CN113780244A - 一种车辆防换牌检测方法及*** - Google Patents

一种车辆防换牌检测方法及*** Download PDF

Info

Publication number
CN113780244A
CN113780244A CN202111183984.8A CN202111183984A CN113780244A CN 113780244 A CN113780244 A CN 113780244A CN 202111183984 A CN202111183984 A CN 202111183984A CN 113780244 A CN113780244 A CN 113780244A
Authority
CN
China
Prior art keywords
vehicle
license plate
target
plate number
characteristic data
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
Application number
CN202111183984.8A
Other languages
English (en)
Inventor
梁志海
张慧
都丰林
于万伟
李瑞东
季中林
聂春梅
于海泉
都军辉
耿广彬
李小青
吕德勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHANDONG MATRIX SOFTWARE ENGINEERING CO LTD
Original Assignee
SHANDONG MATRIX SOFTWARE ENGINEERING CO LTD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SHANDONG MATRIX SOFTWARE ENGINEERING CO LTD filed Critical SHANDONG MATRIX SOFTWARE ENGINEERING CO LTD
Priority to CN202111183984.8A priority Critical patent/CN113780244A/zh
Publication of CN113780244A publication Critical patent/CN113780244A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种车辆防换牌检测方法及***，涉及车辆检测领域，包括：当检测到目标车辆时，获取所述目标车辆的车脸视频数据；对所述车脸视频数据利用预设深度学习模型提取目标车辆特征数据和所述目标车辆对应的车牌号；判断车辆信息数据库中是否包含所述目标车辆特征数据；若是，从所述车辆信息数据库读取所述目标车辆特征数据对应的目标车牌号；比对所述车牌号和所述目标车牌号，若不一致，则确定所述目标车辆为换牌车辆。本申请能够有效甄别车辆的真实车牌，从而避免同类车辆套牌和换牌现象。

