CN111311696B - 一种基于高光谱解混技术的车牌真伪检测方法 - Google Patents

Abstract

本发明公开了一种基于高光谱解混技术的车牌真伪检测方法，包括：采用高光谱照相机获取伪造车牌图像将其作为解混目标图像；根据解混目标图像建立线性光谱混合模型；构建目标端元矩阵集合M，其中目标端元矩阵集合M包括当前车牌图像提取到的目标端元集合M1和存储普适真实目标的端元集合M2，结合最小二乘法对给定的目标端元集合M进行解混，获取各端元m_i对应的丰度结果图FMap_i，设定阈值T，获得各目标端元丰度图FMap_i的二值化可视结果BMap_i，对二值可视结果BMap_i进行优化、获得车牌伪造信息的最终结果FinalMAP。

Description

一种基于高光谱解混技术的车牌真伪检测方法

技术领域

本发明涉及高光谱解混技术领域，尤其涉及一种基于高光谱解混技术的车牌真伪检测方法。

背景技术

经济的繁荣带动了汽车行业蓬勃发展，为了方便交通部门管理，约束驾驶人遵守交通法规，在发生交通违章以及交通事故时能够迅速确定具体车辆和所有人信息，快速、准确地识别车牌是非常关键的。但是，当前社会出现了大量的伪造车牌，这给车牌的正确识别带来了巨大的困难。因此，在识别车牌时，如何从真实车牌中区分、精确识别和定位伪造车牌信息这一问题是非常重要的。

当前，传统的三色通道RGB图像检测技术很难从真实车牌中检测到伪造目标信息，检测精准度较低。高光谱成像技术是基于众多窄波段的影像数据技术，它将成像技术与光谱技术相结合，探测目标的二维几何空间和光谱信息，获取高分辨率的连续、窄波段的图像数据。高光谱具有大量连续窄带光谱的这一特点使得高光谱数据处理技术可以有效地识别复杂场景中的目标，以及区分真实和伪造目标。

现阶段，利用高光谱图像处理技术检测车牌真伪通常是有监督的，也就是在已知伪造目标光谱的情况下进行检测。因此，当伪造目标光谱未知或目标光谱库信息不完善时会导致检测性能不佳。另外，复杂背景和光照等影响也会对车牌真伪检测结果造成一定影响。

发明内容

根据现有技术存在的问题，本发明公开了一种基于高光谱解混技术的车牌真伪检测方法，该方法解决复杂情形下的车牌真伪辨别问题，具体包括如下：

步骤S1：利用高光谱照相机采集数据，获取伪造车牌图像作为解混目标图像。与真实车牌相比，伪造车牌在真实车牌中加入了区别于真实车牌材质的蓝色底牌和白色数字两部分；

步骤S2：根据上述图像建立线性光谱混合模型；

步骤S3：构建目标端元矩阵集合M＝{m₁,m₂,m₃,m₄,m₅,m₆}，M由当前车牌图像提取到的目标端元集合M1＝{m₁,m₂,m₃,m₄}和存储普适真实目标的端元集合M2＝{m₅,m₆}组成。其中目标端元集合M1由自动目标检索算法ATGP提取的m₁，m₂，m₃，m₄四个端元组成，目标端元集合M2由真实车牌蓝色底牌平均光谱m₅和白色数字平均光谱m₆构成；

步骤S4：结合最小二乘法LS对给定的目标端元集合M进行解混，给出各端元m_i对应的丰度结果图FMap_i，其中，1≤i≤6；

步骤S5：设定合适阈值T，得到各目标端元丰度图FMap_i的二值化可视结果BMap_i，1≤i≤6；

步骤S6：优化二值可视结果BMap_i，1≤i≤6，输出车牌伪造信息的最终结果FinalMAP。

进一步的，所述步骤S1具体为：利用高光谱照相机采集数据，获取伪造车牌图像作为解混目标图像。与真实车牌相比，伪造车牌在真实车牌中加入了区别于真实车牌材质的蓝色底牌和白色数字两部分。

进一步的，所述步骤S2具体为：

根据上述图像建立线性光谱混合模型，具体过程包括：

混合像元可以看作是图像中的端元m_i线性混合而成，得到的线性混合模型为：

其中：p为端元数目，r是图像中任意一个L维光谱向量(L为波段数目)，M是L×p的矩阵，其中的每一列m_i均为一个L×1的端元列向量，α＝(α₁,α₂,...,α_p)^T是一个p×1的丰度向量，e为误差项。

