CN112465807A - 车牌图像真伪识别方法、装置、设备和介质 - Google Patents

车牌图像真伪识别方法、装置、设备和介质 Download PDF

Info

Publication number
CN112465807A
CN112465807A CN202011468154.5A CN202011468154A CN112465807A CN 112465807 A CN112465807 A CN 112465807A CN 202011468154 A CN202011468154 A CN 202011468154A CN 112465807 A CN112465807 A CN 112465807A
Authority
CN
China
Prior art keywords
license plate
image
plate image
target
authenticity
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
CN202011468154.5A
Other languages
English (en)
Inventor
江伟
祝本云
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.)
Shenzhen Brilliants Smart Hardware Co ltd
Original Assignee
Shenzhen Brilliants Smart Hardware 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 Shenzhen Brilliants Smart Hardware Co ltd filed Critical Shenzhen Brilliants Smart Hardware Co ltd
Priority to CN202011468154.5A priority Critical patent/CN112465807A/zh
Publication of CN112465807A publication Critical patent/CN112465807A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种车牌图像真伪识别方法，该方法包括：获取待识别图像，将待识别图像输入车牌定位模型以定位车牌坐标，根据车牌坐标截取待识别图像中的目标车牌图像；对目标车牌图像进行数据标准化处理，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据真伪特征确定待识别图像的真伪识别结果。本发明可在提高识别出待识别图像中的伪造车牌图像准确率的同时，降低伪造车牌图像对真实车牌图像的攻破率。此外，还提出了车牌图像真伪识别装置、设备和存储介质。

Description

车牌图像真伪识别方法、装置、设备和介质
技术领域
本发明涉及车牌真伪识别技术领域，尤其是涉及车牌图像真伪识别方法、装置、设备和介质。
背景技术
随着近年计算机视觉技术和电子设备的高速发展，车牌自动识别系统节省人力成本，使得人们的出行和生活更加方便。然而，现在出现了通过手机或者其它电子设备，盗用他人车牌图像来骗过车牌识别系统的情况。在车牌识别领域面临的不再只是对车牌的检测、识别或者追求更高的识别精度，伪造车牌图像的识别也是当前车牌真伪识别领域中一类急需要解决的新问题。
发明内容
基于此，有必要针对上述问题，提供识别伪造车牌图像的车牌图像真伪识别方法、装置、设备和介质。
一种车牌图像真伪识别方法，所述方法包括：
获取待识别图像，将所述待识别图像输入车牌定位模型以定位车牌坐标，根据所述车牌坐标截取所述待识别图像中的目标车牌图像；
对所述目标车牌图像进行数据标准化处理，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据所述真伪特征确定所述待识别图像的真伪识别结果。
在其中一个实施例中，所述将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据所述真伪特征确定所述待识别图像的真伪识别结果，包括：
将数据标准化处理后的目标车牌图像输入卷积神经网络以提取所述目标车牌图像的边框特征；
当检测到所述边框特征中存在异常边框特征时，判定所述待识别图像为伪造车牌图像；其中，所述异常边框特征包括纸质边框特征、设备边框特征。
