车辆信息查询方法及系统与流程

1.本技术涉及图像处理技术领域，特别是涉及一种车辆信息查询方法及系统。


背景技术：

2.随着经济的日益发展，使得机动车数量日益增多，导致需要视频监控不断增多或者提高摄像机分辨率解决车辆管理问题。但是，随着车辆管理平台存储的视频文件越来越多，对车辆数据的管理和高效查询识别尤为重要。然而，传统的车辆信息查询方法需要对海量视频和图像进行存储及读取，使得车辆数据库存储数据较多且搜索查询计算量大好费时间，导致查询效率低，无法满足业务的需求。
3.申请内容
4.本技术的目的是解决传统方法查询效率低的技术问题。为实现上述目的，本技术提供一种车辆信息查询方法及系统。
5.本技术提供一种车辆信息查询方法，包括：
6.获取多个车辆图像，根据所述多个车辆图像，获取多个车辆特征；
7.基于局部敏感哈希算法对所述多个车辆特征进行哈希映射，将所述多个车辆特征散列到多个哈希表的散列桶内；
8.获取待查询车辆图像，根据所述待查询车辆图像，获取待查询车辆特征，并根据所述局部敏感哈希算法对所述待查询车辆特征进行哈希映射，获得所述待查询车辆特征对应的待查询散列桶号；
9.根据所述多个哈希表，查询与所述待查询散列桶号对应的所述散列桶，并根据所述散列桶，查询与所述待查询车辆特征相关的车辆特征。
10.在一个实施例中，所述基于局部敏感哈希算法对所述多个车辆特征进行哈希映射，将所述多个车辆特征散列到多个哈希表的散列桶内，包括：
11.根据哈希函数条件筛选局部敏感哈希函数族；
12.设定准确率阈值，根据所述准确率阈值与所述多个车辆特征对所述局部敏感哈希函数族的函数参数进行训练，获得多个哈希表，并根据所述多个哈希表将多个车辆特征散列到散列桶内；
13.其中，所述准确率阈值表示为相关的所述车辆特征散列到同一个所述散列桶内的准确率；
14.所述哈希函数条件为对于高维空间的任意两点(x,y)：
15.若d(x,y)≤r，则h(x)＝h(y)的概率不小于p1；
16.若d(x,y)≥cr，则h(x)＝h(y)的概率不大于p2；
17.其中，d(x,y)表示两点(x,y)之间的距离，r表示两点(x,y)之间的距离阈值，h表示哈希函数，h(x)和h(y)表示对两点(x,y)的哈希变换，c》1，p1》p2。
18.在一个实施例中，所述根据所述多个哈希表，查询与所述待查询散列桶号对应的所述散列桶，并根据所述散列桶，查询与所述待查询车辆特征相关的车辆特征之后，所述方
法还包括：
19.根据相似性度量方法，将所述待查询车辆特征与所述待查询车辆特征相关的多个车辆特征进行相似性判断，获得多个相似车辆特征；
20.若所述待查询车辆特征与所述多个相似车辆特征对应同一个车辆且车牌号码相同，则待查询车辆为非套牌车辆。
21.在一个实施例中，所述若所述多个相似车辆特征对应同一个车辆且车牌号码相同，则所述车辆为非套牌车辆之后，所述方法还包括：
22.若所述待查询车辆特征与所述多个相似车辆特征对应多个车辆且车牌号码相同，则计算所述待查询车辆特征与每个所述相似车辆特征的车辆特征相似度；
23.若所述车辆特征相似度大于第一判断阈值，则所述待查询车辆为非套牌车辆。
24.在一个实施例中，所述若所述车辆特征相似度大于第一判断阈值，则所述待查询车辆为非套牌车辆之后，还包括：
25.若所述车辆特征相似度小于或等于所述第一判断阈值，则计算待查询车辆特征与每个相似车辆特征对应的车辆驾驶人相似度与车辆行驶位置相似度；
26.根据所述车辆特征相似度、所述车辆驾驶人相似度以及所述车辆行驶位置相似度，构建套牌车判断函数；
27.若所述套牌车判断函数的值小于第二判断阈值，则所述待查询车辆为非套牌车；
28.若所述套牌车判断函数的值大于或等于所述判断阈值，则所述待查询车辆为套牌车；
29.其中，所述套牌车判断函数为：loss＝1-0.6
×
d1+0.2
×
d2+0.2
×
d3；
30.d1表示所述车辆特征相似度，d2表示车辆驾驶人相似度，d3表示所述车辆行驶位置相似度。
