CN113158721A - 一种车辆套牌的识别方法、装置、设备及存储介质 - Google Patents
一种车辆套牌的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113158721A CN113158721A CN202011490055.7A CN202011490055A CN113158721A CN 113158721 A CN113158721 A CN 113158721A CN 202011490055 A CN202011490055 A CN 202011490055A CN 113158721 A CN113158721 A CN 113158721A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- license plate
- face
- fake
- plate number
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- 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
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种车辆套牌的识别方法、装置、设备及存储介质。该方法包括:获取经过通行设备的所有车辆的高清场景图;对高清场景图进行人脸识别,得到代表人脸特征的字符串;对高清场景图进行车辆识别,得到高清场景图中的车辆的车牌号码;将字符串和车牌号码进行关联,得到人脸车辆关系表;对人脸车辆关系表进行时空关系过滤,得到同一车牌号码对应多个字符串的关联数据,确定关联数据中的车辆存在***辆。上述方法中通过对主驾人脸和车辆拍照进行关联,并做时空关系过滤分析,确定是否存在***辆,极大地提高了***辆的识别准确率及效率。
Description
技术领域
本发明涉及车辆识别技术领域,具体涉及一种车辆套牌的识别方法、装置、设备及存储介质。
背景技术
随着我国经济的快速增长,人民的生活水平显著提高,机动车也越来越普及,越来越多的车辆违法行为给治安管理部门带来诸多挑战。由于***辆发现难度大,检测难度高,许多肇事逃逸的案件均为***辆,给案件的侦破增加了难度。随着人工智能技术在近年来不断的发展,车牌识别、人脸识别、人脸聚类等技术越发成熟,车牌识别、人脸识别、人脸聚类等技术的准确度也越来越高。
当前主流的***发现主要是通过对城市卡口的车辆图片进行分析识别,记录同一车牌颜色、车牌号码的车辆在不同卡口出现的时间差,根据卡口的位置进行筛选,将超过时间差的车辆数据筛选出来,得到***辆。当前的***发现模型主要依赖于车牌识别,但车牌识别与光照、角度等因素有关,不同的光照条件下车牌颜色和识别的准确度有差异,容易造成套***出的***辆结果不准确;同时当前的***发现模型依赖于大数据进行计算,但一个二线城市的车辆通行记录每天至少有2000万左右,需要对2000万的通行数据进行时空关系过滤,需要消耗一定的时间。而且当前的***发现模型需要对全量的通行车辆进行时空关系过滤,需要消耗更多的计算资源。
发明内容
有鉴于此,本发明的目的在于克服现有技术的不足,提供一种车辆套牌的识别方法、装置、设备及存储介质。
为实现以上目的,本发明采用如下技术方案:
一种车辆套牌的识别方法,包括:
获取经过通行设备的所有车辆的高清场景图;
对所述高清场景图进行人脸识别,得到代表人脸特征的字符串;
对所述高清场景图进行车辆识别,得到所述高清场景图中的车辆的车牌号码;
将所述字符串和所述车牌号码进行关联,得到人脸车辆关系表;
对所述人脸车辆关系表进行时空关系过滤,得到同一车牌号码对应多个所述字符串的关联数据,确定所述关联数据中的车辆存在***辆。
可选的,所述对所述高清场景图进行人脸识别,得到代表人脸特征的字符串,包括:
对所述高清场景图进行人脸结构化处理,检测出所述高清场景图中车辆的主驾人脸;
对所述主驾人脸进行特征提取,得到二进制的特征值;
通过聚类算法对所述特征值进行聚类归档,得到代表人脸特征的所述字符串。
可选的,所述对所述高清场景图进行车辆识别,得到所述高清场景图中的车辆的车牌号码,包括:
对所述高清场景图进行车辆结构化,检测出所述高清场景图中的车辆;