Description

一种车辆防换牌检测方法及***
技术领域
本申请涉及车辆检测领域，特别涉及一种车辆防换牌检测方法及***。
背景技术
在货场的货运管理中，在货场安装摄像机，对空车或重车的车牌进行识别，而货运司机为减少缴纳的结算经费，经常在同类车辆之间，将装满高品质货物的车辆与减量装低品质货物的车辆的车牌互换，过磅称重时以高品质货物充当低品质货物进行费用结算，以骗取货运结算费用，给货场带来严重经济损失。针对目前存在的换牌问题，只能简单的进行车牌号识别和查询，无法应对套牌、换牌等违规问题。
发明内容
本申请的目的是提供一种车辆防换牌检测方法和车辆防换牌检测***，能够快速高效甄别车辆的真实牌号。
为解决上述技术问题，本申请提供一种车辆防换牌检测方法，具体技术方案如下：
当检测到目标车辆时，获取所述目标车辆的车脸视频数据；
对所述车脸视频数据利用预设深度学习模型提取目标车辆特征数据和所述目标车辆对应的车牌号；
判断车辆信息数据库中是否包含所述目标车辆特征数据；
若是，从所述车辆信息数据库读取所述目标车辆特征数据对应的目标车牌号；
比对所述车牌号和所述目标车牌号，若不一致，则确定所述目标车辆为换牌车辆。
可选的，还包括：
对车辆进行注册，并获取所述车辆对应的车牌号；
采集车辆的车头图像信息，并提取所述车头图像信息的车辆特征数据；
将所述车辆特征数据、所述车牌号及二者之间的映射关系存入所述车辆信息数据库。
可选的，对所述车脸视频数据利用预设深度学习模型提取目标车辆特征数据和所述目标车辆对应的车牌号之前，还包括：
以残差网络作为骨干网络，以第一预设公式对所述车脸视频数据进行特征池化操作；
对所述车脸视频数据利用第二预设公式得到包含车辆特征结果向量的预设深度学习模型；
其中，所述第一预设公式为
Figure 3255DEST_PATH_IMAGE001
其中，
Figure 784130DEST_PATH_IMAGE002
作为输入且
Figure 503824DEST_PATH_IMAGE003
，W、H、C分别为宽度、高度和通道，
Figure 220107DEST_PATH_IMAGE004
，
Figure 87569DEST_PATH_IMAGE005
为控制系数，c为通道数；
所述第二预设公式为
Figure 796768DEST_PATH_IMAGE006
其中，
Figure 167706DEST_PATH_IMAGE007
为特征和权重参数之间的向量角度，
Figure 382787DEST_PATH_IMAGE008
为角度惩罚变量，
Figure 81753DEST_PATH_IMAGE009
是输入向量经过多层网络提取出的特征向量，
Figure 735588DEST_PATH_IMAGE010
表示第
Figure 164295DEST_PATH_IMAGE010
个权重向量。
可选的，所述判断车辆信息数据库中是否包含所述目标车辆特征数据包括：
根据向量余弦相似度公式判断所述车辆信息数据库中是否包含与所述目标车辆特征数据的向量余弦相似度小于预设阈值的车辆特征数据；
所述向量余弦相似度公式为：
Figure 471649DEST_PATH_IMAGE011
其中，similarity为向量余弦相似度，
Figure 313703DEST_PATH_IMAGE012
和
Figure 443333DEST_PATH_IMAGE013
分别表示目标车辆特征数据和所述车辆信息数据库中的车辆特征数据，
Figure 398651DEST_PATH_IMAGE014
是
Figure 283430DEST_PATH_IMAGE012
和
Figure 206255DEST_PATH_IMAGE013
的分量总数，
Figure 873997DEST_PATH_IMAGE015
、
Figure 339614DEST_PATH_IMAGE016
分别表示
Figure 5081DEST_PATH_IMAGE012
和
Figure 228252DEST_PATH_IMAGE013
的第
Figure 27581DEST_PATH_IMAGE010
个分量。
可选的，所述目标车辆特征数据包括车脸轮廓、颜色、车标、是否存在天窗、车灯位置、年检标签、车头摆件、车头挂件和车辆破损中的任一项或任意几项的组合。
可选的，若所述车辆信息数据库中未包含所述目标车辆特征数据，还包括：
生成所述目标车辆未注册的提示信息。
