CN117235337A - 一种车牌识别错误过滤方法、装置、设备及介质 - Google Patents
一种车牌识别错误过滤方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117235337A CN117235337A CN202311129307.7A CN202311129307A CN117235337A CN 117235337 A CN117235337 A CN 117235337A CN 202311129307 A CN202311129307 A CN 202311129307A CN 117235337 A CN117235337 A CN 117235337A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- fake
- license
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000001914 filtration Methods 0.000 title claims abstract description 57
- 238000004590 computer program Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车牌识别错误过滤方法、装置、设备及介质,方法包括获取车辆的过车记录数据和车管所存储的车辆数据,将车辆的过车记录数据与车管所存储的车辆数据进行比对,得到初步被认定为假牌的疑似假牌数据,并将疑似假牌数据存入第一索引;对于初步认定为假牌的疑似假牌数据,根据过车记录数据查询车辆在预设时间段内的所有过车记录,从而得到车辆的轨迹数据;根据车辆的轨迹数据计算卡口联合识别率,并根据卡口联合识别率对疑似假牌数据进行过滤。本发明的优点:通过利用多个卡口的数据和车辆轨迹信息,结合卡口联合识别率和轨迹合理概率对初步识别为假牌的假牌数据进行过滤,可以提高车牌识别的可靠性和准确性,减少错误识别带来的问题。
Description
技术领域
本发明涉及智能交通技术领域,特别涉及一种车牌识别错误过滤方法、装置、设备及介质。
背景技术
随着信息化的发展,机动车保有量不断增长,各种交通违法、违章现象也日渐增多,其中,假牌的违法行为存在很大的危害行为。假牌是指在交通管理、安全监控和公共安全等领域,利用车牌识别技术来检测和防范使用伪造、篡改或非法车牌的行为。
车牌识别系统通常基于图像处理、计算机视觉和机器学习等技术,通过识别车辆上的车牌号码来实现对车辆的自动监控和管理。目前假牌分析技术基本是将卡口过车记录识别的车牌号码与车管所登记的车牌号码进行对比,如果在车管所中找不到车牌则被记录为疑似假牌。车牌识别系统可能会面临各种问题,导致车牌识别错误产生大量的疑似假牌数据,这给人工认定造成了很大的工作量,所以对于过滤疑似假牌中车牌识别错误的数据显得尤为重要,可以大量减少人工判断工作,提高工作效率。为了减少车牌识别错误的数据,提高车牌识别的准确性,现有技术通常采用以下两种方法:
第一种是提高假牌分析的准确度,从根源的处理角度是提高车牌识别系统的准确度,然而在实际应用过程中,车牌识别系统可能会面临各种问题,导致错误识别的情况频发,例如图像模糊、光照不足、反射、遮挡等因素,都可能导致车牌图像质量偏差,进而影响车牌识别的准确性等。
第二种是公开号为CN107329977B提出的一种基于概率分布的假牌车二次筛选方法,根据车辆流向的空间概率分布,确定每一种字符识别错误概率,根据车牌符合空间分布的概率与字符识别错误概率,综合判定号牌假牌概率。然而,该方法的有效性和准确性依赖于获取的卡口过车记录数据的质量和完整性,当卡口过车记录数据不全或存在噪声时,也会影响车牌识别的准确性。由上述可知,现有技术在对车牌进行识别时,仍然存在对车牌识别错误数据过滤不佳,进而会影响车牌识别的准确性的问题。
发明内容
本发明要解决的技术问题,在于提供一种车牌识别错误过滤方法、装置、设备及介质,解决现有技术在对车牌进行识别时,仍然存在对车牌识别错误数据过滤不佳,导致会影响车牌识别的准确性的问题。
第一方面,本发明提供了一种车牌识别错误过滤方法,所述方法包括如下步骤:
获取车辆的过车记录数据和车管所存储的车辆数据,将车辆的过车记录数据与车管所存储的车辆数据进行比对,得到初步被认定为假牌的疑似假牌数据,并将疑似假牌数据存入第一索引;
对于初步认定为假牌的疑似假牌数据,根据过车记录数据查询车辆在预设时间段内的所有过车记录,从而得到车辆的轨迹数据;根据车辆的轨迹数据计算卡口联合识别率,并根据卡口联合识别率对疑似假牌数据进行过滤。
进一步的,所述方法还包括:根据车辆的轨迹数据和点位关联配置表计算轨迹合理性概率,并根据轨迹合理性概率对疑似假牌数据进行过滤;所述点位关联配置表在初始化时,通过计算一段时间内的过车轨迹数据来统计出每个点位所对应的上行点位和下行点位的概率分布情况。
进一步的,所述获取车辆的过车记录数据和车管所存储的车辆数据具体包括:
从kafka获取车辆的过车记录数据,取出过车记录数据中的车牌号码,判断取出的车牌号码是否符合设定的正则表达式,如果符合,则保留车辆的过车记录数据;如果不符合,则丢弃车辆的过车记录数据;
获取车管所中存储的车辆登记信息,车辆登记信息包括车牌号码、车牌种类和其它信息,将车牌号码和车牌种类作为key放入到redis中,将其它信息作为value;
