CN112309126A - 车牌检测方法、装置、电子设备及计算机可读存储介质 - Google Patents
车牌检测方法、装置、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112309126A CN112309126A CN202011190221.1A CN202011190221A CN112309126A CN 112309126 A CN112309126 A CN 112309126A CN 202011190221 A CN202011190221 A CN 202011190221A CN 112309126 A CN112309126 A CN 112309126A
- Authority
- CN
- China
- Prior art keywords
- license plate
- vehicle
- suspected
- color
- driving track
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了车牌检测方法、装置、电子设备及计算机可读存储介质,涉及智能交通领域,通过获取当前车辆行驶数据,从当前车辆行驶数据中获取嫌疑车牌;其中,嫌疑车牌为基于车牌颜色和车牌号码确定出的在预先存储的多个真实车牌中不存在的车牌;获取嫌疑车牌所属车辆的历史行车轨迹;根据历史行车轨迹确定嫌疑车牌的车牌颜色和车牌号码是否识别准确,在嫌疑车牌的车牌颜色和车牌号码准确的情况下,确定嫌疑车牌为假牌。在利用车牌颜色和车牌号码先确定嫌疑车牌的情况下,通过利用行车轨迹对嫌疑车牌进行进一步的分析,从而确定嫌疑车牌是否为假牌,以此可以减少真实车牌被误认为假牌的情况发生,从而可以提高车牌检测的准确度。
Description
技术领域
本发明涉及智能交通领域,特别是涉及车牌检测方法、装置、电子设备及计算机可读存储介质。
背景技术
车牌是车辆管理部门发布给机动车辆的行车凭证,为了对机动车辆进行管理,需要对道路上行驶车辆的车牌检测真假。
相关技术中,获得道路上行驶的车辆的车辆图像,其中,车辆图像可以是设置在道路卡口的图像采集设备采集的图像,然后从车辆图像中识别出车牌的车牌号码和车牌颜色,根据识别出来的车牌的车牌号码和车牌颜色与预先保存的真实车牌逐一进行比对,如果一致,就认为识别出的车牌为真车牌,如果不一致,就认为识别出的车牌为假车牌。
由于前端卡口的车牌采集设备精度有限,以及障碍物遮挡、车牌涂改、抓拍角度、时间、天气等客观条件,导致车牌号码和车牌颜色识别不够准确。而且,因为一个城市每天千万级别的过车量,会有大量真牌由于车牌号码和车牌颜色识别错误而被当成车牌筛选出来,如此导致车牌识别不够准确。
发明内容
本发明实施例的目的在于提供一种车牌检测方法、装置、电子设备及计算机可读存储介质,以实现提高车牌检测的准确度。具体技术方案如下:
在本申请实施例的第一方面,本申请实施例提供一种车牌检测方法,所述方法包括:
获取当前车辆行驶数据,所述车辆行驶数据中包含各个行驶车辆的车牌信息,车牌信息包括车牌颜色和车牌号码;
从所述当前车辆行驶数据中获取嫌疑车牌;其中,所述嫌疑车牌为基于车牌颜色和车牌号码确定出的在预先存储的多个真实车牌中不存在的车牌;
获取所述嫌疑车牌所属车辆的历史行车轨迹;
根据所述历史行车轨迹确定所述嫌疑车牌的车牌颜色和车牌号码是否识别准确,在所述嫌疑车牌的车牌颜色和车牌号码准确的情况下,确定所述嫌疑车牌为假牌。
在本申请实施例的第二方面,本申请实施例提供一种车牌检测装置,所述方法包括:
第一获取模块,用于获取当前车辆行驶数据,所述车辆行驶数据中包含各个行驶车辆的车牌信息,车牌信息包括车牌颜色和车牌号码;
第二获取模块,用于从所述当前车辆行驶数据中获取嫌疑车牌;其中,所述嫌疑车牌为基于车牌颜色和车牌号码确定出的在预先存储的多个真实车牌中不存在的车牌;
第三获取模块,用于获取所述嫌疑车牌所属车辆的历史行车轨迹;
确定模块,用于根据所述历史行车轨迹确定所述嫌疑车牌的车牌颜色和车牌号码是否识别准确,在所述嫌疑车牌的车牌颜色和车牌号码准确的情况下,确定所述嫌疑车牌为假牌。
在本申请实施例的又一方面,本申请实施例提供一种电子设备,包括:处理器、通信接口、存储器和通信总线,其中,所述处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述第一方面任一所述的任一项所述的车牌检测方法。
在本申请实施例的又一方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一所述的任一所述的车牌检测方法。
在本申请实施例的又一方面,本申请实施例提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述第一方面任一所述的车牌检测方法。
本发明实施例有益效果:
本发明实施例提供的车牌检测方法、装置、电子设备及计算机可读存储介质,通过从当前车辆行驶数据中获取嫌疑车牌,然后获取嫌疑车牌所属车辆的历史行车轨迹,根据历史行车轨迹确定嫌疑车牌的车牌颜色和车牌号码是否识别准确,在嫌疑车牌的车牌颜色和车牌号码准确的情况下,确定嫌疑车牌为假牌,以此在利用车牌颜色和车牌号码先确定嫌疑车牌的情况下。通过利用行车轨迹对嫌疑车牌进行进一步的分析,从而确定嫌疑车牌是否为假牌,以此可以减少真实车牌被误认为假牌的情况发生,从而可以提高车牌检测的准确度。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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实施例。
图1为本发明实施例提供的车牌检测方法的第一种流程示意图;
图2为本发明实施例提供的车牌检测方法的第二种流程示意图;
图3为本发明实施例提供的车牌检测方法的第三种流程示意图;
图4为本发明实施例提供的车牌检测方法的第四种流程示意图;
图5为本发明实施例提供的车牌检测方法的第五种流程示意图;
图6为本发明实施例提供的车牌检测方法的第六种流程示意图;
图7为本发明实施例提供的车牌检测方法的第七种流程示意图;
图8为本发明实施例提供的车牌检测装置的第一种结构示意图;
图9为本发明实施例提供的车牌检测装置的第二种结构示意图;
图10为本发明实施例提供的车牌检测装置的第三种结构示意图;
图11为本发明实施例提供的电子设备的一种结构示意图。
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,都属于本发明保护的范围。
为了解决现有技术中车牌识别不够准确的问题,本发明实施例提供了一种车牌检测方法、装置、电子设备、存储介质及包含指令的计算机程序产品。
下面,首先对本发明实施例提供的车牌检测方法进行介绍。该方法应用于电子设备,具体的,该电子设备可以为任一可以提供车牌检测服务的电子设备,例如,个人计算机、服务器等。本发明实施例所提供的车牌检测方法可以被设置于电子设备中的软件、硬件电路和逻辑电路中的至少一种实现。
如图1所示,图1为本发明实施例提供的车牌检测方法的第一种流程示意图,可以包括:
S110,获取当前车辆行驶数据,上述车辆行驶数据中包含各个行驶车辆的车牌信息,车牌信息包括车牌颜色和车牌号码;
S120,从上述当前车辆行驶数据中获取嫌疑车牌;其中,上述嫌疑车牌为基于车牌颜色和车牌号码确定出的在预先存储的多个真实车牌中不存在的车牌;
S130,获取上述嫌疑车牌所属车辆的历史行车轨迹;
S140,根据上述历史行车轨迹确定上述嫌疑车牌的车牌颜色和车牌号码是否识别准确,在上述嫌疑车牌的车牌颜色和车牌号码准确的情况下,确定上述嫌疑车牌为假牌。
通过从当前车辆行驶数据中获取嫌疑车牌,然后获取嫌疑车牌所属车辆的历史行车轨迹,根据历史行车轨迹确定嫌疑车牌的车牌颜色和车牌号码是否识别准确,在嫌疑车牌的车牌颜色和车牌号码准确的情况下,确定嫌疑车牌为假牌,以此在利用车牌颜色和车牌号码先确定嫌疑车牌的情况下。通过利用行车轨迹对嫌疑车牌进行进一步的分析,从而确定嫌疑车牌是否为假牌,以此可以减少真实车牌被误认为假牌的情况发生,从而可以提高车牌检测的准确度。
在一种实施例中,可以由设置在道路卡口的图像采集设备采集车辆的车辆图像后,将车辆图像发送给电子设备,由电子设备从车辆图像中识别出车牌信息,车牌信息包括车牌颜色和车牌号码,继而生成当前车牌行驶数据。图像采集设备也可以具有识别功能,即,设置在道路卡口的图像采集设备采集车辆的车辆图像后,图像采集设备识别出车牌信息,车牌信息包括车牌颜色和车牌号码,继而生成当前车牌行驶数据,然后电子设备从图像采集设备获取当前车辆行驶数据。