本申请还提供一种车辆防换牌检测***，包括：
视频获取模块，用于当检测到目标车辆时，获取所述目标车辆的车脸视频数据；
特征提取模块，用于对所述车脸视频数据利用预设深度学习模型提取目标车辆特征数据和所述目标车辆对应的车牌号；
判断模块，用于判断车辆信息数据库中是否包含所述目标车辆特征数据；
车牌号读取模块，用于所述判断模块的判断结果为是时，从所述车辆信息数据库读取所述目标车辆特征数据对应的目标车牌号；
车牌号比对模块，用于比对所述车牌号和所述目标车牌号，若不一致，则确定所述目标车辆为换牌车辆。
可选的，还包括：
车辆信息数据库生成模块，用于对车辆进行注册，并获取所述车辆对应的车牌号；采集车辆的车头图像信息，并提取所述车头图像信息的车辆特征数据；将所述车辆特征数据、所述车牌号及二者之间的映射关系存入所述车辆信息数据库。
本申请提供一种车辆防换牌检测方法，包括：当检测到目标车辆时，获取所述目标车辆的车脸视频数据；对所述车脸视频数据利用预设深度学习模型提取目标车辆特征数据和所述目标车辆对应的车牌号；判断车辆信息数据库中是否包含所述目标车辆特征数据；若是，从所述车辆信息数据库读取所述目标车辆特征数据对应的目标车牌号；比对所述车牌号和所述目标车牌号，若不一致，则确定所述目标车辆为换牌车辆。
本申请通过对目标车辆的车脸视频数据调用预设深度学习模型进行特征提取和车牌号提取，进一步调用车辆信息数据库对车辆特征数据和车牌号进行验证比对，能够有效甄别车辆的真实车牌，从而避免同类车辆套牌和换牌现象。本申请还提供一种车辆防换牌检测***，具有上述有益效果，此处不再赘述。
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的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种车辆防换牌检测方法的流程图；
图2为本申请实施例所提供的一种车辆防换牌检测***结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种车辆防换牌检测方法的流程图，该方法包括：
S101：当检测到目标车辆时，获取所述目标车辆的车脸视频数据；
本步骤旨在检测到目标车辆时，获取其车脸视频数据。所谓目标车辆指需要被检测的车辆，在本申请的一种实际应用中，可以调用摄像机或者其他包含摄像头的电子设备作为车脸视频数据的采集终端，例如在车辆出入口的道路两侧安装摄像头。
本步骤中所获取的车脸视频数据，其可以为由多个摄像头获取的视频数据组合而成。例如可以同时设置三个摄像头，分别位于道路两侧以及车辆上方，则可以通过获取三个摄像头拍摄的视频数据，共同组成本步骤中的车脸视频数据。
S102：对所述车脸视频数据利用预设深度学习模型提取目标车辆特征数据和所述目标车辆对应的车牌号；
本步骤旨在利用预设深度学习模型从上一步骤获取的车脸视频数据中提取目标车辆的特征数据以及车牌号。容易理解的是，车牌号实际上也为车脸视频数据中的一种特征，但由于本申请实施例着重针对车牌的检测，因此将车牌号作为特殊的车辆特征进行描述。其次，对于本步骤所提取的目标车辆特征数据的具体内容不作限定，其可以包括车脸轮廓、颜色、车标、是否存在天窗、车灯位置、年检标签、车头摆件、车头挂件和车辆破损中的任一项或任意几项的组合，当然还可以包含其他可作为识别特征的内容，例如车辆后视镜上的挂饰等等，在此不一一举例限定。
此外，本实施例默认在执行本步骤前需要得到该预设深度学习模型，而对于如何获取或生成该预设深度学习模型不做具体限定。本实施例仅要求该预设深度学习模型可对车脸视频数据进行特征识别和特征提取即可。
S103：判断车辆信息数据库中是否包含所述目标车辆特征数据；若是，进入S104；
在提取得到目标车辆特征数据后，判断车辆信息数据库中是否包含该目标车辆特征数据。即进行目标车辆特征数据的比对，当然本实施例默认该目标车辆已经注册，即其曾经存储相应的车辆特征数据于车辆信息数据库中。在此对于如何得到车辆信息数据库的过程不作具体限定，优选的，本实施例在此提供一种具体生成方式：
第一步、对车辆进行注册，并获取车辆对应的车牌号；
第二步、采集车辆的车头图像信息，并提取车头图像信息的车辆特征数据；
第三步、将车辆特征数据、车牌号及二者之间的映射关系存入车辆信息数据库。
注册的车辆需要存储车辆特征数据、车牌号以及二者之间的映射关系，确保每个目标车辆特征均存在对应的车牌号，以便后续利用车辆信息数据库进行车辆特征信息的比对。