所述将车辆的过车记录数据与车管所存储的车辆数据进行比对,得到初步被认定为假牌的疑似假牌数据,并将疑似假牌数据存入第一索引具体包括:
根据获取的车辆的过车记录数据,以车牌号码和车牌种类作为key到redis中查询是否存在对应的数据,如果存在对应的数据,则认定为真牌;如果不存在对应的数据,则认定为假牌,并将车辆的过车记录数据存入到elasticsearch的第一索引中,从而得到初步被认定为假牌的疑似假牌数据列表,第一索引的字段包括主键、车牌号码、车牌种类、过车时间、点位id、设备id和区域id。
进一步的,所述根据过车记录数据查询车辆在预设时间段内的所有过车记录,从而得到车辆的轨迹数据具体包括:
获取第一索引中被初步认定为假牌的疑似假牌数据列表;循环取出疑似假牌数据列表中的疑似假牌数据,通过疑似假牌数据中的车牌号码和车牌种类,分别查询出在过车时间之前的第一预设时间段内的过车记录作为上行过车轨迹以及在过车时间之后的第二预设时间段内的过车记录作为下行过车轨迹,从而得到车辆的轨迹数据,其中,第一预设时间段与第二预设时间段相等;同时,如果上行过车轨迹和下行过车轨迹的点位数量均为零,则将该疑似假牌数据从第一索引的疑似假牌数据列表中删除。
进一步的,所述根据车辆的轨迹数据计算卡口联合识别率,并根据卡口联合识别率对疑似假牌数据进行过滤具体包括:
当上行过车轨迹和下行过车轨迹的点位总数大于等于预设值时,计算出卡口联合识别率Score1=N/M,其中,M为根据卡口覆盖率设置的一个常数,N为上行过车轨迹和下行过车轨迹的点位总数;
判断计算出的卡口联合识别率score1是否大于等于预设的第一阈值,如果是,则将该疑似假牌数据判定为高概率假牌数据并存入到第二索引中,第二索引的字段包括主键、车牌号码、车牌种类、过车时间、点位id、设备id、区域id和识别正确的概率;如果否,则将该疑似假牌数据从第一索引的疑似假牌数据列表中删除。
进一步的,所述根据车辆的轨迹数据和点位关联配置表计算轨迹合理性概率,并根据轨迹合理性概率对疑似假牌数据进行过滤具体包括:
当上行过车轨迹和下行过车轨迹的点位总数小于预设值时,根据疑似假牌数据中的点位id和上行过车轨迹,获取以该疑似假牌数据的点位id为开始的上行过车轨迹所对应的上行点位关联表;同时,根据疑似假牌数据中的点位id和下行过车轨迹,获取以该疑似假牌数据的点位id为开始的下行过车轨迹所对应的下行点位关联表,其中,所述上行点位关联表和下行点位关联表中各个点位的关联概率从点位关联配置表中查询;
计算出轨迹合理性概率Score2=A/C1+B/C2,其中,A表示上行点位关联表中各个点位的关联概率之和,C1表示上行点位关联表中点位的数量,B表示下行点位关联表中各个点位的关联概率,C2表示下行点位关联表中点位的数量;
判断计算出的轨迹合理性概率score2是否大于等于预设的第二阈值,如果是,则将该疑似假牌数据判定为高概率假牌数据并存入到第二索引中,第二索引的字段包括主键、车牌号码、车牌种类、过车时间、点位id、设备id、区域id和识别正确的概率;如果否,则将该疑似假牌数据从第一索引的疑似假牌数据列表中删除。
第二方面,本发明提供了一种车牌识别错误过滤装置,包括初步比对模块和过滤模块;
所述初步比对模块,用于获取车辆的过车记录数据和车管所存储的车辆数据,将车辆的过车记录数据与车管所存储的车辆数据进行比对,得到初步被认定为假牌的疑似假牌数据,并将疑似假牌数据存入第一索引;
所述过滤模块,用于对于初步认定为假牌的疑似假牌数据,根据过车记录数据查询车辆在预设时间段内的所有过车记录,从而得到车辆的轨迹数据;根据车辆的轨迹数据计算卡口联合识别率,并根据卡口联合识别率对疑似假牌数据进行过滤。
进一步的,所述过滤模块,还用于根据车辆的轨迹数据和点位关联配置表计算轨迹合理性概率,并根据轨迹合理性概率对疑似假牌数据进行过滤;;所述点位关联配置表在初始化时,通过计算一段时间内的过车轨迹数据来统计出每个点位所对应的上行点位和下行点位的概率分布情况。
第三方面,本发明提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面所述的方法。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述的方法。
本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过利用多个卡口的数据和车辆轨迹信息,结合卡口联合识别率和轨迹合理概率对初步识别为假牌的假牌数据进行过滤,可以提高车牌识别的可靠性和准确性,减少错误识别带来的问题;通过轨迹数据的分析,可以检测出跨卡口的异常轨迹,进一步提高对假牌的筛选效果;同时能够处理因特定场景、车辆运动状态或拍摄条件造成的车牌识别错误,增强了方法的适应性和鲁棒性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明实施例一中一种车牌识别错误过滤方法的执行流程图;
图2为本发明实施例二中一种车牌识别错误过滤装置的结构示意图;
图3为本发明实施例三中电子设备的结构示意图;
图4为本发明实施例四中介质的结构示意图。
具体实施方式
为了更好地理解本发明的技术方案,下面将结合说明书附图以及具体的实施方式对本发明的技术方案进行详细的说明。
实施例一