进一步的，所述步骤S3具体为：

构建目标端元矩阵集合M＝{m₁,m₂,m₃,m₄,m₅,m₆}，M由当前车牌图像提取到的目标端元集合M1＝{m₁,m₂,m₃,m₄}和存储普适真实目标的端元集合M2＝{m₅,m₆}组成。其中目标端元集合M1由自动目标检索算法ATGP提取的m₁，m₂，m₃，m₄四个端元组成，目标端元集合M2由真实车牌蓝色底牌平均光谱m₅和白色数字平均光谱m₆构成。具体过程包括：

(1)对要解混的目标图像，利用自动目标检索算法ATGP进行端元提取，得到目标端元集合M1。ATGP算法采用正交子空间投影法(OSP)构建一个正交子空间投影用于估算非目标光谱响应，用匹配滤波从数据中匹配目标，从而得到图像的端元。具体过程包括：

步骤S31、设端元矩阵为M；

步骤S32、M的投影扩展空间为P_M：P_M＝M(M^TM)^-1M^T，则M投影空间的正交空间——称为残余投影空间，用表示：

步骤S33、任意像元r在M空间的投影为任意像元r在M空间的投影残余为r'：

r'是一个投影残余向量，它的绝对值即为投影长度，是ATGP选取端元的重要判断条件，通过下式得到目标端元：

(2)取真实车牌蓝色底牌平均光谱m₅和白色数字平均光谱m₆构成目标端元集合M2。

综上，M1和M2共同组成目标端元矩阵集合M。

进一步的，所述步骤S4具体为：

结合最小二乘法LS对给定的目标端元集合M进行解混，给出各端元m_i对应的丰度结果图FMap_i，其中，1≤i≤6，具体过程包括：

给定数据端元集合M后，基于线性解混模型的最小二乘算法，通过使误差平方最小化的方法来寻找函数的最佳匹配数据。

其中，根据线性解混模型的表达式可以得到误差值ξ＝r-Mα，则寻找最优解的表达式如下：

min{(r-Mα)^T(r-Mα)} (5)

进一步地，可以计算得到无约束解混丰度α^LS：

α^LS＝(M^TM)^TM^Tr (6)

对高光谱图像的所有像元r_n依照上述过程进行遍历操作，从而得到各个端元对应的丰度结果图。其中，1≤n≤N，N为高光谱图像的像元总数。

进一步的，所述步骤S5具体为：

设定合适阈值T，得到各目标端元丰度图FMap_i的二值化可视结果BMap_i，具体过程包括：

步骤S51、对于ATGP提取的端元集合M1＝{m₁,m₂,m₃,m₄}产生的解混丰度图，设定固定阈值为t₁，进行二值化处理，得到二值化可视结果BMap_i，1≤i≤4。

步骤S52、对于由真实车牌蓝色底牌平均光谱m₅和白色数字平均光谱m₆构成的端元集合M2＝{m₅,m₆}，得到的解混丰度图像FMap_i，其中5≤i≤6，其阈值由Otsu自动确定。Otsu过程如下：

按图像的灰度特性，将图像分成背景和目标两部分。

(T)＝W_A(μ_a-μ)²+W_B(μ_b-μ)² (7)

其中，(T)为两类间最大方差，W_A为A类概率，μ_a为A类平均灰度，W_B为B类概率，μ_b为B类平均灰度，μ为图像总体平均灰度。即阈值T将图像分成A，B两部分，使得两类总方差取最大值的T，即为最佳分割阈值。

进一步的，所述步骤S6具体为：

优化二值可视结果BMap_i，1≤i≤6，输出车牌伪造信息的最终结果FinalMAP，具体过程包括：

(1)对二值可视化结果进行优化。由于在高光谱图像拍摄以及成像过程中，角度、曝光和噪声等因素的干扰会对车牌的解混和检测产生一定程度的影响。因此，该方法从以下两方面对二值化结果BMap_i进行了优化处理，得到优化二值结果

步骤S61、对BMap_i图像因曝光或者图像本身存在的噪声而形成的小面积干扰信息，通过如下公式删除二值图像BW中面积小于p的对象，得到优化二值结果1≤i≤6：

其中p设置为面积下限阈值，conn为对应邻域搜索方法，默认为8，表示8邻域搜索。

步骤S62、对图像拍摄角度不佳、车牌倾斜而导致的狭长区域的误分割，处理过程如下：

首先，对二值图像中的连通域D进行标记，计算各连通域的最小外接矩形，并获取其长(L)和宽(W)。其次，设置容错参数NL和NW以限定狭长区域分布的最大尺度。最后，分别比较L、NL和W、NW，当L＞α(NL)或W＜β(NW)时，则该连通区域D不满足车牌字符特征，将其删除，得到优化二值结果1≤i≤6。其中，α、β为弹性系数，0≤α,β≤1，控制实际车牌字符特征大小。

