一种嫌疑套牌车捕获方法

1.一种嫌疑套牌车捕获方法，其特征在于，包括以下步骤：
1)识别车辆的车牌号和品牌信息，根据车牌号和品牌信息的对应性获得车辆初步判别结果，若车牌号和品牌信息不对应，则将该车辆加入套牌车嫌疑库；
2)对加入套牌车嫌疑库的车辆进行精确判别，去除误报的车辆，所述精确判别包括车牌精确判别和品牌精确判别；
3)统计各车辆在套牌车嫌疑库中出现的次数，当某车辆的出现次数超过设定值K时发出警报；
所述车牌精确判别具体为：
A1)根据车牌号识别结果定位车牌号的每个字符的粗略位置，对各字符进行分割，判断分割后的各字符是否完整，若是，则执行步骤A2)，若否，则将对应的车辆移出套牌车嫌疑库；
A2)计算各字符的中心位置，判断各字符的倾斜角度是否大于设定值，若是，则将对应的车辆移出套牌车嫌疑库，若否，则执行步骤A3)；
A3)采用Deep Learning算法在步骤A1)获得的粗略位置上进行字符识别，获得各字符的识别置信度，识别结果值排名前第两位字符的识别置信度是否小于设定阈值，若是，则将对应的车辆移出套牌车嫌疑库，若否，则执行步骤A4)；
A4)判断是否含有光照影响，若是，则将对应的车辆移出套牌车嫌疑库，若否，则执行步骤A5)；
A5)判断当前车牌是否为阴阳牌，若是，则将对应的车辆移出套牌车嫌疑库，若否，则退出。
2.根据权利要求1所述的嫌疑套牌车捕获方法，其特征在于，所述根据车牌号和品牌信息的对应性获得车辆初步判别结果具体为：
根据车牌号在政府车管所数据库中进行查询，获得对应的准确品牌，将识别出的品牌信息与所述准确品牌进行比对，判断车牌号和品牌信息是否对应。
3.根据权利要求1所述的嫌疑套牌车捕获方法，其特征在于，所述品牌精确判别具体为：
B1)判断视频图像上的车辆是否完整，若是，则执行步骤B2)，若否，则将 对应的车辆移出套牌车嫌疑库；
B2)判断品牌信息识别结果是否位于常见错误列表中，若是，则将对应的车辆移出套牌车嫌疑库，若否，则执行步骤B3)；
B3)判断品牌信息识别结果的识别置信度是否小于设定值，若是，则将对应的车辆移出套牌车嫌疑库，若否，则退出。
4.根据权利要求3所述的嫌疑套牌车捕获方法，其特征在于，所述常见错误列表中保存有外观相似度大于90％的车辆品牌对信息。
5.根据权利要求1所述的嫌疑套牌车捕获方法，其特征在于，所述K的取值为3。

一种嫌疑套牌车捕获方法\n技术领域\n[0001] 本发明涉及智能交通技术领域，尤其是涉及一种嫌疑套牌车捕获方法。\n背景技术\n[0002] 套牌车指套用其它车辆的车牌号码来逃避责罚的车辆。由于套牌车可以逃避所造成的严重后果和上缴的费用，对人民生命财产和公共安全造成了极大的威胁，所以一直是交通监管部门重点打击的对象，并被国家严令禁止。因此，在海量交通流过车数据中主动发现和识别套牌车，不仅对公安交警主动预警和事后侦查具有重要意义，更是对真正车主和套牌车肇事受害者利益的保护。\n[0003] 现有套牌车车辆的捕获方法，大多根据车辆前后出现的时间差及距离的关系，判断车辆的出现是否符合逻辑，该方法要求疑似套牌车与真车同时(或前后较短时间)出现，限定条件严格，用此方法进行稽查力度不够。\n[0004] 申请号为201310034242.8的基于智慧城市的套牌车车辆的捕获方法，其通过对电子卡扣的过车数据库的数据进行网格化归类，对疑似套牌车出现的数据进行筛选，进而捕获套牌车辆的方法。这种方法存在的技术问题是：对于车辆数据的获取需要按照一定的时间序列来获取，进而将实现数据配对网格化数据生成含实现序列网格轨迹，这对于实际判定中，很难做到，因为一些套牌车辆很有可能在某一个时间点进入该网格区域内进行停留，或许在停留期间，更换了车牌号，因此，该时间序列无法连续，进而无法实现对该同一车牌号车辆的网格轨迹监测，因此存在漏判的可能。