本实施例提供一种车牌识别错误过滤方法,如图1所示,所述方法包括如下步骤:
步骤S1、获取车辆的过车记录数据和车管所存储的车辆数据,将车辆的过车记录数据与车管所存储的车辆数据进行比对,得到初步被认定为假牌的疑似假牌数据,并将疑似假牌数据存入第一索引;由于车辆的过车记录数据是通过设置在卡口的车牌识别系统采集记录的,而车牌识别系统在实际使用的过程中可能会面临各种问题(如图像模糊、光照不足、反射、遮挡等),导致难以避免会出现车牌识别错误的情况,因此需要对初步被认定为假牌的疑似假牌数据进行进一步过滤;
步骤S2、对于初步认定为假牌的疑似假牌数据,根据过车记录数据查询车辆在预设时间段内的所有过车记录,从而得到车辆的轨迹数据;根据车辆的轨迹数据计算卡口联合识别率,并根据卡口联合识别率对疑似假牌数据进行过滤,从而提升车牌识别的可靠性和准确性。
在本发明中,所述方法还包括:根据车辆的轨迹数据和点位关联配置表计算轨迹合理性概率,并根据轨迹合理性概率对疑似假牌数据进行过滤,以进一步提升车牌识别的可靠性和准确性;所述点位关联配置表在初始化时,通过计算一段时间内的过车轨迹数据来统计出每个点位所对应的上行点位和下行点位的概率分布情况。所述点位关联配置表具体如下:
点位id | 关联点位id | 关联点位类型 | 关联概率 |
11 | 22 | 上行 | 0.5 |
11 | 33 | 上行 | 0.3 |
11 | 44 | 下行 | 0.7 |
11 | 无 | 上行 | 0.2 |
11 | 无 | 下行 | 0.2 |
… |
本发明在具体实施时,所述点位关联配置表在初始化时,可以通过计算一个月内的过车轨迹数据来统计出每个点位所对应的上行点位和下行点位的概率分布情况,并且初始化后也可通过人工进行手动调整。具体在对点位关联配置表进行初始化时,可将最近一个月内有车牌的过车轨迹数据放入到数据库中,并利用sql的窗口函数lag()和lead()函数,分别计算出每个卡口在这个月内与其下联卡口的关联次数以及每个卡口在这个月内与其上联卡口的关联次数,从而生成两个中间结果表;利用生成的两个中间结果表计算得到点位关联配置表,例如针对卡口1,该卡口1的下联卡口有卡口2和卡口3,该卡口1的上联卡口有卡口4,那么在具体计算时,需要将卡口2与卡口1的关联次数、卡口3与卡口1的关联次数以及卡口4与卡口1的关联次数先相加得到卡口1的总关联次数,再将卡口2与卡口1的关联次数除以卡口1的总关联次数就可以得到卡口2与卡口1的关联概率。
在本发明的一些实施例中,所述获取车辆的过车记录数据和车管所存储的车辆数据具体包括:
从kafka获取车辆的过车记录数据,kafka中的过车记录数据如下:
取出过车记录数据中的车牌号码,即取出kafka中的pass_plate_no,判断取出的车牌号码是否符合设定的正则表达式,如果符合,则保留车辆的过车记录数据;如果不符合,则丢弃车辆的过车记录数据;由于不同地区的车管所通常都只存储有本地区的车辆登记信息,因此需要对不同地区设置对应的正则表达式,并利用正则表达式对过车记录数据进行过滤,以保证后续可以将车辆的过车记录数据与车管所存储的车辆数据进行比对;
获取车管所中存储的车辆登记信息,车辆登记信息包括车牌号码cphm、车牌种类cpzl和其它信息,将车牌号码和车牌种类(即cphm-cpzl)作为key放入到redis中,将其它信息作为value,例如value为车身颜色等。
在本发明的一些实施例中,所述将车辆的过车记录数据与车管所存储的车辆数据进行比对,得到初步被认定为假牌的疑似假牌数据,并将疑似假牌数据存入第一索引具体包括:
根据获取的车辆的过车记录数据,以车牌号码(pass_plate_no)和车牌种类(pass_plate_type)作为key到redis中查询是否存在对应的数据,如果存在对应的数据,则认定为真牌,此时不将车辆的过车记录数据存入第一索引its_pre_fake中;如果不存在对应的数据,则认定为假牌,并将车辆的过车记录数据存入到elasticsearch的第一索引its_pre_fake中,从而得到初步被认定为假牌的疑似假牌数据列表fakeList,第一索引的字段包括主键、车牌号码、车牌种类、过车时间、点位id、设备id和区域id,具体如下:
在本发明的一些实施例中,所述根据过车记录数据查询车辆在预设时间段内的所有过车记录,从而得到车辆的轨迹数据具体包括:
获取第一索引its_pre_fake中被初步认定为假牌的疑似假牌数据列表fakeList;循环取出疑似假牌数据列表fakeList中的疑似假牌数据,通过疑似假牌数据中的车牌号码(cphm)和车牌种类(cpzl),分别查询出在过车时间(gcsj)之前的第一预设时间段内的过车记录作为上行过车轨迹list1以及在过车时间之后的第二预设时间段内的过车记录作为下行过车轨迹list2,从而得到车辆的轨迹数据,其中,第一预设时间段与第二预设时间段相等;本发明在具体实施时,所述第一预设时间段与第二预设时间可以根据实际需要进行设置,例如以取出的疑似假牌数据的过车时间为中间时间,分别查询出前3个小时内的过车记录作为上行过车轨迹list1和后3个小时内的过车记录作为下行过车轨迹list2;
同时,如果上行过车轨迹和下行过车轨迹的点位数量均为零,则将该疑似假牌数据从第一索引的疑似假牌数据列表中删除;由于按照当前卡口建设的覆盖率,一辆车在路上行驶只被抓拍到一次的概率非常小,因此如果上行过车轨迹和下行过车轨迹的点位数量均为零,说明这个车牌有很大概率是车牌识别错误的数据,可以直接将该疑似假牌数据从第一索引的疑似假牌数据列表中删除。