需要注意的是，本步骤进行目标车辆特征数据的比对判断时，对于目标车辆特征数据，需要进行特征的逐一比对，但最终的判断结果应综合各目标车辆特征数据的结果而判定。且还需要注意的是，若车辆信息数据库中包含目标车辆的大多数目标车辆特征数据，且存在部分目标车辆特征不同，也可以视为包含目标车辆特征数据。具体的，可以针对不同的目标车辆特征设置相应的权重，类似于车头挂件等易发生未知变更的车辆特征的权重可以相对设置较低，而车标、车灯未知、年检标签等不易变更的车辆特征的权重可以相对设置较高，则最终根据可以判定车辆信息数据库中是否包含该目标车辆特征数据。
优选的，可以根据向量余弦相似度公式判断车辆信息数据库中是否包含与目标车辆特征数据的向量余弦相似度小于预设阈值的车辆特征数据：
向量余弦相似度公式为：
Figure 285387DEST_PATH_IMAGE017
其中，similarity为向量余弦相似度，
Figure 371024DEST_PATH_IMAGE012
和
Figure 143807DEST_PATH_IMAGE013
分别表示目标车辆特征数据和所述车辆信息数据库中的车辆特征数据，
Figure 91035DEST_PATH_IMAGE014
是
Figure 203347DEST_PATH_IMAGE012
和
Figure 600831DEST_PATH_IMAGE013
的分量总数，
Figure 719965DEST_PATH_IMAGE015
、
Figure 798780DEST_PATH_IMAGE016
分别表示
Figure 93495DEST_PATH_IMAGE012
和
Figure 333983DEST_PATH_IMAGE013
的第
Figure 956726DEST_PATH_IMAGE010
个分量。
其中，A和B分别为车辆信息库中已经存储的车辆特征信息，以及提取得到的目标车辆特征数据，在此对于预设阈值不作具体限定，可由本领域技术人员自行设置。此时，可以选取相似度最近的车辆特征为候选车辆，如果该相似度得分超过设置的阈值，则判定候选车辆与目标车辆为同一车辆；否则认为数据库中未查询到目标车辆。
S104：从所述车辆信息数据库读取所述目标车辆特征数据对应的目标车牌号；
S105：比对所述车牌号和所述目标车牌号，若不一致，则确定所述目标车辆为换牌车辆。
若车辆信息数据库中包含该目标车辆特征数据，读取目标车辆特征数据对应的目标车牌号，并与目标车辆当前的车牌号进行比对，若二者一致，确认无误，否则确认为换牌车辆。
当然，若车辆信息数据库中不包含目标车辆特征数据，生成目标车辆未注册的提示信息，从而提示用户该目标车辆未注册。
本申请实施例通过对目标车辆的车脸视频数据调用预设深度学习模型进行特征提取和车牌号提取，进一步调用车辆信息数据库对车辆特征数据和车牌号进行验证比对，能够有效甄别车辆的真实车牌，从而避免同类车辆套牌和换牌现象。
下文为本申请提供的一种优选的生成预设深度学习模型的过程，具体过程如下：
第一步、以残差网络作为骨干网络，以第一预设公式对车脸视频数据进行特征池化操作；
第二步、对车脸视频数据利用第二预设公式得到包含车辆特征结果向量的预设深度学习模型。
其中，所述第一预设公式为
Figure 635969DEST_PATH_IMAGE018
其中，
Figure 722873DEST_PATH_IMAGE002
作为输入且
Figure 344651DEST_PATH_IMAGE003
，W、H、C分别为宽度、高度和通道，
Figure 313744DEST_PATH_IMAGE004
，
Figure 406465DEST_PATH_IMAGE005
为控制系数，c为通道数；
所述第二预设公式为
Figure 144614DEST_PATH_IMAGE019
其中，
Figure 992484DEST_PATH_IMAGE007
为特征和权重参数之间的向量角度，
Figure 839087DEST_PATH_IMAGE008
为角度惩罚变量，
Figure 797815DEST_PATH_IMAGE009
是输入向量经过多层网络提取出的特征向量，
Figure 921629DEST_PATH_IMAGE010
表示第
Figure 612505DEST_PATH_IMAGE010
个权重向量。
第二预设公式中的结果作为车辆特征的结果向量。