利用车辆算法对所述车辆进行识别,得到车牌号码。
可选的,所述人脸车辆关系表包括:字符串、车牌号码、通行设备、通行时间和设备经纬度;
所述对所述人脸车辆关系表进行时空关系过滤,得到同一车牌号码对应多个所述字符串的关联数据,确定所述关联数据中的车辆存在***辆,包括:
调取所述人脸车辆关系表,判断是否存在同一车牌号码对应多个所述字符串;
若存在同一车牌号码对应多个所述字符串,筛选出所有的同一车牌号码对应多个所述字符串的人脸车辆关系数据作为初始关联数据;
对所述初始关联数据按照所述通行时间和所述字符串进行分组;
读取每个所述字符串中所述通行时间相差设定时间的两条车辆字符串对应数据作为关联数据;
读取两条所述关联数据对应的所述通行设备;
根据所述设备经纬度计算所述通信设备之间的设备距离;
读取两条所述关联数据中的所述通行时间计算通行时间差;
判断所述设备距离和所述通信时间差是否满足预设标准;
若不满足,读取并输出所述关联数据中的所述车牌号码;所述车牌号码对应车辆存在***辆。
可选的,所述字符串包括:
视频身份编码标志位、标准行政区编码、目标类型标识码和人员标识编码。
可选的,所述获取经过通行设备的所有车辆的高清场景图,包括:
接收所述车辆卡扣处的人脸抓拍相机提取的所述高清场景图;
或,接收设定规格摄像机拍摄的图像;对所述图像进行裁剪得到所述高清场景图;所述设定规格摄像机不包括所述人脸抓拍相机。
一种车辆套牌的识别装置,包括:
场景图获取模块,用于获取经过通行设备的所有车辆的高清场景图;
人脸识别模块,用于对所述高清场景图进行人脸识别,得到代表人脸特征的字符串;
车辆识别模块,用于对所述高清场景图进行车辆识别,得到所述高清场景图中的车辆的车牌号码;
车辆人脸关联模块,用于将所述字符串和所述车牌号码进行关联,得到人脸车辆关系表;
***辆确定模块,用于对所述人脸车辆关系表进行时空关系过滤,得到同一车牌号码对应多个所述字符串的关联数据,确定所述关联数据中的车辆存在***辆。
可选的,所述人脸车辆关系表包括:字符串、车牌号码、通行设备、通行时间和设备经纬度;
所述***辆确定模块,包括:
第一判断单元,用于调取所述人脸车辆关系表,判断是否存在同一车牌号码对应多个所述字符串;
初始关联数据筛选单元,用于若存在同一车牌号码对应多个所述字符串,筛选出所有的同一车牌号码对应多个所述字符串的人脸车辆关系数据作为初始关联数据;
初始关联数据分组单元,用于对所述初始关联数据按照所述通行时间和所述字符串进行分组;
关联数据读取单元,用于读取每个所述字符串中所述通行时间相差设定时间的两条车辆字符串对应数据作为关联数据;
通行设备独权单元,用于读取两条所述关联数据对应的所述通行设备;
设备距离计算单元,用于根据所述设备经纬度计算所述通信设备之间的设备距离;
通行时间差读取单元,用于读取两条所述关联数据中的所述通行时间计算通行时间差;
第二判断单元,用于判断所述设备距离和所述通信时间差是否满足预设标准;
***确定单元,用于若不满足,读取并输出所述关联数据中的所述车牌号码;所述车牌号码对应车辆存在***辆。
一种车辆套牌的识别设备,包括:
处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序,所述计算机程序至少用于执行上述所述的车辆套牌的识别方法;
所述处理器用于调用并执行所述存储器中的所述计算机程序。
一种存储介质,所述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,实现如上述所述的车辆套牌的识别方法中各个步骤。
本申请提供的技术方案可以包括以下有益效果:
本申请中公开了一种车辆套牌的识别方法,该方法包括:获取经过通行设备的所有车辆的高清场景图;对所述高清场景图进行人脸识别,得到代表人脸特征的字符串;对所述高清场景图进行车辆识别,得到所述高清场景图中的车辆的车牌号码;将所述字符串和所述车牌号码进行关联,得到人脸车辆关系表;对所述人脸车辆关系表进行时空关系过滤,得到同一车牌号码对应多个所述字符串的关联数据,确定所述关联数据中的车辆存在***辆。上述方法中通过对经过车辆卡扣处的车辆进行主驾人脸和车牌号码的识别,将主驾人脸和车牌进行绑定,进而对人脸车辆关系表中的数据进行时空关系的分析,进而确定车辆中是否存在***辆。上述方法中仅仅通过对主副驾的卡口数据进行分析即可得到***辆,不需要全部的车辆通行数据;简化了车辆套牌情况的识别步骤,大大缩减了识别过程中的数据规模,进而提高了车辆套牌情况的识别效率。