其中,对车辆图像进行车牌信息识别可以采用人工智能方式实现。具体的,将包含车牌的车辆图像输入预先训练好的车牌信息识别模型,通过车牌信息识别模型对包含车牌的车辆图像进行车牌信息识别,得到车牌信息。其中,车牌信息识别模型是基于样本图像预先训练得到的具有车牌信息识别功能的模型,车牌信息识别模型可以为基于机器学习的模型,例如,可以为基于深度学习的模型。具体的训练过程可以采用传统的反向传播的方式实现模型训练,在此不再赘述。
识别嫌疑车牌的执行主体可以为电子设备,也可以为其他设备,例如,在电子设备从图像采集设备获取当前车辆行驶数据的情况下,当前车辆行驶数据已包含了嫌疑车牌的具体信息,可以理解为,图像采集设备在识别了车牌信息后,可以基于车牌颜色和车牌号码确定出嫌疑车牌。当然,也可以是电子设备在获取当前车辆行驶数据后,电子设备基于车牌颜色和车牌号码从当前车辆行驶数据中确定出嫌疑车牌。
其中,因为车牌以车牌号码和车牌颜色两种属性来唯一标识,可以将车牌颜色和车牌号码与预先存储的多个真实车牌的车牌颜色和车牌号码进行比对,若比对失败,则该车牌为嫌疑车牌。
为了根据车辆的历史行车轨迹判断嫌疑车牌的车牌颜色和车牌号码是否识别准确,可以根据行驶车辆所经过的道路卡口以及过车时间,生成行驶车辆的历史行车轨迹,预先将行驶车辆的历史行车轨迹进行存储。为了方案清楚以及布局清晰,下文结合另一实施例进行详细说明。
在获取了车辆的历史行车轨迹后,可以根据嫌疑车牌的历史行车轨迹来判断嫌疑车牌的行车轨迹是否符合预设规则,如果符合则判断嫌疑车牌的车牌颜色和车牌号码识别准确,也可以生成嫌疑车牌对应的相似车牌,将嫌疑车牌的历史行车轨迹和相似车牌的历史行车轨迹进行比对,如果比对一致,则确定嫌疑车牌的车牌颜色和/或车牌号码识别错误,也就是说,嫌疑车牌的车牌颜色识别错误,或者车牌号码识别错误,或者嫌疑车牌的车牌颜色和车牌号码均识别错误,将相似车牌的车牌颜色和车牌号码与预先存储的多个真实车牌的车牌颜色和车牌号码进行比对,如果比对不成功,则确定嫌疑车牌为假牌。
其中相似车牌为相似车辆的车牌号码的第一预设位数的号码与嫌疑车牌的车牌号码的第一预设位数的号码不同且相似车辆的车牌颜色与嫌疑车牌的车牌颜色相同,或,相似车辆的车牌号码与嫌疑车牌的车牌号码相同且相似车辆的车牌颜色与嫌疑车牌的车牌颜色不同;或,相似车辆的车牌号码的第二预设位数的号码与嫌疑车牌的车牌号码的第二预设位数的号码不同且相似车辆的车牌颜色与嫌疑车牌的车牌颜色不同。为了方案清楚以及布局清晰,下文结合另一实施例进行详细说明。
通过从当前车辆行驶数据中获取嫌疑车牌,然后获取嫌疑车牌所属车辆的历史行车轨迹,根据历史行车轨迹确定嫌疑车牌的车牌颜色和车牌号码是否识别准确,在嫌疑车牌的车牌颜色和车牌号码准确的情况下,确定嫌疑车牌为假牌,以此在利用车牌颜色和车牌号码先确定嫌疑车牌的情况下。通过利用行车轨迹对嫌疑车牌进行进一步的分析,从而确定嫌疑车牌是否为假牌,以此可以减少真实车牌被误认为假牌的情况发生,从而可以提高车牌检测的准确度。
在一种可能的实施例中,基于图1的实施例,参见图2,图2为本发明实施例提供的车牌检测的第二种流程示意图,在步骤S120之前,上述方法还包括:
S100,基于当前车辆行驶数据中各个行驶车辆所经过的道路卡口,及已保存的多个历史行车轨迹数据,生成当前车辆行驶数据中各个行驶车辆的历史行车轨迹数据并保存;
S130具体可以通过如下步骤实现:
S1301,从已保存的历史行车轨迹数据中,获取上述嫌疑车牌所属车辆的历史行车轨迹。
历史行车轨迹数据可以预先存储在预设行车轨迹数据库中。针对每一个行驶车辆,在获取了当前车辆行驶数据中该行驶车辆所经过的道路卡口后,可以根据该车辆的车牌信息从预设行车轨迹数据库查找是否存在该车辆的历史行车轨迹。
如果存在,则可以根据该车辆的所经过的道路卡口以及过车时间,生成当前行车轨迹,然后获取预设行车轨迹数据库中已保存的该车辆的历史行车轨迹,将当前行车轨迹和预设行车轨迹数据库中已保存的该车辆的历史行车轨迹进行拼接,生成该车辆新的历史行车轨迹,并将该新的历史行车轨迹保存至预设行车轨迹数据库中。
如果预设行车轨迹数据库不存在该车辆的历史行车轨迹,则可以根据该车辆的所经过的道路卡口以及过车时间,生成当前行车轨迹,并将该当前行车轨迹保存至预设行车轨迹数据库中。可以理解为,预设行车轨迹数据库保存每一个车辆的历史行车轨迹时,该预设行车轨迹数据库存储有车辆的车牌信息和车辆的历史行车轨迹的对应关系,即,可以根据车辆的车牌信息和车辆的历史行车轨迹的对应关系,从预设行车轨迹数据库获取车辆的历史行车轨迹。
在一种可能的实施例中,基于图1的实施例,参见图3,图3为本发明实施例提供的车牌检测的第三种流程示意图,上述历史行车轨迹包括车辆路过的卡口位置和过车时间;
S140具体可以通过如下步骤实现:
S1401,将上述历史行车轨迹按照预设时间间隔阈值进行划分,得到多个行车轨迹片段;
S1402,基于上述卡口位置和上述过车时间将各上述行车轨迹片段进行聚类,若上述各行车轨迹片段聚类为一个簇,则确定上述嫌疑车牌的车牌颜色和车牌号码识别准确。
根据嫌疑车牌的历史行车轨迹来判断嫌疑车牌的行车轨迹是否符合预设规则,如果符合则判断嫌疑车牌的车牌颜色和车牌号码识别准确,具体的,在获取了车辆的历史行车轨迹按照预设时间间隔阈值进行划分,得到多个行车轨迹片段,可以基于卡口位置和过车时间将各行车轨迹片段进行聚类。可以理解为,车辆的历史行车轨迹需要达到预设的要求,例如,车辆的历史行车轨迹记录的时间不少于预设时间阈值,例如,车辆的历史行车轨迹需要为3天以上的行车轨迹,或者,车辆的历史行车轨迹对应卡口位置不得少于预设卡口数量阈值,例如,车辆的历史行车轨迹需要经过5个以上的卡口,当车辆的历史行车轨迹没有达到预设的要求,则不适用于本实施例的方法。
获取各个行车轨迹片段,行车轨迹片段包括卡口位置和过车时间,具体的,可以将预设时间段内车辆经过的卡口序列记为A={A1,A2……An},A1表示卡口1,An表示卡口n,行车轨迹片段间距离使用编辑距离计算,记dA,B=EditDistance(A,B),其中A、B分别代表一辆车的两条行车轨迹片段,根据行车轨迹片段间距离对各个行车轨迹片段进行聚类。
具体的,针对每一行车轨迹片段,获取与该行车轨迹片段距离小于预设距离阈值的的行车轨迹片段的个数,若个数大于预设个数阈值,则以该行车轨迹片段为核心点,创建一个簇X。
Pi表示聚类点,num(Pi)表示与该聚类点距离小于预设距离阈值的点的个数,δ表示预设距离阈值,δ的大小可以根据实际情况设定。neighborhoodi,j为1时,表征A,B两个行车轨迹片段间距离小于预设距离阈值δ,两个属于近邻点。
示例性的,可以基于DBSCAN(Density-Based Spatial Clustering ofApplications with Noise,有代表性的基于密度的聚类算法)算法对各个行车轨迹片段进行聚类,具体的将卡口位置和过车时间映射在笛卡尔直角坐标系中,横坐标表示过车时间,纵坐标表示卡口位置,当然,也可以是横坐标表示卡口位置,纵坐标表示过车时间。基于卡口位置和过车时间将行车轨迹映射为笛卡尔直角坐标系中的点,然后通过DBSCAN算法,通过聚类点的距离以及近邻个数来划分簇,具体的,将笛卡尔直角坐标系中的点进行聚类,若各个点聚类为一个簇,则确定嫌疑车牌的车牌颜色和车牌号码识别准确。
在一种可能的实施例中,基于图1的实施例,参见图4,图4为本发明实施例提供的车牌检测的第四种流程示意图,S140具体可以通过如下步骤实现:
S1403,获取相似车辆的行车轨迹;
S1404,根据上述嫌疑车牌所属车辆的行车轨迹与上述相似车辆的行车轨迹,确定上述嫌疑车牌的车牌颜色和车牌号码是否识别准确。
为了便于管理车辆,可以通过车牌颜色来区分归属者或车型。例如:黑色车牌代表该车辆属于部门1;蓝色车牌代表该车辆属于私人;绿色车牌代表该车辆为新能源车等等。
其中,相似车辆可以有多种情况:
第一种:相似的车牌号码的第一预设位数的号码与嫌疑车牌的车牌号码的第一预设位数的号码不同且相似车辆的车牌颜色与嫌疑车牌的车牌颜色相同。
例如:车牌颜色可以包括黑色,白色,蓝色,黄色和绿色。假如识别到的嫌疑车牌为陕A12345,颜色为黄色,则相似车辆的车牌号码的第一预设位数的号码与嫌疑车牌的车牌号码的第一预设位数的号码不同且相似车辆的车牌颜色与嫌疑车牌的车牌颜色相同,即,相似车牌的车牌颜色为黄色,但相似车牌的车牌号码与陕A12345的第一预设位数的号码不同,例如,相似车牌的车牌号码的某1位数与陕A12345的某一位不同,例如,与陕A12345的第三位,即“1”不同,则相似车牌的车牌号码可以为陕AX2345,其中X可以为0-9的任意一个号码,或者A至Z任意一个符合车牌管理规定的字母。当然,第一预设位数可以为1位,也可以为2位,例如,嫌疑车牌为陕A12345,颜色为黄色,则相似车辆的车牌为:陕A22345,颜色为黄色;陕A32345,颜色为黄色;陕AL1345,颜色为黄色;陕AL1245,颜色为黄色;第一预设位数的大小具体根据实际情况进行设定。
第二种:相似车辆的车牌号码与嫌疑车牌的车牌号码相同且相似车辆的车牌颜色与嫌疑车牌的车牌颜色不同。
