一种车载伪基站实时智能取证方法与流程

本发明涉及伪基站检测技术领域，具体涉及一种车载伪基站实时智能取证方法。

背景技术：

伪基站即人们常称的“假基站”。组成伪基站的设备并不复杂，其一般由笔记本电脑和伪基站主机以及短信发信机、信号发射器、电源以及其他相关设备。伪基站设备能够利用上述设备搜取以其为中心、一定范围内的手机卡信息，通过伪装成正常的运营商基站，利用其相对于正常基站信号的功率优势诱使周边手机用户连接到该伪基站，并冒用其他个人或者组织的号码强行向该手机用户发送广告、诈骗信息。伪基站给运营商、手机用户等造成了极大的危害。但是在现有的技术下，伪基站的防治一般都是人工进行的，由人工持便携式伪基站检测装置对伪基站进行检测，在伪基站防治工作中往往投入的人力成本很大，但是收到的效果不明显，而且移动伪基站常常用车辆作为运输工具，具有很强的移动性和隐蔽性，人工进行伪基站防治工作效率低下；另外，在现有的技术下，伪基站的防治具有很强的滞后性，而且已有的伪基站防治技术大多只关注如何改进对伪基站的检测和识别方法，提高伪基站检测和识别效率，没有关注伪基站从检测和识别到治理的一整套技术体系。

技术实现要素：

为克服现有技术的不足，本发明提供一种车载伪基站实时智能取证方法，能够对伪基站信号进行实时检测和精确定位，并得到载有伪基站车辆的车牌信息。

本发明为解决其技术问题采用的技术方案是：

一种车载伪基站实时智能取证方法，其特征在于,包括：

实时检测和识别伪基站，并对伪基站进行定位；

利用雷达对载有伪基站的车辆进行跟踪和定位；

对所述载有伪基站的车辆进行视频取证，对包含有车牌图像的视频帧进行车牌识别，得到载有伪基站车辆的车牌信息。

进一步，所述实时检测和识别伪基站并对伪基站进行定位具体包括：

通过检测终端对周边基站信号进行检测；

当选定一个基站信号之后，检测终端向客服中心发送任意字节短信，当收到自动回复时，获得基站参数，所述基站参数包括初始位置区域码LAC和初始经纬度坐标；若没有收到回复，则判定与所述检测终端连接的基站是伪基站；

检测终端检测到基站信号区域位置码LAC发生变化时，获取所述LAC以及经纬度坐标；

若所述LAC与初始LAC的变化量超过了预设值，或者所述经纬度坐标与初始经纬度坐标的变化量超过经纬度坐标预设值，则判定与所述检测终端连接的基站是伪基站；

采用无线电侧向定位技术对伪基站进行定位。

进一步,所述利用雷达对载有伪基站的车辆进行跟踪和定位具体包括：

根据伪基站信号的定位信息，计算伪基站信号到检测终端之间的距离；

判断此距离是否小于摄像头能视频取证到清晰画面的最大距离，当该距离大于能视频取证到清晰画面的最大距离时，放弃对载有伪基站车辆的跟踪，继续进行伪基站信号的检测；当该距离依然在信号跟踪有效距离之内，则对该伪基站信号进行定位跟踪；

通过雷达对车辆进行跟踪，根据伪基站信号的定位信息，雷达为定位信息处的车辆建立Kalman滤波器，利用Kalman滤波器对该车辆进行跟踪定位。

进一步,所述对所述载有伪基站的车辆进行视频取证，对包含有车牌图像的视频帧进行车牌识别具体包括：

图像预处理，包括：从实时视频中抽取图像帧并输入图像；对图像进行灰度化处理；运用梯度法对图像垂直轮廓特征进行增强；运用全局阈值对图片进行二值化处理以进一步增强车牌区域特征；

