一種基于車輛身份識別的套牌車識別的方法與裝置的制造方法
【技術領域】
[0001] 本發明涉及信息處理技術，圖像處理，模式識別，機器學習領域，尤其涉及一種基 于車輛身份識別的套牌車識別的方法與裝置。
【背景技術】
[0002] 當前，平安城市的建立W及視頻監控網絡的建設已經深入到城市的各個角落，對 于社會穩定，人民群眾的生命財產安全起到了很好的保障，對于犯罪行為的發展起到很大 的震懾作用，同時對案件的追查和分析也起到了一定的作用。
[0003] 隨著社會經濟的發展，機動車保有量急劇增加，涉車違法犯罪愈加獵獵，車輛套牌 違法行為呈現多發態勢，公安機關在整治行動中變的越來越被動，工作量急劇增加。
[0004] 在刑偵視頻分析圖像實戰應用中發現，犯罪分子或者嫌疑人在作案或者流竄的過 程中，使用的犯罪交通工具常常都是套牌車，偽造車牌或者無牌車輛。他們利用送些交通工 具來掩飾自己犯罪行為，增加追查的難度，為逃避追捕進行了很多工作。通過人工分析套牌 車，會造成人員疲勞，效率低下，并且即使找到套牌車輛，可能犯罪分子也已經逃之夭夭，故 本發明方法利用先進的圖像處理和模式識別技術，可W自動對輸入的圖片進行分析比對， 能夠在短時間內發現違法套牌車輛，有效的協助公安辦案。
【發明內容】
[0005] 本發明實施例提供一種基于車輛身份識別的套牌車識別的方法與裝置，用W解決 目前人工查找套牌車效率低下的問題。
[0006] 本發明實施例采用下述技術方案：
[0007] 第一方面，一種車輛檢測技術，所述車輛檢測技術采用多種機器學習算法，采用效 率較高的adaboost+haar算法進行車輛粗定位，針對粗定位區域，利用SVM+H0G算法對車輛 進行精確定位。
[0008] 第二方面，一種車牌識別技術，所述的車牌識別包括車牌定位，車牌預處理，字符 分割和字符識別等模塊，其中車牌定位模塊采用邊緣檢測算法，從圖像中找到邊緣信息豐 富的車牌位置；車牌預處理模塊包括車牌矯正，去除車牌邊界和噪聲，車牌二值化等步驟； 字符分割采用經典的垂直投影算法；字符識別采用神經網絡算法。
[0009] 第Η方面，一種車型識別技術，所述的車型識別為針對檢測到的車臉進行分類，可 分為貨車、客車、卡車、轎車和摩巧車5類，采用libSVM中的兩兩分類方法，特征提取采用 HOG方法。
[0010] 第四方面，一種車輛子型號識別技術，首先在車輛區域內進行車臉提取，提取方法 根據車臉紋理和車燈信息進行位置定位，然后采用LBP+H0G特征提取方法，線性SVM作為分 類器，對常見的1000多種車型進行分類識別。
[0011] 第五方面，一種車身顏色識別技術，為在車輛區域內搜索到平滑的區域，在區域內 提取每個點的RGB顏色分量，將RGB轉換到服L空間，判斷每點的顏色，最后統計各種顏色 所占的比列，選取比例最大的顏色做為車身顏色，本發明方法可w識別紅，黃，綠，藍，青， 白，黑，灰等8種顏色。
[0012] 第六方面，一種與數據庫比對的套牌車識別報警技術，根據所識別的車輛牌照號 碼，在交管局數據庫進行搜索，搜索到該車牌號碼所對應的車型信息，車輛子型號信息，車 身顏色等信息，將查詢的結果與識別的結果進行比對，當發現有兩條結果不一樣時，即進行 套牌車報警。
[0013] 第走方面，一種稽查布控的套牌車識別報警技術，實時識別市區內卡口抓拍下來 的圖片，提取圖片中的車輛身份信息，針對每兩個卡口之間設定時間闊值T，此闊值為同一 車輛在時間T內不可能同時在送兩個卡口內出現，當在某兩個卡口內發現車牌號碼相同的 車輛，并且發現的時間差值小于設定闊值T，則進行套牌車報警。
[0014] 第八方面，一種與歷史數據進行比對的套牌車識別報警技術，為將識別到的車輛 身份信息與歷史識別數據進行比對，當發現車輛號碼一致，但車型信息不一樣時，即判別為 套牌車，進行套牌車報警
[0015] 上述技術方案中的至少一個技術方案可W達到如下技術效果：
[0016] 本發明實施例提供的方案可W從圖像中解析出車輛的身份信息，包括車牌號碼， 車型，車標，車輛子型號，車身顏色等，能夠節省人力成本，提高效率，本發明實施例提供的 方案還可W大大提高車輛身份信息的獲取靈活度。
【附圖說明】
[0017] 構成本申請的一部分的說明書附圖用來提供對本發明的進一步理解，本發明的示 意性實施例及其說明用于解釋本發明，并不構成對本發明的不當限定。在附圖中：
[0018] 圖1是實施例1提供的本發明方法的總體示意圖架構示意圖；
[0019] 圖2是實施例2提供的一種車輛檢測方法示意圖；
[0020] 圖3是實施例3提供的一種車牌識別方法示意圖；
[0021] 圖4是實施例4提供的是一種車型識別的方法示意圖；
[0022] 圖5是實施例5提供的一種車身顏色的識別方法示意圖；