在其中一个实施例中，所述将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据所述真伪特征确定所述待识别图像的真伪识别结果，包括：
基于预设纹理描述算子从所述目标车牌图像中提取到所述目标车牌图像的局部纹理特征，根据所述局部纹理特征判断所述目标车牌图像中是否存在摩尔纹；
当所述目标车牌图像中存在所述摩尔纹，判定所述待识别图像为伪造车牌图像。
在其中一个实施例中，所述将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据所述真伪特征确定所述待识别图像的真伪识别结果，包括：
获取所述目标车牌图像的分辨率，识别所述目标车牌图像的干扰因子，根据所述分辨率及所述干扰因子计算所述目标车牌图像的目标清晰度分数；其中，所述干扰因子包括锯齿及马赛克中的至少一种；
获取标准清晰度分数，当所述目标清晰度分数与所述标准清晰度分数的差值大于预设阈值时，判定所述待识别图像为伪造车牌图像；其中，所述标准清晰度分数为根据监控摄像头拍摄得到的标准图像计算得到的标准分数。
在其中一个实施例中，所述将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据所述真伪特征确定所述待识别图像的真伪识别结果，包括：
获取所述目标车牌图像中在车牌边框每一单边上的预设数量个定位坐标；
根据每相邻两个的定位坐标计算相邻倾斜角度，根据所述相邻倾斜角度计算每一单边的单边形变程度；
获取形变程度阈值，当任一单边的单边形变程度大于所述形变程度阈值时，判定所述目标车牌图像为伪造车牌图像。
在其中一个实施例中，所述根据所述车牌坐标截取所述待识别图像中的目标车牌图像，包括：
根据所述车牌坐标确定车牌的定位轮廓边界；
将所述定位轮廓边界进行比例或等距离的边界扩充，得到车牌的扩充边界，截取所述扩充边界内的图像，将所述扩充边界内的图像作为所述待识别图像中的所述目标车牌图像。
在其中一个实施例中，所述对所述目标车牌图像进行数据标准化处理，包括：
获取所述目标车牌图像中每个像素点的像素值，根据所述每个像素点的像素值计算所述目标车牌图像的像素值均值，将所述每个像素点的像素值减去所述像素值均值；
将减去所述像素值均值后的每个像素点的像素值除以标准差，以得到每个像素点的像素值为标准像素值的目标车牌图像。
一种车牌图像真伪识别装置，所述装置包括：
图像获取模块，用于获取待识别图像，将所述待识别图像输入车牌定位模型以定位车牌坐标，根据所述车牌坐标截取所述待识别图像中的目标车牌图像；
真伪识别模块，用于对所述目标车牌图像进行数据标准化处理，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据所述真伪特征确定所述待识别图像的真伪识别结果。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如下步骤：
获取待识别图像，将所述待识别图像输入车牌定位模型以定位车牌坐标，根据所述车牌坐标截取所述待识别图像中的目标车牌图像；
对所述目标车牌图像进行数据标准化处理，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据所述真伪特征确定所述待识别图像的真伪识别结果。
一种车牌图像真伪识别设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
获取待识别图像，将所述待识别图像输入车牌定位模型以定位车牌坐标，根据所述车牌坐标截取所述待识别图像中的目标车牌图像；
对所述目标车牌图像进行数据标准化处理，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据所述真伪特征确定所述待识别图像的真伪识别结果。
本发明提供了车牌图像真伪识别方法、装置、设备和介质，通过车牌定位模型截取待识别图像中的目标车牌图像以用于真伪识别，由于去除了其中的无效部分，因此极大提高了真伪识别的计算速度。此外对目标车牌图像进行数据标准化处理，以满足不同的评价标准，通过卷积神经网络提取目标车牌图像真伪特征，并基于真伪特征确定待识别图像的真伪识别结果，可在提高识别出待识别图像中的伪造车牌图像准确率的同时，降低伪造车牌图像对真实车牌图像的攻破率。
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。
其中：
图1为一个实施例中车牌图像真伪识别方法的流程示意图；