车牌定位，包括：轮廓图像提取；在轮廓图像中对车牌进行定位，获取包含车牌上下左右边界的位置的车牌区域图像；

字符分割，包括：对车牌区域图像进行全局阈值二值化处理；对二值化后的车牌区域图像进行垂直投影分析，获取车牌字符间的相对位置和间隔大小；在得到车牌字符间的相对位置和间隔大小的基础上，运用连通域分析对字符进行精确分割；

字符识别，生成待识别字符模板和匹配模板，运用模板匹配的方法进行字符识别。

进一步,所述轮廓图像提取具体包括：

以车牌二值化后的图像左上角为坐标原点，从上到下、从左至右地逐行扫每个像素的灰度值；

设左右临近两个像素x_L,x_R初始灰度值都为白色，如果x_L为白，x_R为黑，则x_L,x_R两个的像素的灰度值保持x_L为白，x_R为黑；如果x_L为黑且x_R为白，或者x_L,x_R都为白，或者x_L,x_R都为黑，则x_L,x_R像素值都为白。

进一步,所述在轮廓图像中对车牌进行定位具体包括：对图像进行行扫描，利用行扫描的水平线穿越字符垂直轮廓线的穿越点统计特征，确定车牌区域的上下左右边界。

进一步,所述生成待识别字符模板和匹配模板之前还包括：对样本集进行预分类处理，按照我国车牌号的第一位为汉字，第二位为字母，其余五位为数字和字母的组合，将车牌区域中的字符分为三组，第一组为汉字组，第二组为字母组，第三组为数字和字母混合组。

进一步,所述生成待识别字符模板和匹配模板的过程中包括：

分别对待识别字符模板和匹配模板进行模板压缩。

进一步,所述模板压缩具体包括：

将图像网格模块化，分割成多个子模块；

提取子模块的灰度特征；

提取分布在子模块中的字符结构特征，构成具有背景和字符分别为黑白颜色的压缩模板。

本发明的有益效果是：将伪基站识别定位、雷达跟踪以及车牌识别技术结合，能够对伪基站信号进行实时检测和精确定位，并对载有伪基站的车辆进行实时跟踪和定位以及车牌识别，得到载有伪基站车辆的车牌信息，大大降低了人工防治伪基站的成本，能够起到很好的伪基站防治作用。

附图说明

图1为本发明中伪基站检测识别流程图；

图2为本发明中雷达车辆定位和跟踪流程图；

图3为本发明中车牌识别流程图。

具体实施方式

以下结合附图和实例对本发明做进一步说明。

本发明的第一部分是实时检测和识别伪基站，并对伪基站进行定位。

伪基站系统主要由基站系统和操作平台组成，基站系统又由基站单元(Base Station Subsystem)和移动业务交换中心(Mobile Switching Center,简称MSC)组成。伪基站系统仿照正常基站向移动终端提供空口接入，没有连接运营商网络。

伪基站的运行步骤如下：

1)伪基站对其周边基站信号进行监听，获取其周边所有基站信号的BCCH信道信号并甄选出其中信号强度最弱的BCCH信道信号，伪基站设置与该正常基站信号相同的移动国家码和移动网络号码；

2)增大发射功率，发射伪装后的基站信号；

3)向手机发送短消息；

4)剔除手机连接，手机检测到LAC码发生变化，自动进行小区重选，接入周围正常的基站。

如图1所示，根据以上伪基站工作的特点，本发明实施例提供一种伪基站实时识别和定位的方法：

步骤101，检测终端对周边基站信号进行检测。

步骤102，当选定一个基站信号连接之后，检测终端向客服中心发送任意字节短信。

步骤103，检查检测终端所连接基站是否对终端所发送的信息进行回复，如果检测终端所连接的基站为正常的基站，则基站会对检测终端所发送的短信进行回复；如果检测终端所连接的基站不对检测终端所发送的短信进行回复，则可以判定检测终端所连接的基站为伪基站，当判定检测终端连接的基站为伪基站后，利用无线电侧向定位技术可以定位伪基站信号。

