CN112580531A - 一种真假车牌的识别检测方法及*** - Google Patents
一种真假车牌的识别检测方法及*** Download PDFInfo
- Publication number
- CN112580531A CN112580531A CN202011537265.7A CN202011537265A CN112580531A CN 112580531 A CN112580531 A CN 112580531A CN 202011537265 A CN202011537265 A CN 202011537265A CN 112580531 A CN112580531 A CN 112580531A
- Authority
- CN
- China
- Prior art keywords
- license plate
- images
- image group
- image
- target detection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 224
- 238000012549 training Methods 0.000 claims description 51
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/107—Static hand or arm
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06V20/63—Scene text, e.g. street names
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/107—Static hand or arm
- G06V40/117—Biometrics derived from hands
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种真假车牌的识别检测方法及***,用于提高车辆真假车牌判断的准确性。本申请实施例方法包括:获取同一车辆的预检测车牌图像组;判断预检测车牌图像组中的图像是否存在人体手部特征;若是,则分别对人体手部特征设置关键点,并生成目标检测图像组;从目标检测图像组中挑取第一目标检测图像;将第一目标检测图像通过目标模型生成检测结果;判断检测结果是否大于第一阈值;若否,则统计目标检测图像组中图像车牌中心点与对应的关键点距离小于第二阈值的张数;判断小于第二阈值的图像张数是否不小于目标检测图像组中图像总数的一半;若是,则确定目标检测图像组中的车牌为伪车牌。
Description
技术领域
本申请实施例涉及智能监控领域,尤其涉及一种真假车牌的识别检测方法及***。
背景技术
随着机动车套牌与伪造机动车牌等现象的出现,对车牌的真假识别技术的要求也日益迫切。近年来,随着科学技术的发展,以车牌识别技术为基础的无人值守方案出现,不仅提升了停车场通行效率,更为物业管理方节省了大笔人员开支。
就目前来说,在停车场,***只要识别到车牌就能够对用户车辆开闸放行。由于是无人值守,有少数用户为了减少自身车辆在停车场内停车费用的支出,会采取用手机显示车辆的车牌图像或者打印车辆车牌等措施来假冒月卡车辆进行逃费。
发明内容
本申请实施例提供了一种真假车牌的识别检测方法及***,用于提高车辆真假车牌判断的准确性。
本申请在第一方面提供了一种真假车牌的识别检测方法,包括:
获取同一车辆的预检测车牌图像组;
判断所述预检测车牌图像组中的图像是否存在人体手部特征;
若是,则分别对所述人体手部特征设置关键点,并生成目标检测图像组;
从所述目标检测图像组中挑取第一目标检测图像;将所述第一目标检测图像通过目标模型生成检测结果,所述目标模型为学习样本集中车牌图像的中心点特征信息所训练得到的模型,所述检测结果为一个距离长度数值;
判断所述检测结果是否大于第一阈值;
若否,则统计所述目标检测图像组中图像车牌中心点与对应的关键点距离小于第二阈值的张数;
判断小于第二阈值的图像张数是否不小于所述目标检测图像组中图像总数的一半;
若是,则确定所述目标检测图像组中的车牌为伪车牌。
可选的,所述将所述第一目标检测图像通过目标模型生成检测结果之前,所述检测方法还包括:
通过摄像头获取历史车辆车牌图像数据;
通过所述历史车辆车牌图像数据获取车牌图像样本集,所述车牌图像样本集为设置有车牌中心点的样本集;
将所述车牌图像样本集的图像集中输入初始模型生成训练数据,所述初始模型为基于神经网络所建立的模型,所述训练数据为车辆车牌的中心点坐标数据;
根据所述训练数据判断车牌中心点的分布是否存在聚集区域;
若是,则确定所述初始模型为目标模型;
根据所述聚集区域确定区域中心点。
可选的,所述根据所述训练数据判断车牌中心点的分布是否存在聚集区域之后,所述检测方法还包括:
若否,则二次获取车牌图像样本集,进行步骤:将二次获取的车牌图像样本的图像集中输入初始模型生成训练数据,根据二次生成的训练数据判断车牌中心点的分布是否存在聚集区域。
可选的,所述获取同一车辆的预检测车牌图像组,包括:
通过摄像头获取同一车辆的包含预检测车牌信息的视频;
根据所述包含检测车牌信息的视频截取至少为三张的预检测车牌图像,集合生成预检测车牌图像组。