图2为一个实施例中待识别图像的示意图；
图3为一个实施例中目标车牌图像的示意图；
图4为一个实施例中车牌图像真伪识别装置的结构示意图；
图5为一个实施例中车牌图像真伪识别设备的结构框图。
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作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。
如图1所示，图1为一个实施例中车牌图像真伪识别方法的流程示意图，本实施例中车牌图像真伪识别方法提供的步骤包括：
步骤102，获取待识别图像，将待识别图像输入车牌定位模型以定位车牌坐标，根据车牌坐标截取待识别图像中的目标车牌图像。
其中，目标车牌图像是去除了背景等干扰因素，主要图像内容为车牌的图像。目标车牌图像的区域大小远远小于待识别图像的区域大小，因此只对目标车牌图像的区域进行真伪识别可极大提高计算速度。参见图2，图2为一个实施例中待识别图像的示意图，需要对图像中车牌为“粤B 9V593”的区域进行真伪识别。可见，在图2中除了车牌的区域，还包括楼房、其他车辆等干扰因素的存在。参见图3，图3为一个实施例中目标车牌图像的示意图。可见，图3中仅保留了待识别图像中以车牌“粤B 9V593”为主要内容的区域。
在一个具体实施例中，在本步骤之前还应训练一个可定位车牌的车牌定位模型。具体为首先获取大量标注了车牌位置信息的样本图像，再设置通用的损失函数，并随机设置深度神经网络的参数，从样本图像中挑选部分图像输入深度神经网络进行训练，并计算总损失函数。在获取总损失函数的数值后，根据损失函数的数值调整深度神经网络的参数，调整后再从样本图像中挑选其他的图像输入深度神经网络进行训练，这样循环，直至总损失函数的值收敛为止，得到训练好的车牌定位模型。
然后将待识别图像输入训练好的车牌定位模型中，从而得到待识别图像中的车牌坐标，例如覆盖了车牌的外接矩形的上下左右边界坐标，也可以仅是该外接矩形的对角顶点坐标。由于车牌的形状为矩形，通过这些车牌坐标可确定车牌的定位轮廓边界。而为了避免最后得到的车牌信息出现不完整的情况，将定位轮廓边界进行比例或等距离的向外扩充，得到一个车牌的扩充边界，截取该扩充边界内的图像，也就得到了我们需要的目标车牌图像。
步骤104，对目标车牌图像进行数据标准化处理，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据真伪特征确定待识别图像的真伪识别结果。
在数据处理过程中，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，进行数据标准化处理，以实现数据指标之间的可比性。
具体的，首先进行减均值处理，获取目标车牌图像中每个像素点的像素值，根据每个像素点的像素值计算出目标车牌图像的像素值均值，假设为ave，再将每个像素点的像素值减去该像素值均值ave，使得所有像素点的像素值范围变为在-255与+255之间，一般是在0附近。然后，进行归一化处理，将减去像素值均值后的每个像素点的像素值除以标准差，从而得到每个像素点的像素值为标准像素值的目标车牌图像。
本实施针对的是对伪造的车牌图像的识别，而伪造的车牌图像主要包括用手机拍摄的车牌照片，或纸质打印的车牌照片，这类车牌图像的边框和车牌的边框有明显的特征区别，具体体现在边缘的过渡、边框厚度等特征方面的差异，例如车牌边框厚度都是有统一的国家标准的，而纸质边框或者设备边框的厚度可能就不在这规定的范围内。因此针对这一现象，在一个具体实施例中，通过设置边框滤波器提取到目标车牌图像的边框特征，在结合该边框特征的输出结果中若存在有纸质边框特征或设备边框特征等异常边框特征，例如边框厚度不在这国家规定的范围内时，判定待识别图像为伪造车牌图像。
其次，经过打印的伪造车牌图像相较于原始的车牌图像而言，图像的清晰度会有一定程度的下降，具体表现为图像的分辨率下降、图像出现锯齿以及图像中的马赛克增多等现象。因此针对这些清晰度下降的现象，在一个具体实施例中，根据分辨率、锯齿及马赛克预先制定一个用于评定清晰度分数的评分标准，具体为分别根据分辨率高低、锯齿程度及马赛克数量制定各自对应的子评价标准，分辨率越高，分辨率的子评价分数就越高；锯齿区域越小、程度越不明显，锯齿的子评价分数就越高；马赛克数量越少，马赛克的子评价分数就越高。然后再根据这三个子评价分数计算目标车牌图像的目标清晰度分数，例如将三种子评价分数乘以预先对应设定的权重系数后相加。此外，为获得一个评价清晰度是否下降的参考标准，先获取用户使用的监控摄像头在此之前拍摄得到的若干张标准图像，根据上述评分标准计算每张标准图像的清晰分数，并通过对求均方根的方式得到一个可用作评价清晰度是否下降的标准清晰度分数。当目标清晰度分数与标准清晰度分数的差值大于预设阈值时，判定待识别图像为伪造车牌图像。反之，当目标清晰度分数与标准清晰度分数的差值小于或等于预设阈值时，判定待识别图像为真实车牌图像。