31.在一个实施例中，所述若所述待查询车辆特征与所述多个相似车辆特征对应同一个车辆且车牌号码相同，则待查询车辆为非套牌车辆之后，所述方法还包括：
32.若所述待查询车辆特征与所述多个相似车辆特征对应的车牌号码不同，则所述待查询车辆为非套牌车辆。
33.在一个实施例中，本技术提供一种车辆信息查询系统，包括：
34.数据获取模块，用于获取多个车辆图像，根据所述多个车辆图像，获取多个车辆特征；
35.哈希映射模块，用于基于局部敏感哈希算法对所述多个车辆特征进行哈希映射，将所述多个车辆特征散列到多个哈希表的散列桶内；
36.待查询散列桶号获取模块，用于获取待查询车辆图像，根据所述待查询车辆图像，获取待查询车辆特征，并根据所述局部敏感哈希算法对所述待查询车辆特征进行哈希映射，获得所述待查询车辆特征对应的待查询散列桶号；
37.相关信息获取模块，用于根据所述多个哈希表，查询与所述待查询散列桶号对应的所述散列桶，并根据所述散列桶，查询与所述待查询车辆特征相关的车辆特征。
38.在一个实施例中，所述哈希映射模块包括：
39.局部敏感哈希函数族筛选模块，用于根据哈希函数条件筛选局部敏感哈希函数族；
40.训练模块，用于设定准确率阈值，根据所述准确率阈值与所述多个车辆特征对所述局部敏感哈希函数族的函数参数进行训练，获得多个哈希表，并根据所述多个哈希表将多个车辆特征散列到散列桶内；
41.其中，所述准确率阈值表示为相关的所述车辆特征散列到同一个所述散列桶内的准确率；
42.所述哈希函数条件为对于高维空间的任意两点(x,y)：
43.若d(x,y)≤r，则h(x)＝h(y)的概率不小于p1；
44.若d(x,y)≥cr，则h(x)＝h(y)的概率不大于p2；
45.其中，d(x,y)表示两点(x,y)之间的距离，r表示两点(x,y)之间的距离阈值，h表示哈希函数，h(x)和h(y)表示对两点(x,y)的哈希变换，c》1，p1》p2。
46.在一个实施例中，所述系统还包括：
47.相似车辆特征获取模块，用于根据相似性度量方法，将所述待查询车辆特征与所述待查询车辆特征相关的多个车辆特征进行相似性判断，获得多个相似车辆特征；
48.第一套牌车判断模块，用于若所述待查询车辆特征与所述多个相似车辆特征对应同一个车辆且车牌号码相同，则待查询车辆为非套牌车辆。
49.在一个实施例中，所述系统还包括：
50.第一特征相似度获取模块，用于若所述待查询车辆特征与所述多个相似车辆特征对应多个车辆且车牌号码相同，则计算所述待查询车辆特征与每个所述相似车辆特征的车辆特征相似度；
51.第二套牌车判断模块，用于若所述车辆特征相似度大于第一判断阈值，则所述待查询车辆为非套牌车辆。
52.在一个实施例中，所述系统还包括：
53.第二特征相似度获取模块，用于若所述车辆特征相似度小于或等于所述第一判断阈值，则计算待查询车辆特征与每个相似车辆特征对应的车辆驾驶人相似度与车辆行驶位置相似度；
54.套牌车判断函数构建模块，用于根据所述车辆特征相似度、所述车辆驾驶人相似度以及所述车辆行驶位置相似度，构建套牌车判断函数；
55.第三套牌车判断模块，用于若所述套牌车判断函数的值小于第二判断阈值，则所述待查询车辆为非套牌车；
56.第四套牌车判断模块，用于若所述套牌车判断函数的值大于或等于所述判断阈值，则所述待查询车辆为套牌车；
57.其中，所述套牌车判断函数为：loss＝1-0.6
×
d1+0.2
×
d2+0.2
×
d3；
58.d1表示所述车辆特征相似度，d2表示车辆驾驶人相似度，d3表示所述车辆行驶位置相似度。
59.在一个实施例中，所述系统还包括：
60.第五套牌车判断模块，用于若所述待查询车辆特征与所述多个相似车辆特征对应的车牌号码不同，则所述待查询车辆为非套牌车辆。
61.上述车辆信息查询方法及系统中，本技术提供的车辆信息查询方法，将车辆车牌号码、车辆车型、车辆颜色、车辆类型、车辆行驶区域、车辆驾驶人信息等车辆特征基于局部