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。
图1是本发明实施例一提供的车辆套牌的识别方法的流程图;
图2是本发明实施例一提供的对人脸车辆关系表进行时空关系过滤的方法流程图;
图3是本发明实施例一提供的车辆套牌的识别装置的模块图;
图4是本发明实施例一提供的车辆套牌的识别设备的模块图;
图5是本发明实施例一提供的代表人脸特征的字符串形式示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。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做出创造性劳动的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
图1是本发明实施例一提供的车辆套牌的识别方法的流程图。参见图1,一种车辆套牌的识别方法,包括:
步骤101:获取经过通行设备的所有车辆的高清场景图。其中,获取高清场景图可以为在车辆卡口处的高清人脸抓拍机提取到的车辆的高清场景图,或是对普通的摄像机的拍摄图片进行裁剪得到的车辆高清场景图。
步骤102:对所述高清场景图进行人脸识别,得到代表人脸特征的字符串。当得到车辆的高清场景图后,会对高清场景图内的人脸进行识别,首先对高清场景图进行人脸结构化,检测出图中车辆的主驾人脸;然后对主驾人脸进行特征提取,得到二进制的特征值;再通过聚类算法对人脸的特征值进行聚类归档,将同一个人的人脸特征归档在一起,得到一个代表该人脸特征的字符串VID。
其中,上述实施例中字符串具体形式如图5所示。图5是本发明实施例一提供的代表人脸特征的字符串形式示意图。其中,第1位编码代表:视频身份编码标志位,用于区分其他编码。如上述编码中的“V”。
第2-11位编码代表:遵循我国标准行政区编码定义,精确到村(社区)。如上述编码中的“5301030101”。
第12位编码代表:默认1,代表人脸聚类分析。如上述编码中的“1”。
第13-20位编码代表:***预留8位编码,最大支持1亿数据量,表示每一个地区首次出现的新人最大可以达到1亿,以满足国内各种聚集场景下的人脸聚类的需要。如上述编码中的“00000001”。
步骤103:对所述高清场景图进行车辆识别,得到所述高清场景图中的车辆的车牌号码。首先,对高清场景图进行车辆结构化,将图中的车辆检测出来,然后通过车辆算法,将车辆的车牌号码和车牌颜色识别出来。
步骤104:将所述字符串和所述车牌号码进行关联,得到人脸车辆关系表。将步骤102得到的字符串VID与步骤103拿到的车牌号码和车牌颜色关联起来,得到一个关系表,关系表中包含VID、车牌号码、车牌颜色、通行设备、通行时间、设备经纬度等。
步骤105:对所述人脸车辆关系表进行时空关系过滤,得到同一车牌号码对应多个所述字符串的关联数据,确定所述关联数据中的车辆存在***辆。通过时空关系对人脸车辆关系表进行过滤,根据车牌号进行分组,将分组中极短时间内(如1小时)同一个车牌号码对应多个VID号的数据筛选出来;将符合条件的车牌号码筛选出来,一个车牌号码对应多个VID号时,那么这些车牌号码中就存在***辆。
上述方法中,仅仅需要对主副驾的卡口数据进行分析即可得到***辆,不需要全部的车辆通行数据;通过人脸聚类以及人脸与车牌关联的方式进行分析,与仅仅根据车牌进行分析的传统***分析相比,更精准。
为了更详细地介绍本申请中利用时空关系过滤人脸车辆关系表,进而识别***辆的实现过程,现对该识别过程进行详细论述,具体参见下述实施例:
图2是本发明实施例一提供的对人脸车辆关系表进行时空关系过滤的方法流程图。参见图2,对所述人脸车辆关系表进行时空关系过滤,得到同一车牌号码对应多个所述字符串的关联数据,确定所述关联数据中的车辆存在***辆,包括:
步骤201:调取所述人脸车辆关系表。本申请中会获取多个经过通行设备的车辆的高清场景图,将多个高清场景图进行分析得到的人脸车辆关系表,该人脸车辆关系表中会存有多个车辆的高清场景图。