步骤104，当收到自动回复时，获得基站参数，优选地，所述基站参数包括初始位置区域码LAC和初始经纬度坐标。

步骤105，检测终端检测LAC，当检测到LAC发生变化时，获取当前LAC和基站经纬度坐标信息。

步骤106，判断当前LAC和前面得到的初始LAC之间的变化量是否超过了LAC预设值，或者当前经纬度坐标和初始经纬度坐标之间的变化量是否超过经纬度坐标预设值，当LAC变化量或者经纬度坐标变化量超过预设值时，进行下一步；若LAC变化量和经纬度坐标的变化量都没有超过预设值，则继续检测当前LAC和检测终端所连接基站的当前经纬度坐标信息。

步骤107，当LAC变化量或者经纬度变化量超过预设值，则可判定与检测终端所连接的基站为伪基站。

步骤108，判定为伪基站之后，利用无线电侧向定位技术定位检测终端连接的伪基站信号。

本发明的的第二部分是利用雷达对载有伪基站的车辆进行跟踪和定位。

本实施例为所述车辆建立Kalman滤波器进行跟踪和定位。

Kalman滤波器具有计算量小、跟踪效果好、适于实时处理等特点，在目标跟踪过程中被广泛采用。

本发明采用单质量常速度Kalman滤波器模型，在过程误差协方差中考虑加速度的影响，并且将状态量取为：

X＝[x v_x y v_y φ ω]^T (1)

式(1)中，(x,y)载有伪基站汽车目标的位置；(v_x,v_y)为载有伪基站汽车的运行速度；φ为汽车运行方向与坐标的夹角；ω为角速度。一般，在目标的跟踪过程中跟踪目标的跟踪中心的选择至关重要。本发明采用物体的几何中心作为目标的跟踪中心。因雷达和车辆的运动，不同时刻车辆在雷达探测区中的几何中心位置不同，需要将当前帧的几何中心位置转换到前一帧的几何中心位置，通过下式实现变换：

上述式(2)中，Δl＝(l_k-l_k-1)/2，Δw＝(w_k-w_k-1)/2；l、w为物体的长度和宽度；α为以汽车为中心的坐标系与激光雷达坐标系之间的夹角；k为数据帧标号；(x_c,y_c)汽车几何中心的坐标。

本实施例中采用波门原则进行数据相关的方法对载有伪基站的车辆进行跟踪，当测量值落在预测值的矩形波门内的时候，则认为他们是相关的。对于已经相关的目标，运用Kalman滤波的递推方程获取目标后验状态估计以及预测下一帧的位置与状态。

如图2所示，雷达对所述载有伪基站的车辆进行检测和跟踪的具体步骤如下：

步骤201，在第一部分的伪基站信号的定位中，利用无线电侧向定位技术定位得到所述伪基站信号的位置信息。

步骤202，计算伪基站信号到检测终端之间的距离。

步骤203，判断此距离是否小于摄像头能视频取证到清晰画面的最大距离，只有在此有效视频取证范围之内视频取证的视频才能对车辆进行有效的车牌识别；当该距离大于能视频取证到清晰画面的最大距离时，放弃对载有伪基站车辆的跟踪，继续进行伪基站信号的检测；当该距离依然在信号跟踪有效距离之内，则继续对该伪基站信号进行定位跟踪。

步骤204，在伪基站与检测终端之间的距离小于能够进行视频取证的最大距离时，雷达对车辆进行跟踪，利用如前所述的伪基站的精确定位信息，雷达为所述精确位置信息处的车辆建立Kalman滤波器，利用Kalman滤波器对该车辆进行跟踪。

本发明的第三部分是对所述载有伪基站的车辆进行视频取证，对包含有车牌图像的视频帧进行车牌识别，得到载有伪基站车辆的车牌信息。

在雷达对车辆进行跟踪的同时，摄像头会根据雷达反馈回来的方位信息对载有伪基站的车辆进行视频取证，同时对视频中的车辆进行车牌识别。

如图3所示，本例中进行车牌识别的步骤如下：

步骤301，从实时视频中抽取图像帧。

步骤302，车牌图像灰度化处理。在本实例中车牌图像的灰度化处理的方法为根据人眼对R、G、B三原色的敏感度不同对彩色图像的三个通道图像像素进行不同权值的加权，设变量g等于它们的加权平均。因为人眼对于三原色的敏感度由绿色、红色、蓝色呈递减状态，所以