进一步的，对于打印的伪造车牌图像而言，由于只有打印的区域会出现清晰度下降的情况，而其他区域(扩展部分的区域)的清晰度实则不会下降。因此针对这一现象，在目标车牌图像内部还可以从左顶点起，从左到右，从上到下等间隔选取多个子区域图像分别进行清晰分数的计算。在清晰分数的计算结果中，判断清晰分数的最大值与最小值之间是否有较大的差值，当出现较大的差值时，判定待识别图像为伪造车牌图像；反之，当未出现较大的差值时，判定待识别图像为真实车牌图像。
同时，伪造车牌图像还存在变形的情况。其中一种情况是打印的伪造车牌图像发生扭曲形变，即车牌中的直线变成了曲线，由此可以判断待识别图像是否为伪造车牌图像。因此针对变形的这一现象，在一个具体实施例中，获取目标车牌图像中在车牌的上下边框上的N个定位坐标以及在左右边框上的M个定位坐标，由于上下边框的长度大于左右边框的长度，因此N应稍大于M。为准确评价待识别图像的整体形变程度，首先分别计算每个单边的形变程度，以上边框为例，根据在上边框上每相邻两个点的定位坐标计算得到N-1个相邻倾斜角度X，再计算N-1个相邻倾斜角度X的标准方差s以及平均值
Figure BDA0002835262220000081
将标准方差s与平均值
Figure BDA0002835262220000082
的比值
Figure BDA0002835262220000083
作为上边框的单边形变程度。对于其他单边的单边形变程度的计算与上边框的单边形变程度计算同理，在此不做赘述。然后获取预先设定的形变程度阈值，当任一单边的单边形变程度大于形变程度阈值时，判定目标车牌图像为伪造车牌图像。
此外，由手机等液晶屏幕伪造的车牌图像会存在摩尔纹，而车真实车牌图像不会存在摩尔纹。因此针对这一现象，在一个具体实施例中，基于预设纹理描述算子从目标车牌图像中提取到目标车牌图像的局部纹理特征，具体为对于目标图像信息中某个像素点，选定以该像素点为中心的一个邻域范围，例如3×3的邻域范围。对于邻域内的每个待处理像素点，如果这个待处理像素点的像素值大于或等于中心像素点的像素值，则将这个待处理像素点的像素值记为1，否则记为0。然后将邻域内所有的1和0，按照一定的顺序，组成2进制串，就构成了中间像素点的局部纹理特征。此外，在该步骤之前还应基于相同的纹理描述算子对大量标注了摩尔纹的样本图像进行特征提取，以提取得到摩尔纹的纹理特征。然后将摩尔纹的纹理特征与局部纹理特征进行比较，以判断目标车牌图像中是否存在摩尔纹，当目标车牌图像中存在摩尔纹，判定待识别图像为伪造车牌图像；反之，当目标车牌图像中不存在摩尔纹，判定待识别图像为真实车牌图像。
上述车牌图像真伪识别方法，通过车牌定位模型截取待识别图像中的目标车牌图像以用于真伪识别，由于去除了其中的无效部分，因此极大提高了真伪识别的计算速度。此外对目标车牌图像进行数据标准化处理，以满足不同的评价标准，通过卷积神经网络提取目标车牌图像真伪特征，并基于真伪特征确定待识别图像的真伪识别结果，可在提高识别出待识别图像中的伪造车牌图像准确率的同时，降低伪造车牌图像对真实车牌图像的攻破率。
在一个实施例中，如图4所示，提出了一种车牌图像真伪识别装置，该装置包括：
图像获取模块402，用于获取待识别图像，将待识别图像输入车牌定位模型以定位车牌坐标，根据车牌坐标截取待识别图像中的目标车牌图像；
真伪识别模块404，用于对目标车牌图像进行数据标准化处理，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据真伪特征确定待识别图像的真伪识别结果。
上述车牌图像真伪识别装置，通过车牌定位模型截取待识别图像中的目标车牌图像以用于真伪识别，由于去除了其中的无效部分，因此极大提高了真伪识别的计算速度。此外对目标车牌图像进行数据标准化处理，以满足不同的评价标准，通过卷积神经网络提取目标车牌图像真伪特征，并基于真伪特征确定待识别图像的真伪识别结果，可在提高识别出待识别图像中的伪造车牌图像准确率的同时，降低伪造车牌图像对真实车牌图像的攻破率。
在一个实施例中，真伪识别模块404，还具体用于：将数据标准化处理后的目标车牌图像输入卷积神经网络以提取目标车牌图像的边框特征；当检测到边框特征中存在异常边框特征时，判定待识别图像为伪造车牌图像。