步骤202:判断是否存在同一车牌号码对应多个所述字符串。对人脸车辆关系表中的所有数据进行识别,确定是否存在一个车牌号码对应多个字符串的情况。具体的:先选取一个车牌号码,然后以该车牌号码为依据遍历人脸车辆关系表,获取该车牌号码对应的所有的字符串,然后判断获取的字符串间是否有一致,若一致则代表不存在一个车牌号码对应多个字符串的情况,否则存在一个车牌号码对应多个字符串的情况。
步骤203:若存在同一车牌号码对应多个所述字符串,筛选出所有的同一车牌号码对应多个所述字符串的人脸车辆关系数据作为初始关联数据。将一个车牌号码对应多个字符串的关系数据筛选出来进行下述处理。
步骤204:对所述初始关联数据按照所述通行时间和所述字符串进行分组。将筛选出来的人脸车辆数据作为初始关联数据进行分组,按照通行时间的先后顺序,以字符串为单位将初始关联数据分成对应的组。
步骤205:读取每个所述字符串中所述通行时间相差设定时间的两条车辆字符串对应数据作为关联数据。对分成粗的字符串的每组中通行时间最接近的两组筛选出来,进行下一步的分析。
步骤206:读取两条所述关联数据对应的所述通行设备。
步骤207:根据所述设备经纬度计算所述通信设备之间的设备距离。
步骤208:读取两条所述关联数据中的所述通行时间计算通行时间差。
步骤209:判断所述设备距离和所述通信时间差是否满足预设标准。此处的预设标准的具体设定并不固定,具体根据该地区的路况情况和限速情况进行设定。但设定原则是改预设标准的设定满足现实情况及交通法。如1小时内两个通行设备的距离不可能超过120km,以保证车辆可能在1小时内经过此两个通行设备。
步骤210:若不满足,读取并输出所述关联数据中的所述车牌号码;所述车牌号码对应车辆存在***辆。
上述实施例中详细介绍了进行时空关系过滤的实现过程,该过程中通过对车辆经过的通行设备之间的距离,及经过两个通行设备的时间差,以此判定该车辆的行驶是否合理,若不合理,则可判定该车辆存在***辆。上述方法中通过对主驾驶人脸和车辆牌照进行关联识别,以此确定了同一车辆牌照是否存在多人驾驶的情况,若存在,则进一步判断是否存在套牌的情况,以此极大地提高了***辆的识别效率及准确率。
对应于本发明实施例提供的一种车辆套牌的识别方法,本发明实施例还提供一种车辆套牌的识别装置。请参见下文实施例。
图3是本发明实施例一提供的车辆套牌的识别装置的模块图。参见图3,一种车辆套牌的识别装置,包括:
场景图获取模块301,用于获取经过通行设备的所有车辆的高清场景图。
人脸识别模块302,用于对所述高清场景图进行人脸识别,得到代表人脸特征的字符串。
车辆识别模块303,用于对所述高清场景图进行车辆识别,得到所述高清场景图中的车辆的车牌号码。
车辆人脸关联模块304,用于将所述字符串和所述车牌号码进行关联,得到人脸车辆关系表。所述人脸车辆关系表包括:字符串、车牌号码、通行设备、通行时间和设备经纬度
***辆确定模块305,用于对所述人脸车辆关系表进行时空关系过滤,得到同一车牌号码对应多个所述字符串的关联数据,确定所述关联数据中的车辆存在***辆。
***辆确定模块305具体包括:第一判断单元,用于调取所述人脸车辆关系表,判断是否存在同一车牌号码对应多个所述字符串;初始关联数据筛选单元,用于若存在同一车牌号码对应多个所述字符串,筛选出所有的同一车牌号码对应多个所述字符串的人脸车辆关系数据作为初始关联数据;初始关联数据分组单元,用于对所述初始关联数据按照所述通行时间和所述字符串进行分组;关联数据读取单元,用于读取每个所述字符串中所述通行时间相差设定时间的两条车辆字符串对应数据作为关联数据;通行设备独权单元,用于读取两条所述关联数据对应的所述通行设备;设备距离计算单元,用于根据所述设备经纬度计算所述通信设备之间的设备距离;通行时间差读取单元,用于读取两条所述关联数据中的所述通行时间计算通行时间差;第二判断单元,用于判断所述设备距离和所述通信时间差是否满足预设标准;***确定单元,用于若不满足,读取并输出所述关联数据中的所述车牌号码;所述车牌号码对应车辆存在***辆。
其中,人脸识别模块302具体用于:对所述高清场景图进行人脸结构化处理,检测出所述高清场景图中车辆的主驾人脸;对所述主驾人脸进行特征提取,得到二进制的特征值;通过聚类算法对所述特征值进行聚类归档,得到代表人脸特征的所述字符串。
车辆识别模块303具体用于:对所述高清场景图进行车辆结构化,检测出所述高清场景图中的车辆;利用车辆算法对所述车辆进行识别,得到车牌号码。
