一種基于二次驗(yàn)證的套牌車(chē)識(shí)別方法
【專利摘要】本發(fā)明涉及一種基于二次驗(yàn)證的套牌車(chē)識(shí)別方法。結(jié)合基于Deep Learning的車(chē)型識(shí)別技術(shù)和模板匹配技術(shù)，通過(guò)這兩個(gè)技術(shù)的二次驗(yàn)證，實(shí)現(xiàn)了對(duì)套牌車(chē)輛的精確識(shí)別。本發(fā)明通過(guò)對(duì)待識(shí)別車(chē)輛圖片與模板圖片比對(duì)，實(shí)現(xiàn)套牌車(chē)的二次驗(yàn)證，大大減少了車(chē)型識(shí)別錯(cuò)誤導(dǎo)致的誤報(bào)。本發(fā)明在做二次驗(yàn)證時(shí)，支持新增車(chē)型以及用戶導(dǎo)入車(chē)型模板，進(jìn)一步減少識(shí)別的錯(cuò)誤。
【專利說(shuō)明】
一種基于二次驗(yàn)證的套牌車(chē)識(shí)別方法
技術(shù)領(lǐng)域
[0001]本發(fā)明屬于計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，涉及一種基于二次驗(yàn)證的套牌車(chē)識(shí)別方法。
【背景技術(shù)】
[0002]套牌車(chē)是指通過(guò)偽造或者非法套取其它車(chē)輛號(hào)牌及行駛行駛證等手續(xù)上路行駛的車(chē)輛。由于套牌車(chē)主在路上行駛極少以交通法規(guī)來(lái)約束自己，隨之帶來(lái)的交通事故、法律糾紛勢(shì)必給社會(huì)帶來(lái)更大的不穩(wěn)定因素。套牌車(chē)已被國(guó)家禁止。中華人民共和國(guó)交通法中有明確規(guī)定，不允許套牌車(chē)輛的流動(dòng)。因此在視頻監(jiān)控?cái)?shù)據(jù)中檢測(cè)套牌車(chē)輛，對(duì)于公安機(jī)關(guān)加強(qiáng)對(duì)公共安全的管控以及保障真正車(chē)主的利益有重大意義。
[0003]《套牌車(chē)的檢測(cè)方法-102881169A》與《一種基于Hadoop的套牌車(chē)識(shí)別方法及系統(tǒng)-104200669A》采用提取大量視頻監(jiān)控?cái)?shù)據(jù)中相同車(chē)牌車(chē)輛出現(xiàn)的時(shí)間和空間信息，通過(guò)人為設(shè)定的邏輯規(guī)則來(lái)尋找疑似套牌車(chē)。此類方法需要大量車(chē)輛數(shù)據(jù)資源，識(shí)別效率低下，并且無(wú)法區(qū)分真正車(chē)輛和套牌車(chē)輛?！兑环N嫌疑套牌車(chē)捕獲方法-104715614A》采用車(chē)型識(shí)別方法，通過(guò)比對(duì)車(chē)管所數(shù)據(jù)庫(kù)車(chē)型與識(shí)別出的車(chē)型，來(lái)識(shí)別套牌車(chē)。此類方法依賴于車(chē)型識(shí)別方法的精度，當(dāng)套牌車(chē)輛車(chē)型識(shí)別錯(cuò)誤時(shí)只能通過(guò)一些簡(jiǎn)單的先驗(yàn)邏輯來(lái)排除。

【發(fā)明內(nèi)容】

[0004]本發(fā)明著眼于一套基于二次驗(yàn)證的套牌車(chē)檢測(cè)方法，結(jié)合基于DeepLearning的車(chē)型識(shí)別技術(shù)和模板匹配技術(shù)，通過(guò)這兩個(gè)技術(shù)的二次驗(yàn)證，實(shí)現(xiàn)了對(duì)套牌車(chē)輛的精確識(shí)別。
[0005]本發(fā)明方法包括以下步驟:
第一步:通過(guò)統(tǒng)計(jì)學(xué)習(xí)的方法識(shí)別視頻或圖片中的車(chē)牌信息。