在一个实施例中，真伪识别模块404，还具体用于：基于预设纹理描述算子从目标车牌图像中提取到目标车牌图像的局部纹理特征，根据局部纹理特征判断目标车牌图像中是否存在摩尔纹；当目标车牌图像中存在摩尔纹，判定待识别图像为伪造车牌图像。
在一个实施例中，真伪识别模块404，还具体用于：获取目标车牌图像的分辨率，识别目标车牌图像的干扰因子，根据分辨率及干扰因子计算目标车牌图像的目标清晰度分数；获取标准清晰度分数，当目标清晰度分数与标准清晰度分数的差值大于预设阈值时，判定待识别图像为伪造车牌图像。
在一个实施例中，真伪识别模块404，还具体用于：获取目标车牌图像中在车牌边框每一单边上的预设数量个定位坐标；根据每相邻两个的定位坐标计算相邻倾斜角度，根据相邻倾斜角度计算每一单边的单边形变程度；获取形变程度阈值，当任一单边的单边形变程度大于形变程度阈值时，判定目标车牌图像为伪造车牌图像。
在一个实施例中，图像获取模块402，还具体用于：根据车牌坐标确定车牌的定位轮廓边界；将定位轮廓边界进行比例或等距离的边界扩充，得到车牌的扩充边界，截取扩充边界内的图像，将扩充边界内的图像作为待识别图像中的目标车牌图像。
在一个实施例中，真伪识别模块404，还具体用于：获取目标车牌图像中每个像素点的像素值，根据每个像素点的像素值计算目标车牌图像的像素值均值，将每个像素点的像素值减去像素值均值；将减去像素值均值后的每个像素点的像素值除以标准差，以得到每个像素点的像素值为标准像素值的目标车牌图像。
图5示出了一个实施例中车牌图像真伪识别设备的内部结构图。如图5所示，该车牌图像真伪识别设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该车牌图像真伪识别设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现车牌图像真伪识别方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行车牌图像真伪识别方法。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的车牌图像真伪识别设备的限定，具体的车牌图像真伪识别设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
一种车牌图像真伪识别设备，包括存储器、处理器以及存储在该存储器中并可在该处理器上执行的计算机程序，该处理器执行该计算机程序时实现如下步骤：获取待识别图像，将待识别图像输入车牌定位模型以定位车牌坐标，根据车牌坐标截取待识别图像中的目标车牌图像；对目标车牌图像进行数据标准化处理，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据真伪特征确定待识别图像的真伪识别结果。
在一个实施例中，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据真伪特征确定待识别图像的真伪识别结果，包括：将数据标准化处理后的目标车牌图像输入卷积神经网络以提取目标车牌图像的边框特征；当检测到边框特征中存在异常边框特征时，判定待识别图像为伪造车牌图像。
在一个实施例中，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据真伪特征确定待识别图像的真伪识别结果，包括：基于预设纹理描述算子从目标车牌图像中提取到目标车牌图像的局部纹理特征，根据局部纹理特征判断目标车牌图像中是否存在摩尔纹；当目标车牌图像中存在摩尔纹，判定待识别图像为伪造车牌图像。
在一个实施例中，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据真伪特征确定待识别图像的真伪识别结果，包括：获取目标车牌图像的分辨率，识别目标车牌图像的干扰因子，根据分辨率及干扰因子计算目标车牌图像的目标清晰度分数；获取标准清晰度分数，当目标清晰度分数与标准清晰度分数的差值大于预设阈值时，判定待识别图像为伪造车牌图像。
在一个实施例中，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据真伪特征确定待识别图像的真伪识别结果，包括：获取目标车牌图像中在车牌边框每一单边上的预设数量个定位坐标；根据每相邻两个的定位坐标计算相邻倾斜角度，根据相邻倾斜角度计算每一单边的单边形变程度；获取形变程度阈值，当任一单边的单边形变程度大于形变程度阈值时，判定目标车牌图像为伪造车牌图像。