[0023] 圖6是實施例6提供的一種套牌車識別的方法示意圖。
【具體實施方式】
[0024] 為使本發明的目的、技術方案和優點更加清楚，下面將結合本發明具體實施例及 相應的附圖對本發明技術方案進行清楚、完整地描述。顯然，所描述的實施例僅是本發明一 部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做 出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
[0025] W下結合附圖，詳細說明本發明各實施例提供的技術方案。
[0026] 實施例1
[0027] 實施例1提供一種如圖1所示的一種基于車輛身份識別的套牌車識別方法與裝置 的總體架構圖。
[002引步驟11，車輛檢測，對輸入的圖像，首先進行預處理，在預處理后的圖像上先利用 級聯ad油oost做車輛粗定位，在粗定位區域上利用H0G+SVM做車輛精確定位。
[0029] 步驟12,車輛身份識別，車輛身份包括車牌號碼，車輛類型，車標，車輛子型號，車 身顏色等，本步驟利用模式識別算法將車輛的送些身份信息進行識別，解析出符號。
[0030] 步驟13,套牌車識別報警，本步驟中的報警技術包括與數據庫比對的套牌車識別 報警技術，基于稽查布控的套牌車識別報警技術，與歷史數據進行比對的套牌車識別報警 技術，實際應用中可W根據實際情況具體選擇哪種報警技術。
[0031] 通過實例1的步驟11闡述的車輛檢測技術，實際應用中不限定采用其他的類似的 車輛檢測技術進行車輛檢測。
[00礎實施例2
[0033] 實施例2提供一種如圖2所示的車輛檢測的方法，步驟如下：
[0034] 步驟21，圖像預處理，針對輸入圖像，首先做平滑處理，采用3*3的均值濾波器進 行濾波處理，去除噪聲，然后根據需求做放縮處理。
[0035] 步驟22,Ad油oost車輛檢測，采用級聯ad油oost算法在圖像上進行滑動，判別是 否為車輛，其中滑動窗口大小為32*32,步長為1 (既每隔一行一列像素進行檢測），得到粗 定位車輛區域。
[0036] 步驟23,SVM精確定位，將粗定位區域的上下左右尺寸各擴充一定距離，在擴充后 的區域內利用H0G+SVM進行車輛精確定位。
[0037] 實施例3
[003引實施例3提供一種車牌識別的方法，包括下述步驟：
[0039] 步驟31，車牌定位，采用sobel垂直邊緣檢測算子對圖像進行操作，找到車牌區域 內的豐富的垂直邊緣信息，對邊緣圖進行腐蝕膨脹操作，尋找聯通區域，找到粗定位的車牌 候選區域，設定闊值，對候選區域進行剔除，最終得到車牌區域，一般經過上述操作，會得到 小于5個的車牌候選區域。
[0040] 步驟32,車牌預處理，首先對車牌進行矯正處理，通過水平邊緣確定車牌的傾斜角 度，按照傾斜角度對車牌進行矯正，采用otsu算法找到矯正后車牌的二值化闊值，利用此 闊值對車牌進行二值化處理，在二值圖上利用跳變搜索車牌的上下邊界，并將邊界去除，將 預處理好的二值化車牌送入字符分割模塊。
[0041] 步驟33,字符分割，根據車牌的排列順序，將二值化車牌在垂直方向上進行投影， 根據投影的波峰波谷位置，找到每個字符的左右邊界，在相應的灰度圖上將字符分割出來， 送入字符識別模塊。
[0042] 步驟34,字符識別，將分割出的字灰度符歸一化到48*24大小，抽取每個像素點的 灰度特征，利用PCA算法對特征進行降維，然后將降締后的特征送入BP神經網絡進行識別。 [004引實施例4
[0044] 實施例4提供的一種車型識別，車輛子型號識別的方法，包括下述步驟：
[0045] 步驟41，針對檢測到的車輛，利用車輛的水平邊緣信息，對車輛進行水平傾斜矯 正，首先利用sobel水平邊緣檢測算子對車輛進行水平邊緣檢測，將檢測到的水平邊緣圖 在-15°到+15°區間內，每隔Γ進行旋轉，同時計算旋轉圖的水平投影，對投影值進行從 大到小排序，計算前4個最大值的和，最后選取所有和中最大的值所對應的角度，即為車輛 傾斜角度，按照此角度將車輛進行旋轉。
[004引步驟42,冊G特征提取，將校正后的車輛歸一化到112*112大小，利用冊G特征提 取算法，提取6048維特征。
[0047] 步驟43,SVM車型分類，此步驟可W將車輛分為貨車，客車，卡車，轎車和摩巧車5 類，分類器選取libSVM中的兩兩分類方式，總共構建10個分類器，最后投票選取分類結果 最為最終結果。
[0048] 步驟44,車臉定位，在矯正后的車輛圖上，根據車臉的豐富的邊緣信息和車燈信 息，從下部往上做車臉的精確定位。
[0049] 步驟45,H0G+LBP特征提取，將分割出的車輛歸一化到66*112大小，提取H