本发明属于视频监控技术领域，涉及一种基于车辆特征库的嫌疑套牌车捕获方法。
背景技术：
目前道路交通卡口、电子警察等监控设备在国内已经大量的安装和使用，在已有设备采集到的图像数据上进行数据挖掘和目标内容分析已经成为科研和工业界的一个研究热点。
车牌号码是一辆车的身份标识，可以通过车牌对车辆进行有效的管理和查询。套牌车是指套用其它车辆的合法车牌号码的车辆。由于套牌车可以隐匿一些违法犯罪的事实，逃避其所造成的严重后果的惩罚，对人民生命财产和公共安全造成了极大的威胁，同时也损害了合法号牌车主的合法权益。因此，在海量交通过车图像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。
现有套牌车车辆的捕获方法，大多根据车辆过车的时空信息，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，限定条件太严格，捕获率太低；或者自动识别过车车辆的结构化信息和车管所登记的车辆信息的进行比对，该方法中的结构化信息完成不了一辆车的身份描述，相同品牌、型号、颜色的车辆会有很多，只能捕获一些结构化信息不一致套牌情况。
《一种嫌疑套牌车捕获方法》104715614a中，首先自动识别车辆的号牌和品牌等结构化信息，通过和车管所车辆登记信息的比对筛查出可疑的套牌车辆，然后结合号牌识别的置信度以及影响自动识别准确率的各类因素设置复杂的阈值筛选规则，最终通过层层筛选的可疑车辆被视为嫌疑套牌车输出。该方法首先只能捕获不同车辆品牌之间套牌车行为，对相同品牌，相同车型和相同颜色的车辆就无能为力了。
《一种基于深度学习的套牌车分析方法》106599905a中，首先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，筛选出疑似套牌车的成对结构化信息，然后通过对比车管所登记的车辆图像信息和疑似套牌车图像的特征相似度来确认和输出套牌车辆。该方法在初选疑似套牌车辆对时，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。
技术实现要素：
本发明针对现有技术的不足，提供了一种基于车辆特征库的嫌疑套牌车捕获方法。
本发明方法主要包括以下步骤：
步骤1、创建、生成和更新车辆身份特征库f-db：可以标识车辆身份的特征f主要由两部分组成：车辆的结构化信息包括车牌、品牌型号、颜色、被抓拍的时间和位置信息等；另外一部分是车辆的非结构化特征信息。
步骤2、自动识别待处理车辆的身份特征f，并与车辆身份特征库f-db中相关车辆的身份特征进行相似度比较，将相似度低于阈值的标记为嫌疑套牌车辆，同时加入套牌车嫌疑库。
步骤3、对加入套牌车嫌疑库的车辆进行更精确的多次判别，确认套牌车并报警。
步骤4、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m时，确认套牌车并报警。
步骤1中创建和生成车辆特征库f-db的具体内容和生成步骤为：积累和自动识别可以标识车辆身份的特征f，构成车辆身份特征库f-db；根据不同需求可以自主控制特征库中车辆的数量n。
非结构化信息是对同一辆车大量图像特征进行聚类和建模生成的，提取图像特征的模型是在大量样本上通过深度学习训练得到的。
步骤2中判定车辆为嫌疑套牌车并加入套牌车嫌疑库的具体过程为：
自动识别待处理车辆的身份特征f，根据身份特征f中的车牌信息查找车辆身份特征库f-db中的对应车辆的身份特征f′，比较f和f′中非结构化信息的相似度，相似度小于阈值θ的标记为疑似套牌车，加入嫌疑套牌车库。
步骤3中对加入套牌车嫌疑库的车辆进行精确判别，确认套牌车并报警主要通过以下步骤完成：
1)判断车牌识别的置信度，若车牌识别置信度低于阈值δ1，则将对应的车辆移出嫌疑套牌车库，否则进行2)；