例如:嫌疑车牌为陕A12345,颜色为黄色,则相似车辆的车牌为:陕A12345,颜色为黑色;陕A12345,颜色为白色;陕A12345,颜色为蓝色;陕A12345,颜色为绿色。
第三种:相似车辆的车牌号码的第二预设位数的号码与嫌疑车牌的车牌号码的第二预设位数的号码不同且相似车辆的车牌颜色与嫌疑车牌的车牌颜色不同。
例如:嫌疑车牌为陕A12345,颜色为黄色,则相似车辆的车牌为:陕A22345,颜色为黑色;陕A23345,颜色为白色。
其中,第一预设位数和第二预设位数可以相同也可以不同。如果希望进行比对的数据量小,第一预设位数和第二预设位数可以设置成1或2;如果希望多进行比对,第一预设位数和第二预设位数可以设置大于1或2,小于车牌号码的位数即可。
通过将嫌疑车牌所属车辆的行车轨迹与相似车辆的行车轨迹进行比对,确定嫌疑车牌的车牌颜色和车牌号码是否识别准确。
在一种可能的实施例中,基于图3的实施例,参见图5,图5为本发明实施例提供的车牌检测的第五种流程示意图,S1402具体可以通过如下步骤实现:
S14021,基于上述卡口位置和上述过车时间将各上述行车轨迹片段进行聚类;初步确定上述嫌疑车牌的车牌颜色和车牌号码是否识别准确;
S14022,在初步确定上述嫌疑车牌的车牌颜色和车牌号码识别不准确的情况下,获取相似车辆的行车轨迹;
S14023,根据上述嫌疑车牌所属车辆的行车轨迹与上述相似车辆的行车轨迹,确定上述嫌疑车牌的车牌颜色和车牌号码是否识别准确。
当各行车轨迹片段聚类为一个簇,则初步确定上述嫌疑车牌的车牌颜色和车牌号码识别准确,且该车牌在预先存储的多个真实车牌中不存在。因此可以初步确定上述嫌疑车牌的车牌颜色和车牌号码识别不准确,为了对该车牌进行进一步的分析,确定该车牌的车牌颜色和车牌号码是否识别准确,可以获取相似车辆的行车轨迹,根据嫌疑车牌所属车辆的行车轨迹与相似车辆的行车轨迹,确定嫌疑车牌的车牌颜色和车牌号码是否识别准确。
先基于卡口位置和过车时间将各行车轨迹片段进行聚类分析,然后通过获取相似车辆的行车轨迹,根据嫌疑车牌所属车辆的行车轨迹与相似车辆的行车轨迹进一步确定嫌疑车牌的车牌颜色和车牌号码是否识别准确,以此可以减少真实车牌被误认为假牌的情况发生,从而可以提高车牌检测的准确度。
在一种可能的实施例中,基于图3和图4的实施例,参见图6,图6为本发明实施例提供的车牌检测的第六种流程示意图,S140具体可以通过如下步骤实现:
S14010,获取相似车辆的行车轨迹;
S14020,根据上述嫌疑车牌所属车辆的行车轨迹与上述相似车辆的行车轨迹,初步确定上述嫌疑车牌的车牌颜色和车牌号码是否识别准确;
S14030,在初步确定上述嫌疑车牌的车牌颜色和车牌号码识别不准确的情况下,将上述历史行车轨迹按照预设时间间隔阈值进行划分,得到多个行车轨迹片段;
S14040,基于上述卡口位置和上述过车时间将各上述行车轨迹片段进行聚类,若上述各行车轨迹片段聚类为一个簇,则确定上述嫌疑车牌的车牌颜色和车牌号码识别准确。
先通过获取相似车辆的行车轨迹,根据嫌疑车牌所属车辆的行车轨迹与相似车辆的行车轨迹确定嫌疑车牌的车牌颜色和车牌号码是否识别准确,在初步确定上述嫌疑车牌的车牌颜色和车牌号码识别不准确的情况下,然后基于卡口位置和过车时间将各行车轨迹片段进行聚类分析,以此可以减少真实车牌被误认为假牌的情况发生,从而可以提高车牌检测的准确度。
在一种可能的实施例中,基于图4、图5、图6的实施例,S1404、S14023、S14020,具体均可以通过如下步骤实现:
针对每一相似车辆,将上述嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹进行比对;
若比对不成功,确定上述嫌疑车牌的车牌颜色和车牌号码识别准确;
若比对成功,确定上述嫌疑车牌的车牌颜色和/或车牌号码识别错误。
针对每一相似车辆,将嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹进行比对的方式可以为,计算嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹的相似度,其中相似度的计算方法可以包括余弦相似度计算方法,欧几里得评价方法,或者皮尔逊相关系数等方法。
具体的,分别将行车轨迹形式化为行车轨迹特征向量,行车轨迹特征向量包括经过的卡口位置的信息以及过车时间信息,则可以利用余弦相似度计算方法计算嫌疑车牌所属车辆的行车轨迹与相似车辆的行车轨迹的特征向量的相似度,以此得到嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹的相似度。当相似度大于预设相似度阈值时,可以确定比对成功,从而确定嫌疑车牌的车牌颜色和/或车牌号码识别错误。当相似度不大于预设相似度阈值时,可以确定比对不成功,从而确定嫌疑车牌的车牌颜色和车牌号码识别准确。
在一种可能的实施例中,计算嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹的编辑距离;
当编辑距离不小于预设编辑距离阈值时,则确定嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹不相似;
当编辑距离小于预设编辑距离阈值时,判断嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹的首尾点是否相同,若相同,则确定嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹相似;
若不同,则确定嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹不相似。
在一种可能的实施例中,若嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹的首尾点不同,判断嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹的首尾点是否相反,若相反,则确定嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹相似;若嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹的首尾点既不同,也不相反,则确定嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹不相似。
例如,嫌疑车牌所属车辆的行车轨迹的起始点为A点,结束点为B点;相似车辆的行车轨迹的起始点为C点,结束点为D点。
如果A点和C点相同,且B点与D点相同,则确定嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹相似。
或者,如果A点和D点相同,且B点与C点相同,则确定嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹相似。
在一种可能的实施例中,上述将上述嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹进行比对,包括:
基于行车轨迹中的卡口位置和过车时间,确定是否能将上述嫌疑车牌所属车辆的行车轨迹插入到该相似车辆的行车轨迹中;
若能将上述嫌疑车牌所属车辆的行车轨迹插入到该相似车辆的行车轨迹中,则比对成功;
若不能将上述嫌疑车牌所属车辆的行车轨迹插入到该相似车辆的行车轨迹中,则比对不成功。
基于行车轨迹中的卡口位置和过车时间,确定是否能将嫌疑车牌所属车辆的行车轨迹插入到该相似车辆的行车轨迹的方式可以通过以下方式实现;
步骤一,获取嫌疑车牌所属车辆当前记录的行车轨迹,相似车辆前一记录的行车轨迹和相似车辆后一记录的行车轨迹。
车辆的行车轨迹可以按照预设时间周期进行存储的,每存一次行车轨迹生成一条过车记录,其中记录中包括卡口位置和过车时间,以及记录生成的时间。例如,每隔1个小时,将车辆的行车轨迹进行存储,生成一条过车记录。或者,每经过一个卡口位置,生成一条过车记录。
获取嫌疑车牌所属车辆当前记录的行车轨迹,根据当前记录的时间,获取相似车辆前一记录的行车轨迹和相似车辆后一记录的行车轨迹。例如,将嫌疑车牌的当前记录设为C,且C记录生成的时间为T,将相似车牌的记录按时间排序后,T时刻的前一条记录为A,后一条记录为B,则获取相似车辆A记录的行车轨迹和相似车辆B记录的行车轨迹。
步骤二,计算当前记录和前一记录的第一时间差,当前记录和后一记录的第二时间差,若第一时间差和第二时间差中至少一个大于预设过车时间间隔阈值,则比对不成功;
分别计算AC之间和CB之间的过车时间差,若AC之间和CB之间的过车时间差都不能超出预设过车时间间隔阈值,即A到C和C到B属于同一段轨迹。若若第一时间差和第二时间差中至少一个大于预设过车时间间隔阈值,则说明A到C或C到B不属于同一段轨迹,说明比对不成功,预设过车时间间隔阈值根据卡口位置实际情况进行设定,在此不作限定。