再者，对于网格的划分较为复杂，再结合时间序列的结合，这种方式的后台数据处理量非常巨大，判断效率较低。\n[0005] 申请号为201410100491.7的一种基于Hadoop的套牌车识别方法，采用，首先将削减维度后的有效过车记录迁移到Hadoop集群的HBase中，然后使用Hive从HBase中获取同一车牌号码出现在任意两个监控点的过车记录并按照车牌号码和过车时间分组排序，接着初始化由监控点为顶点集及两两之间距离为边权值的带权图，计算出所有监控点两两之间的最短路径，将其两两组合分块处理，最后创建多个线程，在套牌车规则下根据分块处理后监控点的两两组合并发提交Hive任务来识别套牌车，并通过校正因子获取最终的嫌疑套牌车。但该方法较为复杂，计算速度较慢。\n发明内容\n[0006] 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种速度快、误报率低的嫌疑套牌车捕获方法。\n[0007] 本发明的目的可以通过以下技术方案来实现：\n[0008] 一种嫌疑套牌车捕获方法，包括以下步骤：\n[0009] 1)识别车辆的车牌号和品牌信息，根据车牌号和品牌信息的对应性获得车辆初步判别结果，若车牌号和品牌信息不对应，则将该车辆加入套牌车嫌疑库；\n[0010] 2)对加入套牌车嫌疑库的车辆进行精确判别，去除误报的车辆；\n[0011] 3)统计各车辆在套牌车嫌疑库中出现的次数，当某车辆的出现次数超过设定值K时发出警报。\n[0012] 所述根据车牌号和品牌信息的对应性获得车辆初步判别结果具体为：\n[0013] 根据车牌号在政府车管所数据库中进行查询，获得对应的准确品牌，将识别出的品牌信息与所述准确品牌进行比对，判断车牌号和品牌信息是否对应。\n[0014] 所述精确判别包括车牌精确判别和品牌精确判别。\n[0015] 所述车牌精确判别具体为：\n[0016] A1)根据车牌号识别结果定位车牌号的每个字符的粗略位置，对各字符进行分割，判断分割后的各字符是否完整，若是，则执行步骤A2)，若否，则将对应的车辆移出套牌车嫌疑库；\n[0017] A2)计算各字符的中心位置，判断各字符的倾斜角度是否大于设定值，若是，则将对应的车辆移出套牌车嫌疑库，若否，则执行步骤A3)；\n[0018] A3)采用Deep Learning算法在步骤A1)获得的粗略位置上进行字符识别，获得各字符的识别置信度，识别结果值排名前第两位字符的识别置信度是否小于设定阈值，若是，则将对应的车辆移出套牌车嫌疑库，若否，则执行步骤A4)；\n[0019] A4)判断是否含有光照影响，若是，则将对应的车辆移出套牌车嫌疑库，若否，则执行步骤A5)；\n[0020] A5)判断当前车牌是否为阴阳牌，若是，则将对应的车辆移出套牌车嫌疑库，若否，则退出。\n[0021] 所述品牌精确判别具体为：\n[0022] B1)判断视频图像上的车辆是否完整，若是，则执行步骤B2)，若否，则将对应的车辆移出套牌车嫌疑库；\n[0023] B2)判断品牌信息识别结果是否位于常见错误列表中，若是，则将对应的车辆移出套牌车嫌疑库，若否，则执行步骤B3)；\n[0024] B3)判断品牌信息识别结果的识别置信度是否小于设定值，若是，则将对应的车辆移出套牌车嫌疑库，若否，则退出。\n[0025] 所述常见错误列表中保存有外观相似度大于90％的车辆品牌对信息。\n[0026] 所述K的取值为3。\n[0027] 与现有技术相比，本发明具有以下优点：\n[0028] (1)本发明算法速度快，实施简单，已在多地市实战测试，均取得明显效果。\n[0029] (2)本发明在初步判别的基础上，对车辆进行车牌和品牌的精确判别，有效剔除了判别错误的情况，误报率低。\n[0030] (3)本发明在车牌和品牌的精确判别中对多方面因素进行考虑，有效提高了套牌车识别的准确性。