可选的,所述从所述目标检测图像组中挑取第一目标检测图像,包括:
分别标注所述目标检测图像组中图像上车牌的边框;
根据所述边框比较对应车牌在图像上显示的大小;
根据比较结果挑取第一目标检测图像,所述第一目标检测图像为比较结果中边框最大的图像。
可选的,所述判断所述预检测车牌图像组中的图像是否存在人体手部特征之后,所述检测方法还包括:
若否,则确定所述预检测车牌图像组中的车牌为真车牌。
可选的,所述判断所述检测结果是否大于第一阈值之后,所述检测方法还包括:
若是,则确定所述第一目标检测图像中的车牌为伪车牌。
可选的,所述判断小于第二阈值的图像张数是否不小于所述目标检测图像组中图像总数的一半之后,所述检测方法还包括:
若否,则确定所述目标检测图像组中的车牌为真车牌。
本申请在第二方面提供了一种真假车牌的识别检测***,包括:
第一获取单元,用于获取同一车辆的预检测车牌图像组;
第一判断单元,用于判断所述预检测车牌图像组中的图像是否存在人体手部特征;
第一执行单元,用于当所述第一判断单元确定所述预检测车牌图像组中的图像存在人体手部特征时,则分别对所述人体手部特征设置关键点,并生成目标检测图像组;
挑取单元,用于从所述目标检测图像组中挑取第一目标检测图像;
生成单元,用于将所述第一目标检测图像通过目标模型生成检测结果,所述目标模型为学习样本集中车牌图像的中心点特征信息所训练得到的模型,所述检测结果为一个距离长度数值;
第二判断单元,用于判断所述检测结果是否大于第一阈值;
第二执行单元,用于当所述第二判断单元确定所述检测结果不大于第一阈值时,则统计所述目标检测图像组中图像车牌中心点与对应的关键点距离小于第二阈值的张数;
第三判断单元,用于判断小于第二阈值的图像张数是否不小于所述目标检测图像组中图像总数的一半;
第三执行单元,用于当所述第三判断单元确定小于第二阈值的图像张数不小于所述目标检测图像组的图像总数的一半时,则确定所述目标检测图像组中的车牌为伪车牌。
可选的,所述检测***还包括:
第三获取单元,用于通过摄像头获取历史车辆车牌图像数据;
第四获取单元,用于通过所述历史车辆车牌图像数据获取车牌图像样本集,所述车牌图像样本集为设置有车牌中心点的样本集;
训练单元,用于将所述车牌图像样本的图像集中输入初始模型生成训练数据,所述初始模型为基于神经网络所建立的模型,所述训练数据为车辆车牌的中心点坐标数据;
第四判断单元,用于根据所述训练数据判断车牌中心点的分布是否存在聚集区域;
第四执行单元,用于当所述第四判断单元根据所述训练数据确定车牌中心点的分布存在聚集区域时,确定所述初始模型为目标模型;
区域中心确定单元,用于根据所述聚集区域确定区域中心点。
可选的,所述检测***还包括:
第五执行单元,用于当所述第四判断单元根据所述训练数据确定车牌中心点的分布不存在聚集区域时,则二次获取车牌图像样本集,进行步骤:将二次获取的车牌图像样本的图像集中输入初始模型生成训练数据,根据二次生成的训练数据判断车牌中心点的分布是否存在聚集区域。
可选的,所述第一获取单元,包括:
第二获取模块,用于通过摄像头获取同一车辆的包含预检测车牌信息的视频;
截取模块,用于根据所述包含检测车牌信息的视频截取至少为三张的预检测车牌图像,集合生成预检测车牌图像组。
可选的,所述挑取单元,包括:
标注模块,用于分别标注所述目标检测图像组中图像上车牌的边框;
比较模块,用于根据所述边框比较对应车牌在图像上显示的大小;
挑取模块,用于根据比较结果挑取第一目标检测图像,所述第一目标检测图像为比较结果中边框最大的图像。
可选的,所述检测***还包括:
第六执行单元,用于当所述第一判断单元确定所述预检测车牌图像组中的图像不存在人体手部特征时,则确定所述预检测车牌图像组中的车牌为真车牌。
可选的,所述检测方法还包括:
第七执行单元,用于当所述第二判断单元确定所述检测结果大于第一阈值时,则确定所述第一目标检测图像中的车牌为伪车牌。
可选的,所述检测方法还包括:
第八执行单元,用于当所述第三判断单元确定小于第二阈值的图像张数小于所述目标检测图像组中图像总数的一半时,则确定所述目标检测图像组中的车牌为真车牌。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请实施例提供了一种可以真假车牌的识别检测方法及***,通过判断获取到的同一车辆的预检测车牌图像是否有人体的手部特征,若是有,则对该人体的手部特征设置关键点,生成目标检测图像组,从目标检测图像组中挑取出第一目标检测图像输入至目标模型,接着根据目标模型的检测结果来判断检测结果的数值是否大于第一阈值,如果不大于,就统计目标检测图像组中所有图像的车牌中心点与对应的手部特征关键点的距离小于第二阈值的张数,如果统计出张数超出或等于图像组总图像张数的一半,则确定目标检测图像组中的车牌为伪车牌。该方法及***可以实现在无人值守的情况下过滤大部分的伪车牌,从而提高真假车牌判断的准确性。
附图说明
图1为本申请实施例中真假车牌的识别检测方法的一个实施例流程示意图;
图2-1及图2-2为本申请实施例中真假车牌的识别检测方法的另一实施例流程示意图;
图3为本申请实施例中真假车牌的识别检测***的一个实施例结构示意图;
图4为本申请实施例中真假车牌的识别检测***的另一实施例结构示意图;