敏感哈希算法建立车辆特征数据库哈希表，通过哈希映射转换，将多个车辆特征形成的原始数据集合分成了多个子集合，将待查询车辆特征在某一个子集合中进行查找就可以获得相关的车辆特征，实现车辆相关特征信息的查询。进而，通过本技术提供的车辆信息查询方法，将多个车辆特征形成的一个超大数据集合内查找相关特征的问题转化为在一个很小集合内查找相关数据的问题，减少了分类所需要的时间，计算量得到了明显下降。从而，通过本技术提供的车辆信息查询方法，减少了对数据库中所有车辆数据进行查询的过程，集中对某一个子集进行查询即可实现，实现了快速查询，明显降低了查询计算量，且提高了准确率与实时性。
附图说明
62.图1是本技术提供的车辆信息查询方法的步骤流程示意图。
63.图2是本技术提供的车辆信息查询系统的结构示意图。
具体实施方式
64.下面通过附图和实施例，对本技术的技术方案做进一步的详细描述。
65.请参见图1，本技术提供一种车辆信息查询方法，包括：
66.s10，获取多个车辆图像，根据多个车辆图像，获取多个车辆特征；
67.s20，基于局部敏感哈希算法对多个车辆特征进行哈希映射，将多个车辆特征散列到多个哈希表的散列桶内；
68.s30，获取待查询车辆图像，根据待查询车辆图像，获取待查询车辆特征，并根据局部敏感哈希算法对待查询车辆特征进行哈希映射，获得待查询车辆特征对应的待查询散列桶号；
69.s40，根据多个哈希表，查询与待查询散列桶号对应的散列桶，并根据散列桶，查询与待查询车辆特征相关的车辆特征。
70.在s10中，多个车辆图像可以通过高位视频及各卡口获取，构建车辆图像数据库。每个车辆图像包含有车辆的相关特征信息，例如车辆的车型、车牌号码、车辆颜色、车头区域、车尾区域、车辆位置、拍摄地点、车辆驾驶人等车辆的相关特征信息。车辆信息包括车辆的车型、车牌号码、车辆颜色、车头区域、车尾区域、车辆位置、拍摄地点、车辆驾驶人等车辆的相关特征信息。多个车辆特征可以为表征车型的64维的向量，也可以为表征车牌号码的32维的向量等，具体形式可以根据实际情况进行限定。本步骤中多个车辆特征表征了每个车辆的相关特征信息，可以为车辆车型、车牌号码、车辆颜色、车辆位置、局部二值模式(local binary pattern，lbp)、haar-like(如边缘特征、线性特征、中心特征和对角线特征)等特征。多个车辆特征可以以融合特征的形式表示，例如融合特征为v＝[v1,v2.....vi]。v1可以表示为64维的车辆型特征向量，v2可以表示为32维的车牌号码特征向量。以此类推，多个车辆特征向量能够形成融合特征。
[0071]
在s20中，局部敏感哈希算法(locality sensitive hashing，lsh)是一种快速分类方法。多个车辆特征通过局部敏感哈希算法计算形成哈希表。通过局部敏感哈希算法，将多个车辆特征中相关的特征经过相同的映射变换后，在新数据空间中仍然相关的概率很大，经过局部哈希变换后会落到同一个哈希表的散列桶中。多个车辆特征中不相关的特征
经过相同的映射变换后，在新数据空间中仍然不相关的概率很大，经过局部哈希变换后会落到不同的哈希表的散列桶中，不会散落到同一个哈希表的散列桶中。对多个车辆特征形成的数据集中所有数据都进行哈希映射后，会形成多个哈希表。多个车辆特征会分散到多个哈希表的散列桶内。每个散列桶中包含有一些数据，在同一个散列桶内的数据大概率是相同的。从而，将多个车辆特征进行了分类处理。
[0072]
在s30中，待查询车辆图像可以理解为需要进行查询的车辆图像。对待查询车辆图像进行特征提取，获得待查询车辆特征。根据与步骤s20中相同的局部敏感哈希函数对待查询车辆特征进行哈希映射后获得对应的待查询散列桶号。
[0073]
在s40中，根据待查询散列桶号，找到哈希表中与其相对应的散列桶，将散列桶内的数据进行提取，再进行线性匹配即可查询到与待查询车辆特征相关的车辆特征数据，进而可以对应查询到与待查询车辆图像相关的车辆特征。
[0074]