步骤三,在第一时间差和所述第二时间差均不大于预设过车时间间隔阈值的情况下,分别确定第一时间差和第二时间差是否不小于对应卡口的卡口时间阈值。
卡口的卡口时间阈值用于表征卡口间的最短行驶时间,在判断A到C和C到B属于同一段轨迹后,需要判断从A到C的时间是否满足从A到C的卡口间的最短行驶时间,只有在不小于卡口间的最短行驶时间的情况下,才可以说明车辆行驶轨迹是符合实际情况要求的。其中,卡口间最短行驶时间数据可以预先根据当地预设时间段内的历史过车记录数据分析得出,在此不作限定。
步骤四,在第一时间差和第二时间差均不小于对应卡口的卡口时间阈值的情况下,根据当前记录对应的卡口位置,前一记录的卡口位置,后一记录的卡口位置,计算位置转移概率。
当位置转移概率不小于预设转移概率阈值时,确定嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹比对成功。也就是说,计算从A到C,从C到B的可达性,如果满足可达性,说明能将嫌疑车牌所属车辆的行车轨迹插入到该相似车辆的行车轨迹中。其中,预设转移概率阈值可以预先根据当地预设时间段内的历史过车记录数据分析得出,在此不作限定。
在一种可能的实施例中,基于图4、图5的实施例,在上述嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹比对成功的情况下,确定上述嫌疑车牌是否为假车牌的步骤包括:
利用该相似车辆的车牌号码和该相似车辆的车牌颜色,将该相似车辆的车牌与上述预先存储的多个真实车牌进行比对;
若该相似车辆的车牌与上述预先存储的多个真实车牌比对不成功,确定上述嫌疑车牌为假牌;
若该相似车辆的车牌与预先存储的多个真实车牌比对成功,确定上述嫌疑车牌为真牌。
嫌疑车牌所属车辆的行车轨迹与相似车辆的行车轨迹比对成功的情况下,说明嫌疑车牌的车牌号码和/或车牌颜色识别错误,则利用该相似车辆的车牌号码和该相似车辆的车牌颜色,将该相似车辆的车牌与预先存储的多个真实车牌进行比对,若该相似车辆的车牌与预先存储的多个真实车牌比对不成功,确定嫌疑车牌为假牌,若该相似车辆的车牌与预先存储的多个真实车牌比对成功,确定嫌疑车牌为真牌。以此可以减少真实车牌被误认为假牌的情况发生,从而可以提高车牌检测的准确度。
示例性的,若该相似车辆的车牌与上述预先存储的多个真实车牌比对不成功,确定嫌疑车牌的车牌号码和/或车牌颜色识别错误,更进一步的,在确定确定嫌疑车牌的车牌号码和/或车牌颜色识别错误的情况下,将该车牌信息输出,以使用户根据该信息进行人工检测。从而减少真实车牌被误认为假牌的情况发生,从而可以提高车牌检测的准确度。
在一种可能的实施例中,基于图1的实施例,S120具体可以通过以下方式实现:
针对上述车辆行驶数据中的每一车牌;利用该车牌的车牌颜色和该车牌的车牌号码,将该车牌与预先存储的多个真实车牌进行比对,当该车牌与上述预先存储的多个真实车牌比对不成功时,确定该车牌为嫌疑车牌。
电子设备在获取车辆行驶数据后,电子设备针对车辆行驶数据中的每一车牌;利用该车牌的车牌颜色和该车牌的车牌号码,将该车牌与预先存储的多个真实车牌进行比对,当该车牌与预先存储的多个真实车牌比对不成功时,确定该车牌为嫌疑车牌。
在一种可能的实施例中,上述获取当前车辆行驶数据的步骤,包括:
获取各道路卡口的多条当前过车记录,其中,每条当前过车记录中包含:各个行驶车辆的车辆图像;
对每条当前过车记录中的各个行驶车辆的车辆图像进行车牌信息识别;
基于车牌信息识别结果,获取符合识别结果条件的当前过车记录,作为当前车辆行驶数据。
道路卡口的图像采集设备采集了行驶车辆的车辆图像后,根据图像采集设备采集的车辆图像,生成过车记录。其中,该过车记录可以图像采集设备生成的,然后发送给电子设备,也可以是图像采集设备将采集的车辆图像发送给电子设备,由电子设备生成的。具体的,也可以是图像采集设备将采集的车辆图像发送给其他设备,其他设备生成后发送给电子设备的,具体在此不作限定。
电子设备对每条当前过车记录中的各个行驶车辆的车辆图像进行车牌信息识别,基于车牌信息识别结果,获取符合识别结果条件的当前过车记录,作为当前车辆行驶数据。
在一种可能的实施例中,上述基于车牌信息识别结果,获取符合识别结果条件的当前过车记录,作为当前车辆行驶数据的步骤,包括:
采用如下一种或多种方式对多条当前过车记录进行清洗:
将未识别出车牌颜色和车牌号码的当前过车记录删除;
将识别出的车牌号码中包括预设特殊字符的当前过车记录删除;
将识别出不属于预设地理区域范围内的车牌的当前过车记录删除;
将识别出过车时间不符合预设要求的当前过车记录删除;
获取清洗后剩下的当前过车记录,作为当前车辆行驶数据。
预设特殊字符可以为非正常的车牌号码包含的字符:例如,#,?等。
通过对多条当前过车记录进行清洗,可以清洗掉不符合要求的过车记录,从而可以不用检测不必要的车牌,减少车牌检测的时间,从而可以提高车牌检测的效率。
在一种可能的实施例中,在上述确定上述嫌疑车牌为假牌的步骤之后,上述方法还包括:
更新上述嫌疑车牌确定为假牌的次数。
每当将上述嫌疑车牌确定为假牌,则将嫌疑车牌确定为假牌的次数加1,以此记录嫌疑车牌确定为假牌的次数。
在一种可能的实施例中,在上述确定上述嫌疑车牌为假牌的步骤之后,上述方法还包括:
当上述次数大于预设次数阈值时,将上述嫌疑车牌输出。
当嫌疑车牌确定为假牌的次数大于预设次数阈值时,将嫌疑车牌输出至指定的客户端,例如手机,电脑,或者有关部分展示大厅等。其中,输出的信息可以包括假牌号码、假牌颜色和假牌抓拍图片,更进一步的,可以生成响应的报警信息,已提示用户该嫌疑车牌为假牌。
在一种可能的实施例中,当上述次数大于预设次数阈值时,将上述嫌疑车牌输出,包括:
当上述次数大于预设次数阈值时,在预设时间后,将该嫌疑车牌与预先存储的多个真实车牌进行比对;
若该嫌疑车辆的车牌与预先存储的多个真实车牌比对不成功,将上述嫌疑车牌输出。
当嫌疑车牌确定为假牌的次数大于预设次数阈值时,在预设时间后,需要将该嫌疑车牌与预先存储的多个真实车牌进行比对,只有在比对不成功的情况下,将嫌疑车牌输出。例如,若嫌疑车牌确定为假牌的次数大于预设次数阈值,则过一天后,将该嫌疑车牌与预先存储的多个真实车牌进行比对,若此时比对不成功的情况,将嫌疑车牌输出,若此时比对成功,说明该嫌疑车牌为预先存储的多个真实车牌中更新不及时的真实车牌。其中,预设时间可以根据时间情况进行设定。
当次数大于预设次数阈值时,在预设时间后,将该嫌疑车牌与预先存储的多个真实车牌进行比对,以此可以避免因预先存储的多个真实车牌更新不成功,导致的车牌识别错误。
基于上述图1至图6的实施例,本发明实施例提供了车牌检测方法,如图7所示,图7为本发明实施例提供的车牌检测方法的第七种流程示意图,方法包括:
S701,获取各道路卡口的过车记录;具体的,可以实时从车辆行驶数据中拉取各道路卡口的过程记录;
S702,根据当前车辆路过的卡口和过车时间,生成当前过车记录;并根据当前过车记录中路过的卡口和过车时间,生成行车轨迹并存储行车轨迹;
S703,针对所述车辆行驶数据中的每一车牌;利用该车牌的车牌颜色和该车牌的车牌号码,将该车牌与预先存储的多个真实车牌进行比对;
S704,判断该车牌与预先存储的多个真实车牌是否比对成功;如果是,执行步骤S705,否则,执行步骤S706;
S705,当该车牌与所述预先存储的多个真实车牌比对成功时,确定该车牌为真牌;也就是说,该车牌在预先存储的多个真实车牌存在;
S706,当该车牌与所述预先存储的多个真实车牌比对不成功时,确定该车牌为嫌疑车牌;也就是说,该车牌在预先存储的多个真实车牌中不存在;
S707,在比对不成功的情况下,判断嫌疑车牌的车牌号码和车牌颜色出现的次数是否达到预设阈值,如果是,执行步骤S708,否则,返回执行步骤S702;
S708,获取该嫌疑车牌的历史行车轨迹;
S709,将历史行车轨迹按照预设时间间隔阈值进行划分,得到多个行车轨迹片段;
S710,基于上述卡口位置和上述过车时间将各上述行车轨迹片段进行聚类;
S711,判断各行车轨迹片段是否可以聚类为一个簇;如果是,执行步骤S712,否则,返回执行步骤S702;
S712,获取相似车牌集合;
S713,遍历相似车辆集合中每一个车牌,获取车牌的历史行车轨迹;
S714,判断嫌疑车牌的行车轨迹和相似车牌的行车轨迹是否比对成功;如果是,执行步骤S715,否则,执行步骤S721;
S715,利用该相似车辆的车牌号码和该相似车辆的车牌颜色,将该相似车辆的车牌与上述预先存储的多个真实车牌进行比对;
S716,判断是否比对成功;如果是,执行步骤S717,否则,执行步骤S718;
S717,确定该车牌识别错误;
S718,确定为假牌,并将将假牌次数加1更新;
S719,判断次数是否达到预设次数阈值;如果是,执行步骤S720,否则,返回执行步骤S702;