在本发明的一些实施例中,所述根据车辆的轨迹数据计算卡口联合识别率,并根据卡口联合识别率对疑似假牌数据进行过滤具体包括:
当上行过车轨迹和下行过车轨迹的点位总数大于等于预设值时,计算出卡口联合识别率Score1=N/M,其中,M为根据卡口覆盖率设置的一个常数,N为上行过车轨迹和下行过车轨迹的点位总数,例如,M取值为6,针对某一条疑似假牌数据,其上行过车轨迹和下行过车轨迹的点位总数为5,那么卡口联合识别率Score1=5/6;优选的,所述预设值为4,所述M为6,也就是说,当上行过车轨迹和下行过车轨迹的点位总数大于等于4时,说明该地区的卡口覆盖率比较高,通过实际试验,M取值为6可以获得比较理想的结果;当然,本发明并不仅限于此,在具体实施时还可以根据实际卡口覆盖率情况等对预设值和M的取值进行调整。
判断计算出的卡口联合识别率score1是否大于等于预设的第一阈值,如果是,则将该疑似假牌数据判定为高概率假牌数据并存入到第二索引its_fake中,第二索引的字段包括主键、车牌号码、车牌种类、过车时间、点位id、设备id、区域id和识别正确的概率,具体如下:
如果否,则将该疑似假牌数据从第一索引its_pre_fake的疑似假牌数据列表中删除。优选的,所述第一阈值为0.8,即如果计算出的卡口联合识别率score1大于等于0.8,说明该疑似假牌数据具有比较高的概率为假牌,此时将该疑似假牌数据存入到第二索引its_fake中;当然,本发明并不仅限于此,在具体实施时还可以根据实际需要对所述第一阈值的取值进行调整。
在本发明的一些实施例中,所述根据车辆的轨迹数据和点位关联配置表计算轨迹合理性概率,并根据轨迹合理性概率对疑似假牌数据进行过滤具体包括:
当上行过车轨迹和下行过车轨迹的点位总数小于预设值时,根据疑似假牌数据中的点位id和上行过车轨迹,获取以该疑似假牌数据的点位id为开始的上行过车轨迹所对应的上行点位关联表;同时,根据疑似假牌数据中的点位id和下行过车轨迹,获取以该疑似假牌数据的点位id为开始的下行过车轨迹所对应的下行点位关联表,其中,所述上行点位关联表和下行点位关联表中各个点位的关联概率从点位关联配置表中查询;
计算出轨迹合理性概率Score2=A/C1+B/C2,其中,A表示上行点位关联表中各个点位的关联概率之和,C1表示上行点位关联表中点位的数量,B表示下行点位关联表中各个点位的关联概率,C2表示下行点位关联表中点位的数量;
判断计算出的轨迹合理性概率score2是否大于等于预设的第二阈值,如果是,则将该疑似假牌数据判定为高概率假牌数据并存入到第二索引its_fake中,第二索引的字段包括主键、车牌号码、车牌种类、过车时间、点位id、设备id、区域id和识别正确的概率,具体如下:
如果否,则将该疑似假牌数据从第一索引its_pre_fake的疑似假牌数据列表中删除。优选的,所述第二阈值为0.8,即如果计算出的轨迹合理性概率score2大于等于0.8,说明该疑似假牌数据具有比较高的概率为假牌,此时将该疑似假牌数据存入到第二索引its_fake中;当然,本发明并不仅限于此,在具体实施时还可以根据实际需要对所述第一阈值的取值进行调整。通过比对第一索引its_pre_fake与第二索引its_fake可以发现,第二索引its_fake比第一索引its_pre_fake多了一个score的字段,这样前端展示的时候可以根据score进行排序,同时可以通过人工认定假牌数据。
针对轨迹合理性概率的计算,下面通过一个具体例子来做进一步介绍说明:
针对疑似假牌数据的点位id(记录为fake_dwid)和上行过车轨迹list1,获取到的上行点位关联表如下:
针对疑似假牌数据的点位id(记录为fake_dwid)和下行过车轨迹list2,获取到的下行点位关联表如下:
那么,轨迹合理性概率score2=(sp1+sp2+…+spi)/i+(xp1+xp2+…+xpj)/j,其中,i表示上行点位关联表中点位的数量,j表示下行点位关联表中点位的数量。
本发明在具体实施时,针对卡口覆盖率比较高的地区,可采用直接计算出卡口联合识别率Score1进行过滤;而对于卡口覆盖率比较低的地区,则可以通过计算轨迹合理性概率进行过滤;当然在需要的情况下,针对卡口覆盖率比较高的地区也可以采用计算轨迹合理性概率进行过滤。
综上所述,本发明通过利用多个卡口的卡口联合识别率和轨迹合理性概率来作为车牌识别错误的过滤方法。具体来说就是获取初步认定的假牌数据:通过过车记录数据与车管所存储的车辆数据的比对,得到初步被认定为假牌的数据集合,而这些数据可能包含由于各种原因导致的车牌识别错误,需要进一步验证和过滤;轨迹数据获取:对于初步识别为假牌的假牌数据,根据车辆的通行记录数据,查询该车辆前后几小时的过车记录数据,得到车辆的轨迹数据;卡口联合识别率计算:对于车辆的轨迹数据,一方面,通过多个卡口的卡口联合识别率来判断车牌识别的准确性,如果该车牌在这前后几小时经过多个卡口,并且轨迹合理可判断为同一车辆,那联合上这几个卡口的识别率可提高该车牌被识别正确的置信度;轨迹合理概率计算:另一方面,可以通过统计分析来计算车辆轨迹的合理性概率,合理的车辆轨迹应该符合交通规律和道路网络,比如车辆在短时间内不可能在两个相隔较远的地点出现,再联合已经配置好的点位关联表进行计算,通过计算车辆轨迹的合理性概率,可以辅助判断车牌识别错误的可能性;综合判定车牌错误概率:利用卡口联合识别率和轨迹合理概率,可以得到每个被初步识别为假牌的假牌数据的车牌错误概率,根据设定的阈值,将概率较高的错误识别结果过滤掉,从而得到较为准确的车牌识别结果。本发明方法通过利用多个卡口的数据和车辆轨迹信息,结合卡口联合识别率和轨迹合理概率对初步识别为假牌的假牌数据进行过滤,可以提高车牌识别的可靠性和准确性,减少错误识别带来的问题;通过轨迹数据的分析,可以检测出跨卡口的异常轨迹,进一步提高对假牌的筛选效果;同时能够处理因特定场景、车辆运动状态或拍摄条件造成的车牌识别错误,增强了方法的适应性和鲁棒性。
