阅读说明：本技术 车辆信息的验证方法和系统、终端和计算机可读存储介质 (Vehicle information verification method and system, terminal, and computer-readable storage medium ) 是由 王智恒 张天明 王树栋 薛韬略 李�杰 孟辉 陈天钰 戴桂婷 吴朝辉 周多庆 王 于 2020-01-22 设计创作，主要内容包括：本发明提供了一种车辆信息的验证方法和系统、终端和计算机可读存储介质,其中,车辆信息的验证方法包括：获取服务器随机生成的第一坐标信息,根据第一坐标信息在预设显示范围内确定图像获取区域；在预设显示范围内输出第一图像信息,并在第一图像信息与图像获取区域相重合的区域内截取第二图像信息；根据第二图像信息对车辆信息进行验证。应用了本发明提供的技术方案,有效地避免了部分司机通过预先录制的“伪造”视频欺骗车辆信息验证,极大的提高了车辆信息验证的可靠性。在通过CNN网络对车辆图像进行搜索识别时,仅需在图像获取区域内搜索目标车辆,而无需进行全图搜索,极大地降低了计算所需资源,有效地提高了识别速度。(The invention provides a vehicle information verification method and system, a terminal and a computer readable storage medium, wherein the vehicle information verification method comprises the following steps: acquiring first coordinate information randomly generated by a server, and determining an image acquisition area in a preset display range according to the first coordinate information; outputting first image information in a preset display range, and intercepting second image information in an area where the first image information is overlapped with an image acquisition area; and verifying the vehicle information according to the second image information. By applying the technical scheme provided by the invention, the vehicle information verification is effectively prevented from being deceived by part of drivers through the prerecorded 'fake' video, and the reliability of the vehicle information verification is greatly improved. When the vehicle image is searched and identified through the CNN network, only a target vehicle needs to be searched in the image acquisition area, and the whole image search is not needed, so that resources required by calculation are greatly reduced, and the identification speed is effectively improved.)

车辆信息的验证方法和系统、终端和计算机可读存储介质

技术领域

本发明涉及图像识别技术领域，具体而言，涉及一种车辆信息的验证方法、一种车辆信息的验证系统、一种终端和一种计算机可读存储介质。

背景技术

在相关技术中，对于网约车平台，需要对注册车辆信息进行验证，一般采用视频验证或图像验证。而一般的图像验证存在作弊可能，部分司机可能会强行上传非现场拍摄的车辆视频欺骗审核，导致车辆信息验证结果不准确。

发明内容

本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。

为此，本发明的第一方面提出一种车辆信息的验证方法。

本发明的第二方面提出一种车辆信息的验证系统。

本发明的第三方面提出一种终端。

本发明的第四方面提出一种计算机可读存储介质。

有鉴于此，本发明的第一方面提供了一种车辆信息的验证方法，用于终端，车辆信息的验证方法包括：获取服务器随机生成的第一坐标信息，根据第一坐标信息在预设显示范围内确定图像获取区域；在预设显示范围内输出第一图像信息，并在第一图像信息与图像获取区域相重合的区域内截取第二图像信息；根据第二图像信息对车辆信息进行验证。

在该技术方案中，终端可以是用户(如司机)持有的手机，在通过终端验证车辆信息时，终端的显示屏幕的至少部分用于显示终端摄像头获取的图像，该部分则记作预设显示范围，摄像头获取的图像则为第一图像信息。同时，服务器随机生成一个第一坐标信息并下发至终端，根据该第一坐标信息可以在显示范围内确定一个图像获取区域，该图像获取区域的面积小于预设显示范围，且图像获取区域位于预设显示范围内的随机位置。

此时，第一图像信息与图像获取区域相重合的部分机座第二图像信息。具象化来说，图像获取区域可以是屏幕显示内容中的一个“标记框”，将摄像头获取到的第一图像信息的部分置于该“标记框”内之后，该部分的图像即第二图像信息。通过第二图像信息对车辆信息进行验证。

应用了本发明提供的技术方案，在对车辆信息进行验证时，通过服务器随机生成的坐标信息，将终端屏幕上的随机区域标记为图像获取区域。在司机对其车辆进行视频验证时，需要将车辆的图像置于图像获取区域内。由于图像获取区域基于随机的坐标信息生成，因此图像获取区域的位置也是随机的，因此有效地避免了部分司机通过预先录制的“伪造”视频欺骗车辆信息验证，极大的提高了车辆信息验证的可靠性。

同时，由于通过图像获取区域将获取到的整体图像限定在一个相对较小的范围，且保证车辆图像位于该小范围内，因此在通过CNN(Convolutional Neural Networks，卷积神经网络)网络对车辆图像进行搜索识别时，仅需在图像获取区域内搜索目标车辆，而无需进行全图搜索，极大地降低了计算所需资源，有效地提高了识别速度。