S720,在达到预设次数阈值的条件下,输出假牌信息;
S721,判断相似车辆集合中的车牌是否全部比对完成,如果是,执行步骤S718,否则,返回执行步骤S713;
先通过获取相似车辆的行车轨迹,根据嫌疑车牌所属车辆的行车轨迹与相似车辆的行车轨迹确定嫌疑车牌的车牌颜色和车牌号码是否识别准确,在初步确定上述嫌疑车牌的车牌颜色和车牌号码识别不准确的情况下,然后基于卡口位置和过车时间将各行车轨迹片段进行聚类分析,以此可以减少真实车牌被误认为假牌的情况发生,从而可以提高车牌检测的准确度。
基于上述方法实施例,本发明实施例提供了一种车牌检测装置,如图8所示,图8为本发明实施例提供的车牌检测装置的第一种结构示意图,该装置可以包括:
第一获取模块810,用于获取当前车辆行驶数据,上述车辆行驶数据中包含各个行驶车辆的车牌信息,车牌信息包括车牌颜色和车牌号码;
第二获取模块820,用于从上述当前车辆行驶数据中获取嫌疑车牌;其中,上述嫌疑车牌为基于车牌颜色和车牌号码确定出的在预先存储的多个真实车牌中不存在的车牌;
第三获取模块830,用于获取上述嫌疑车牌所属车辆的历史行车轨迹;
确定模块840,用于根据上述历史行车轨迹确定上述嫌疑车牌的车牌颜色和车牌号码是否识别准确,在上述嫌疑车牌的车牌颜色和车牌号码准确的情况下,确定上述嫌疑车牌为假牌。
上述装置还包括:
生成模块,用于基于当前车辆行驶数据中各个行驶车辆所经过的道路卡口,及已保存的多个历史行车轨迹数据,生成当前车辆行驶数据中各个行驶车辆的历史行车轨迹数据并保存;
上述第三获取模块具体用于:
从已保存的历史行车轨迹数据中,获取上述嫌疑车牌所属车辆的历史行车轨迹。
如图9所示,图9为本发明实施例提供的车牌检测装置的第二种结构示意图,在一种可能的实施例中,在一种可能的实施例中,上述历史行车轨迹包括车辆路过的卡口位置和过车时间;
上述确定模块840包括:
划分子模块8401,用于将上述历史行车轨迹按照预设时间间隔阈值进行划分,得到多个行车轨迹片段;
第一处理子模块8402,用于基于上述卡口位置和上述过车时间将各上述行车轨迹片段进行聚类,若上述各行车轨迹片段聚类为一个簇,则确定上述嫌疑车牌的车牌颜色和车牌号码识别准确。
如图10所示,图10为本发明实施例提供的车牌检测装置的第三种结构示意图,在一种可能的实施例中,上述第一处理子模块8402包括:
聚类单元84021,用于基于上述卡口位置和上述过车时间将各上述行车轨迹片段进行聚类;
处理单元84022,用于若上述各行车轨迹片段聚类为一个簇,获取相似车辆的行车轨迹,上述相似车辆的车牌号码的第一预设位数的号码与上述嫌疑车牌的车牌号码的上述第一预设位数的号码不同且相似车辆的车牌颜色与上述嫌疑车牌的车牌颜色相同,或,上述相似车辆的车牌号码与上述嫌疑车牌的车牌号码相同且上述相似车辆的车牌颜色与上述嫌疑车牌的车牌颜色不同;或,上述相似车辆的车牌号码的第二预设位数的号码与上述嫌疑车牌的车牌号码的上述第二预设位数的号码不同且上述相似车辆的车牌颜色与上述嫌疑车牌的车牌颜色不同;
确定单元84023,用于根据上述嫌疑车牌所属车辆的行车轨迹与上述相似车辆的行车轨迹,确定上述嫌疑车牌的车牌颜色和车牌号码是否识别准确。
在一种可能的实施例中,上述确定模块840包括:
获取子模块,用于获取相似车辆的行车轨迹,上述相似车辆的车牌号码的第一预设位数的号码与上述嫌疑车牌的车牌号码的上述第一预设位数的号码不同且相似车辆的车牌颜色与上述嫌疑车牌的车牌颜色相同,或,上述相似车辆的车牌号码与上述嫌疑车牌的车牌号码相同且上述相似车辆的车牌颜色与上述嫌疑车牌的车牌颜色不同;或,上述相似车辆的车牌号码的第二预设位数的号码与上述嫌疑车牌的车牌号码的上述第二预设位数的号码不同且上述相似车辆的车牌颜色与上述嫌疑车牌的车牌颜色不同;
第二处理子模块,用于根据上述嫌疑车牌所属车辆的行车轨迹与上述相似车辆的行车轨迹,确定上述嫌疑车牌的车牌颜色和车牌号码是否识别准确。
在一种可能的实施例中,上述确定模块840具体用于:
针对每一相似车辆,将上述嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹进行比对;
若比对不成功,确定上述嫌疑车牌的车牌颜色和车牌号码识别准确;
若比对成功,确定上述嫌疑车牌的车牌颜色和/或车牌号码识别错误。
在一种可能的实施例中,上述确定模块840具体用于:
在上述嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹比对成功的情况下,利用该相似车辆的车牌号码和该相似车辆的车牌颜色,将该相似车辆的车牌与上述预先存储的多个真实车牌进行比对;
若该相似车辆的车牌与上述预先存储的多个真实车牌比对不成功,确定上述嫌疑车牌为假牌;
若该相似车辆的车牌与预先存储的多个真实车牌比对成功,确定上述嫌疑车牌为真牌。
在一种可能的实施例中,上述确定模块840具体用于:
基于行车轨迹中的卡口位置和过车时间,确定是否能将上述嫌疑车牌所属车辆的行车轨迹插入到该相似车辆的行车轨迹中;
若能将上述嫌疑车牌所属车辆的行车轨迹插入到该相似车辆的行车轨迹中,则比对成功;
若不能将上述嫌疑车牌所属车辆的行车轨迹插入到该相似车辆的行车轨迹中,则比对不成功。
在一种可能的实施例中,上述第二获取模块820具体用于:
针对上述车辆行驶数据中的每一车牌;利用该车牌的车牌颜色和该车牌的车牌号码,将该车牌与预先存储的多个真实车牌进行比对,当该车牌与上述预先存储的多个真实车牌比对不成功时,确定该车牌为嫌疑车牌。
在一种可能的实施例中,上述第二获取模块820包括:
过车记录获取子模块,用于获得各道路卡口的多条当前过车记录,其中,每条当前过车记录中包含:各个行驶车辆的车辆图像;
识别子模块,用于对每条当前过车记录中的各个行驶车辆的车辆图像进行车牌信息识别;
当前车辆行驶数据子模块,用于基于车牌信息识别结果,获取符合识别结果条件的当前过车记录,作为当前车辆行驶数据。
在一种可能的实施例中,上述当前车辆行驶数据子模块具体用于:
采用如下一种或多种方式对多条当前过车记录进行清洗:
将未识别出车牌颜色和车牌号码的当前过车记录删除;
将识别出的车牌号码中包括预设特殊字符的当前过车记录删除;
将识别出不属于预设地理区域范围内的车牌的当前过车记录删除;
将识别出过车时间不符合预设要求的当前过车记录删除;
获取清洗后剩下的当前过车记录,作为当前车辆行驶数据。
在一种可能的实施例中,上述装置还包括:
更新模块,用于更新上述嫌疑车牌确定为假牌的次数。
在一种可能的实施例中,在上述确定上述嫌疑车牌为假牌的步骤之后,上述装置还包括:
输出模块,用于当上述次数大于预设次数阈值时,将上述嫌疑车牌输出。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明实施例还提供了一种电子设备,如图11所示,包括处理器1101、通信接口1102、存储器1103和通信总线1104,其中,处理器1101,通信接口1102,存储器1103通过通信总线1104完成相互间的通信,
存储器1103,用于存放计算机程序;
处理器1101,用于执行存储器1103上所存放的程序时,实现如下步骤:
获取当前车辆行驶数据,上述车辆行驶数据中包含各个行驶车辆的车牌信息,车牌信息包括车牌颜色和车牌号码;
从上述当前车辆行驶数据中获取嫌疑车牌;其中,上述嫌疑车牌为基于车牌颜色和车牌号码确定出的在预先存储的多个真实车牌中不存在的车牌;
获取上述嫌疑车牌所属车辆的历史行车轨迹;
根据上述历史行车轨迹确定上述嫌疑车牌的车牌颜色和车牌号码是否识别准确,在上述嫌疑车牌的车牌颜色和车牌号码准确的情况下,确定上述嫌疑车牌为假牌。
可选的,处理器1101,用于执行存储器1103上所存放的程序时,还可以实现上述任一车牌检测方法。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一车牌检测方法的步骤。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一车牌检测方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质及计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (14)
1.一种车牌检测方法,其特征在于,所述方法包括:
获取当前车辆行驶数据,所述车辆行驶数据中包含各个行驶车辆的车牌信息,车牌信息包括车牌颜色和车牌号码;
从所述当前车辆行驶数据中获取嫌疑车牌;其中,所述嫌疑车牌为基于车牌颜色和车牌号码确定出的在预先存储的多个真实车牌中不存在的车牌;
获取所述嫌疑车牌所属车辆的历史行车轨迹;
根据所述历史行车轨迹确定所述嫌疑车牌的车牌颜色和车牌号码是否识别准确,在所述嫌疑车牌的车牌颜色和车牌号码准确的情况下,确定所述嫌疑车牌为假牌。