[0006]第二步:通過(guò)DeepLearning方法，識(shí)別第一步中檢測(cè)出的每個(gè)車(chē)牌所在車(chē)輛的車(chē)型信息，包括車(chē)輛的品牌、型號(hào)、年份。
[0007]第三步:根據(jù)車(chē)牌識(shí)別中每個(gè)字符的置信度，對(duì)置信度較低(比如低于0.75)的車(chē)輛不做判斷，此步排除了車(chē)牌被遮擋、車(chē)牌模糊、光照條件不佳等車(chē)量。
[0008]第四步:根據(jù)識(shí)別出的車(chē)牌查詢此車(chē)牌在車(chē)管所數(shù)據(jù)庫(kù)中的登記信息，檢查車(chē)管所數(shù)據(jù)庫(kù)登記車(chē)型是否與識(shí)別車(chē)型一致;具體方法為通過(guò)車(chē)牌查詢出車(chē)管所數(shù)據(jù)庫(kù)中對(duì)應(yīng)登記的車(chē)型公告號(hào)，進(jìn)而根據(jù)公告號(hào)查詢出車(chē)型名稱。同時(shí)也可以查詢到車(chē)輛上牌登記時(shí)的照片，作為車(chē)輛模板。
[0009]第五步:對(duì)第四步驗(yàn)證不一致的車(chē)型，進(jìn)行二次驗(yàn)證。將車(chē)牌所在車(chē)前臉圖片與車(chē)管所數(shù)據(jù)庫(kù)車(chē)輛的車(chē)前臉模板圖片做匹配，車(chē)前臉即從正前方水平拍攝的車(chē)輛圖像，得到相似度評(píng)價(jià);具體方法如下:首先通過(guò)車(chē)前臉檢測(cè)算法定位圖片中的車(chē)前臉位置，然后對(duì)車(chē)前臉做特征點(diǎn)定位，得到擋風(fēng)玻璃輪廓、車(chē)燈、車(chē)牌的位置，利用這些位置對(duì)車(chē)前臉做仿射變換，將車(chē)前臉校正到標(biāo)準(zhǔn)位置。然后提取車(chē)前臉的HOG與LBP特征，對(duì)這些特征做PCA降維后得到待識(shí)別車(chē)輛和模板車(chē)輛的特征向量，計(jì)算特征向量的歐式距離，歸一化之后，即可得到模板相似度評(píng)價(jià)。
[00?0]第六步:在事先統(tǒng)計(jì)出來(lái)的《車(chē)型易混淆表》中查詢Deep Learning方法得到的車(chē)型與車(chē)管所數(shù)據(jù)庫(kù)車(chē)型是否屬于易混車(chē)型。如果屬于，則在Deep Learning方法車(chē)型識(shí)別的置信度高于一個(gè)高閾值，并且第五步中得到模板相似度低于一個(gè)低閾值時(shí)，產(chǎn)生套牌車(chē)報(bào)警；如果不屬于，則在Deep Learning方法車(chē)型識(shí)別的置信度高于一個(gè)低閾值，并且第五步中得到模板相似度低于一個(gè)高閾值時(shí)，產(chǎn)生套牌車(chē)報(bào)警;這里需要說(shuō)明的是:1.《車(chē)型易混淆表》是由訓(xùn)練樣本統(tǒng)計(jì)出來(lái)的；根據(jù)基于Deep Learning車(chē)型識(shí)別方法在訓(xùn)練數(shù)據(jù)上的測(cè)試結(jié)果，以樣本的真實(shí)結(jié)果和識(shí)別結(jié)果為一對(duì)車(chē)型，對(duì)所有識(shí)別錯(cuò)誤的樣本，按識(shí)別置信度排序，取前3對(duì)車(chē)型，加入此表;2.高低閾值是相對(duì)量，是在訓(xùn)練樣本中統(tǒng)計(jì)出來(lái)的經(jīng)驗(yàn)值。
[0011]本發(fā)明的有益效果:
1.本發(fā)明通過(guò)對(duì)待識(shí)別車(chē)輛圖片與模板圖片比對(duì)，實(shí)現(xiàn)套牌車(chē)的二次驗(yàn)證，大大減少了車(chē)型識(shí)別錯(cuò)誤導(dǎo)致的誤報(bào)；