上述装置中仅仅需要对主副驾的卡口数据进行分析即可得到***辆,不需要全部的车辆通行数据;本发明通过人脸聚类以及人脸与车牌关联的方式进行分析,与仅仅根据车牌进行分析的传统***分析相比,更精准;目前主流的套***模型采用大数据分析模式,需要高性能的CPU,城市级的套***更需要大量的服务器,本发明通过人脸聚类大大缩减了分析数据的规模,有效降低了成本。
为了更清楚地介绍实现本发明实施例的硬件***,对应于本发明实施例提供的一种车辆套牌的识别方法,本发明实施例还提供一种车辆套牌的识别设备。请参见下文实施例。
图4是本发明实施例一提供的车辆套牌的识别设备的模块图。参见图4,一种车辆套牌的识别设备,包括:
处理器401,以及与所述处理器401相连接的存储器402;
所述存储器402用于存储计算机程序,所述计算机程序至少用于执行上述所述的车辆套牌的识别方法;
所述处理器401用于调用并执行所述存储器402中的所述计算机程序。
同时,本申请中还公开了一种存储介质,该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,实现如上述所述的车辆套牌的识别方法中各个步骤。
本发明仅仅需要对主副驾的卡口数据进行分析即可得到***辆,不需要全部的车辆通行数据;本发明通过人脸聚类以及人脸与车牌关联的方式进行分析,与仅仅根据车牌进行分析的传统***分析相比,提高了车辆套牌的识别精度。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA) 等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种车辆套牌的识别方法,其特征在于,包括:
获取经过通行设备的所有车辆的高清场景图;
对所述高清场景图进行人脸识别,得到代表人脸特征的字符串;
对所述高清场景图进行车辆识别,得到所述高清场景图中的车辆的车牌号码;
将所述字符串和所述车牌号码进行关联,得到人脸车辆关系表;
对所述人脸车辆关系表进行时空关系过滤,得到同一车牌号码对应多个所述字符串的关联数据,确定所述关联数据中的车辆存在***辆。
2.根据权利要求1所述的方法,其特征在于,所述对所述高清场景图进行人脸识别,得到代表人脸特征的字符串,包括:
对所述高清场景图进行人脸结构化处理,检测出所述高清场景图中车辆的主驾人脸;
对所述主驾人脸进行特征提取,得到二进制的特征值;
通过聚类算法对所述特征值进行聚类归档,得到代表人脸特征的所述字符串。
3.根据权利要求1所述的方法,其特征在于,所述对所述高清场景图进行车辆识别,得到所述高清场景图中的车辆的车牌号码,包括:
对所述高清场景图进行车辆结构化,检测出所述高清场景图中的车辆;
利用车辆算法对所述车辆进行识别,得到车牌号码。
4.根据权利要求1所述的方法,其特征在于,所述人脸车辆关系表包括:字符串、车牌号码、通行设备、通行时间和设备经纬度;
所述对所述人脸车辆关系表进行时空关系过滤,得到同一车牌号码对应多个所述字符串的关联数据,确定所述关联数据中的车辆存在***辆,包括:
调取所述人脸车辆关系表,判断是否存在同一车牌号码对应多个所述字符串;
若存在同一车牌号码对应多个所述字符串,筛选出所有的同一车牌号码对应多个所述字符串的人脸车辆关系数据作为初始关联数据;
对所述初始关联数据按照所述通行时间和所述字符串进行分组;
读取每个所述字符串中所述通行时间相差设定时间的两条车辆字符串对应数据作为关联数据;
读取两条所述关联数据对应的所述通行设备;
根据所述设备经纬度计算所述通信设备之间的设备距离;
读取两条所述关联数据中的所述通行时间计算通行时间差;
判断所述设备距离和所述通信时间差是否满足预设标准;
若不满足,读取并输出所述关联数据中的所述车牌号码;所述车牌号码对应车辆存在***辆。
5.根据权利要求1所述的方法,其特征在于,所述字符串包括:
视频身份编码标志位、标准行政区编码、目标类型标识码和人员标识编码。
6.根据权利要求1所述的方法,其特征在于,所述获取经过通行设备的所有车辆的高清场景图,包括:
接收所述车辆卡扣处的人脸抓拍相机提取的所述高清场景图;
或,接收设定规格摄像机拍摄的图像;对所述图像进行裁剪得到所述高清场景图;所述设定规格摄像机不包括所述人脸抓拍相机。
7.一种车辆套牌的识别装置,其特征在于,包括:
场景图获取模块,用于获取经过通行设备的所有车辆的高清场景图;
人脸识别模块,用于对所述高清场景图进行人脸识别,得到代表人脸特征的字符串;