取W_R＝0.9,W_G＝1.77,W_B＝1.34，

故

g＝0.229R+0.587G+0.114B (3)

式(3)中R,G,B分别代表的是三原色中的红、绿、蓝三色。

步骤303，运用梯度法对图像垂直轮廓特征进行增强。在视频取证的车牌视频图像中，车牌两边垂直边框轮廓特征比图片其他部分的垂直部分的轮廓特征明显。

在车牌定位中，车牌垂直区域的轮廓对于车牌的定位具有很重要的作用，因此，本实施例采用基于一阶微分的梯度法，并利用Sobel算子来实现车牌图像的增强。

具体的实施方法如下：

在车牌灰度图像中，设图像灰度值函数为f(x,y)，图像在坐标(x,y)处的梯度用二维列向量来定义

式(4)中grad(f)表示图像灰度函数f(x,y)在点(x,y)处的梯度。

该梯度向量的模值为：

因在实际操作中对整幅图像进行上式的计算时计算量巨大，用绝对值来近似计算梯度的值：

为了突出车牌图像中的垂直轮廓特征，本实施例中只采用了X方向上的垂直分量grad(x)来增强车牌图像的垂直轮廓特性。

所以有：

在数字图像中，一阶微分定义为：

采用3*3的Sobel算子进行轮廓垂直边缘的增强如下：

设(x,y)为3*3模板的中心像素点坐标，增强后的灰度值为：

f(x,y)＝f(x+1,y-1)+f(x-1,y-1)+

(f(x+1,y)+f(x-1,y))*2+

f(x+1,y+1)+f(x-1,y+1) (9)

经过增强之后，图像帧中的图像的垂直轮廓边缘得到加强，水平方向的边缘轮廓减弱。

步骤304，对上述运用梯度法增强后的图像进行二值化处理。在对图片进行垂直轮廓增强之后，图片车牌区域两边的垂直边框区域像素值对比度更高，突出车牌垂直边框的边缘信息，在车牌垂直边缘部分的灰度值变化更快。

本实施例中运用全局阈值对图片进行二值化处理。不同于以往的权值阈值的设置，本实施例中首先设置一个估计全局阈值T，之后运用阈值迭代公式对全局阈值进行迭代，使阈值趋于一个稳定值。具体实施步骤如下：

步骤3041，选择一个估计阈值T；

步骤3042，选用T来对车牌图像进行分割，得到两组灰度值，图像中像素灰度值大于T的像素分为组G₁，其余的分到组G₂；

步骤3043，对两各组G₁、G₂中所有的像素分别求平均值t₁,t₂；

步骤3044，计算新的估计阈值：

T＝(t₁+t₂)/2 (10)

重复以上步骤3042、3043、3044，直到本次阈值与上次阈值之差小于预先定义的极小值T₀，再进行二值化：

步骤305，轮廓图像提取。本发明中，车牌的定位运用到了车牌图像的一些统计信息，根据这些统计信息可以对图像帧中对车牌进行检测。为了突出图像车牌区域的统计信息，本实施例运用了轮廓图像提取算法来提取单像素的轮廓信息，提取对应的水平穿越点的统计信息。

轮廓图形提取的具体步骤如下：

步骤3051，以车牌二值化后的图像左上角为坐标原点，从上到下、从左至右地逐行扫每个像素的灰度值；

步骤3052，设左右临近两个像素x_L,x_R初始灰度值都为白色，如果x_L为白，x_R为黑，则x_L,x_R两个的像素的灰度值保持x_L为白，x_R为黑；如果x_L为黑且x_R为白，或者x_L,x_R都为白，或者x_L,x_R都为黑，则x_L,x_R像素值都为白。