2.本發(fā)明在做二次驗(yàn)證時(shí)，支持新增車(chē)型(DeepLearning識(shí)別算法不包含的車(chē)型)以及用戶導(dǎo)入車(chē)型模板(當(dāng)車(chē)管所數(shù)據(jù)庫(kù)中沒(méi)有登記車(chē)輛照片時(shí))，進(jìn)一步減少識(shí)別的錯(cuò)誤。
【附圖說(shuō)明】
[0012]圖1為本發(fā)明方法流程圖。
【具體實(shí)施方式】
[0013]以下結(jié)合實(shí)施例和附圖1對(duì)本發(fā)明作進(jìn)一步說(shuō)明:
1、輸入卡口抓拍圖片、De印Learning車(chē)型識(shí)別結(jié)果和置信度、根據(jù)車(chē)牌查出的車(chē)管所數(shù)據(jù)庫(kù)登記車(chē)型和照片。
[OOM] 2、當(dāng)Deep Learning方法車(chē)型識(shí)別與車(chē)管所數(shù)據(jù)庫(kù)登記車(chē)型不一致時(shí)，分別對(duì)待識(shí)別車(chē)前臉與車(chē)管所數(shù)據(jù)庫(kù)登記車(chē)前臉做特征點(diǎn)定位和特征提取。特征點(diǎn)定位使用SDM方法，分別得到車(chē)前臉的擋風(fēng)玻璃四個(gè)角點(diǎn)、車(chē)大燈、霧燈、車(chē)標(biāo)和車(chē)牌的中心位置。然后使用仿射變換校正車(chē)前臉位置。將拍攝時(shí)處于不同角度和距離的車(chē)前臉校正到標(biāo)準(zhǔn)車(chē)前臉，然后在校正之后的特征點(diǎn)位置上提取HOG特征和LBP特征。
[0015]3、將兩類特征LBP與HOG串聯(lián)起來(lái)，得到一個(gè)維數(shù)26400的特征向量。
[0016]4、對(duì)待識(shí)別車(chē)前臉與車(chē)管所數(shù)據(jù)庫(kù)登記車(chē)前臉提取出的特征向量分別做PCA降維，得到兩個(gè)1320維的特征向量，計(jì)算這兩個(gè)向量的歐式距離，歸一化之后就得到這兩個(gè)車(chē)前臉的相似度。
[0017]5、在事先統(tǒng)計(jì)出來(lái)的《車(chē)型易混淆表》中查詢Deep Learning方法得到的車(chē)型與車(chē)管所數(shù)據(jù)庫(kù)車(chē)型是否屬于易混車(chē)型。如果是，則在Deep Learning方法車(chē)型識(shí)別的置信度高于閾值(本例中采用0.7)，并且步驟4中得到模板相似度低于閾值(本例中采用0.2)時(shí)，產(chǎn)生套牌車(chē)報(bào)警;如果不是，則在Deep Learning方法車(chē)型識(shí)別的置信度高于閾值(0.3)，并且步驟4中得到模板相似度低于閾值(本例中采用0.4)時(shí)，產(chǎn)生套牌車(chē)報(bào)警;但不滿足這兩種條件時(shí)，不產(chǎn)生報(bào)警。
[0018]以上所述，僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍，應(yīng)帶理解，本發(fā)明并不限于這里所描述的實(shí)現(xiàn)方案，這些實(shí)現(xiàn)方案描述的目的在于幫助本領(lǐng)域中的技術(shù)人員實(shí)踐本發(fā)明。
【主權(quán)項(xiàng)】
