021-07-15 2023-01-11 台灣車輛充電股份有限公司 停車場系統之車牌辨識裝置及方法

Similar Documents

Publication Publication Date Title
EP3916627A1 (en) Living body detection method based on facial recognition, and electronic device and storage medium
Marra et al. A full-image full-resolution end-to-end-trainable CNN framework for image forgery detection
Cozzolino et al. Splicebuster: A new blind image splicing detector
Bayar et al. On the robustness of constrained convolutional neural networks to jpeg post-compression for image resampling detection
CN107194398B (zh) 车损部位的识别方法及系统
WO2020258667A1 (zh) 图像识别方法及装置、非易失性可读存储介质、计算机设备
US11676390B2 (en) Machine-learning model, methods and systems for removal of unwanted people from photographs
CN108268867B (zh) 一种车牌定位方法及装置
CN106484837A (zh) 相似视频文件的检测方法和装置
CN106951869B (zh) 一种活体验证方法及设备
CN110490214B (zh) 图像的识别方法及系统、存储介质及处理器
Akbulut et al. Deep learning based face liveness detection in videos
CN107273894A (zh) 车牌的识别方法、装置、存储介质及处理器
CN112990166B (zh) 一种人脸真伪的识别方法、识别装置及电子设备
CN113111880A (zh) 证件图像校正方法、装置、电子设备及存储介质
CN110598701A (zh) 车牌防伪方法、装置及电子设备
CN112580531B (zh) 一种真假车牌的识别检测方法及系统
CN109582946A (zh) 文字区域排版方向的确定方法及装置
CN110598650A (zh) 车牌虚警过滤方法、装置及电子设备和存储介质
CN111178398B (zh) 检测身份证图像信息篡改的方法、系统、存储介质及装置
Kauba et al. Identifying the origin of iris images based on fusion of local image descriptors and PRNU based techniques
Nataraj et al. Seam carving detection and localization using two-stage deep neural networks
WO2023071180A1 (zh) 真伪识别方法、装置、电子设备以及存储介质
Agrawal et al. Error Level Analysis and Deep Learning For Detecting Image Forgeries
CN111126177B (zh) 人数统计的方法及装置

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
CB02 Change of applicant information

Address after: 523710, 26, 188 Industrial Road, Pingshan Town, Guangdong, Dongguan, Tangxia

Applicant after: Entropy Technology Co.,Ltd.

Address before: 523710, 26, 188 Industrial Road, Pingshan Town, Guangdong, Dongguan, Tangxia

Applicant before: ZKTECO Co.,Ltd.

CB02 Change of applicant information
RJ01 Rejection of invention patent application after publication

Application publication date: 20191220

RJ01 Rejection of invention patent application after publication