基于同一发明构思,本申请还提供了与实施例一中的方法对应的装置,详见实施例二。
实施例二
在本实施例中提供了一种车牌识别错误过滤装置,如图2所示,包括初步比对模块和过滤模块;
所述初步比对模块,用于获取车辆的过车记录数据和车管所存储的车辆数据,将车辆的过车记录数据与车管所存储的车辆数据进行比对,得到初步被认定为假牌的疑似假牌数据,并将疑似假牌数据存入第一索引;由于车辆的过车记录数据是通过设置在卡口的车牌识别系统采集记录的,而车牌识别系统在实际使用的过程中可能会面临各种问题(如图像模糊、光照不足、反射、遮挡等),导致难以避免会出现车牌识别错误的情况,因此需要对初步被认定为假牌的疑似假牌数据进行进一步过滤;
所述过滤模块,用于对于初步认定为假牌的疑似假牌数据,根据过车记录数据查询车辆在预设时间段内的所有过车记录,从而得到车辆的轨迹数据;根据车辆的轨迹数据计算卡口联合识别率,并根据卡口联合识别率对疑似假牌数据进行过滤,从而提升车牌识别的可靠性和准确性。
在本发明中,所述过滤模块,还用于根据车辆的轨迹数据和点位关联配置表计算轨迹合理性概率,并根据轨迹合理性概率对疑似假牌数据进行过滤,以进一步提升车牌识别的可靠性和准确性;所述点位关联配置表在初始化时,通过计算一段时间内的过车轨迹数据来统计出每个点位所对应的上行点位和下行点位的概率分布情况。所述点位关联配置表具体如下:
点位id | 关联点位id | 关联点位类型 | 关联概率 |
11 | 22 | 上行 | 0.5 |
11 | 33 | 上行 | 0.3 |
11 | 44 | 下行 | 0.7 |
11 | 无 | 上行 | 0.2 |
11 | 无 | 下行 | 0.2 |
… |
本发明在具体实施时,所述点位关联配置表在初始化时,可以通过计算一个月内的过车轨迹数据来统计出每个点位所对应的上行点位和下行点位的概率分布情况,并且初始化后也可通过人工进行手动调整。具体在对点位关联配置表进行初始化时,可将最近一个月内有车牌的过车轨迹数据放入到数据库中,并利用sql的窗口函数lag()和lead()函数,分别计算出每个卡口在这个月内与其下联卡口的关联次数以及每个卡口在这个月内与其上联卡口的关联次数,从而生成两个中间结果表;利用生成的两个中间结果表计算得到点位关联配置表,例如针对卡口1,该卡口1的下联卡口有卡口2和卡口3,该卡口1的上联卡口有卡口4,那么在具体计算时,需要将卡口2与卡口1的关联次数、卡口3与卡口1的关联次数以及卡口4与卡口1的关联次数先相加得到卡口1的总关联次数,再将卡口2与卡口1的关联次数除以卡口1的总关联次数就可以得到卡口2与卡口1的关联概率。
在本发明的一些实施例中,所述获取车辆的过车记录数据和车管所存储的车辆数据具体包括:
从kafka获取车辆的过车记录数据,kafka中的过车记录数据如下:
取出过车记录数据中的车牌号码,即取出kafka中的pass_plate_no,判断取出的车牌号码是否符合设定的正则表达式,如果符合,则保留车辆的过车记录数据;如果不符合,则丢弃车辆的过车记录数据;由于不同地区的车管所通常都只存储有本地区的车辆登记信息,因此需要对不同地区设置对应的正则表达式,并利用正则表达式对过车记录数据进行过滤,以保证后续可以将车辆的过车记录数据与车管所存储的车辆数据进行比对;
获取车管所中存储的车辆登记信息,车辆登记信息包括车牌号码cphm、车牌种类cpzl和其它信息,将车牌号码和车牌种类(即cphm-cpzl)作为key放入到redis中,将其它信息作为value,例如value为车身颜色等。
在本发明的一些实施例中,所述将车辆的过车记录数据与车管所存储的车辆数据进行比对,得到初步被认定为假牌的疑似假牌数据,并将疑似假牌数据存入第一索引具体包括:
根据获取的车辆的过车记录数据,以车牌号码(pass_plate_no)和车牌种类(pass_plate_type)作为key到redis中查询是否存在对应的数据,如果存在对应的数据,则认定为真牌,此时不将车辆的过车记录数据存入第一索引its_pre_fake中;如果不存在对应的数据,则认定为假牌,并将车辆的过车记录数据存入到elasticsearch的第一索引its_pre_fake中,从而得到初步被认定为假牌的疑似假牌数据列表fakeList,第一索引的字段包括主键、车牌号码、车牌种类、过车时间、点位id、设备id和区域id,具体如下:
在本发明的一些实施例中,所述根据过车记录数据查询车辆在预设时间段内的所有过车记录,从而得到车辆的轨迹数据具体包括:
获取第一索引its_pre_fake中被初步认定为假牌的疑似假牌数据列表fakeList;循环取出疑似假牌数据列表fakeList中的疑似假牌数据,通过疑似假牌数据中的车牌号码(cphm)和车牌种类(cpzl),分别查询出在过车时间(gcsj)之前的第一预设时间段内的过车记录作为上行过车轨迹list1以及在过车时间之后的第二预设时间段内的过车记录作为下行过车轨迹list2,从而得到车辆的轨迹数据,其中,第一预设时间段与第二预设时间段相等;本发明在具体实施时,所述第一预设时间段与第二预设时间可以根据实际需要进行设置,例如以取出的疑似假牌数据的过车时间为中间时间,分别查询出前3个小时内的过车记录作为上行过车轨迹list1和后3个小时内的过车记录作为下行过车轨迹list2;
同时,如果上行过车轨迹和下行过车轨迹的点位数量均为零,则将该疑似假牌数据从第一索引的疑似假牌数据列表中删除;由于按照当前卡口建设的覆盖率,一辆车在路上行驶只被抓拍到一次的概率非常小,因此如果上行过车轨迹和下行过车轨迹的点位数量均为零,说明这个车牌有很大概率是车牌识别错误的数据,可以直接将该疑似假牌数据从第一索引的疑似假牌数据列表中删除。
在本发明的一些实施例中,所述根据车辆的轨迹数据计算卡口联合识别率,并根据卡口联合识别率对疑似假牌数据进行过滤具体包括:
当上行过车轨迹和下行过车轨迹的点位总数大于等于预设值时,计算出卡口联合识别率Score1=N/M,其中,M为根据卡口覆盖率设置的一个常数,N为上行过车轨迹和下行过车轨迹的点位总数,例如,M取值为6,针对某一条疑似假牌数据,其上行过车轨迹和下行过车轨迹的点位总数为5,那么卡口联合识别率Score1=5/6;优选的,所述预设值为4,所述M为6,也就是说,当上行过车轨迹和下行过车轨迹的点位总数大于等于4时,说明该地区的卡口覆盖率比较高,通过实际试验,M取值为6可以获得比较理想的结果;当然,本发明并不仅限于此,在具体实施时还可以根据实际卡口覆盖率情况等对预设值和M的取值进行调整。
判断计算出的卡口联合识别率score1是否大于等于预设的第一阈值,如果是,则将该疑似假牌数据判定为高概率假牌数据并存入到第二索引its_fake中,第二索引的字段包括主键、车牌号码、车牌种类、过车时间、点位id、设备id、区域id和识别正确的概率,具体如下:
如果否,则将该疑似假牌数据从第一索引its_pre_fake的疑似假牌数据列表中删除。优选的,所述第一阈值为0.8,即如果计算出的卡口联合识别率score1大于等于0.8,说明该疑似假牌数据具有比较高的概率为假牌,此时将该疑似假牌数据存入到第二索引its_fake中;当然,本发明并不仅限于此,在具体实施时还可以根据实际需要对所述第一阈值的取值进行调整。
在本发明的一些实施例中,所述根据车辆的轨迹数据和点位关联配置表计算轨迹合理性概率,并根据轨迹合理性概率对疑似假牌数据进行过滤具体包括:
当上行过车轨迹和下行过车轨迹的点位总数小于预设值时,根据疑似假牌数据中的点位id和上行过车轨迹,获取以该疑似假牌数据的点位id为开始的上行过车轨迹所对应的上行点位关联表;同时,根据疑似假牌数据中的点位id和下行过车轨迹,获取以该疑似假牌数据的点位id为开始的下行过车轨迹所对应的下行点位关联表,其中,所述上行点位关联表和下行点位关联表中各个点位的关联概率从点位关联配置表中查询;
计算出轨迹合理性概率Score2=A/C1+B/C2,其中,A表示上行点位关联表中各个点位的关联概率之和,C1表示上行点位关联表中点位的数量,B表示下行点位关联表中各个点位的关联概率,C2表示下行点位关联表中点位的数量;
判断计算出的轨迹合理性概率score2是否大于等于预设的第二阈值,如果是,则将该疑似假牌数据判定为高概率假牌数据并存入到第二索引its_fake中,第二索引的字段包括主键、车牌号码、车牌种类、过车时间、点位id、设备id、区域id和识别正确的概率,具体如下:
如果否,则将该疑似假牌数据从第一索引its_pre_fake的疑似假牌数据列表中删除。优选的,所述第二阈值为0.8,即如果计算出的轨迹合理性概率score2大于等于0.8,说明该疑似假牌数据具有比较高的概率为假牌,此时将该疑似假牌数据存入到第二索引its_fake中;当然,本发明并不仅限于此,在具体实施时还可以根据实际需要对所述第一阈值的取值进行调整。通过比对第一索引its_pre_fake与第二索引its_fake可以发现,第二索引its_fake比第一索引its_pre_fake多了一个score的字段,这样前端展示的时候可以根据score进行排序,同时可以通过人工认定假牌数据。
针对轨迹合理性概率的计算,下面通过一个具体例子来做进一步介绍说明:
针对疑似假牌数据的点位id(记录为fake_dwid)和上行过车轨迹list1,获取到的上行点位关联表如下:
针对疑似假牌数据的点位id(记录为fake_dwid)和下行过车轨迹list2,获取到的下行点位关联表如下:
那么,轨迹合理性概率score2=(sp1+sp2+…+spi)/i+(xp1+xp2+…+xpj)/j,其中,i表示上行点位关联表中点位的数量,j表示下行点位关联表中点位的数量。
本发明在具体实施时,针对卡口覆盖率比较高的地区,可采用直接计算出卡口联合识别率Score1进行过滤;而对于卡口覆盖率比较低的地区,则可以通过计算轨迹合理性概率进行过滤;当然在需要的情况下,针对卡口覆盖率比较高的地区也可以采用计算轨迹合理性概率进行过滤。
基于同一发明构思,本申请提供了实施例一对应的电子设备实施例,详见实施例三。
实施例三