下面对本申请实施例提供的一种车辆防换牌检测***进行介绍，下文描述的车辆防换牌检测***与上文描述的家庭智能网关的留言信息处理方法可相互对应参照。
参见图2，图2为本申请实施例所提供的一种车辆防换牌检测***结构示意图，本申请还提供一种车辆防换牌检测***，包括：
视频获取模块，用于当检测到目标车辆时，获取所述目标车辆的车脸视频数据；
特征提取模块，用于对所述车脸视频数据利用预设深度学习模型提取目标车辆特征数据和所述目标车辆对应的车牌号；
判断模块，用于判断车辆信息数据库中是否包含所述目标车辆特征数据；
车牌号读取模块，用于所述判断模块的判断结果为是时，从所述车辆信息数据库读取所述目标车辆特征数据对应的目标车牌号；
车牌号比对模块，用于比对所述车牌号和所述目标车牌号，若不一致，则确定所述目标车辆为换牌车辆。
基于上述实施例，作为优选的实施例，还包括：
车辆信息数据库生成模块，用于对车辆进行注册，并获取所述车辆对应的车牌号；采集车辆的车头图像信息，并提取所述车头图像信息的车辆特征数据；将所述车辆特征数据、所述车牌号及二者之间的映射关系存入所述车辆信息数据库。
基于上述实施例，作为优选的实施例，还包括：
模型训练模块，用于以残差网络作为骨干网络，以第一预设公式对所述车脸视频数据进行特征池化操作；对所述车脸视频数据利用第二预设公式得到包含车辆特征结果向量的预设深度学习模型；
其中，所述第一预设公式为
Figure 493873DEST_PATH_IMAGE018
其中，
Figure 318609DEST_PATH_IMAGE002
作为输入且
Figure 234613DEST_PATH_IMAGE003
，W、H、C分别为宽度、高度和通道，
Figure 345657DEST_PATH_IMAGE020
，
Figure 42218DEST_PATH_IMAGE005
为控制系数，c为通道数；
所述第二预设公式为
Figure 342749DEST_PATH_IMAGE019
其中，
Figure 50942DEST_PATH_IMAGE007
为特征和权重参数之间的向量角度，
Figure 411516DEST_PATH_IMAGE008
为角度惩罚变量，
Figure 64215DEST_PATH_IMAGE009
是输入向量经过多层网络提取出的特征向量，
Figure 355387DEST_PATH_IMAGE010
表示第
Figure 245983DEST_PATH_IMAGE010
个权重向量。基于上述实施例，作为优选的实施例，判断模块具体为用于根据向量余弦相似度公式判断所述车辆信息数据库中是否包含与所述目标车辆特征数据的向量余弦相似度小于预设阈值的车辆特征数据的模块：
所述向量余弦相似度公式为：
Figure 839775DEST_PATH_IMAGE011
其中，similarity为向量余弦相似度，
Figure 183032DEST_PATH_IMAGE012
和
Figure 497470DEST_PATH_IMAGE013
分别表示目标车辆特征数据和所述车辆信息数据库中的车辆特征数据，
Figure 304889DEST_PATH_IMAGE014
是
Figure 7266DEST_PATH_IMAGE012
和
Figure 24769DEST_PATH_IMAGE013
的分量总数，
Figure 470794DEST_PATH_IMAGE015
、
Figure 132719DEST_PATH_IMAGE016
分别表示
Figure 943681DEST_PATH_IMAGE012
和
Figure 995950DEST_PATH_IMAGE013
的第
Figure 307983DEST_PATH_IMAGE010
个分量。
基于上述实施例，作为优选的实施例，所述目标车辆特征数据包括车脸轮廓、颜色、车标、是否存在天窗、车灯位置、年检标签、车头摆件、车头挂件和车辆破损中的任一项或任意几项的组合。
基于上述实施例，作为优选的实施例，还包括：
提示模块，用于若所述车辆信息数据库中未包含所述目标车辆特征数据，生成所述目标车辆未注册的提示信息。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的***而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (8)