在进行轮廓提取之后，图片车牌区域的垂直轮廓线条以黑色线条的形式表现出来，而背景颜色以白色表现出来。

步骤306，穿越点统计特征定位。本发明利用图像车牌区域固有的一些统计特征对车牌进行定位。根据这些统计特征可以定位出车牌的上下左右边框的位置。

经过上面轮廓提取之后，针对字符轮廓，观察得出一个字符垂直方向的轮廓，字符垂直轮廓线分为左轮廓线和右轮廓线，设对图像进行扫描的水平线与字符垂直轮廓线的交点为CP点。CP点有如下规律：

1)在图像中车牌区域内，穿越点之间间隔距离有一定统计规率。

2)在图像中车牌区域内，CP点的数量具有一定的如下统计规律，扫描线从左至右扫描一个字符会穿过2至4条字符轮廓线，所以穿越共7个车牌字符有14至28条轮廓线。

3)在图像中车牌区域内，行穿越线数量有一定统计规律。

4)在图像中车牌区域内，车牌的长宽比恒定。

得到上述特征或后，车牌区域相关的统计值为：

1)在图像中车牌区域内，相邻两CP点的距离最大值为d_max，最小值为d_min。

2)在图像中车牌区域内，设连续且相邻的CP点数量范围统计值的最大值为c_max，最小值为c_min，CP点统计变量为c_count。

3)在图像中车牌区域内，一幅图像包含的扫描线数量统计量的最大值为l_max，最小值为l_min，扫描线统计变量为l_count。

在得到车牌区域穿越点相关信息之后，本实施例中具体进行车牌定位的步骤如下：

步骤3061，首先进行行扫描，在扫描完一行之后获得相邻两个CP点之间的距离d，再根据值d_max和d_min判断该CP点是否满足其上述的统计特征，如果满足等式关系d_max>d>d_min，则CP点统计变量c_count加1，继续扫描直到该行结束。

步骤3062，判断穿越点统计变量c_count是否满足等式c_max>c_count>c_min，如果满足，则l_count加1；

步骤3063，在图像车牌区域内，若不等式l_max>l_count>l_min成立，则判定行扫描区域为车牌区域的垂直区域。

步骤3064，在确定车牌区域的左右边界之后，初步确定车牌区域的上下边界。在上述步骤中得到车牌区域的左右边界之后，在从上到下，从左到右的逐行扫描的步骤中，车牌区域第一条扫描线垂直坐标作为上边界；最后一条扫描线作为下边界。得到初始的上下边界之后，由于上下边界不具备垂直边界所具有的统计特性。故上下边界是车牌除去边框后的上下边界，其误差在像素级别。对于轻微倾斜的车牌，图像中的车牌仍符合轮廓图像的统计规律。本实施例中将上下边界值扩大两个像素值，减弱倾斜影响。

步骤3065，车牌比例检验：车牌都具有一定的长宽比D＝4.5，得到车牌区域的上下左右边界Top,Botton,Left,Right之后，对其长宽比进行判定排除错误的定位结果，设置长宽比例阈值为Φ＝0.4，如果：

则判定为错误区域；从Botton+1行开始，重新执行车牌定位算法；相反，则判定车牌边界寻找正确。

步骤307，为了后续的车牌字符识别，本实施例再次运用全局阈值二值化处理。在进行全局二值化处理时，得到新的全局阈值，此时的全局阈值会得到更好的二值化效果。

步骤308，垂直投影分析。在本发明中，字符分割算法应用的是基于垂直投影和字符连通域结构特征分析的算法，在进行二值化处理之后需要进行垂直投影处理。其具体方法就是将车牌图像垂直投影于与车牌下边界平行的一条直线上，经过投影之后，车牌区域图像会在这条直线上显示出字符之间的相对位置和间隔的大小。