图5为本申请实施例中真假车牌的识别检测***的另一实施例结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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、完整的阐述,显然阐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的前提下所获得的所有其他实施例,都应当属于本发明保护范围。
本申请实施例提供了一种真假车牌的识别检测方法及***,用于实现在无人值守的情况下过滤大部分的伪车牌,从而提高真假车牌判断的准确性。
在本实施例中,真假车牌的识别检测方法可在***实现,可以在服务器实现,也可以在***实现,具体不做明确限定。为方便描述,本申请实施例使用***为执行主体举例描述。
请参阅图1,本申请实施例中的一种真假车牌的识别检测方法的一个实施例包括:
101、***获取同一车辆的预检测车牌图像组;
在本申请实施例中,当***识别到有车辆进入车场时,设置摄像头在停车场入口处的感知区域,在车辆通过感知区域到车场入口时,通过摄像头获取到车辆的车牌图像组,从而识别车辆的身份信息。
对于获取车牌图像组的方式,可以为通过高位摄像头在预设时间内拍摄车辆通过感知区域的照片组,也可以为录制车辆通过感知区域的视频,再从该视频中截取预定的帧数图像作为图像组,具体此处不做限定。
102、***判断预检测车牌图像组中的图像是否存在人体手部特征;若是,则执行步骤103;
在***通过车牌图像组识别到车辆的身份信息以后,为了检测人体手臂是否在车牌的周围,需要先通过高位摄像头获取的车牌图像组中识别是否具备人体的手部特征,若是,则执行步骤103。
103、***分别对人体手部特征设置关键点,并生成目标检测图像组;
当从车牌图像组中识别到了人体的手部特征,为了检测人体手臂是否在车牌的周围,需要对人体的手部特征设置多个关键点作为检测人体手臂到车牌中心点距离的参考点,然后将设置好的关键点标注在预检测的车牌图像组的图像中,经过处理后的图像生成目标检测图像组。
对于设置的关键点的方法具有多种,通常可以采用骨架作为一组坐标点,用于连接起来描述人体的姿态。骨架中的每一个坐标点即为一个关节,也称为一个关键点。两个关键点之间的有效连接称为一个“对”。设置关键点的方法具体此处不做限定。
104、***从目标检测图像组中挑取第一目标检测图像;
为了能够提高后续的目标模型对真假车牌识别的准确性,***需要从经过关键点标注处理的目标检测图像组中挑取一张在图像组中车牌识别度最高的图像作为第一目标检测图像。
105、***将第一目标检测图像通过目标模型生成检测结果;
目标模型是预先通过停车场历史的车牌位置数据训练好的模型,例如:获取该停车场近一个月的正常车辆出牌位置的图像数据,训练出四个聚类中心,每个聚类中心代表正常车辆行驶过程中可能会出现的出牌位置区域。所存在的聚类中心的个数通常由车辆本身的高低以及驾驶员的开车习惯决定。当***将图像输入到目标模型时,该目标模型可以根据图像中的车牌中心点与各个聚类的中心点的距离生成检测结果。
对于目标模型的训练方法除了上述的聚类算法,还可以通过构建另外的神经网络框架来训练模型,具体此处不做限定。
106、***判断检测结果是否大于第一阈值;若否,则执行步骤107;
在本申请实施例中,为了检测目标车辆的车牌的真伪,***需要根据目标模型输出的检测结果来确定该目标车辆的第一目标检测图像中的车牌与聚类的距离是否大于一定程度,因此需要设置一个距离的阈值,若是大于这个阈值,则确定这个车牌是伪车牌,若是不大于这个阈值,则对这个车牌进行第二重判断,执行步骤107。
107、***统计目标检测图像组中图像车牌中心点与对应的关键点距离小于第二阈值的张数;
当***确定检测结果不大于第一阈值时,***需要统计目标检测图像组中图像车牌中心点与对应的关键点距离小于第二阈值的张数,此处的第二阈值指的是一个距离数值。
108、***判断小于第二阈值的图像张数是否不小于目标检测图像组中图像总数的一半;若是,则执行步骤109;
***对这个车牌进行第二重判断,以提高对真假车牌判断精度。
在获取到在目标检测图像组中大于一定距离的图像张数后,判断该张数是否已经超过了图像总张数的一半,若是,则确定手部处于该车牌的附近,执行步骤109。
109、***确定目标检测图像组中的车牌为伪车牌。
当***确定小于第二阈值的图像张数不小于目标检测图像组中图像总数的一半时,则确定目标检测图像组中的车牌为伪车牌。
在本申请实施例中,停车场***通过对需要检测的车牌图像判定是否具备手部特征,若是,则通过手部特征设置关键点,再将处理后的图像输入预先训练好的模型,后续再根据模型的输出结果来确定该车牌图像中车牌的真伪,实现了在无人值守的情况下过滤大部分的伪车牌,从而提高真假车牌判断的准确性。
下面结合图2-1至图2-2来对真假车牌的识别检测方法的另一实施例进行详细描述。
请参阅图2-1及图2-2,本申请实施例中,真假车牌的识别检测方法的另一个实施例包括:
201、***通过摄像头获取同一车辆的包含预检测车牌信息的视频;
202、***根据包含检测车牌信息的视频截取至少为三张的预检测车牌图像,集合生成预检测车牌图像组;
在本申请实施例中,***需要摄像头录制同一车辆通过摄像头的感知区域的视频,再根据该视频截取预检测车牌图像来识别车辆的身份信息,以及作为后续输入目标的模型输入数据。截取的预检测车牌图像至少为三张,且从视频中按照预设的时间间隔截取到包含有清晰的车牌的图像时,停止截取视频,再将截取的图像集合生成预检测车牌图像组。
