换牌车辆检测方法及其系统的制作方法
【技术领域】
[0001]本发明属于车辆检测技术领域，尤其涉及一种换牌车辆检测方法及其系统。
【背景技术】
[0002]依赖车牌信息进行交通管制的技术，对于交通管制、公路布控、公路收费等内容具有深远的意义。针对目前存在的大量换牌车辆，如何快速高效的识别出换牌车是首先要解决的问题。
[0003]进一步的说，如何判定该换牌车为套牌车或者在逃嫌疑车也是急需解决的问题，尤其随着越来越多的交通逃逸事件中，犯罪嫌疑人为逃避捕获，在逃逸途中通过更换车牌，扰乱视野增加抓捕难度，扰乱社会治安。因此，如何独立于车牌实现对嫌疑车辆的跟踪及抓捕，已成为智能交通管理技术研究领域的一个新的挑战。
【发明内容】
[0004]基于此，针对上述技术问题，提供一种换牌车辆检测方法及其系统。
[0005]为解决上述技术问题，本发明采用如下技术方案:
[0006]—种换牌车辆检测方法，包括:
[0007]通过卡口相机抓拍车辆图片，在该车辆图片中识别车辆检测区域；
[0008]在所述车辆检测区域内提取包含车牌的车辆描述信息特征；
[0009]将所述车辆描述信息特征与车管所数据库中的数据进行比对，若比对结果不一致，则相应车辆为换牌车。
[0010]本方案还包括:
[0011 ]提取所述换牌车在多个其他卡口相机所抓拍车辆图片中的车辆描述信息特征；
[0012]将来自多个其他卡口的车辆描述信息特征进行比对，若比对结果不一致，则将所述车辆描述信息特征与已布控的黑名单嫌疑车信息库数据进行比对，若比对结果一致，则所述换牌车为在逃嫌疑车，反之，该换牌车为套牌车。
[0013]本方案还包括根据所述套牌车或者在逃嫌疑车的车辆描述信息特征，获取其行车轨迹，并预估其逃逸方向。
[0014]所述车辆描述信息特征包括结构化特征以及非结构化特征，所述结构化特征包括车牌、车标、车型以及车身颜色，所述非结构化特征包括纹理以及形状。
[0015]本方案还涉及一种换牌车辆检测系统，包括:
[0016]车辆检测区域识别模块，用于通过卡口相机抓拍车辆图片，在该车辆图片中识别车辆检测区域；
[0017]车辆描述信息特征提取模块，用于在所述车辆检测区域内提取包含车牌的车辆描述信息特征；
[0018]换牌车比对模块，用于将所述车辆描述信息特征与车管所数据库中的数据进行比对，若比对结果不一致，则相应车辆为换牌车。
[0019]本方案还包括换牌车性质检测模块，用于:
[0020]提取所述换牌车在多个其他卡口相机所抓拍车辆图片中的车辆描述信息特征；
[0021]将来自多个其他卡口的车辆描述信息特征进行比对，若比对结果不一致，则将所述车辆描述信息特征与已布控的黑名单嫌疑车信息库数据进行比对，若比对结果一致，则所述换牌车为在逃嫌疑车，反之，该换牌车为套牌车。
[0022]本方案还包括逃逸预估模块，用于根据所述套牌车或者在逃嫌疑车的车辆描述信息特征，获取其行车轨迹，并预估其逃逸方向。
[0023]所述车辆描述信息特征包括结构化特征以及非结构化特征，所述结构化特征包括车牌、车标、车型以及车身颜色，所述非结构化特征包括纹理以及形状。
[0024]本发明将交通管制与后端再录数据有效结合，依赖前端相机获取车辆的包含车牌在内的车辆描述信息特征，通过与车管所信息一次比对，判定是否为换牌车辆，高效快速；
[0025]进一步确认该换牌车的性质时，结合各个卡口特征比对，及数据分析来判定该换牌车为套牌车或者在逃嫌疑车。系统在有效抓捕套牌车辆的同时，也解决肇事逃逸途中因频换更换车牌而引发的目标难定位，捕获困难的问题。
【附图说明】
[0026]下面结合附图和【具体实施方式】本发明进行详细说明:
[0027]图1为本发明的一种换牌车辆检测方法的流程图；
[0028]图2为本发明的检测换牌车的性质的原理示意图；
[0029]图3为本发明的一种换牌车辆检测系统的结构示意图。
【具体实施方式】
[0030]如图1所示，一种换牌车辆检测方法，包括:
[0031 ] S110、通过卡口相机抓拍车辆图片，在该图片中利用基于harr、acf或深度学习的车辆检测技术识别车辆检测区域内的车辆。
[0032]其中，车辆检测区域为在图像中初始设定的一块封闭区域，在该区域内进行车辆检测，该区域以外的范围，不进行车辆检测。
[0033]基于Haar特征的检测技术:haar特征为边缘、线性、中心等模板特征，通过不同模板特征的选取与组合和级联分类器来完成特定检测任务。
[0034]ACF特征检测技术:ACF(Aggregate Channel Features)为一种在基于Harr特征的检测技术上改进的快速高效的滑动窗检测器。
[0035]基于深度学习的检测技术:利用深层神经网络自主的提取感兴趣区域以及物体特征，端到端的完成整个检测流程。
[0036]S120、在车辆检测区域内提取包含车牌的车辆描述信息特征。
[0037]对车辆描述信息特征的提取可采用基于深度学习网络的特征提取，亦可采用基于浅层机器学习的方法实现。
[0038]基于深度学习网络的特征提取:通过深层网络学习到的特征自主地提取图像特征。
[0039]基于浅层机器学习的方法:通过人工设计的手工模板特征以及等效的浅层网络提取图像特征。
[0040]S130、将车辆描述信息特征与车管所数据库中的数据进行比对，若比对结果不一致，则相应车辆为换牌车，反之，则进行下一帧车辆图片的检测。
[0041]每辆车正规挂牌上路前需在车管库内进行车辆信息登记，在正常情况下应为一车一牌，绝对的一一对应。故基于车牌的车辆描述信息的比对，若出现同车一牌，而车辆的其他描述信息均不一致，则该车为换牌车。
[0042]S140、进一步检测换牌车的性质:
[0043]如图2所示，提取该换牌车在多个其他卡口相机所抓拍车辆图片中的车辆描述信息特征，参考S120以及S130。
[0044]将来自多个其他卡口的车辆描述信息特征进行比对，若比对结果不一致，则将所述车辆描述信息特征与已布控的黑名单嫌疑车信息库数据进行比对，若比对结果一致，则所述换牌车为在逃嫌疑车，反之，该换牌车为套牌车。
[0045]S150、逃逸预估:根据套牌车或者在逃嫌疑车的车辆描述信息特征，获取其行车轨迹，并预估其逃逸方向，以进行布控拦截该车辆，以便对该车进行处罚或抓捕。
[0046]具体地，若干个卡口相机分别分布在不同的地理位置，形成一个相机抓拍网络，每个卡口相机之间信息是互通的，通过比对技术，就可以获知嫌疑车辆在一段时间内通过哪些卡口相机，将这些点位连接起来，形成车辆在该段时间内的行驶轨迹，通