车辆识别模块,用于对所述高清场景图进行车辆识别,得到所述高清场景图中的车辆的车牌号码;
车辆人脸关联模块,用于将所述字符串和所述车牌号码进行关联,得到人脸车辆关系表;
***辆确定模块,用于对所述人脸车辆关系表进行时空关系过滤,得到同一车牌号码对应多个所述字符串的关联数据,确定所述关联数据中的车辆存在***辆。
8.根据权利要求7所述的装置,其特征在于,所述人脸车辆关系表包括:字符串、车牌号码、通行设备、通行时间和设备经纬度;
所述***辆确定模块,包括:
第一判断单元,用于调取所述人脸车辆关系表,判断是否存在同一车牌号码对应多个所述字符串;
初始关联数据筛选单元,用于若存在同一车牌号码对应多个所述字符串,筛选出所有的同一车牌号码对应多个所述字符串的人脸车辆关系数据作为初始关联数据;
初始关联数据分组单元,用于对所述初始关联数据按照所述通行时间和所述字符串进行分组;
关联数据读取单元,用于读取每个所述字符串中所述通行时间相差设定时间的两条车辆字符串对应数据作为关联数据;
通行设备独权单元,用于读取两条所述关联数据对应的所述通行设备;
设备距离计算单元,用于根据所述设备经纬度计算所述通信设备之间的设备距离;
通行时间差读取单元,用于读取两条所述关联数据中的所述通行时间计算通行时间差;
第二判断单元,用于判断所述设备距离和所述通信时间差是否满足预设标准;
***确定单元,用于若不满足,读取并输出所述关联数据中的所述车牌号码;所述车牌号码对应车辆存在***辆。
9.一种车辆套牌的识别设备,其特征在于,包括:
处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序,所述计算机程序至少用于执行权利要求1-6任一项所述的车辆套牌的识别方法;
所述处理器用于调用并执行所述存储器中的所述计算机程序。
10.一种存储介质,其特征在于,所述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,实现如权利要求1-6任一项所述的车辆套牌的识别方法中各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011490055.7A CN113158721A (zh) | 2020-12-16 | 2020-12-16 | 一种车辆套牌的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011490055.7A CN113158721A (zh) | 2020-12-16 | 2020-12-16 | 一种车辆套牌的识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113158721A true CN113158721A (zh) | 2021-07-23 |
Family
ID=76882598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011490055.7A Pending CN113158721A (zh) | 2020-12-16 | 2020-12-16 | 一种车辆套牌的识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158721A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103578277A (zh) * | 2012-08-07 | 2014-02-12 | 上海弘视通信技术有限公司 | 套牌嫌疑车搜索方法及其装置 |
CN107967806A (zh) * | 2017-12-01 | 2018-04-27 | 深圳云天励飞技术有限公司 | 车辆套牌检测方法、装置、可读存储介质及电子设备 |
CN108230684A (zh) * | 2016-12-21 | 2018-06-29 | 杭州海康威视数字技术股份有限公司 | 车牌检测方法及装置 |
CN110765134A (zh) * | 2019-10-25 | 2020-02-07 | 四川东方网力科技有限公司 | 档案建立方法、设备及存储介质 |
-
2020