2)判断品牌的一致性和自动识别的置信度，若品牌不一致并且置信度大于阈值δ2，则退出，否则进入3)；
3)判断车型的一致性和自动识别的置信度，若车型不一致并且置信度大于阈值δ3，则退出，否则进入4)；
4)判断车辆颜色的一致性和自动识别的置信度，若车辆颜色不一致并且置信度大于阈值δ4，则退出；
步骤1中更新车辆特征库f-db的具体过程为：判断5中未加入嫌疑套牌车辆库的车辆的车牌识别置信度，若车牌识别置信度大于阈值δ1，做是否需要进行车辆身份特征库中模型更新的判断，若需要更新到模型中再更新模型，否则退出。
本发明的有益效果：
对车辆历史过车非结构化信息建模的特征能够作为标识车辆身份的信息，有效的解决相同品牌车型和颜色车辆直接的套牌行为。
车辆身份特征库可以通过多种并行加速方案实现超高效率的查询和比对过程，实现指定区域内的套牌车检测实时布控，同时准确率也能得到保证。
车辆身份特征库的不断更新可以增加库中车辆身份特征的稳定性和健壮性，进一步提高套牌车检测的准确率。
附图说明
图1为本发明方法流程图。
具体实施方式
车管所车辆登记信息中结构化数据对套牌方式的覆盖面比较窄，不能解决相同车型和颜色之间的套牌行为，而登记的图像和实际卡口、电警，以及一般监控场景下拍摄的图像差别非常大，非结构化信息的相似度比较置信度非常低。为此，通过收集大量的过车图像数据，学习能够描述和区分车辆的非结构化信息，再通过对指定车辆大量过车图像的非结构化数据进行建模，生成能够标识一辆车身份的特征。进一步收集和积累不同车辆的非结构化标识特征，车辆号牌、品牌型号、颜色等结构化信息生成车辆的身份特征库。该库可以非常高效的完成车辆结构化和非结构信息的查询和比对。不需要套牌车和被套牌车有限定的时空关系，有效的完成各类套牌车的捕获，包括相同品牌车型及颜色车辆间的套牌行为。
实施例：
1.收集需要部署套牌车检测的区域的过车图像数据，自动识别每个图像的车辆结构化信息和非结构化特征；比较结构化信息中车牌的置信度是否大于阈值δ1＝0.97，将大于阈值的车辆身份特征按车牌信息进行分类，构成一辆车的基础特征信息；一般地市级的城市车辆的数目在300w以内就基本稳定。根据收集到的每辆车的基础特征信息建模每辆车的身份特征，进而生成车辆的身份特征库。
2.待判别图像，首先自动识别车辆的结构化信息和非结构化特征，然后在车辆身份特征库中查找车牌识别置信度大于阈值δ1的车辆特征信息，δ1的取值一般为0.95～0.98，比较两者之间非结构化特征的相似度，若置信度小于阈值θ，则将该辆车加入套牌车嫌疑库。为了控制系统的误报指标，此处的置信度阈值θ一般取值0.4～0.8。
3.对比加入套牌车嫌疑库中的车辆品牌信息和车型库中查询到的品牌是否一致，若不一致且识别置信度大于阈值δ2，则输出并报警该车辆为嫌疑套牌车，否则进入下一步，为了控制系统的误报指标，δ2的取值一般为0.96～0.99。
4.对比加入套牌车嫌疑库中的车辆型号信息和车型库中查询到的车型是否一致，若不一致且识别置信度大于阈值δ3，则输出并报警该车辆为嫌疑套牌车，否则进入下一步，为了控制系统的误报指标，δ3的取值一般为0.98～0.99。
5.对比加入套牌车嫌疑库中的车辆颜色信息和车型库中查询到的车型是否一致，若不一致且识别置信度大于阈值δ4，则输出并报警该车辆为嫌疑套牌车，为了控制系统的误报指标，δ4的取值一般为0.97～0.99。
6.对套牌车辆嫌疑库中的车辆出现次数进行统计，当某车辆的出现次数超过设定值m时输出并警报，m的取值会根据系统的误报指标在2～5之间。
上述方法不依赖车管所的车辆登记信息，适合并行和分布式加速，速度快，能够捕获各类套牌车行为，在指定误报率的情况下套牌车的捕获率大大提高，已在实战测试，取得明显效果。