203、***判断预检测车牌图像组中的图像是否存在人体手部特征;若是,则执行步骤204;若否,则执行步骤205;
204、***分别对人体手部特征设置关键点,并生成目标检测图像组;
执行该步骤后执行步骤206。
本实施例中的步骤203与204与前述实施例中步骤102与103类似,此处不再赘述。
205、***确定预检测车牌图像组中的车牌为真车牌;
当***确定预检测车牌图像组中的图像不存在人体手部特征时,则确定预检测车牌图像组中的车牌的真车牌。
206、***分别标注目标检测图像组中图像上车牌的边框;
207、***根据边框比较对应车牌在图像上显示的大小;
208、***根据比较结果挑取第一目标检测图像,该第一目标检测图像为比较结果中边框最大的图像;
为了提高***检测车牌真假的精确度,需要从预检测车牌图像组中挑取一张车牌最为清晰的图像作为目标检测图像,因此,需要将该图像组中的图像依次沿着车牌的外缘标注一个车牌边框,当全部图像都被***标注后,***需要根据比较各个图像上边框的大小来确定车牌的清晰度排名,挑取排名第一的,即车牌边框最大的图像作为第一目标检测图像。
209、***通过摄像头获取历史车辆车牌图像数据;
***在将图像输入至目标模型检测之前,需要先构建出一个初始模型框架,再对该初始模型进行训练得到目标模型。
在本申请实施例中,训练初始模型的方法采用聚类算法来训练,因此,***需要获取近一个时间段或几个时间段的历史车辆车牌图像数据作为对照样本。
210、***通过历史车辆车牌图像数据获取车牌图像样本集,该车牌图像样本集为设置有车牌中心点的样本集;
在***获取到历史车辆车牌图像数据作为对照样本后,为了得到对照样本的参照点,需要对该对照样本进行标注车牌中心点处理,再将处理后的图像集合成车牌图像样本集。
211、***将车牌图像样本的图像集中输入初始模型生成训练数据;
212、***根据训练数据判断车牌中心点的分布是否存在聚集区域;若是,则执行步骤213;若否,则执行步骤214;
213、***确定初始模型为目标模型;执行步骤213后执行步骤215;
214、***二次获取车牌图像样本集,进行步骤:将二次获取的车牌图像样本的图像集中输入初始模型生成训练数据,根据二次生成的训练数据判断车牌中心点的分布是否存在聚集区域;
215、***根据聚集区域确定区域中心点;
***可以采用聚类算法框架构建初始模型,训练的方法是:将经过标注中心点处理的车牌图像样本集集中输入到初始模型生成训练数据,这个训练数据为中心点的分布数据,接着判断这些中心点的分布数据是否形成点聚集区域,若是有,则可以确定初始模型训练完成为目标模型,若是还没有形成点聚集区域,则二次获取车牌图像样本集输入到初始模型进行训练,直至***判断车牌的中心点分布有形成点聚集区域为止。接着,根据该点聚集区域确认好该区域的中心点,以作为后续将预检测车牌图像输入目标模型时的检测计算依据。
216、***将第一目标检测图像通过目标模型生成检测结果;
217、***判断检测结果是否大于第一阈值;若是,则执行步骤218;若否,则执行步骤219;
本实施例中的步骤216与217与前述实施例中步骤105与106类似,此处不再赘述。
218、***确定第一目标检测图像中的车牌为伪车牌;
当***确定检测结果大于第一阈值时,确定第一目标检测图像中的车牌为伪车牌。
219、***统计目标检测图像组中图像车牌中心点与对应的关键点距离小于第二阈值的张数;
220、***判断小于第二阈值的图像张数是否不小于目标检测图像组中图像总数的一半;若是,则执行步骤221;若否,则执行步骤222;
221、***确定目标检测图像组中的车牌为伪车牌;
本实施例中的步骤219与221与前述实施例中步骤107与109类似,此处不再赘述。
222、***确定目标检测图像组中的车牌为真车牌。
当***确定小于第二阈值的图像张数小于目标检测图像组中图像总数的一半时,确定目标检测图像组中的车牌为真车牌。
在本申请实施例中,该停车场***可以根据历史的车辆车牌数据来作为样本集放入初始模型进行训练,通过大数据和深度学习使得停车场对车辆车牌的防伪效果更具有鲁棒性。
上面对本申请实施例中的真假车牌的识别检测方法进行了描述,下面对本申请实施例中的真假车牌的识别检测***进行描述:
请参阅图3,本申请实施例中真假车牌的识别检测***的一个实施例包括:
第一获取单元301,用于获取同一车辆的预检测车牌图像组;
第一判断单元302,用于判断预检测车牌图像组中的图像是否存在人体手部特征;
第一执行单元303,用于当第一判断单元302确定预检测车牌图像组中的图像存在人体手部特征时,则分别对人体手部特征设置关键点,并生成目标检测图像组;
挑取单元304,用于从目标检测图像组中挑取第一目标检测图像;
生成单元305,用于将第一目标检测图像通过目标模型生成检测结果,该目标模型为学习样本集中车牌图像的中心点特征信息所训练得到的模型,该检测结果为一个距离长度数值;
第二判断单元306,用于判断检测结果是否大于第一阈值;
第二执行单元307,用于当第二判断单元306确定检测结果不大于第一阈值时,则统计目标检测图像组中图像车牌中心点与对应的关键点距离小于第二阈值的张数;
第三判断单元308,用于判断小于第二阈值的图像张数是否不小于目标检测图像组中图像总数的一半;