2.根据权利要求1所述的方法,其特征在于,在从所述当前车辆行驶数据中获取嫌疑车牌的步骤之前,所述方法还包括:
基于当前车辆行驶数据中各个行驶车辆所经过的道路卡口,及已保存的多个历史行车轨迹数据,生成当前车辆行驶数据中各个行驶车辆的历史行车轨迹数据并保存;
所述获取所述嫌疑车牌所属车辆的历史行车轨迹的步骤,包括:
从已保存的历史行车轨迹数据中,获取所述嫌疑车牌所属车辆的历史行车轨迹。
3.根据权利要求1所述的方法,其特征在于,所述历史行车轨迹包括车辆路过的卡口位置和过车时间;
所述根据所述历史行车轨迹确定所述嫌疑车牌的车牌颜色和车牌号码是否识别准确,包括:
将所述历史行车轨迹按照预设时间间隔阈值进行划分,得到多个行车轨迹片段;
基于所述卡口位置和所述过车时间将各所述行车轨迹片段进行聚类,若所述各行车轨迹片段聚类为一个簇,则确定所述嫌疑车牌的车牌颜色和车牌号码识别准确。
4.根据权利要求3所述的方法,其特征在于,所述基于所述卡口位置和所述过车时间将各所述行车轨迹片段进行聚类,若所述各行车轨迹片段聚类为一个簇,则确定所述嫌疑车牌的车牌颜色和车牌号码识别准确,包括:
基于所述卡口位置和所述过车时间将各所述行车轨迹片段进行聚类;
若所述各行车轨迹片段聚类为一个簇,获取相似车辆的行车轨迹,所述相似车辆的车牌号码的第一预设位数的号码与所述嫌疑车牌的车牌号码的所述第一预设位数的号码不同且相似车辆的车牌颜色与所述嫌疑车牌的车牌颜色相同,或,所述相似车辆的车牌号码与所述嫌疑车牌的车牌号码相同且所述相似车辆的车牌颜色与所述嫌疑车牌的车牌颜色不同;或,所述相似车辆的车牌号码的第二预设位数的号码与所述嫌疑车牌的车牌号码的所述第二预设位数的号码不同且所述相似车辆的车牌颜色与所述嫌疑车牌的车牌颜色不同;
根据所述嫌疑车牌所属车辆的行车轨迹与所述相似车辆的行车轨迹,确定所述嫌疑车牌的车牌颜色和车牌号码是否识别准确。
5.根据权利要求1所述的方法,其特征在于,所述根据所述历史行车轨迹确定所述嫌疑车牌的车牌颜色和车牌号码是否识别准确,包括:
获取相似车辆的行车轨迹,所述相似车辆的车牌号码的第一预设位数的号码与所述嫌疑车牌的车牌号码的所述第一预设位数的号码不同且相似车辆的车牌颜色与所述嫌疑车牌的车牌颜色相同,或,所述相似车辆的车牌号码与所述嫌疑车牌的车牌号码相同且所述相似车辆的车牌颜色与所述嫌疑车牌的车牌颜色不同;或,所述相似车辆的车牌号码的第二预设位数的号码与所述嫌疑车牌的车牌号码的所述第二预设位数的号码不同且所述相似车辆的车牌颜色与所述嫌疑车牌的车牌颜色不同;
根据所述嫌疑车牌所属车辆的行车轨迹与所述相似车辆的行车轨迹,确定所述嫌疑车牌的车牌颜色和车牌号码是否识别准确。
6.根据权利要求4或5所述的方法,其特征在于,所述根据所述嫌疑车牌所属车辆的行车轨迹与所述相似车辆的行车轨迹,确定所述嫌疑车牌的车牌颜色和车牌号码是否识别准确,包括:
针对每一相似车辆,将所述嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹进行比对;
若比对不成功,确定所述嫌疑车牌的车牌颜色和车牌号码识别准确;
若比对成功,确定所述嫌疑车牌的车牌颜色和/或车牌号码识别错误。
7.根据权利要求6所述的方法,其特征在于,确定所述嫌疑车牌是否为假车牌的步骤包括:
在所述嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹比对成功的情况下,利用该相似车辆的车牌号码和该相似车辆的车牌颜色,将该相似车辆的车牌与所述预先存储的多个真实车牌进行比对;
若该相似车辆的车牌与所述预先存储的多个真实车牌比对不成功,确定所述嫌疑车牌为假牌;
若该相似车辆的车牌与预先存储的多个真实车牌比对成功,确定所述嫌疑车牌为真牌。
8.根据权利要求6所述的方法,其特征在于,所述将所述嫌疑车牌所属车辆的行车轨迹与该相似车辆的行车轨迹进行比对,包括:
基于行车轨迹中的卡口位置和过车时间,确定是否能将所述嫌疑车牌所属车辆的行车轨迹插入到该相似车辆的行车轨迹中;
若能将所述嫌疑车牌所属车辆的行车轨迹插入到该相似车辆的行车轨迹中,则比对成功;
若不能将所述嫌疑车牌所属车辆的行车轨迹插入到该相似车辆的行车轨迹中,则比对不成功。
9.根据权利要求1所述的方法,其特征在于,所述从所述车辆行驶数据中获取嫌疑车牌的步骤包括:
针对所述车辆行驶数据中的每一车牌;利用该车牌的车牌颜色和该车牌的车牌号码,将该车牌与预先存储的多个真实车牌进行比对,当该车牌与所述预先存储的多个真实车牌比对不成功时,确定该车牌为嫌疑车牌。
10.根据权利要求1所述的方法,其特征在于,所述获取当前车辆行驶数据的步骤,包括:
获取各道路卡口的多条当前过车记录,其中,每条当前过车记录中包含:各个行驶车辆的车辆图像;
对每条当前过车记录中的各个行驶车辆的车辆图像进行车牌信息识别;
基于车牌信息识别结果,获取符合识别结果条件的当前过车记录,作为当前车辆行驶数据。
11.根据权利要求10所述的方法,其特征在于,所述基于车牌信息识别结果,获取符合识别结果条件的当前过车记录,作为当前车辆行驶数据的步骤,包括:
采用如下一种或多种方式对多条当前过车记录进行清洗:
将未识别出车牌颜色和车牌号码的当前过车记录删除;
将识别出的车牌号码中包括预设特殊字符的当前过车记录删除;
将识别出不属于预设地理区域范围内的车牌的当前过车记录删除;
将识别出过车时间不符合预设要求的当前过车记录删除;
获取清洗后剩下的当前过车记录,作为当前车辆行驶数据。
12.一种车牌检测装置,其特征在于,所述装置包括:
第一获取模块,用于获取当前车辆行驶数据,所述车辆行驶数据中包含各个行驶车辆的车牌信息,车牌信息包括车牌颜色和车牌号码;
第二获取模块,用于从所述当前车辆行驶数据中获取嫌疑车牌;其中,所述嫌疑车牌为基于车牌颜色和车牌号码确定出的在预先存储的多个真实车牌中不存在的车牌;
第三获取模块,用于获取所述嫌疑车牌所属车辆的历史行车轨迹;
确定模块,用于根据所述历史行车轨迹确定所述嫌疑车牌的车牌颜色和车牌号码是否识别准确,在所述嫌疑车牌的车牌颜色和车牌号码准确的情况下,确定所述嫌疑车牌为假牌。
13.一种电子设备,其特征在于,包括:处理器、通信接口、存储器和通信总线,其中,所述处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-11中任一项所述的方法步骤。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-11任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011190221.1A CN112309126B (zh) | 2020-10-30 | 2020-10-30 | 车牌检测方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011190221.1A CN112309126B (zh) | 2020-10-30 | 2020-10-30 | 车牌检测方法、装置、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112309126A true CN112309126A (zh) | 2021-02-02 |
CN112309126B CN112309126B (zh) | 2022-07-05 |
Family
ID=74332789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011190221.1A Active CN112309126B (zh) | 2020-10-30 | 2020-10-30 | 车牌检测方法、装置、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112309126B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160565A (zh) * | 2021-04-14 | 2021-07-23 | 北京掌行通信息技术有限公司 | 一种套牌车辆的识别方法、装置、存储介质及终端 |
CN113343880A (zh) * | 2021-06-21 | 2021-09-03 | 广州大学 | 一种车辆遮挡号牌的识别方法、装置、设备及介质 |
CN113593219A (zh) * | 2021-06-30 | 2021-11-02 | 北京百度网讯科技有限公司 | 车流的统计方法、装置、电子设备及存储介质 |
CN114882448A (zh) * | 2022-04-01 | 2022-08-09 | 北京卓视智通科技有限责任公司 | 一种车辆监控方法和电子设备 |
Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2132515A1 (en) * | 1992-03-20 | 1993-09-21 | Glen William Auty | An object monitoring system |
CN101540105A (zh) * | 2009-04-15 | 2009-09-23 | 四川川大智胜软件股份有限公司 | 一种基于车辆牌照识别和网格化监控的套牌车检测方法 |
JP4561756B2 (ja) * | 2007-02-19 | 2010-10-13 | 住友電気工業株式会社 | 車番特定装置、車番特定システム、コンピュータプログラム及び車番特定方法 |
CN101877174A (zh) * | 2009-09-29 | 2010-11-03 | 杭州海康威视软件有限公司 | 车速测量方法、监控机及车速测量系统 |
EP2320385A1 (de) * | 2009-10-21 | 2011-05-11 | Florian Matschnigg | Verfahren und System zur eindeutigen Identifikation von Fahrzeugen und darüber realisierten Dienstleistungen |
CN103413440A (zh) * | 2013-04-11 | 2013-11-27 | 江苏省邮电规划设计院有限责任公司 | 基于智慧城市数据仓库和识别规则库的套牌车识别方法 |
CN105513368A (zh) * | 2015-11-26 | 2016-04-20 | 银江股份有限公司 | 一种基于不确定信息的假牌车筛选方法 |
CN105654730A (zh) * | 2015-12-31 | 2016-06-08 | 公安部交通管理科学研究所 | 一种基于卡口过车大数据分析的套牌车认定方法 |
CN106778648A (zh) * | 2016-12-26 | 2017-05-31 | 江苏盛世华安智能科技股份有限公司 | 车辆轨迹跟踪及车牌识别系统和识别方法 |
WO2017157119A1 (zh) * | 2016-03-18 | 2017-09-21 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN107305736A (zh) * | 2016-04-22 | 2017-10-31 | 贵州众成信息产业有限公司 | 一种基于车牌规则和时空可达性的车牌识别智能查错方法和系统 |
CN108765922A (zh) * | 2018-04-18 | 2018-11-06 | 上海城市交通设计院有限公司 | 一种公交车辆行驶轨迹的分段方法 |
CN109254861A (zh) * | 2018-09-17 | 2019-01-22 | 江苏智通交通科技有限公司 | 基于轨迹数据的od需求提取及其可靠性分析方法 |
CN109359690A (zh) * | 2018-10-19 | 2019-02-19 | 江苏智通交通科技有限公司 | 基于卡口数据的车辆出行轨迹识别方法 |
US20190057275A1 (en) * | 2017-08-21 | 2019-02-21 | Sap Se | Automatic identification of cloned vehicle identifiers |
CN109493608A (zh) * | 2018-12-06 | 2019-03-19 | 湖南科创信息技术股份有限公司 | 非法营运车辆的识别方法及系统和计算机可读的存储介质 |
WO2019056680A1 (zh) * | 2017-09-19 | 2019-03-28 | 平安科技(深圳)有限公司 | 出行方式识别方法、装置、终端设备及存储介质 |
CN109544914A (zh) * | 2018-11-09 | 2019-03-29 | 西南交通大学 | 一种基于历史gps轨迹的共享单车逆行行为识别方法 |
CN109859492A (zh) * | 2019-03-27 | 2019-06-07 | 成都市公安科学技术研究所 | 一种识别套牌车的系统和方法 |
CN109872541A (zh) * | 2019-03-07 | 2019-06-11 | 青岛海信网络科技股份有限公司 | 一种车辆信息分析方法及装置 |
CN110570658A (zh) * | 2019-10-23 | 2019-12-13 | 江苏智通交通科技有限公司 | 基于层次聚类的路口异常车辆轨迹识别分析方法 |
WO2020047907A1 (zh) * | 2018-09-07 | 2020-03-12 | 佳都新太科技股份有限公司 | 一种漏检车牌预测方法及处理终端 |
CN110880244A (zh) * | 2019-12-02 | 2020-03-13 | 北京市交通信息中心执法总队分中心 | 一种辨别出租车是否为克隆车的方法及系统 |
CN110910648A (zh) * | 2019-12-18 | 2020-03-24 | 航天信息股份有限公司 | 一种基于区块链的非法车辆纠察方法及系统 |
CN111079751A (zh) * | 2019-12-16 | 2020-04-28 | 深圳市芊熠智能硬件有限公司 | 识别车牌真伪的方法、装置、计算机设备及存储介质 |
CN111243277A (zh) * | 2020-03-09 | 2020-06-05 | 山东大学 | 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统 |
US20200193721A1 (en) * | 2018-12-17 | 2020-06-18 | Eps Company | Method for providing parking service using image grouping-based vehicle identification |
CN111368868A (zh) * | 2019-07-31 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 确定车辆套牌的方法、装置及设备 |
CN111368626A (zh) * | 2019-11-19 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 车辆识别方法、装置、电子设备和存储介质 |
-
2020
- 2020-10-30 CN CN202011190221.1A patent/CN112309126B/zh active Active
Patent Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2132515A1 (en) * | 1992-03-20 | 1993-09-21 | Glen William Auty | An object monitoring system |
JP4561756B2 (ja) * | 2007-02-19 | 2010-10-13 | 住友電気工業株式会社 | 車番特定装置、車番特定システム、コンピュータプログラム及び車番特定方法 |
CN101540105A (zh) * | 2009-04-15 | 2009-09-23 | 四川川大智胜软件股份有限公司 | 一种基于车辆牌照识别和网格化监控的套牌车检测方法 |
CN101877174A (zh) * | 2009-09-29 | 2010-11-03 | 杭州海康威视软件有限公司 | 车速测量方法、监控机及车速测量系统 |
EP2320385A1 (de) * | 2009-10-21 | 2011-05-11 | Florian Matschnigg | Verfahren und System zur eindeutigen Identifikation von Fahrzeugen und darüber realisierten Dienstleistungen |
CN103413440A (zh) * | 2013-04-11 | 2013-11-27 | 江苏省邮电规划设计院有限责任公司 | 基于智慧城市数据仓库和识别规则库的套牌车识别方法 |
CN105513368A (zh) * | 2015-11-26 | 2016-04-20 | 银江股份有限公司 | 一种基于不确定信息的假牌车筛选方法 |
CN105654730A (zh) * | 2015-12-31 | 2016-06-08 | 公安部交通管理科学研究所 | 一种基于卡口过车大数据分析的套牌车认定方法 |