- 2020-12-16 CN CN202011490055.7A patent/CN113158721A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103578277A (zh) * | 2012-08-07 | 2014-02-12 | 上海弘视通信技术有限公司 | 套牌嫌疑车搜索方法及其装置 |
CN108230684A (zh) * | 2016-12-21 | 2018-06-29 | 杭州海康威视数字技术股份有限公司 | 车牌检测方法及装置 |
CN107967806A (zh) * | 2017-12-01 | 2018-04-27 | 深圳云天励飞技术有限公司 | 车辆套牌检测方法、装置、可读存储介质及电子设备 |
CN110765134A (zh) * | 2019-10-25 | 2020-02-07 | 四川东方网力科技有限公司 | 档案建立方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3493101B1 (en) | Image recognition method, terminal, and nonvolatile storage medium | |
WO2020173022A1 (zh) | 一种识别车辆违章行为的方法、服务器及存储介质 | |
CN105320923B (zh) | 车型识别方法及装置 | |
CN108197544B (zh) | 人脸分析、过滤方法、装置、嵌入式设备、介质和集成电路 | |
CN108921083A (zh) | 基于深度学习目标检测的非法流动摊贩识别方法 | |
CN105426903A (zh) | 一种遥感卫星图像的云判方法及*** | |
CN104166841A (zh) | 一种视频监控网络中指定行人或车辆的快速检测识别方法 | |
CN109948616A (zh) | 图像检测方法、装置、电子设备及计算机可读存储介质 | |
CN111627215A (zh) | 基于人工智能的视频图像识别方法及相关设备 | |
CN110163109B (zh) | 一种车道线标注方法及装置 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN107590500A (zh) | 一种基于色彩投影分类的车牌颜色识别方法及装置 | |
Razalli et al. | Emergency vehicle recognition and classification method using HSV color segmentation | |
CN110378243A (zh) | 一种行人检测方法及装置 | |
CN108764302A (zh) | 一种基于颜色特征和词袋特征的票据图像分类方法 | |
CN106156777A (zh) | 文本图片检测方法及装置 | |
CN111753642B (zh) | 一种确定关键帧的方法及装置 | |
CN110674887A (zh) | 一种基于视频分类的端到端道路拥堵检测算法 | |
CN111753601B (zh) | 一种图像处理的方法、装置以及存储介质 | |
CN114155576A (zh) | 一种图像处理方法及装置 | |
CN106778765B (zh) | 一种车牌识别的方法及装置 | |
Ciuntu et al. | Real-time traffic sign detection and classification using machine learning and optical character recognition | |
CN114519689A (zh) | 图像篡改检测方法、装置、设备及计算机可读存储介质 | |
CN113158721A (zh) | 一种车辆套牌的识别方法、装置、设备及存储介质 | |
CN116935253A (zh) | 基于结合时空注意力机制的残差网络的人脸篡改检测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210723 |
|
WD01 | Invention patent application deemed withdrawn after publication |