(2)输出车牌伪造信息FinalMAP，该过程如下：

考虑自动目标检索算法ATGP得到目标端元集合M1中可能既包含真实目标又包含伪造目标端元，而目标端元集合M2中端元全部为真实车牌端元这一特点，考虑通过比较两者二值结果的差异以判断车牌是否含有伪造信息，并输出车牌伪造信息的最终结果FinalMAP。具体过程如下：

取目标端元集合M1对应的优化二值结果的并集得到FinalMap(M1)，1≤i≤4，具体如下：

其中，FinalMap(M1)表示目标端元集合M1对应的车牌伪造信息的检测结果；表示各端元对应的优化后的二值化检测结果。

取目标端元集合M2对应的优化二值结果的并集得到FinalMap(M2)，5≤i≤6，具体如下：

其中，FinalMap(M2)表示目标端元集合M2对应的车牌伪造信息的检测结果；表示各端元对应的优化后的二值化检测结果。

FinalMAP＝FinalMap(M1)-FinalMap(M2) (11)

其中，FinalMAP为车牌伪造信息的最终检测结果。

本发明将高光谱解混技术应用于车牌真伪检测领域，与传统的RGB图像检测技术相比，在真伪车牌材质比较相似，人眼无法辨别的情况下，基于高光谱解混技术的车牌真伪检测方法能够准确识别伪造车牌信息，其检测结果的精度比传统检测效果更高。基于高光谱解混技术的车牌真伪检测方法无需已知目标先验信息，是一种无监督的检测方法。在伪造目标光谱未知的情况下，可以自动地从图像中获取目标光谱信息用于后续光谱解混。并且对由拍摄、光照和噪声等因素产生的干扰信息进行了多种优化处理，使检测结果更加精确。最后，利用结果差值的方式可视化检测结果。

附图说明

为了更清楚地说明本申请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申请中记载的一些实施例，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为本发明的方法流程图；

图2为本发明一实施例中车牌图像；

图3为本发明一实施例中车牌端元提取结果示意图；

图4为本发明一实施例中车牌解混结果示意图；

图5为本发明一实施例中车牌二值化结果示意图；

图6为本发明一实施例中车牌优化二值化结果示意图；

图7为本发明一实施例中车牌最终检测结果示意图。

具体实施方式

为使本发明的技术方案和优点更加清楚，下面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的描述：

如图1所示的一种基于高光谱解混技术的车牌真伪检测方法，具体包括如下步骤：

步骤S1、利用高光谱照相机采集数据，获取伪造车牌图像作为解混目标图像。与真实车牌相比，伪造车牌在真实车牌中加入了区别于真实车牌材质的蓝色底牌和白色数字两部分；

步骤S2、根据上述图像建立线性光谱混合模型；

步骤S3、构建目标端元矩阵集合M＝{m₁,m₂,m₃,m₄,m₅,m₆}，M由当前车牌图像提取到的目标端元集合M1＝{m₁,m₂,m₃,m₄}和存储普适真实目标的端元集合M2＝{m₅,m₆}组成。其中目标端元集合M1由自动目标检索算法ATGP提取的m₁，m₂，m₃，m₄四个端元组成，目标端元集合M2由真实车牌蓝色底牌平均光谱m₅和白色数字平均光谱m₆构成；

步骤S4、结合最小二乘法LS对给定的目标端元集合M进行解混，给出各端元m_i对应的丰度结果图FMap_i，其中，1≤i≤6；

步骤S5、设定合适阈值T，得到各目标端元丰度图FMap_i的二值化可视结果BMap_i，1≤i≤6；

步骤S6、优化二值可视结果BMap_i，1≤i≤6，输出车牌伪造信息的最终结果FinalMAP。

本实施例中，所述步骤S1具体为：

利用高光谱照相机采集数据，获取伪造车牌图像作为解混目标图像，伪造车牌如图2所示。与真实车牌相比，伪造车牌在真实车牌中加入了区别于真实车牌材质的蓝色底牌和白色数字两部分。图2中标红区域为伪造车牌部分，其中伪造车牌I为金属材质，伪造车牌C为贴纸材质。