本技术提供的车辆信息查询方法，将车辆车牌号码、车辆车型、车辆颜色、车辆类型、车辆行驶区域、车辆驾驶人信息等车辆特征基于局部敏感哈希算法建立车辆特征数据库哈希表，通过哈希映射转换，将多个车辆特征形成的原始数据集合分成了多个子集合，将待查询车辆特征在某一个子集合中进行查找就可以获得相关的车辆特征，实现车辆相关特征信息的查询。进而，通过本技术提供的车辆信息查询方法，将多个车辆特征形成的一个超大数据集合内查找相关特征的问题转化为在一个很小集合内查找相关数据的问题，减少了分类所需要的时间，计算量得到了明显下降。从而，通过本技术提供的车辆信息查询方法，减少了对数据库中所有车辆数据进行查询的过程，集中对某一个子集进行查询即可实现，实现了快速查询，明显降低了查询计算量，且提高了准确率与实时性。
[0075]
在一个实施例中，s10，获取多个车辆图像，根据多个车辆图像，获取车辆的多个车辆特征中，根据长短期记忆网络与联接时间分类器(lstm+ctc)，对多个车辆图像进行识别，获得多个车牌号码特征。根据yolov4算法等，对多个车辆图像进行识别，获得多个车辆车型特征与多个车辆车身颜色等车辆特征。
[0076]
在一个实施例中，s20，基于局部敏感哈希算法对多个车辆特征进行哈希映射，将多个车辆特征散列到多个哈希表的散列桶内，包括：
[0077]
s210，根据哈希函数条件筛选局部敏感哈希函数族；
[0078]
s220，设定准确率阈值，根据准确率阈值与多个车辆特征对局部敏感哈希函数族进行训练，获得多个哈希表，并根据多个哈希表将多个车辆特征散列到散列桶内；
[0079]
其中，准确率阈值表示为相关的车辆特征散列到同一个散列桶内的准确率；
[0080]
哈希函数条件为对于高维空间的任意两点(x,y)：
[0081]
若d(x,y)≤r，则h(x)＝h(y)的概率不小于p1；
[0082]
若d(x,y)≥cr，则h(x)＝h(y)的概率不大于p2；
[0083]
其中，d(x,y)表示两点(x,y)之间的距离，r表示两点(x,y)之间的距离阈值，h表示哈希函数，h(x)和h(y)表示对两点(x,y)的哈希变换，c》1，p1》p2。
[0084]
本实施例中，d(x,y)可以表示欧式距离或者曼哈顿距离，r可以设置为0.08至0.12。p1的取值范围为0.8至0.95，p2的取值范围为0.05至0.2。
[0085]
满足哈希函数条件的多个哈希函数，形成了局部敏感哈希函数族，进一步形成局部哈希函数(r,cr,p1,p2)-sensive。对于多个车辆特征形成的融合特征为v＝[v1,
v2.....vi]，也可以理解为多个车辆特征形成的数据集。对于哈希函数，key＝h(v)，key的数据集与data数据集相对应，data-key相对应组成的表就成哈希表，key作为数据记录的主键，可以通过key找到原始数据。
[0086]
v＝[v1,v2.....vi]为高维数据点集合，即高维融合特征点的集合。
[0087]
表示哈希函数，a、b、w参数可以通过训练求得。局部敏感哈希函数族可以表示为gj(v)＝{h
j1
,h
j2
,h
j3
…
,h
jk
}。
[0088]
准确率阈值表示为相关的车辆特征散列到同一个散列桶内的准确率数值，具体地也可以理解为相同的车辆车型被查找到的概率，或者相同的车辆颜色被查找到的概率，或者相同的车辆车牌号码被查找到的概率。
[0089]
准确率阈值可以设置为99.9％或者其他数值，可以根据实际情况进行限定。基于多个车辆特征与局部敏感哈希函数族可以不断训练得到最佳的a、b、w参数，使得相关的车辆特征散列到同一个散列桶内的准确率达到准确率阈值。通过对k个哈希函数进行训练，获得训练好的哈希表，也就是k组a、b、w的值。根据训练好的哈希表对多个车辆特征进行分类，形成的类别数为l。分类的过程称为散列，各个类别对应的标号为散列桶号。
[0090]