第三执行单元309,用于当第三判断单元308确定小于第二阈值的图像张数不小于目标检测图像组的图像总数的一半时,则确定目标检测图像组中的车牌为伪车牌。
本申请实施例中,第一获取单元301获取到同一车辆的预检测车牌图像组后,通过第一判断单元302判断预检测车牌图像组中的图像是否存在人体手部特征,若存在,则第一执行单元303对人体手部特征设置关键点,并生成目标检测图像组,挑取单元304用于目标检测图像组中挑取第一目标检测图像,生成单元305将第一目标检测图像输入目标模型生成检测结果,第二执行单元307在第二判断单元306确定检测结果不大于第一阈值时,统计图像车牌中心点与对应关键点距离小于第二阈值的张数,若是小于第二阈值的图像张数是否不小于目标检测图像组中图像总数的一半,则第三执行单元309可以确定目标检测图像组中的车牌为伪车牌,该***实现了在无人值守的情况下过滤大部分的伪车牌,从而提高真假车牌判断的准确性。
请参阅图4,本申请实施例中真假车牌的识别检测***的另一个实施例包括:
第一获取单元401,用于获取同一车辆的预检测车牌图像组;
第一判断单元402,用于判断预检测车牌图像组中的图像是否存在人体手部特征;
第一执行单元403,用于当第一判断单元402确定预检测车牌图像组中的图像存在人体手部特征时,则分别对人体手部特征设置关键点,并生成目标检测图像组;
第六执行单元404,用于当第一判断单元402确定预检测车牌图像组中的图像不存在人体手部特征时,则确定预检测车牌图像组中的车牌为真车牌;
挑取单元405,用于从目标检测图像组中挑取第一目标检测图像;
第三获取单元406,用于通过摄像头获取历史车辆车牌图像数据;
第四获取单元407,用于通过历史车辆车牌图像数据获取车牌图像样本集,该车牌图像样本集为设置有车牌中心点的样本集;
训练单元408,用于将车牌图像样本的图像集中输入初始模型生成训练数据,该初始模型为基于神经网络所建立的模型,该训练数据为车辆车牌的中心点坐标数据;
第四判断单元409,用于根据训练数据判断车牌中心点的分布是否存在聚集区域;
第四执行单元410,用于当第四判断单元409根据训练数据确定车牌中心点的分布存在聚集区域时,确定初始模型为目标模型;
第五执行单元411,用于当第四判断单元409根据训练数据确定车牌中心点的分布不存在聚集区域时,则二次获取车牌图像样本集,进行步骤:将二次获取的车牌图像样本的图像集中输入初始模型生成训练数据,根据二次生成的训练数据判断车牌中心点的分布是否存在聚集区域;
区域中心确定单元412,用于根据聚集区域确定区域中心点;
生成单元413,用于将第一目标检测图像通过目标模型生成检测结果,该目标模型为学习样本集中车牌图像的中心点特征信息所训练得到的模型,该检测结果为一个距离长度数值;
第二判断单元414,用于判断检测结果是否大于第一阈值;
第二执行单元415,用于当第二判断单元414确定检测结果不大于第一阈值时,则统计目标检测图像组中图像车牌中心点与对应的关键点距离小于第二阈值的张数;
第七执行单元416,用于当第二判断单元414确定检测结果大于第一阈值时,则确定第一目标检测图像中的车牌为伪车牌;
第三判断单元417,用于判断小于第二阈值的图像张数是否不小于目标检测图像组中图像总数的一半;
第三执行单元418,用于当第三判断单元417确定小于第二阈值的图像张数不小于目标检测图像组的图像总数的一半时,则确定目标检测图像组中的车牌为伪车牌;
第八执行单元419,用于当第三判断单元417确定小于第二阈值的图像张数小于目标检测图像组中图像总数的一半时,则确定目标检测图像组中的车牌为真车牌。
在本申请实施例中,第一获取单元401包括第二获取模块4011以及截取模块4012。
第二获取模块4011用于通过摄像头获取同一车辆的包含预检测车牌信息的视频;
截取模块4012用于根据包含检测车牌信息的视频截取至少为三张的预检测车牌图像,集合生成预检测车牌图像组。
在本申请实施例中,挑取单元405包括标注模块4051,比较模块4052以及挑取模块4053。
标注模块4051用于分别标注目标检测图像组中图像上车牌的边框;
比较模块4052用于根据边框比较对应车牌在图像上显示的大小;
挑取模块4053用于根据比较结果挑取第一目标检测图像,该第一目标检测图像为比较结果中边框最大的图像。
上述实施例中,各个单元及模块的功能与图2所示实施例中的步骤对应,此处不再赘述。
下面对本申请实施例中的一种真假车牌的识别检测方法及***进行详细描述,请参阅图5,在本申请实施例中一种真假车牌的识别检测方法及***另一实施例包括:
处理器501、存储器502、输入输出单元503、总线504;
所述处理器501与所述存储器502、所述输入输出单元503以及所述总线504相连;
所述处理器501具体执行如下操作:
获取同一车辆的预检测车牌图像组;
判断预检测车牌图像组中的图像是否存在人体手部特征;
若是,则分别对人体手部特征设置关键点,并生成目标检测图像组;
从目标检测图像组中挑取第一目标检测图像;
将第一目标检测图像通过目标模型生成检测结果,目标模型为学习样本集中车牌图像的中心点特征信息所训练得到的模型,检测结果为一个距离长度数值;
判断检测结果是否大于第一阈值;
若否,则统计目标检测图像组中图像车牌中心点与对应的关键点距离小于第二阈值的张数;
判断小于第二阈值的图像张数是否不小于目标检测图像组中图像总数的一半;