在一个实施例中，根据车牌坐标截取待识别图像中的目标车牌图像，包括：根据车牌坐标确定车牌的定位轮廓边界；将定位轮廓边界进行比例或等距离的边界扩充，得到车牌的扩充边界，截取扩充边界内的图像，将扩充边界内的图像作为待识别图像中的目标车牌图像。
在一个实施例中，对目标车牌图像进行数据标准化处理，包括：获取目标车牌图像中每个像素点的像素值，根据每个像素点的像素值计算目标车牌图像的像素值均值，将每个像素点的像素值减去像素值均值；将减去像素值均值后的每个像素点的像素值除以标准差，以得到每个像素点的像素值为标准像素值的目标车牌图像。
一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现如下步骤：获取待识别图像，将待识别图像输入车牌定位模型以定位车牌坐标，根据车牌坐标截取待识别图像中的目标车牌图像；对目标车牌图像进行数据标准化处理，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据真伪特征确定待识别图像的真伪识别结果。
在一个实施例中，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据真伪特征确定待识别图像的真伪识别结果，包括：将数据标准化处理后的目标车牌图像输入卷积神经网络以提取目标车牌图像的边框特征；当检测到边框特征中存在异常边框特征时，判定待识别图像为伪造车牌图像。
在一个实施例中，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据真伪特征确定待识别图像的真伪识别结果，包括：基于预设纹理描述算子从目标车牌图像中提取到目标车牌图像的局部纹理特征，根据局部纹理特征判断目标车牌图像中是否存在摩尔纹；当目标车牌图像中存在摩尔纹，判定待识别图像为伪造车牌图像。
在一个实施例中，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据真伪特征确定待识别图像的真伪识别结果，包括：获取目标车牌图像的分辨率，识别目标车牌图像的干扰因子，根据分辨率及干扰因子计算目标车牌图像的目标清晰度分数；获取标准清晰度分数，当目标清晰度分数与标准清晰度分数的差值大于预设阈值时，判定待识别图像为伪造车牌图像。
在一个实施例中，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据真伪特征确定待识别图像的真伪识别结果，包括：获取目标车牌图像中在车牌边框每一单边上的预设数量个定位坐标；根据每相邻两个的定位坐标计算相邻倾斜角度，根据相邻倾斜角度计算每一单边的单边形变程度；获取形变程度阈值，当任一单边的单边形变程度大于形变程度阈值时，判定目标车牌图像为伪造车牌图像。
在一个实施例中，根据车牌坐标截取待识别图像中的目标车牌图像，包括：根据车牌坐标确定车牌的定位轮廓边界；将定位轮廓边界进行比例或等距离的边界扩充，得到车牌的扩充边界，截取扩充边界内的图像，将扩充边界内的图像作为待识别图像中的目标车牌图像。
在一个实施例中，对目标车牌图像进行数据标准化处理，包括：获取目标车牌图像中每个像素点的像素值，根据每个像素点的像素值计算目标车牌图像的像素值均值，将每个像素点的像素值减去像素值均值；将减去像素值均值后的每个像素点的像素值除以标准差，以得到每个像素点的像素值为标准像素值的目标车牌图像。
需要说明的是，上述车牌图像真伪识别方法、装置、设备及计算机可读存储介质属于一个总的发明构思，车牌图像真伪识别方法、装置、设备及计算机可读存储介质实施例中的内容可相互适用。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种车牌图像真伪识别方法，其特征在于，所述方法包括：
获取待识别图像，将所述待识别图像输入车牌定位模型以定位车牌坐标，根据所述车牌坐标截取所述待识别图像中的目标车牌图像；
对所述目标车牌图像进行数据标准化处理，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据所述真伪特征确定所述待识别图像的真伪识别结果。
2.根据权利要求1所述的方法，其特征在于，所述将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据所述真伪特征确定所述待识别图像的真伪识别结果，包括：