通过本实施例中哈希函数条件对多个哈希函数进行筛选，获得多个局部敏感哈希函数，形成局部敏感哈希函数族，使得各个局部敏感哈希函数更适合于本技术中多个车辆特征的数据形式，更有利于对数据进行分类。通过设定本实施例中的准确率阈值，可以使得根据训练好的哈希表在后续进行查询时查询结果准确率更高。因此，通过本技术车辆信息查询方法，能够充分利用局部敏感哈希函数的高维空间的特性对多个车辆特征进行哈希映射分类，使得查询速度快且准确率高。
[0091]
在一个实施例中，多个车辆特征通过k个局部敏感哈希函数计算后，散列到对应的散列桶中。
[0092]
例如：以车辆车型为散列桶的分类标志，则一汽大众、宝马、奥迪等可以分别散列到不同的散列桶内，并对应着不同的散列桶号。例如：所有表征一汽大众的多个车辆特征对应散列到一个散列桶内，所有表征宝马的多个车辆特征对应散列到另一个散列桶内，所有表征奥迪的多个车辆特征对应散列到又一个散列桶内。
[0093]
例如：以车辆类型为散列桶的分类标志，则小型汽车、suv、mpv等可以分别散列到不同的散列桶内，并对应着不同的散列桶号。例如：所有表征小型汽车的多个车辆特征对应散列到一个散列桶内，所有表征suv的多个车辆特征对应散列到另一个散列桶内，所有表征mpv的多个车辆特征对应散列到又一个散列桶内。
[0094]
例如：以车辆车牌号为散列桶的分类标志，则京a123456、津b234567、冀c345678等可以分别散列到不同的散列桶内，并对应着不同的散列桶号。例如：所有表征京a123456的多个车辆特征对应散列到一个散列桶内，所有表征津b234567的多个车辆特征对应散列到另一个散列桶内，所有表征冀c345678的多个车辆特征对应散列到又一个散列桶内。
[0095]
当同一个散列桶内存在多个相同的车牌号时，可能存在套牌车的情况。套牌车是指非法套用他人合法机动车车牌的车辆。套牌车是指参照真实牌照，将号码相同的假牌套在其他车上，其中有很多是报废后偷运出来的旧车翻新的。套牌行为不但规避了国家规费的征收，还损害了车主的利益，同时也扰乱了正常的交通秩序，使得套牌车辆查询尤为重
要。
[0096]
在一个实施例中，s40，根据多个哈希表，查询与待查询散列桶号对应的散列桶，并根据散列桶，查询与待查询车辆特征相关的车辆特征之后，方法还包括：
[0097]
s410，根据相似性度量方法，将待查询车辆特征与待查询车辆特征相关的多个车辆特征进行相似性判断，获得多个相似车辆特征；
[0098]
s420，若待查询车辆特征与多个相似车辆特征对应同一个车辆且车牌号码相同，则待查询车辆为非套牌车辆。
[0099]
本实施例中，相似性的度量方法可以为相似系数函数或者距离函数。相似系数函数可以理解为两个样本点愈相似，则相似系数值愈接近1，样本点愈不相似，则相似系数值愈接近0。距离函数可以理解为把每个样本点看作高维空间中的一个点，进而使用某种距离来表示样本点之间的相似性，距离较近的样本点性质较相似，距离较远的样本点则差异较大。将待查询车辆特征，与对应的散列桶内的多个车辆特征进行相似性度量，挑选相似性较大的多个车辆特征，作为多个相似车辆特征。在一个实施例中，根据汉明距离计算方式，进行相似性度量，筛选相似性最临近的前5个的车辆特征作为相似车辆特征进行套牌车判断。
[0100]
若待查询车辆特征与多个相似车辆特征对应的车辆为同一个车辆，且对应的车牌号码也相同，则待查询车辆为非套牌车辆，不是套牌车辆。若不是套牌车辆，可以将待查询车辆对应的待查询车辆特征数据添加到数据库中，对数据库进行更新。本技术提供的车辆信息查询方法，通过哈希映射转换，将待查询车辆特征在某一个子集合中进行查找就可以获得多个相似车辆特征，并对多个相似车辆特征进行相似性度量，进一步将查找范围缩小，进而实现更精确地查询，且搜索查询时间得到了缩短，提高了车辆信息查询方法的查询效率。
[0101]
在一个实施例中，s420，若多个相似车辆特征对应同一个车辆且车牌号码相同，则车辆为非套牌车辆之后，方法还包括：
[0102]