若是,则确定目标检测图像组中的车牌为伪车牌。
本实施例中,处理器501的功能与前述图1至图4所述实施例中的步骤对应,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,read-onlymemory)、随机存取存储器(RAM,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种真假车牌的识别检测方法,其特征在于,包括:
获取同一车辆的预检测车牌图像组;
判断所述预检测车牌图像组中的图像是否存在人体手部特征;
若是,则分别对所述人体手部特征设置关键点,并生成目标检测图像组;
从所述目标检测图像组中挑取第一目标检测图像;
将所述第一目标检测图像通过目标模型生成检测结果,所述目标模型为学习样本集中车牌图像的中心点特征信息所训练得到的模型,所述检测结果为一个距离长度数值;
判断所述检测结果是否大于第一阈值;
若否,则统计所述目标检测图像组中图像车牌中心点与对应的关键点距离小于第二阈值的张数;
判断小于第二阈值的图像张数是否不小于所述目标检测图像组中图像总数的一半;
若是,则确定所述目标检测图像组中的车牌为伪车牌。
2.根据权利要求1所述的检测方法,其特征在于,所述将所述第一目标检测图像通过目标模型生成检测结果之前,所述检测方法还包括:
通过摄像头获取历史车辆车牌图像数据;
通过所述历史车辆车牌图像数据获取车牌图像样本集,所述车牌图像样本集为设置有车牌中心点的样本集;
将所述车牌图像样本集的图像集中输入初始模型生成训练数据,所述初始模型为基于神经网络所建立的模型,所述训练数据为车辆车牌的中心点坐标数据;
根据所述训练数据判断车牌中心点的分布是否存在聚集区域;
若是,则确定所述初始模型为目标模型;
根据所述聚集区域确定区域中心点。
3.根据权利要求2所述的检测方法,其特征在于,所述根据所述训练数据判断车牌中心点的分布是否存在聚集区域之后,所述检测方法还包括:
若否,则二次获取车牌图像样本集,进行步骤:将二次获取的车牌图像样本的图像集中输入初始模型生成训练数据,根据二次生成的训练数据判断车牌中心点的分布是否存在聚集区域。
4.根据权利要求3所述的检测方法,其特征在于,所述获取同一车辆的预检测车牌图像组,包括:
通过摄像头获取同一车辆的包含预检测车牌信息的视频;
根据所述包含检测车牌信息的视频截取至少为三张的预检测车牌图像,集合生成预检测车牌图像组。
5.根据权利要求4所述的检测方法,其特征在于,所述从所述目标检测图像组中挑取第一目标检测图像,包括:
分别标注所述目标检测图像组中图像上车牌的边框;
根据所述边框比较对应车牌在图像上显示的大小;
根据比较结果挑取第一目标检测图像,所述第一目标检测图像为比较结果中边框最大的图像。
6.根据权利要求1至5任意一项所述的检测方法,其特征在于,所述判断所述预检测车牌图像组中的图像是否存在人体手部特征之后,所述检测方法还包括:
若否,则确定所述预检测车牌图像组中的车牌为真车牌。
7.根据权利要求1至5任意一项所述的检测方法,其特征在于,所述判断所述检测结果是否大于第一阈值之后,所述检测方法还包括:
若是,则确定所述第一目标检测图像中的车牌为伪车牌。
8.根据权利要求1至5任意一项所述的检测方法,其特征在于,所述判断小于第二阈值的图像张数是否不小于所述目标检测图像组中图像总数的一半之后,所述检测方法还包括:
若否,则确定所述目标检测图像组中的车牌为真车牌。
9.一种真假车牌的识别检测***,其特征在于,包括:
第一获取单元,用于获取同一车辆的预检测车牌图像组;
第一判断单元,用于判断所述预检测车牌图像组中的图像是否存在人体手部特征;
第一执行单元,用于当所述第一判断单元确定所述预检测车牌图像组中的图像存在人体手部特征时,则分别对所述人体手部特征设置关键点,并生成目标检测图像组;
挑取单元,用于从所述目标检测图像组中挑取第一目标检测图像;
生成单元,用于将所述第一目标检测图像通过目标模型生成检测结果,所述目标模型为学习样本集中车牌图像的中心点特征信息所训练得到的模型,所述检测结果为一个距离长度数值;
第二判断单元,用于判断所述检测结果是否大于第一阈值;
第二执行单元,用于当所述第二判断单元确定所述检测结果不大于第一阈值时,则统计所述目标检测图像组中图像车牌中心点与对应的关键点距离小于第二阈值的张数;
第三判断单元,用于判断小于第二阈值的图像张数是否不小于所述目标检测图像组中图像总数的一半;
第三执行单元,用于当所述第三判断单元确定小于第二阈值的图像张数不小于所述目标检测图像组的图像总数的一半时,则确定所述目标检测图像组中的车牌为伪车牌。
10.根据权利要求9所述的检测***,所述检测***还包括:
第三获取单元,用于通过摄像头获取历史车辆车牌图像数据;
第四获取单元,用于通过所述历史车辆车牌图像数据获取车牌图像样本集,所述车牌图像样本集为设置有车牌中心点的样本集;
训练单元,用于将所述车牌图像样本的图像集中输入初始模型生成训练数据,所述初始模型为基于神经网络所建立的模型,所述训练数据为车辆车牌的中心点坐标数据;
第四判断单元,用于根据所述训练数据判断车牌中心点的分布是否存在聚集区域;
第四执行单元,用于当所述第四判断单元根据所述训练数据确定车牌中心点的分布存在聚集区域时,确定所述初始模型为目标模型;