将数据标准化处理后的目标车牌图像输入卷积神经网络以提取所述目标车牌图像的边框特征；
当检测到所述边框特征中存在异常边框特征时，判定所述待识别图像为伪造车牌图像；其中，所述异常边框特征包括纸质边框特征、设备边框特征。
3.根据权利要求1所述的方法，其特征在于，所述将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据所述真伪特征确定所述待识别图像的真伪识别结果，包括：
基于预设纹理描述算子从所述目标车牌图像中提取到所述目标车牌图像的局部纹理特征，根据所述局部纹理特征判断所述目标车牌图像中是否存在摩尔纹；
当所述目标车牌图像中存在所述摩尔纹，判定所述待识别图像为伪造车牌图像。
4.根据权利要求1所述的方法，其特征在于，所述将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据所述真伪特征确定所述待识别图像的真伪识别结果，包括：
获取所述目标车牌图像的分辨率，识别所述目标车牌图像的干扰因子，根据所述分辨率及所述干扰因子计算所述目标车牌图像的目标清晰度分数；其中，所述干扰因子包括锯齿及马赛克中的至少一种；
获取标准清晰度分数，当所述目标清晰度分数与所述标准清晰度分数的差值大于预设阈值时，判定所述待识别图像为伪造车牌图像；其中，所述标准清晰度分数为根据监控摄像头拍摄得到的标准图像计算得到的标准分数。
5.根据权利要求1所述的方法，其特征在于，所述将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据所述真伪特征确定所述待识别图像的真伪识别结果，包括：
获取所述目标车牌图像中在车牌边框每一单边上的预设数量个定位坐标；
根据每相邻两个的定位坐标计算相邻倾斜角度，根据所述相邻倾斜角度计算每一单边的单边形变程度；
获取形变程度阈值，当任一单边的单边形变程度大于所述形变程度阈值时，判定所述目标车牌图像为伪造车牌图像。
6.根据权利要求1所述的方法，其特征在于，所述根据所述车牌坐标截取所述待识别图像中的目标车牌图像，包括：
根据所述车牌坐标确定车牌的定位轮廓边界；
将所述定位轮廓边界进行比例或等距离的边界扩充，得到车牌的扩充边界，截取所述扩充边界内的图像，将所述扩充边界内的图像作为所述待识别图像中的所述目标车牌图像。
7.根据权利要求1所述的方法，其特征在于，所述对所述目标车牌图像进行数据标准化处理，包括：
获取所述目标车牌图像中每个像素点的像素值，根据所述每个像素点的像素值计算所述目标车牌图像的像素值均值，将所述每个像素点的像素值减去所述像素值均值；
将减去所述像素值均值后的每个像素点的像素值除以标准差，以得到每个像素点的像素值为标准像素值的目标车牌图像。
8.一种车牌图像真伪识别装置，其特征在于，所述装置包括：
图像获取模块，用于获取待识别图像，将所述待识别图像输入车牌定位模型以定位车牌坐标，根据所述车牌坐标截取所述待识别图像中的目标车牌图像；
真伪识别模块，用于对所述目标车牌图像进行数据标准化处理，将数据标准化处理后的目标车牌图像输入卷积神经网络以提取真伪特征，根据所述真伪特征确定所述待识别图像的真伪识别结果。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
10.一种车牌图像真伪识别设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。
CN202011468154.5A 2020-12-14 2020-12-14 车牌图像真伪识别方法、装置、设备和介质 Pending CN112465807A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011468154.5A CN112465807A (zh) 2020-12-14 2020-12-14 车牌图像真伪识别方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011468154.5A CN112465807A (zh) 2020-12-14 2020-12-14 车牌图像真伪识别方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN112465807A true CN112465807A (zh) 2021-03-09

Family