本实施例提供了一种电子设备,如图3所示,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,可以实现实施例一中任一实施方式。
由于本实施例所介绍的电子设备为实施本申请实施例一中方法所采用的设备,故而基于本申请实施例一中所介绍的方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中的方法所采用的设备,都属于本申请所欲保护的范围。
基于同一发明构思,本申请提供了实施例一对应的存储介质,详见实施例四。
实施例四
本实施例提供一种计算机可读存储介质,如图4所示,其上存储有计算机程序,该计算机程序被处理器执行时,可以实现实施例一中任一实施方式。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (10)
1.一种车牌识别错误过滤方法,其特征在于:所述方法包括如下步骤:
获取车辆的过车记录数据和车管所存储的车辆数据,将车辆的过车记录数据与车管所存储的车辆数据进行比对,得到初步被认定为假牌的疑似假牌数据,并将疑似假牌数据存入第一索引;
对于初步认定为假牌的疑似假牌数据,根据过车记录数据查询车辆在预设时间段内的所有过车记录,从而得到车辆的轨迹数据;根据车辆的轨迹数据计算卡口联合识别率,并根据卡口联合识别率对疑似假牌数据进行过滤。
2.根据权利要求1所述一种车牌识别错误过滤方法,其特征在于:所述方法还包括:根据车辆的轨迹数据和点位关联配置表计算轨迹合理性概率,并根据轨迹合理性概率对疑似假牌数据进行过滤;所述点位关联配置表在初始化时,通过计算一段时间内的过车轨迹数据来统计出每个点位所对应的上行点位和下行点位的概率分布情况。
3.根据权利要求1所述一种车牌识别错误过滤方法,其特征在于:所述获取车辆的过车记录数据和车管所存储的车辆数据具体包括:
从kafka获取车辆的过车记录数据,取出过车记录数据中的车牌号码,判断取出的车牌号码是否符合设定的正则表达式,如果符合,则保留车辆的过车记录数据;如果不符合,则丢弃车辆的过车记录数据;
获取车管所中存储的车辆登记信息,车辆登记信息包括车牌号码、车牌种类和其它信息,将车牌号码和车牌种类作为key放入到redis中,将其它信息作为value;
所述将车辆的过车记录数据与车管所存储的车辆数据进行比对,得到初步被认定为假牌的疑似假牌数据,并将疑似假牌数据存入第一索引具体包括:
根据获取的车辆的过车记录数据,以车牌号码和车牌种类作为key到redis中查询是否存在对应的数据,如果存在对应的数据,则认定为真牌;如果不存在对应的数据,则认定为假牌,并将车辆的过车记录数据存入到elasticsearch的第一索引中,从而得到初步被认定为假牌的疑似假牌数据列表,第一索引的字段包括主键、车牌号码、车牌种类、过车时间、点位id、设备id和区域id。
4.根据权利要求2所述一种车牌识别错误过滤方法,其特征在于:所述根据过车记录数据查询车辆在预设时间段内的所有过车记录,从而得到车辆的轨迹数据具体包括:
获取第一索引中被初步认定为假牌的疑似假牌数据列表;循环取出疑似假牌数据列表中的疑似假牌数据,通过疑似假牌数据中的车牌号码和车牌种类,分别查询出在过车时间之前的第一预设时间段内的过车记录作为上行过车轨迹以及在过车时间之后的第二预设时间段内的过车记录作为下行过车轨迹,从而得到车辆的轨迹数据,其中,第一预设时间段与第二预设时间段相等;同时,如果上行过车轨迹和下行过车轨迹的点位数量均为零,则将该疑似假牌数据从第一索引的疑似假牌数据列表中删除。
5.根据权利要求4所述一种车牌识别错误过滤方法,其特征在于:所述根据车辆的轨迹数据计算卡口联合识别率,并根据卡口联合识别率对疑似假牌数据进行过滤具体包括:
当上行过车轨迹和下行过车轨迹的点位总数大于等于预设值时,计算出卡口联合识别率Score1=N/M,其中,M为根据卡口覆盖率设置的一个常数,N为上行过车轨迹和下行过车轨迹的点位总数;
判断计算出的卡口联合识别率score1是否大于等于预设的第一阈值,如果是,则将该疑似假牌数据判定为高概率假牌数据并存入到第二索引中,第二索引的字段包括主键、车牌号码、车牌种类、过车时间、点位id、设备id、区域id和识别正确的概率;如果否,则将该疑似假牌数据从第一索引的疑似假牌数据列表中删除。
6.根据权利要求4所述一种车牌识别错误过滤方法,其特征在于:所述根据车辆的轨迹数据和点位关联配置表计算轨迹合理性概率,并根据轨迹合理性概率对疑似假牌数据进行过滤具体包括:
当上行过车轨迹和下行过车轨迹的点位总数小于预设值时,根据疑似假牌数据中的点位id和上行过车轨迹,获取以该疑似假牌数据的点位id为开始的上行过车轨迹所对应的上行点位关联表;同时,根据疑似假牌数据中的点位id和下行过车轨迹,获取以该疑似假牌数据的点位id为开始的下行过车轨迹所对应的下行点位关联表,其中,所述上行点位关联表和下行点位关联表中各个点位的关联概率从点位关联配置表中查询;
计算出轨迹合理性概率Score2=A/C1+B/C2,其中,A表示上行点位关联表中各个点位的关联概率之和,C1表示上行点位关联表中点位的数量,B表示下行点位关联表中各个点位的关联概率,C2表示下行点位关联表中点位的数量;
判断计算出的轨迹合理性概率score2是否大于等于预设的第二阈值,如果是,则将该疑似假牌数据判定为高概率假牌数据并存入到第二索引中,第二索引的字段包括主键、车牌号码、车牌种类、过车时间、点位id、设备id、区域id和识别正确的概率;如果否,则将该疑似假牌数据从第一索引的疑似假牌数据列表中删除。