1.一種基于二次驗(yàn)證的套牌車(chē)識(shí)別方法，其特征在于該方法包括以下步驟: 第一步:通過(guò)統(tǒng)計(jì)學(xué)習(xí)的方法識(shí)別視頻圖片中的車(chē)牌信息； 第二步:通過(guò)Deep Learning方法，識(shí)別第一步中檢測(cè)出的每個(gè)車(chē)牌所在車(chē)輛的車(chē)型信息，包括車(chē)輛的品牌、型號(hào)、年份； 第三步:根據(jù)車(chē)牌識(shí)別中每個(gè)字符的置信度，對(duì)置信度低于設(shè)定值的車(chē)輛不做判斷； 第四步:根據(jù)識(shí)別出的車(chē)牌查詢此車(chē)牌在車(chē)管所數(shù)據(jù)庫(kù)中的登記信息，檢查車(chē)管所數(shù)據(jù)庫(kù)登記車(chē)型是否與識(shí)別車(chē)型一致； 第五步:對(duì)第四步驗(yàn)證不一致的車(chē)型，進(jìn)行二次驗(yàn)證;將車(chē)牌所在車(chē)前臉圖片與車(chē)管所數(shù)據(jù)庫(kù)車(chē)輛的車(chē)前臉模板圖片做匹配，得到相似度評(píng)價(jià);所述車(chē)前臉即從正前方水平拍攝的車(chē)輛圖像； 第六步:在事先統(tǒng)計(jì)出來(lái)的車(chē)型易混淆表中查詢Deep Learning方法得到的車(chē)型與車(chē)管所數(shù)據(jù)庫(kù)車(chē)型是否屬于易混車(chē)型；如果屬于，則在Deep Learning方法車(chē)型識(shí)別的置信度高于一個(gè)高閾值，并且第五步中得到模板相似度低于一個(gè)低閾值時(shí)，產(chǎn)生套牌車(chē)報(bào)警;如果不屬于，則在Deep Learning方法車(chē)型識(shí)別的置信度高于一個(gè)低閾值，并且第五步中得到模板相似度低于一個(gè)高閾值時(shí)，產(chǎn)生套牌車(chē)報(bào)警。2.根據(jù)權(quán)利要求1所述的一種基于二次驗(yàn)證的套牌車(chē)識(shí)別方法，其特征在于:第四步具體是:通過(guò)車(chē)牌查詢出車(chē)管所數(shù)據(jù)庫(kù)中對(duì)應(yīng)登記的車(chē)型公告號(hào)，進(jìn)而根據(jù)公告號(hào)查詢出車(chē)型名稱。3.根據(jù)權(quán)利要求2所述的一種基于二次驗(yàn)證的套牌車(chē)識(shí)別方法，其特征在于:同時(shí)也可以查詢到車(chē)輛上牌登記時(shí)的照片，作為車(chē)輛模板。4.根據(jù)權(quán)利要求3所述的一種基于二次驗(yàn)證的套牌車(chē)識(shí)別方法，其特征在于:第四步具體是:首先通過(guò)車(chē)前臉檢測(cè)算法定位圖片中的車(chē)前臉位置，然后對(duì)車(chē)前臉做特征點(diǎn)定位，得到擋風(fēng)玻璃輪廓、車(chē)燈、車(chē)牌的位置，利用這些位置對(duì)車(chē)前臉做仿射變換，將車(chē)前臉校正到標(biāo)準(zhǔn)位置;然后提取車(chē)前臉的HOG與LBP特征，對(duì)這些特征做PCA降維后得到待識(shí)別車(chē)輛和模板車(chē)輛的特征向量，計(jì)算特征向量的歐式距離，歸一化之后，即可得到模板相似度評(píng)價(jià)。5.根據(jù)權(quán)利要求1至4中任一項(xiàng)所述的一種基于二次驗(yàn)證的套牌車(chē)識(shí)別方法，其特征在于:所述的車(chē)型易混淆表是由訓(xùn)練樣本統(tǒng)計(jì)出來(lái)的；根據(jù)基于Deep Learning車(chē)型識(shí)別方法在訓(xùn)練數(shù)據(jù)上的測(cè)試結(jié)果，以樣本的真實(shí)結(jié)果和識(shí)別結(jié)果為一對(duì)車(chē)型，對(duì)所有識(shí)別錯(cuò)誤的樣本，按識(shí)別置信度排序，取前三對(duì)車(chē)型，加入此表。
【文檔編號(hào)】G06K9/00GK105894819SQ201610054502
【公開(kāi)日】2016年8月24日
【申請(qǐng)日】2016年1月26日
【發(fā)明人】尚凌輝, 高勇, 劉家佳
【申請(qǐng)人】浙江捷尚視覺(jué)科技股份有限公司