WO2017157119A1 (zh) * | 2016-03-18 | 2017-09-21 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN107305736A (zh) * | 2016-04-22 | 2017-10-31 | 贵州众成信息产业有限公司 | 一种基于车牌规则和时空可达性的车牌识别智能查错方法和系统 |
CN106778648A (zh) * | 2016-12-26 | 2017-05-31 | 江苏盛世华安智能科技股份有限公司 | 车辆轨迹跟踪及车牌识别系统和识别方法 |
US20190057275A1 (en) * | 2017-08-21 | 2019-02-21 | Sap Se | Automatic identification of cloned vehicle identifiers |
WO2019056680A1 (zh) * | 2017-09-19 | 2019-03-28 | 平安科技(深圳)有限公司 | 出行方式识别方法、装置、终端设备及存储介质 |
CN108765922A (zh) * | 2018-04-18 | 2018-11-06 | 上海城市交通设计院有限公司 | 一种公交车辆行驶轨迹的分段方法 |
WO2020047907A1 (zh) * | 2018-09-07 | 2020-03-12 | 佳都新太科技股份有限公司 | 一种漏检车牌预测方法及处理终端 |
CN109254861A (zh) * | 2018-09-17 | 2019-01-22 | 江苏智通交通科技有限公司 | 基于轨迹数据的od需求提取及其可靠性分析方法 |
CN109359690A (zh) * | 2018-10-19 | 2019-02-19 | 江苏智通交通科技有限公司 | 基于卡口数据的车辆出行轨迹识别方法 |
CN109544914A (zh) * | 2018-11-09 | 2019-03-29 | 西南交通大学 | 一种基于历史gps轨迹的共享单车逆行行为识别方法 |
CN109493608A (zh) * | 2018-12-06 | 2019-03-19 | 湖南科创信息技术股份有限公司 | 非法营运车辆的识别方法及系统和计算机可读的存储介质 |
US20200193721A1 (en) * | 2018-12-17 | 2020-06-18 | Eps Company | Method for providing parking service using image grouping-based vehicle identification |
CN109872541A (zh) * | 2019-03-07 | 2019-06-11 | 青岛海信网络科技股份有限公司 | 一种车辆信息分析方法及装置 |
CN109859492A (zh) * | 2019-03-27 | 2019-06-07 | 成都市公安科学技术研究所 | 一种识别套牌车的系统和方法 |
CN111368868A (zh) * | 2019-07-31 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 确定车辆套牌的方法、装置及设备 |
CN110570658A (zh) * | 2019-10-23 | 2019-12-13 | 江苏智通交通科技有限公司 | 基于层次聚类的路口异常车辆轨迹识别分析方法 |
CN111368626A (zh) * | 2019-11-19 | 2020-07-03 | 杭州海康威视系统技术有限公司 | 车辆识别方法、装置、电子设备和存储介质 |
CN110880244A (zh) * | 2019-12-02 | 2020-03-13 | 北京市交通信息中心执法总队分中心 | 一种辨别出租车是否为克隆车的方法及系统 |
CN111079751A (zh) * | 2019-12-16 | 2020-04-28 | 深圳市芊熠智能硬件有限公司 | 识别车牌真伪的方法、装置、计算机设备及存储介质 |
CN110910648A (zh) * | 2019-12-18 | 2020-03-24 | 航天信息股份有限公司 | 一种基于区块链的非法车辆纠察方法及系统 |
CN111243277A (zh) * | 2020-03-09 | 2020-06-05 | 山东大学 | 基于车牌识别数据的通勤车辆时空轨迹重构方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113160565A (zh) * | 2021-04-14 | 2021-07-23 | 北京掌行通信息技术有限公司 | 一种套牌车辆的识别方法、装置、存储介质及终端 |
CN113160565B (zh) * | 2021-04-14 | 2022-12-30 | 北京掌行通信息技术有限公司 | 一种套牌车辆的识别方法、装置、存储介质及终端 |
CN113343880A (zh) * | 2021-06-21 | 2021-09-03 | 广州大学 | 一种车辆遮挡号牌的识别方法、装置、设备及介质 |
CN113593219A (zh) * | 2021-06-30 | 2021-11-02 | 北京百度网讯科技有限公司 | 车流的统计方法、装置、电子设备及存储介质 |
CN114882448A (zh) * | 2022-04-01 | 2022-08-09 | 北京卓视智通科技有限责任公司 | 一种车辆监控方法和电子设备 |
CN114882448B (zh) * | 2022-04-01 | 2023-10-31 | 北京卓视智通科技有限责任公司 | 一种车辆监控方法和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112309126B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112309126B (zh) | 车牌检测方法、装置、电子设备及计算机可读存储介质 | |
KR101830522B1 (ko) | 빅 데이터를 이용한 예측 대상 지역의 범죄 발생 예측 방법 | |
CN109558823B (zh) | 一种以图搜图的车辆识别方法及系统 | |
JP2019521443A (ja) | 適応型追加学習を用いた細胞のアノテーション法及びアノテーションシステム | |
CN112862093B (zh) | 一种图神经网络训练方法及装置 | |
CN112766218B (zh) | 基于非对称联合教学网络的跨域行人重识别方法和装置 | |
CN112906823B (zh) | 目标对象识别模型训练方法、识别方法及识别装置 | |
CN112770265B (zh) | 一种行人身份信息获取方法、系统、服务器和存储介质 | |
CN111383246B (zh) | 条幅检测方法、装置及设备 | |
CN114708304B (zh) | 一种跨摄像头的多目标追踪方法、装置、设备及介质 | |
CN112541372B (zh) | 一种困难样本筛选方法及装置 | |
CN111414878A (zh) | 一种关于地块的社会属性分析、图像处理方法及装置 | |
CN111104973A (zh) | 一种基于知识注意力的细粒度图像分类方法 | |
CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
CN113610770A (zh) | 一种车牌识别方法和装置及设备 | |
CN111210634B (zh) | 智能交通信息处理方法、装置、智能交通系统及服务器 | |
CN116978093A (zh) | 基于空间数据增强和对称互注意力的跨模态行人重识别方法 | |
CN112669277B (zh) | 一种车辆关联方法,计算机设备以及装置 | |
CN112884190B (zh) | 一种流量预测方法及装置 | |
CN112651996A (zh) | 目标检测跟踪方法、装置、电子设备和存储介质 | |
CN114119953A (zh) | 快速车牌定位和矫正方法、存储介质及设备 | |
CN112784691A (zh) | 一种目标检测模型训练方法、目标检测方法和装置 | |
CN115082748B (zh) | 分类网络训练和目标重识别方法、装置、终端及存储介质 | |
CN110555338A (zh) | 对象识别方法和装置、神经网络生成方法和装置 | |
US20230260257A1 (en) | Iterative refinement of annotated datasets |
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 |