本实施例中，所述步骤S2具体为：

根据上述图像建立线性光谱混合模型，具体过程包括：

混合像元可以看作是图像中的端元m_i线性混合而成，得到的线性混合模型为：

其中：p为端元数目，r是图像中任意一个L维光谱向量(L为波段数目)，M是L×p的矩阵，其中的每一列m_i均为一个L×1的端元列向量，α＝(α₁,α₂,...,α_p)^T是一个p×1的丰度向量，e为误差项。

本实施例中，所述步骤S3具体为：

构建目标端元矩阵集合M＝{m₁,m₂,m₃,m₄,m₅,m₆}，M由当前车牌图像提取到的目标端元集合M1＝{m₁,m₂,m₃,m₄}和存储普适真实目标的端元集合M2＝{m₅,m₆}组成。其中目标端元集合M1由自动目标检索算法ATGP提取的m₁，m₂，m₃，m₄四个端元组成，目标端元集合M2由真实车牌蓝色底牌平均光谱m₅和白色数字平均光谱m₆构成。具体过程包括：

对要解混的目标图像，利用自动目标检索算法ATGP进行端元提取，得到目标端元集合M1＝{m₁,m₂,m₃,m₄}。理想情况下，端元m₁，m₂，m₃，m₄可表示四类光谱：①当前车牌的真实蓝色底牌光谱；②当前车牌的真实白色数字光谱；③当前车牌的伪造蓝色底牌光谱；④当前车牌的伪造白色数字光谱。

ATGP算法采用正交子空间投影法(OSP)构建一个正交子空间投影用于估算非目标光谱响应，用匹配滤波从数据中匹配目标，从而得到图像的端元。具体过程包括：

步骤S31、设端元矩阵为M；

步骤S32、M的投影扩展空间为P_M：P_M＝M(M^TM)^-1M^T，则M投影空间的正交空间——称为残余投影空间，用表示：

步骤S33、任意像元r在M空间的投影为任意像元r在M空间的投影残余为r'：

r'是一个投影残余向量，它的绝对值即为投影长度，是ATGP选取端元的重要判断条件，通过下式得到目标端元：

最终，目标端元集合M1中4个目标端元：m₁，m₂，m₃，m₄的提取结果如图3所示。

(2)在复杂背景下，ATGP算法可能存在无法提取对应真实的蓝色底牌和白色数字光谱的以降低ATGP算法提取端元的不可靠性和提高后续检测的准确率情况。因此，取真实车牌蓝色底牌平均光谱m₅和白色数字平均光谱m₆作为固定端元构成目标端元集合M2。

综上，M1和M2共同组成目标端元集合M。

本实施例中，所述步骤S4具体为：

结合最小二乘法LS对给定的目标端元集合M进行解混，给出各端元m_i对应的丰度结果图FMap_i，其中，1≤i≤6，具体过程包括：

给定数据端元集合M后，基于线性解混模型的最小二乘算法，通过使误差平方最小化的方法来寻找函数的最佳匹配数据。

其中，根据线性解混模型的表达式可以得到误差值ξ＝r-Mα，则寻找最优解的表达式如下：

min{(r-Mα)^T(r-Mα)} (5)

进一步地，可以计算得到无约束解混丰度α^LS：

α^LS＝(M^TM)^TM^Tr (6)

对高光谱图像的所有像元r_n依照上述过程进行遍历操作，从而得到各个端元对应的丰度结果图。其中，1≤n≤N，N为高光谱图像的像元总数。

本实施例中，所述步骤S5具体为：

设定合适阈值T，得到各目标端元丰度图FMap_i的二值化可视结果BMap_i，具体过程包括：

步骤S51、对于ATGP提取的端元集合M1＝{m₁,m₂,m₃,m₄}产生的解混丰度图，设定固定阈值为t₁＝0.6，进行二值化处理，得到二值化可视结果BMap_i，1≤i≤4，结果如图5(a)-(d)。

步骤S52、对于由真实车牌蓝色底牌平均光谱m₅和白色数字平均光谱m₆构成的端元集合M2＝{m₅,m₆}，得到的解混丰度图像FMap_i，其中5≤i≤6，结果如图5(e)-(f)。其阈值由Otsu自动确定。Otsu过程如下：

按图像的灰度特性，将图像分成背景和目标两部分。

(T)＝W_A(μ_a-μ)²+W_B(μ_b-μ)² (7)

其中，(T)为两类间最大方差，W_A为A类概率，μ_a为A类平均灰度，W_B为B类概率，μ_b为B类平均灰度，μ为图像总体平均灰度。即阈值T将图像分成A，B两部分，(T)使得两类总方差取最大值的T，即为最佳分割阈值。