步骤309，车牌连通域结构特征分析。在上述垂直投影分析得到的字符间的相对位置和间隔基础之上，运用连通域分析对字符进行精确分割。其方法为首先对字符进行膨胀处理，然后确定字符膨胀之后的上下左右的边界，最后根据上述边界画矩形框。根据所述连通域分析，对车牌图像进行字符分割。

上述步骤从一幅含有车牌图像的视频帧中将车牌字符提取出来，后续的步骤便是对提取的字符进行字符识别。本发明中采用的是基于压缩模板的字符识别，具体的步骤如下：

步骤310，基于模板的字符识别算法在大样本的情况下识别率往往不高，所以本实施例需要对样本集进行预分类处理。按照我国车牌号的第一位为汉字，第二位为字母，其余五位为数字和字母的组合，将车牌区域中的字符分为三组，第一组为汉字组，第二组为字母组，第三组为数字和字母混合组。

步骤311，为了减小运算量，便于快速的进行车牌识别，在每一组中将字符生成压缩模板。本实施例采用如下的步骤生成压缩模板：

步骤3111，网格化待匹配字符图像。将120*60的字符图像网格模块化，分割成15*10的子网格。每个字符的结构特征以及灰度特征会分别存储在这15*10的子网格中，每个子网格块中包含了字符的子模块结构和灰度信息。

步骤3112，提取子模块的灰度特征。计算子模块中灰度值的总和，统计每个子模块中字符像素的总和，计算其白色像素点个数和黑色像素点个数，得到每个子网格中的灰度特征。

步骤3113，提取分布在子模块中的字符结构特征构造压缩模板。首先构造一个大小为15*10的压缩模板，其每一个像素都分别对应着原来120*60的大网格。对字符结构特征的提取方法如下：首先对原来120*60大网格中的每一个子网格进行运算，若子网格中的字符像素数量占该子网格总像素数的比例超过α，则表明该子网格中存储了部分字符特征。若P_W/48>α，(P_W表示白点的数目)，则表示字符有一部分结构特征存储在了该子网络，操作15*10的压缩模板，将对应投射位置的一个像素设置成白色。如果：P_W/48<α(P_W表示白点的数目)，则表示网格中几乎没有存储结构特征信息，操作15*10的压缩模板将压缩模板对应的像素值设置成背景黑色。

经过以上三步，构成具有背景为黑色和字符为白色的15*10压缩模板。得到压缩模板之后，运用模板匹配的方法进行字符识别。

步骤312，基于模板匹配的字符识别的算法思想就是将字符模板与库模板直接对比识别，上述步骤已经将待识别字符生成了压缩模板，接下来从每一组中挑选具有代表性的字符作为匹配模板，生成匹配模板的方法与待识别字符生成压缩模板的方法相同。

步骤313，在生成待识别字符的模板和匹配模板之后，直接进行字符识别。字符识别的方法是对比待识别字符压缩模板和匹配模板，若它们之间的直线距离小于预设值，则可认为待识别字符为匹配模板的输出。本实施例采用的具体的字符识别的方法为：在预分类样本集中，对于每个字符选择其中的一些样本作为新的匹配模板。在输入进一个新的字符的时候，首先按照前面的步骤构造该字符的压缩模板。然后再计算该字符的压缩模板与前面构建的匹配模板的直线距离，找出在匹配模板中与输入字符模板直线距离最短的匹配模板，该匹配模板的输出可以作为输入数据的输出值。

步骤314，将车牌所有字符识别后，得到车牌的识别结果。

步骤315，输入下一帧图片进行识别。

本发明将伪基站识别定位、雷达跟踪以及车牌识别技术结合，能够对伪基站信号进行实时检测和精确定位，并对载有伪基站的车辆进行实时跟踪和定位以及车牌识别，得到载有伪基站车辆的车牌信息，大大降低了人工防治伪基站的成本，能够起到很好的伪基站防治作用。

本发明实施方法中的步骤可以根据实际需要进行顺序调整、合并和删减。

以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。