s430，若待查询车辆特征与多个相似车辆特征对应多个车辆且车牌号码相同，则计算待查询车辆特征与每个相似车辆特征的车辆特征相似度；
[0103]
s440，若车辆特征相似度大于第一判断阈值，则待查询车辆为非套牌车辆。
[0104]
本实施例中，如果待查询车辆特征与多个相似车辆特征对应多个车辆且车牌号码相同，则需要进一步计算待查询车辆特征与每个相似车辆特征的车辆特征相似度，进一步判断车牌号码相同的多个车辆是不是为同一辆车。车辆特征相似度可以根据相似性度量方法进行计算。在一个实施例中，采用欧式距离方式计算待查询车辆特征与每个相似车辆特征的相似度，对比两个车辆对应的特征是否相似。若车辆特征相似度大于第一判断阈值，则待查询车辆特征与每个相似车辆特征是相同的，进而对应的两个车辆为同一个车辆且车牌号码相同，则待查询车辆为非套牌车辆。在一个实施例中，第一判断阈值的数值可以设置为95％、97％、99％等，可以根据实际情况进行限定。
[0105]
通过本实施例中的方法步骤，进一步针对车牌号码相同且对应不同车辆的情况进行判断，进一步对疑似套牌车辆的车辆进行更准确地判断。通过本技术提供的车辆信息查询方法，可以对疑似套牌车辆进行查询，准确率高，实时性好。通过哈希映射转换，将待查询车辆特征引入到某一个子集合中进行查找，获得对应的多个相似车辆特征，并与多个相似车辆特征进行车辆特征相似度对比，进一步将查找范围缩小，实现更加精确地查询，缩短了
搜索查询时间，提高了车辆信息查询方法的查询效率，解决了车辆数据库庞大套牌车查询速度慢效率低等技术问题。
[0106]
在一个实施例中，s440，若车辆特征相似度大于第一判断阈值，则待查询车辆为非套牌车辆之后，还包括：
[0107]
s450，若车辆特征相似度小于或等于第一判断阈值，则计算待查询车辆特征与每个相似车辆特征对应的车辆驾驶人相似度与车辆行驶位置相似度；
[0108]
s460，根据车辆特征相似度、车辆驾驶人相似度以及车辆行驶位置相似度，构建套牌车判断函数；
[0109]
s470，若套牌车判断函数的值小于第二判断阈值，则待查询车辆为非套牌车；
[0110]
s480，若套牌车判断函数的值大于或等于判断阈值，则待查询车辆为套牌车；
[0111]
其中，套牌车判断函数为：loss＝1-0.6
×
d1+0.2
×
d2+0.2
×
d3；
[0112]
d1表示车辆特征相似度，d2表示车辆驾驶人相似度，d3表示车辆行驶位置相似度。
[0113]
本实施例中，当车辆特征相似度小于或等于第一判断阈值时，则待查询车辆特征与相似车辆特征存在很大的差异性。每个相似车辆特征对应的车辆会对应存在车辆驾驶人与车辆行驶位置。根据车辆驾驶人相似度与车辆行驶位置相似度进行进一步判断。车辆驾驶人相似度可以理解为待查询车辆特征对应的车辆驾驶人与相似车辆特征对应的车辆驾驶人的相似度。车辆行驶位置相似度可以理解为待查询车辆特征对应的车辆行驶位置与相似车辆特征对应的车辆行驶位置的相似度。loss＝1-0.6
×
d1+0.2
×
d2+0.2
×
d3形成套牌车判断函数，根据套牌车判断函数的值与第二判断阈值进行对比判断待查询车辆是否为套牌车。
[0114]
第二判断阈值可以设置为0.1或者0.05等，可以根据实际情况进行设定。通过本实施例中的方法步骤，进一步针对车辆特征相似度低的情况进行判断，进一步对疑似套牌车辆的车辆进行更准确地判断。本实施例中，通过引入其他车辆特征，例如车辆驾驶人特征、车辆行驶位置特征或者车辆颜色等特征，进一步进行套牌车辆判。通过本技术提供的车辆信息查询方法，可以引入其他车辆特征进行辅助判断，从车辆的多个特征进行判断是否为套牌车，可以对疑似套牌车辆进行查询，准确率高，实时性好。进而，通过本实施例中的方法步骤，可以实现更加精确地查询，避免出现错误判断，从而实现了套牌车实时准确检测的目的。
[0115]
在一个实施例中，s470，若套牌车判断函数的值小于第二判断阈值，则待查询车辆为非套牌车之后，方法还包括：
[0116]
s471，根据待查询车辆图像，对图像数据库进行更新。