区域中心确定单元,用于根据所述聚集区域确定区域中心点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011537265.7A CN112580531B (zh) | 2020-12-23 | 2020-12-23 | 一种真假车牌的识别检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011537265.7A CN112580531B (zh) | 2020-12-23 | 2020-12-23 | 一种真假车牌的识别检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112580531A true CN112580531A (zh) | 2021-03-30 |
CN112580531B CN112580531B (zh) | 2024-04-02 |
Family
ID=75139414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011537265.7A Active CN112580531B (zh) | 2020-12-23 | 2020-12-23 | 一种真假车牌的识别检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580531B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205069A (zh) * | 2021-05-27 | 2021-08-03 | 上海高德威智能交通***有限公司 | 虚假车牌检测方法、装置及计算机存储介质 |
CN113409502A (zh) * | 2021-06-28 | 2021-09-17 | 杭州海康威视数字技术股份有限公司 | 控制车辆通行方法、装置、***和电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101111724B1 (ko) * | 2011-06-07 | 2012-02-24 | 주식회사 두원전자통신 | 불법 주정차 무인 검지 방법과 그 시스템 |
CN106778741A (zh) * | 2016-12-08 | 2017-05-31 | 中国人民解放军国防科学技术大学 | 一种基于手持终端拍摄的复杂背景图像中的车牌定位方法 |
KR101784449B1 (ko) * | 2016-12-29 | 2017-11-06 | 주식회사 경림이앤지 | 번호판 가림 판독 알람 서비스를 탑재한 불법 주정차 단속 시스템 및 방법 |
CN109993056A (zh) * | 2019-02-25 | 2019-07-09 | 平安科技(深圳)有限公司 | 一种识别车辆违章行为的方法、服务器及存储介质 |
CN110533039A (zh) * | 2019-09-04 | 2019-12-03 | 深圳市捷顺科技实业股份有限公司 | 一种车牌的真伪检测方法、装置及设备 |
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 |
CN111340045A (zh) * | 2020-02-12 | 2020-06-26 | 浙江大华技术股份有限公司 | 车牌号码的识别方法、装置及存储介质 |
CN111797713A (zh) * | 2020-06-16 | 2020-10-20 | 浙江大华技术股份有限公司 | 车牌识别方法及拍照设备 |
CN111860477A (zh) * | 2020-01-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 车辆信息的验证方法和***、终端和计算机可读存储介质 |
-
2020
- 2020-12-23 CN CN202011537265.7A patent/CN112580531B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101111724B1 (ko) * | 2011-06-07 | 2012-02-24 | 주식회사 두원전자통신 | 불법 주정차 무인 검지 방법과 그 시스템 |
CN106778741A (zh) * | 2016-12-08 | 2017-05-31 | 中国人民解放军国防科学技术大学 | 一种基于手持终端拍摄的复杂背景图像中的车牌定位方法 |
KR101784449B1 (ko) * | 2016-12-29 | 2017-11-06 | 주식회사 경림이앤지 | 번호판 가림 판독 알람 서비스를 탑재한 불법 주정차 단속 시스템 및 방법 |
CN109993056A (zh) * | 2019-02-25 | 2019-07-09 | 平安科技(深圳)有限公司 | 一种识别车辆违章行为的方法、服务器及存储介质 |
CN110533039A (zh) * | 2019-09-04 | 2019-12-03 | 深圳市捷顺科技实业股份有限公司 | 一种车牌的真伪检测方法、装置及设备 |
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 |