ID=74803165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011468154.5A Pending CN112465807A (zh) 2020-12-14 2020-12-14 车牌图像真伪识别方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN112465807A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926676A (zh) * 2021-03-24 2021-06-08 成都新潮传媒集团有限公司 一种虚假目标识别方法、装置及计算机设备
CN113239931A (zh) * 2021-05-17 2021-08-10 上海中通吉网络技术有限公司 一种物流站车牌识别的方法
CN114462646A (zh) * 2022-03-15 2022-05-10 成都中轨轨道设备有限公司 一种基于接触网安全巡检的杆号牌识别方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112926676A (zh) * 2021-03-24 2021-06-08 成都新潮传媒集团有限公司 一种虚假目标识别方法、装置及计算机设备
CN112926676B (zh) * 2021-03-24 2022-12-13 成都新潮传媒集团有限公司 一种虚假目标识别方法、装置及计算机设备
CN113239931A (zh) * 2021-05-17 2021-08-10 上海中通吉网络技术有限公司 一种物流站车牌识别的方法
CN114462646A (zh) * 2022-03-15 2022-05-10 成都中轨轨道设备有限公司 一种基于接触网安全巡检的杆号牌识别方法及系统
CN114462646B (zh) * 2022-03-15 2022-11-15 成都中轨轨道设备有限公司 一种基于接触网安全巡检的杆号牌识别方法及系统

Similar Documents

Publication Publication Date Title
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
CN112465807A (zh) 车牌图像真伪识别方法、装置、设备和介质
CN109859227B (zh) 翻拍图像检测方法、装置、计算机设备及存储介质
CN110930353A (zh) 孔位保护门状态检测方法、装置、计算机设备和存储介质
CN110163842B (zh) 建筑裂缝检测方法、装置、计算机设备和存储介质
CN109492642B (zh) 车牌识别方法、装置、计算机设备及存储介质
CN110569769A (zh) 图像识别方法、装置、计算机设备和存储介质
US20210166015A1 (en) Certificate image extraction method and terminal device
CN111461170A (zh) 车辆图像检测方法、装置、计算机设备及存储介质
CN111680690B (zh) 一种文字识别方法及装置
CN110378351B (zh) 印章鉴别方法及装置
CN112418009A (zh) 一种图像质量检测方法、终端设备及存储介质
CN114022403A (zh) 检测显示面板不良的方法及装置
CN111259891B (zh) 一种自然场景下身份证识别方法、装置、设备和介质
CN113781406B (zh) 电子元器件的划痕检测方法、装置及计算机设备
CN109300127A (zh) 缺陷检测方法、装置、计算机设备及存储介质
CN111178359A (zh) 车牌号码识别方法、装置和设备及计算机存储介质
CN111104826A (zh) 一种车牌字符识别方法、装置及电子设备
CN113139399A (zh) 一种图像线框识别方法及服务器
JP4224328B2 (ja) 車番認識装置
CN104408430B (zh) 一种车牌定位方法及装置
CN115937107A (zh) 一种两阶段坯布缺陷检测方法、系统、介质及计算机
CN110598575A (zh) 表格版面分析与提取方法及相关装置
CN115797314A (zh) 零件表面缺陷检测方法、系统、设备及存储介质
CN115345841A (zh) 一种图像缺陷样本生成方法、系统、计算机设备、及介质

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