[0117]
本实施例中，待查询车辆如果为非套牌车，可以根据待查询车辆图像对图像数据库进行更新。在一个实施例中，设定每周更新一次车辆图像库，对数据库中的数据进行更新，能够同时不断更新和完善车辆数据库，为交警部门执法提供依据。
[0118]
在一个实施例中，s420，若待查询车辆特征与多个相似车辆特征对应同一个车辆且车牌号码相同，则待查询车辆为非套牌车辆之后，方法还包括：
[0119]
s421，若待查询车辆特征与多个相似车辆特征对应的车牌号码不同，则待查询车辆为非套牌车辆。
[0120]
本实施例中，待查询车辆特征对应一个车辆，多个相似车辆特征对应多个车辆，若
每个车辆的车牌号码都不相同，则认为是非套牌车辆。待查询车辆如果为非套牌车，可以根据待查询车辆图像对图像数据库进行更新。
[0121]
请参见图2，在一个实施例中，本技术提供一种车辆信息查询系统100。车辆信息查询系统100包括数据获取模块10、哈希映射模块20、待查询散列桶号获取模块30以及相关信息获取模块40。数据获取模块10用于获取多个车辆图像，根据多个车辆图像，获取多个车辆特征。哈希映射模块20用于基于局部敏感哈希算法对多个车辆特征进行哈希映射，将多个车辆特征散列到多个哈希表的散列桶内。待查询散列桶号获取模块30用于获取待查询车辆图像，根据待查询车辆图像，获取待查询车辆特征，并根据局部敏感哈希算法对待查询车辆特征进行哈希映射，获得待查询车辆特征对应的待查询散列桶号。相关信息获取模块40用于根据多个哈希表，查询与待查询散列桶号对应的散列桶，并根据散列桶，查询与待查询车辆特征相关的车辆特征。
[0122]
本实施例中，数据获取模块10的相关描述可参考上述实施例中s10的相关描述。哈希映射模块20的相关描述可参考上述实施例中s20的相关描述。待查询散列桶号获取模块30的相关描述可参考上述实施例中s30的相关描述。相关信息获取模块40的相关描述可参考上述实施例中s40的相关描述。
[0123]
在一个实施例中，哈希映射模块20包括局部敏感哈希函数族筛选模块(图中未标注)与训练模块(图中未标注)。局部敏感哈希函数族筛选模块用于根据哈希函数条件筛选局部敏感哈希函数族。训练模块用于设定准确率阈值，根据准确率阈值与多个车辆特征对局部敏感哈希函数族的函数参数进行训练，获得多个哈希表，并根据多个哈希表将多个车辆特征散列到散列桶内。其中，准确率阈值表示为相关的车辆特征散列到同一个散列桶内的准确率；
[0124]
哈希函数条件为对于高维空间的任意两点(x,y)：
[0125]
若d(x,y)≤r，则h(x)＝h(y)的概率不小于p1；
[0126]
若d(x,y)≥cr，则h(x)＝h(y)的概率不大于p2；
[0127]
其中，d(x,y)表示两点(x,y)之间的距离，r表示两点(x,y)之间的距离阈值，h表示哈希函数，h(x)和h(y)表示对两点(x,y)的哈希变换，c》1，p1》p2。
[0128]
本实施例中，局部敏感哈希函数族筛选模块的相关描述可参考上述实施例中s210的相关描述。训练模块的相关描述可参考上述实施例中s220的相关描述。
[0129]
在一个实施例中，车辆信息查询系统100还包括相似车辆特征获取模块(图中未标注)与第一套牌车判断模块(图中未标注)。相似车辆特征获取模块用于根据相似性度量方法，将待查询车辆特征与待查询车辆特征相关的多个车辆特征进行相似性判断，获得多个相似车辆特征。第一套牌车判断模块用于若待查询车辆特征与多个相似车辆特征对应同一个车辆且车牌号码相同，则待查询车辆为非套牌车辆。
[0130]
本实施例中，相似车辆特征获取模块的相关描述可参考上述实施例中s410的相关描述。第一套牌车判断模块的相关描述可参考上述实施例中s420的相关描述。
[0131]