\n附图说明\n[0031] 图1为本发明的流程示意图。\n具体实施方式\n[0032] 下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。\n[0033] 如图1所示，本发明实施例提供一种嫌疑套牌车捕获方法，包括以下步骤：\n[0034] 步骤S101：通过车牌检测、车牌识别和品牌识别算法识别车辆的车牌号和品牌信息，根据车牌号和品牌信息的对应性获得车辆初步判别结果，具体为：\n[0035] 根据车牌号在政府车管所数据库中进行查询，获得对应的准确品牌，将识别出的品牌信息与所述准确品牌进行比对，判断车牌号和品牌信息是否对应，若车牌号和品牌信息不对应，则将该车辆加入套牌车嫌疑库。\n[0036] 步骤S102：对加入套牌车嫌疑库的车辆进行精确判别，去除误报的车辆。\n[0037] 对于大部分车牌识别/品牌识别算法而言，识别的准确率只有90％，因此路面上的车辆会有10％的概率会识别错误，导致被认为是套牌车；但是路面上套牌车的概率小于万分之一，因此需要采用精确判别来去除误报。精确判别包括车牌精确判别和品牌精确判别。\n[0038] 车牌识别错误主要原因是遮挡(车牌上有泥土痕迹、被有意遮挡和车牌字符被车辆边框遮挡部分区间)、光照(太暗或者是阴阳牌)、倾斜和相似字符等，因此，车牌精确判别具体为：\n[0039] A1)根据车牌号识别结果定位车牌号的每个字符的粗略位置，可通过通常识别算法得到该结果，对各字符进行分割，判断分割后的各字符是否完整，若是，则执行步骤A2)，若否，则将对应的车辆移出套牌车嫌疑库；\n[0040] A2)计算各字符的中心位置，判断各字符的倾斜角度是否大于设定值，如15度，若是，则将对应的车辆移出套牌车嫌疑库，若否，则执行步骤A3)；\n[0041] A3)采用Deep Learning算法在步骤A1)获得的粗略位置上进行字符识别，获得各字符的识别置信度，识别结果值排名前第两位字符的识别置信度是否小于设定阈值，若是，则将对应的车辆移出套牌车嫌疑库，若否，则执行步骤A4)；\n[0042] A4)判断是否含有光照影响，若是，则将对应的车辆移出套牌车嫌疑库，若否，则执行步骤A5)；\n[0043] 光照影响是指根据前景(字符)颜色和背景的差异进行判断，如果都偏黑且差异小于一定值，取值在0.1～0.2之间，则认为光照条件不好。前景(字符)颜色和背景的差异计算过程为：对前景区域和背景区域求平均颜色，然后将它们转换到CIELab颜色空间，最后计算两者之间的L2距离。\n[0044] A5)判断当前车牌是否为阴阳牌，若是，则将对应的车辆移出套牌车嫌疑库，若否，则退出。阴阳牌是指背景颜色具有明显差异。明显差异的判断方法是：对背景区域所有点的颜色进行DBScan聚类，如果最大的两个类的点数都超过25％，且它们平均颜色在CIELab空间上的距离大于0.2就属于明显差异。\n[0045] 品牌精确判别具体为：\n[0046] B1)判断视频图像上的车辆是否完整，若是，则执行步骤B2)，若否，则将对应的车辆移出套牌车嫌疑库；\n[0047] B2)判断品牌信息识别结果是否位于常见错误列表中，若是，则将对应的车辆移出套牌车嫌疑库，若否，则执行步骤B3)；\n[0048] 部分国产车辆外观和国外知名品牌较相似，因此建立常见错误列表，该常见错误列表中保存有外观相似度大于90％的车辆品牌对信息。\n[0049] B3)判断品牌信息识别结果的识别置信度是否小于设定值，一般取值在0到1.0之间，若是，则将对应的车辆移出套牌车嫌疑库，若否，则退出。\n[0050] 步骤S103：统计各车辆在套牌车嫌疑库中出现的次数，当某车辆的出现次数超过设定值K时发出警报，捕获对应套牌车，K的取值为3。\n[0051] 上述方法速度快，误报率低，已在多地市实战测试，均取得明显效果。