本实施例中，所述步骤S6具体为：

优化二值可视结果BMap_i，1≤i≤6，输出车牌伪造信息的最终结果FinalMAP，具体过程包括：

(1)对二值可视化结果进行优化。由于在高光谱图像拍摄以及成像过程中，角度、曝光和噪声等因素的干扰会对车牌的解混和检测产生一定程度的影响。因此，该方法从以下两方面对二值化结果BMap_i进行了优化处理，得到优化二值结果

步骤S61、对图像因曝光或者图像本身存在的噪声而形成的小面积干扰信息，通过如下公式删除二值图像BW中面积小于p＝10的对象，得到优化二值结果

其中p设置为面积下限阈值，conn为对应邻域搜索方法，默认为8，表示8邻域搜索。

步骤S62、对图像拍摄角度不佳、车牌倾斜而导致的狭长区域的误分割，处理过程如下：

首先，对二值图像中的连通域D进行标记，计算各连通域的最小外接矩形，并获取其长(L)和宽(W)。其次，设置容错参数NL和NW以限定狭长区域分布的最大尺度。最后，分别比较L、NL和W、NW，当L＞α(NL)或W＜β(NW)时，则该连通区域D不满足车牌字符特征，将其删除，得到优化二值结果1≤i≤6。其中，α、β为弹性系数，0≤α,β≤1，控制实际车牌字符特征大小。当弹性系数较小时，能够剔除大面积狭长区域以精确检测结果。但联系实际，弹性系数并不是越小越好。因为如果弹性系数的过小的话，真实目标将被当做干扰信息一同剔除。本发明中设置α＝β＝1/5，保证最大限度的提取到有效信息，提高结果的精确性。各端元对应二值化结果BMap_i的优化结果/>1≤i≤6，如图6所示。

(2)输出车牌伪造信息FinalMAP，该过程如下：

考虑自动目标检索算法ATGP得到的目标端元集合M1中可能既包含真实目标又包含伪造目标端元，而目标端元集合M2中端元全部为真实车牌端元这一特点，考虑通过比较两者二值结果的差异以判断车牌是否含有伪造信息，并输出车牌伪造信息的最终结果FinalMAP。

具体过程如下：

取目标端元集合M1对应的优化二值结果的并集得到FinalMap(M1)，1≤i≤4，具体如下：

其中，FinalMap(M1)表示目标端元集合M1对应的车牌伪造信息的检测结果；表示各端元对应的优化后的二值化检测结果。

取目标端元集合M2对应的优化二值结果的并集得到FinalMap(M2)，5≤i≤6，具体如下：

其中，FinalMap(M2)表示目标端元集合M2对应的车牌伪造信息的检测结果；表示各端元对应的优化后的二值化检测结果。

由于ATGP提取的目标端元集合M1既包含伪造信息光谱特征也包含真实车牌光谱特征，而目标端元集合M2仅包含真实车牌光谱特征，因此FinalMap(M1)可以看作伪造目标和真实目标的综合检测结果，FinalMap(M2)可看作为真实目标检测结果。更进一步，FinalMap(M1)和FinalMap(M2)图中的伪造目标和真实目标对应的结果值应含有以下特征，如表所示：

通过公式(11)，计算FinalMap(M1)和FinalMap(M2)的差值，以判断车牌是否含有伪造信息。差值如下表所示，将FinalMAP结果中值为1的像素点判断为伪造车牌点，结果中值为-1或者0的点判断为真实车牌点。最后，输出车牌伪造信息的最终结果FinalMAP，检测结果如表所示。

FinalMAP＝FinalMap(M1)-FinalMap(M2) (11)

其中，FinalMAP为车牌伪造信息的最终检测结果。

本实施例利用高光谱解混技术对含有伪造目标的车牌进行检测，有效解决了传统RGB图像检测技术难以区分相似材质真伪车牌的问题。本实施例，首先利用ATGP算法自动提取目标端元信息用于后续解混，无需先验信息，是一种非监督的检测方法。其次，针对一些外部因素产生的干扰信息进行了多种优化处理，以减少其对检测结果的影响。最后，为了降低自动提取端元方法ATGP提取端元的不稳定性，本实施例通比较ATGP端元集合和真实车牌端元集合二值结果的差异，判断车牌是否含有伪造信息，从而加强检测结果的可靠性。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于高光谱解混技术的车牌真伪检测方法，其特征在于包括：