在一个实施例中，车辆信息查询系统100还包括第一特征相似度获取模块(图中未标注)与第二套牌车判断模块(图中未标注)。第一特征相似度获取模块用于若待查询车辆特征与多个相似车辆特征对应多个车辆且车牌号码相同，则计算待查询车辆特征与每个相似车辆特征的车辆特征相似度。第二套牌车判断模块用于若车辆特征相似度大于第一判断
阈值，则待查询车辆为非套牌车辆。
[0132]
本实施例中，第一特征相似度获取模块的相关描述可参考上述实施例中s430的相关描述。第二套牌车判断模块的相关描述可参考上述实施例中s440的相关描述。
[0133]
在一个实施例中，车辆信息查询系统100还包括第二特征相似度获取模块(图中未标注)、套牌车判断函数构建模块(图中未标注)、第三套牌车判断模块(图中未标注)以及第四套牌车判断模块(图中未标注)。第二特征相似度获取模块用于若车辆特征相似度小于或等于第一判断阈值，则计算待查询车辆特征与每个相似车辆特征对应的车辆驾驶人相似度与车辆行驶位置相似度。套牌车判断函数构建模块用于根据车辆特征相似度、车辆驾驶人相似度以及车辆行驶位置相似度，构建套牌车判断函数。第三套牌车判断模块用于若套牌车判断函数的值小于第二判断阈值，则待查询车辆为非套牌车。第四套牌车判断模块用于若套牌车判断函数的值大于或等于判断阈值，则待查询车辆为套牌车。
[0134]
其中，套牌车判断函数为：loss＝1-0.6
×
d1+0.2
×
d2+0.2
×
d3；
[0135]
d1表示车辆特征相似度，d2表示车辆驾驶人相似度，d3表示车辆行驶位置相似度。
[0136]
本实施例中，第二特征相似度获取模块的相关描述可参考上述实施例中s450的相关描述。套牌车判断函数构建模块的相关描述可参考上述实施例中s460的相关描述。第三套牌车判断模块的相关描述可参考上述实施例中s470的相关描述。第四套牌车判断模块的相关描述可参考上述实施例中s480的相关描述。
[0137]
在一个实施例中，车辆信息查询系统100还包括第五套牌车判断模块(图中未标注)。第五套牌车判断模块用于若待查询车辆特征与多个相似车辆特征对应的车牌号码不同，则待查询车辆为非套牌车辆。
[0138]
本实施例中，第五套牌车判断模块的相关描述可参考上述实施例中s421的相关描述。
[0139]
上述各个实施例中，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。
[0140]
本领域技术人员还可以了解到本技术实施例列出的各种说明性逻辑块(illustrative logical block)，模块和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，模块和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本技术实施例保护的范围。
[0141]
本技术实施例中所描述的各种说明性的逻辑块，或模块都可以通过通用处理器，数字信号处理器，专用集成电路(asic)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置
来实现。
[0142]
本技术实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于ram存储器、闪存、rom存储器、eprom存储器、eeprom存储器、寄存器、硬盘、可移动磁盘、cd-rom或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于asic中，asic可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。
[0143]
以上所述的具体实施方式，对本技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本技术的具体实施方式而已，并不用于限定本技术的保护范围，凡在本技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。