7.一种车牌识别错误过滤装置,其特征在于:包括初步比对模块和过滤模块;
所述初步比对模块,用于获取车辆的过车记录数据和车管所存储的车辆数据,将车辆的过车记录数据与车管所存储的车辆数据进行比对,得到初步被认定为假牌的疑似假牌数据,并将疑似假牌数据存入第一索引;
所述过滤模块,用于对于初步认定为假牌的疑似假牌数据,根据过车记录数据查询车辆在预设时间段内的所有过车记录,从而得到车辆的轨迹数据;根据车辆的轨迹数据计算卡口联合识别率,并根据卡口联合识别率对疑似假牌数据进行过滤。
8.根据权利要求7所述一种车牌识别错误过滤装置,其特征在于:所述过滤模块,还用于根据车辆的轨迹数据和点位关联配置表计算轨迹合理性概率,并根据轨迹合理性概率对疑似假牌数据进行过滤;所述点位关联配置表在初始化时,通过计算一段时间内的过车轨迹数据来统计出每个点位所对应的上行点位和下行点位的概率分布情况。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311129307.7A CN117235337A (zh) | 2023-09-04 | 2023-09-04 | 一种车牌识别错误过滤方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311129307.7A CN117235337A (zh) | 2023-09-04 | 2023-09-04 | 一种车牌识别错误过滤方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117235337A true CN117235337A (zh) | 2023-12-15 |
Family
ID=89087128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311129307.7A Pending CN117235337A (zh) | 2023-09-04 | 2023-09-04 | 一种车牌识别错误过滤方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117235337A (zh) |
-
2023
- 2023-09-04 CN CN202311129307.7A patent/CN117235337A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017157119A1 (zh) | 一种车辆异常行为的识别方法及装置 | |
CN108073923B (zh) | 一种车牌校正方法及装置 | |
CN108257386B (zh) | 行驶轨迹获取方法和装置 | |
CN108694399B (zh) | 车牌识别方法、装置及系统 | |
CN107305736B (zh) | 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 | |
CN111369801B (zh) | 车辆识别方法、装置、设备和存储介质 | |
CN106571040B (zh) | 一种可疑车辆确认方法及设备 | |
CN108320582B (zh) | 一种具备剩余车位统计功能的停车管理系统 | |
CN113269042B (zh) | 基于行驶车辆违章识别的智能交通管理方法及系统 | |
CN114743165A (zh) | 车辆轨迹线的确定方法、装置、存储介质及电子装置 | |
CN107329977A (zh) | 一种基于概率分布的假牌车二次筛选方法 | |
CN110164137B (zh) | 基于卡口对行车时间的套牌车辆的识别方法及系统、介质 | |
CN111914678A (zh) | 一种多车辆车牌匹配的方法、装置及存储介质 | |
CN114092686A (zh) | 无人停车场车牌识别数据再匹配方法、介质、设备及装置 | |
CN116524725B (zh) | 一种智能驾驶的交通标志图像数据识别系统 | |
CN113343880A (zh) | 一种车辆遮挡号牌的识别方法、装置、设备及介质 | |
CN117370773A (zh) | 一种j型行驶逃费车辆的稽查方法、系统、设备及介质 | |
CN117235337A (zh) | 一种车牌识别错误过滤方法、装置、设备及介质 | |
CN111460198B (zh) | 一种图片时间戳的审核方法及装置 | |
CN112053564A (zh) | 一种高速公路路网车卡不符稽核方法 | |
CN107622667B (zh) | 一种变造车牌号码检测方法及系统 | |
CN114201530B (zh) | 一种疑似非正常营运客车提前甄别及预防式监管方法 | |
CN113327336B (zh) | 人车关系的识别方法、装置和电子设备 | |
CN114780591A (zh) | 一种检测行程车牌识别错误的计算方法和系统 | |
CN114596439A (zh) | 一种基于图像的车险智能定损及核损方法、装置和电子设备 |
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 |