采用高光谱照相机获取伪造车牌图像将其作为解混目标图像；

根据解混目标图像建立线性光谱混合模型；

构建目标端元矩阵集合M，其中目标端元矩阵集合M包括当前车牌图像提取到的目标端元集合M1和存储普适真实目标的端元集合M2，其中目标端元集合M1包括采用自动目标检索算法ATGP提取的四个端元m₁、m₂、m₃、m₄，目标端元集合M2包括真实车牌蓝色底牌平均光谱m₅和白色数字平均光谱m_6；

结合最小二乘法对给定的目标端元集合M进行解混，获取各端元m_i对应的丰度结果图FMap_i，其中，1≤i≤6；

设定阈值T，获得各目标端元丰度图FMap_i的二值化可视结果BMap_i，1≤i≤6；对二值可视结果BMap_i进行优化、获得车牌伪造信息的最终结果FinalMAP。

2.根据权利要求1所述的方法，其特征还在于：采用自动目标检索算法ATGP对目标端元矩阵集合M进行端元提取获得目标端元矩阵集合M1：采用正交子空间投影法OSP构建用于估算非目标光谱响应的正交子空间投影，用匹配滤波从数据中匹配目标从而得到图像的端元。

3.根据权利要求2所述的方法，其特征还在于：采用自动目标检索算法ATGP获得目标端元矩阵集合M1时：

设目标端元矩阵集合M的投影扩展空间为P_M：P_M＝M(M^TM)^-1M^T，则M投影空间的正交空间称为残余投影空间，用表示：

任意像元r在M空间的投影为任意像元r在M空间的投影残余为r'：

r'是一个投影残余向量，它的绝对值即为投影长度，是ATGP选取端元的重要判断条件，通过下式得到目标端元：

4.根据权利要求1所述的方法，其特征还在于：所述各目标端元丰度图FMap_i的二值化可视结果BMap_i具体采用如下方式获取：

设固定阈值t₁，对目标端元矩阵集合M1＝{m₁,m₂,m₃,m₄}产生的解混丰度图进行二值化处理得到二值化可视结果BMap_i，1≤i≤4；

对端元集合M2＝{m₅,m₆}产生的解混丰度图像FMap_i进行二值化处理，其中5≤i≤6，阈值t₂由Otsu自动确定，

所述Otsu过程为：根据图像的灰度特性将图像分成背景和目标两部分

(T)＝W_A(μ_a-μ)²+W_B(μ_b-μ)² (4)

其中，(T)为两类间最大方差，W_A为A类概率，μ_a为A类平均灰度，W_B为B类概率，μ_b为B类平均灰度，μ为图像总体平均灰度，即阈值T将图像分成A，B两部分，使得两类总方差取最大值的T，即为最佳分割阈值。

5.根据权利要求1所述的方法，其特征还在于：对二值可视结果BMap_i进行优化时：对BMap_i图像因曝光或图像本身存在的噪声而形成的小面积干扰信息，通过如下公式删除二值图像BW中面积小于p的对象，得到优化二值结果1≤i≤6：

其中p设置为面积下限阈值，conn为对应邻域搜索方法；

对图像拍摄角度不佳、车牌倾斜而导致的狭长区域的误分割采用如下处理方式：对二值图像中的连通域D进行标记，计算各连通域的最小外接矩形，并获取其长L和宽W，设置容错参数NL和NW以限定狭长区域分布的最大尺度，分别比较L、NL和W、NW，当L＞α(NL)或W＜β(NW)时，则该连通域D不满足车牌字符特征，将其删除，得到优化二值结果其中，α、β为弹性系数，0≤α,β≤1，控制实际车牌字符特征大小。

6.根据权利要求1所述的方法，其特征还在于：获得车牌伪造信息的最终结果FinalMAP具体采用如下方式：

取目标端元集合M1对应的优化二值结果的并集得到FinalMap(M1)，1≤i≤4，具体如下：

其中，FinalMap(M1)表示目标端元集合M1对应的车牌伪造信息的检测结果；表示各端元对应的优化后的二值化检测结果。

取目标端元集合M2对应的优化二值结果的并集得到FinalMap(M2)，5≤i≤6，具体如下：

其中，FinalMap(M2)表示目标端元集合M2对应的车牌伪造信息的检测结果；表示各端元对应的优化后的二值化检测结果；

FinalMAP＝FinalMap(M1)-FinalMap(M2) (8)

其中，FinalMAP为车牌伪造信息的最终检测结果。