1.一种车辆防换牌检测方法，其特征在于，包括：
当检测到目标车辆时，获取所述目标车辆的车脸视频数据；
对所述车脸视频数据利用预设深度学习模型提取目标车辆特征数据和所述目标车辆对应的车牌号；
判断车辆信息数据库中是否包含所述目标车辆特征数据；
若是，从所述车辆信息数据库读取所述目标车辆特征数据对应的目标车牌号；
比对所述车牌号和所述目标车牌号，若不一致，则确定所述目标车辆为换牌车辆。
2.根据权利要求1所述的车辆防换牌检测方法，其特征在于，还包括：
对车辆进行注册，并获取所述车辆对应的车牌号；
采集车辆的车头图像信息，并提取所述车头图像信息的车辆特征数据；
将所述车辆特征数据、所述车牌号及二者之间的映射关系存入所述车辆信息数据库。
3.根据权利要求1所述的车辆防换牌检测方法，其特征在于，对所述车脸视频数据利用预设深度学习模型提取目标车辆特征数据和所述目标车辆对应的车牌号之前，还包括：
以残差网络作为骨干网络，以第一预设公式对所述车脸视频数据进行特征池化操作；
对所述车脸视频数据利用第二预设公式得到包含车辆特征结果向量的预设深度学习模型；
其中，所述第一预设公式为
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE003
作为输入且
Figure 658384DEST_PATH_IMAGE004
，W、H、C分别为宽度、高度和通道，
Figure DEST_PATH_IMAGE005
，
Figure 701296DEST_PATH_IMAGE006
为控制系数，c为通道数；
所述第二预设公式为
Figure DEST_PATH_IMAGE007
其中，
Figure 8780DEST_PATH_IMAGE008
为特征和权重参数之间的向量角度，
Figure DEST_PATH_IMAGE009
为角度惩罚变量，
Figure 696114DEST_PATH_IMAGE010
是输入向量经过多层网络提取出的特征向量，
Figure DEST_PATH_IMAGE011
表示第
Figure 883381DEST_PATH_IMAGE011
个权重向量。
4.根据权利要求3所述的车辆防换牌检测方法，其特征在于，所述判断车辆信息数据库中是否包含所述目标车辆特征数据包括：
根据向量余弦相似度公式判断所述车辆信息数据库中是否包含与所述目标车辆特征数据的向量余弦相似度小于预设阈值的车辆特征数据；
所述向量余弦相似度公式为：
Figure 226638DEST_PATH_IMAGE012
其中，similarity为向量余弦相似度，
Figure DEST_PATH_IMAGE013
和
Figure 55923DEST_PATH_IMAGE014
分别表示目标车辆特征数据和所述车辆信息数据库中的车辆特征数据，
Figure DEST_PATH_IMAGE015
是
Figure 597762DEST_PATH_IMAGE013
和
Figure 972243DEST_PATH_IMAGE014
的分量总数，
Figure 802796DEST_PATH_IMAGE016
、
Figure DEST_PATH_IMAGE017
分别表示
Figure 779979DEST_PATH_IMAGE013
和
Figure 832117DEST_PATH_IMAGE014
的第
Figure 502133DEST_PATH_IMAGE011
个分量。
5.根据权利要求1所述的车辆防换牌检测方法，其特征在于，所述目标车辆特征数据包括车脸轮廓、颜色、车标、是否存在天窗、车灯位置、年检标签、车头摆件、车头挂件和车辆破损中的任一项或任意几项的组合。
6.根据权利要求1所述的车辆防换牌检测方法，其特征在于，若所述车辆信息数据库中未包含所述目标车辆特征数据，还包括：
生成所述目标车辆未注册的提示信息。
7.一种车辆防换牌检测***，其特征在于，包括：
视频获取模块，用于当检测到目标车辆时，获取所述目标车辆的车脸视频数据；
特征提取模块，用于对所述车脸视频数据利用预设深度学习模型提取目标车辆特征数据和所述目标车辆对应的车牌号；
判断模块，用于判断车辆信息数据库中是否包含所述目标车辆特征数据；
车牌号读取模块，用于所述判断模块的判断结果为是时，从所述车辆信息数据库读取所述目标车辆特征数据对应的目标车牌号；
车牌号比对模块，用于比对所述车牌号和所述目标车牌号，若不一致，则确定所述目标车辆为换牌车辆。
8.根据权利要求7所述的车辆防换牌检测***，其特征在于，还包括：
车辆信息数据库生成模块，用于对车辆进行注册，并获取所述车辆对应的车牌号；采集车辆的车头图像信息，并提取所述车头图像信息的车辆特征数据；将所述车辆特征数据、所述车牌号及二者之间的映射关系存入所述车辆信息数据库。
CN202111183984.8A 2021-10-12 2021-10-12 一种车辆防换牌检测方法及*** Pending CN113780244A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111183984.8A CN113780244A (zh) 2021-10-12 2021-10-12 一种车辆防换牌检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111183984.8A CN113780244A (zh) 2021-10-12 2021-10-12 一种车辆防换牌检测方法及***