CN111860477A (zh) * | 2020-01-22 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 车辆信息的验证方法和***、终端和计算机可读存储介质 |
CN111340045A (zh) * | 2020-02-12 | 2020-06-26 | 浙江大华技术股份有限公司 | 车牌号码的识别方法、装置及存储介质 |
CN111797713A (zh) * | 2020-06-16 | 2020-10-20 | 浙江大华技术股份有限公司 | 车牌识别方法及拍照设备 |
Non-Patent Citations (2)
Title |
---|
X. LIU等: "PROVID: Progressive and Multimodal Vehicle Reidentification for Large-Scale Urban Surveillance", 《IEEE TRANSACTIONS ON MULTIMEDIA》, vol. 20, no. 3, 31 March 2018 (2018-03-31), pages 645 - 658 * |
宋迪: "变造车牌图像的特征分析与识别研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 3, 15 March 2020 (2020-03-15), pages 034 - 725 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113205069A (zh) * | 2021-05-27 | 2021-08-03 | 上海高德威智能交通***有限公司 | 虚假车牌检测方法、装置及计算机存储介质 |
CN113205069B (zh) * | 2021-05-27 | 2023-05-30 | 上海高德威智能交通***有限公司 | 虚假车牌检测方法、装置及计算机存储介质 |
CN113409502A (zh) * | 2021-06-28 | 2021-09-17 | 杭州海康威视数字技术股份有限公司 | 控制车辆通行方法、装置、***和电子设备 |
CN113409502B (zh) * | 2021-06-28 | 2023-03-24 | 杭州海康威视数字技术股份有限公司 | 控制车辆通行方法、装置、***和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112580531B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105631439B (zh) | 人脸图像处理方法和装置 | |
CN103116763B (zh) | 一种基于hsv颜色空间统计特征的活体人脸检测方法 | |
CN102945366B (zh) | 一种人脸识别的方法及装置 | |
CN103714631B (zh) | 基于人脸识别的atm取款机智能监控*** | |
CN107679613A (zh) | 一种人员信息的统计方法、装置、终端设备和存储介质 | |
CN106709450A (zh) | 一种指纹图像识别方法及*** | |
CN105160318A (zh) | 基于面部表情的测谎方法及*** | |
CN109670441A (zh) | 一种实现安全帽穿戴识别的方法、***、终端以及计算机可读存储介质 | |
CN110287889A (zh) | 一种身份识别的方法及装置 | |
CN104992148A (zh) | 基于随机森林的atm终端部分遮挡人脸关键点检测方法 | |
CN110929687B (zh) | 一种基于关键点检测的多人行为识别***及工作方法 | |
CN101556717A (zh) | 一种atm智能安保***及监测方法 | |
CN101739742A (zh) | 联网式多通道门禁考勤*** | |
CN112580531A (zh) | 一种真假车牌的识别检测方法及*** | |
CN111192461B (zh) | 一种车牌识别方法、服务器、停车收费方法及*** | |
CN110414459A (zh) | 建立人车关联的方法及装置 | |
CN106326835A (zh) | 一种用于加油站便利店的人脸数据采集统计***及方法 | |
CN107368770A (zh) | 一种回头客自动识别方法及*** | |
CN111753642B (zh) | 一种确定关键帧的方法及装置 | |
CN108171135A (zh) | 人脸检测方法、装置及计算机可读存储介质 | |
CN106709458A (zh) | 一种人脸活体检测方法及装置 | |
CN111027534A (zh) | 一种紧凑双车牌检测方法及装置 | |
CN110717428A (zh) | 一种融合多个特征的身份识别方法、装置、***、介质及设备 | |
CN110363180A (zh) | 一种统计陌生人人脸重复出现的方法和装置以及设备 | |
CN110175522A (zh) | 考勤方法、***及相关产品 |
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 |