Publications (1)

Publication Number Publication Date
CN113780244A true CN113780244A (zh) 2021-12-10

Family

ID=78855120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111183984.8A Pending CN113780244A (zh) 2021-10-12 2021-10-12 一种车辆防换牌检测方法及***

Country Status (1)

Country Link
CN (1) CN113780244A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114111988A (zh) * 2022-01-24 2022-03-01 浙江虎哥数字科技有限公司 一种垃圾回收智能过磅分流控制方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107622667A (zh) * 2017-09-28 2018-01-23 广州烽火众智数字技术有限公司 一种变造车牌号码检测方法及***
CN110288006A (zh) * 2019-06-03 2019-09-27 上海眼控科技股份有限公司 一种车牌号自动校验方法及***
CN112115800A (zh) * 2020-08-25 2020-12-22 南京航空航天大学 一种基于深度学习目标检测的车辆组合识别***及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107622667A (zh) * 2017-09-28 2018-01-23 广州烽火众智数字技术有限公司 一种变造车牌号码检测方法及***
CN110288006A (zh) * 2019-06-03 2019-09-27 上海眼控科技股份有限公司 一种车牌号自动校验方法及***
CN112115800A (zh) * 2020-08-25 2020-12-22 南京航空航天大学 一种基于深度学习目标检测的车辆组合识别***及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUGE HUANG等: "CurricularFace: Adaptive Curriculum Learning Loss for Deep Face Recognition", 《CVPR2020》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114111988A (zh) * 2022-01-24 2022-03-01 浙江虎哥数字科技有限公司 一种垃圾回收智能过磅分流控制方法及***

Similar Documents

Publication Publication Date Title
CN107358596B (zh) 一种基于图像的车辆定损方法、装置、电子设备及***
US8548201B2 (en) Apparatus and method for recognizing identifier of vehicle
CN104318225B (zh) 车牌检测方法及装置
CN112435215A (zh) 一种基于图像的车辆定损方法、移动终端、服务器
US9740965B2 (en) Information processing apparatus and control method thereof
CN111126224A (zh) 车辆检测方法及分类识别模型训练方法
CN108323209B (zh) 信息处理方法、***、云处理设备以及计算机存储介质
CN103903005A (zh) 车牌影像辨识***及方法
CN106776814A (zh) 基于图像识别的移车***和方法
CN104766042A (zh) 交通标志板识别方法及装置
CN111079751B (zh) 识别车牌真伪的方法、装置、计算机设备及存储介质
KR101727487B1 (ko) 내용기반 차량분석기 및 이를 이용한 내용기반 차량분석방법
KR102089298B1 (ko) 범용 문자 시퀀스 검출을 통한 다국적 차량번호판 인식 시스템 및 그 방법
CN107730896A (zh) 车牌识别方法及装置
JP2008033462A (ja) 車両検索システム
CN111222409A (zh) 车辆品牌的标注方法、装置及***
CN112861567B (zh) 一种车型分类方法及装置
CN113780244A (zh) 一种车辆防换牌检测方法及***
CN109784322A (zh) 一种基于图像处理的vin码识别方法、设备及介质
JP5974448B2 (ja) 車両情報登録方法、車両情報登録装置、及び車両情報登録プログラム
CN115690714A (zh) 一种基于区域聚焦的多尺度道路目标检测方法
US20230342937A1 (en) Vehicle image analysis
CN113408364B (zh) 一种临时车牌识别方法、***、装置及存储介质
MX2012001664A (es) Identificacion de objetos.
CN110689006B (zh) 可重复使用的餐具的回收方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211210

RJ01 Rejection of invention patent application after publication