另外，本发明提供的上述技术方案中的车辆信息的验证方法还可以具有如下附加技术特征：

在上述技术方案中，在根据第二图像信息对车辆信息进行验证的步骤之前，车辆信息的验证方法还包括：通过车辆检测模型检测第二图像信息；确定第二图像信息中存在车辆图像和车牌图像，且车辆图像在第二图像信息中的面积占比符合预设比例范围，执行根据第二图像信息对车辆信息进行验证的步骤。

在该技术方案中，在获取到第二图像信息后，首先验证获取到的第二图像信息是否符合验证车辆信息的要求。具体来说，获取到的第二图像信息需要满足确认包含车辆图像和车牌图像，同时车辆图像在第二图像信息中所占的面积符合预设比例范围，方可认定获取到的第二图像信息符合要求，此时进一步执行车辆信息验证的步骤，可以保证车辆信息验证的成功率。

在上述任一技术方案中，根据第二图像信息对车辆信息进行验证的步骤，具体包括：通过车辆检测模型获取第二图像信息中车牌的坐标信息；确定车牌的坐标信息与预设车牌坐标信息相匹配，且车辆图像为完整车辆图像，确定第二图像信息为合格图像，并通过车牌识别模型获取车牌对应的车牌号；确定车牌号与预设车牌号相匹配，确定车辆信息通过验证。

在该技术方案中，在验证车辆信息是，首先通过车辆检测模型定位车牌的坐标信息，在定位到车牌坐标后，确定车牌的坐标信息与预设车牌坐标信息是否相匹配，如果车牌坐标信息与预设车牌坐标信息相匹配，且第二图像信息中包含完整的车辆图像，则确定本次截取的第二图像信息为合格图像。此时，通过车牌识别模型识别车牌上的车牌号，如果识别到的车牌号与预设车牌号相匹配，则判定车辆信息通过验证。

通过对车牌坐标和车辆图像完整性的限定，当且仅当车牌坐标和车辆图像均符合要求时，认定第二图像信息为合格图像，否则不执行根据车牌号对车辆信息进行验证的步骤，有效地保证了车辆信息验证的可靠性，有利于车辆信息管理。

在上述任一技术方案中，终端上设置有图像获取装置，在预设显示范围内输出第一图像信息的步骤之前，车辆信息的验证方法还包括：通过图像获取装置获取视频信息，并将视频信息转化为连续的帧图像；根据帧图像确定第二图像信息。

在该技术方案中，通过如手机等终端上设置的图像获取装置实时录制视频信息，该实时的视频信息在显示范围内进行显示，以便于用户手动调整视频位置，以将车辆“放置”在图像获取区域内，并开始录制。在通过录制的方式获取到视频信息后，将视频信息转化为连续的帧图像，其中任一帧图像均可作为第一图像信息，根据由视频转化而来帧图像信息来获取第二图像信息，可进一步增加车辆信息验证的可靠性，防止用户“作弊”，提高网约车平台的安全性。

在上述任一技术方案中，在通过车牌识别模型获取车牌对应的车牌号的步骤之前，车辆信息的验证方法还包括：在视频信息中截取预设时长的视频片段，并将视频片段转化为连续的待检测帧图像；确定待检测帧图像全部为合格图像，执行通过车牌识别模型获取车牌对应的车牌号的步骤。

在该技术分方案中，为保证车辆信息验证的可靠性，在录制并获取到视频后，随机截取预设时长的视频片段，并将视频片段转化为连续的待检测帧图像，并对所有的待检测帧图像进行验证操作。当且仅当全部待检测帧图像均为合格图像时，才认定本次录制的视频有效，进而执行车牌号识别的步骤。

通过保证视频中预设时长内的全部帧图像均为合格图像，可进一步提高车辆信息验证的可靠性，防止用户“作弊”，提高网约车平台的安全性。

在上述任一技术方案中，在通过车辆检测模型检测第二图像信息的步骤之前，车辆信息的验证方法还包括：获取历史车辆图像信息，并获取预设检测模型；在历史车辆信息中标注车牌位置信息、车牌坐标信息和车牌信息，以形成车辆识别训练集，通过车辆识别训练集训练预设检测模型，以得到车辆检测模型。

在该技术方案中，通过车辆检测模型检测第二图像信息之前，需要对车辆检测模型进行训练。具体地，获取一定数量的历史车辆图像信息，此处的历史车辆图像可选用RGB(一种色彩格式)格式的图像。并对历史图像信息中的车辆位置、车牌位置信息、车牌坐标信息和车牌信息等训练要素进行手动或自动的标注，以形成车辆识别训练集。通过该车辆识别训练集训练预设检测模型，可得到识别精度较高的车辆检测模型，进而提高车辆信息检测的可靠性。

在上述任一技术方案中，在通过车牌识别模型获取车牌对应的车牌号的步骤之前，车辆信息的验证方法还包括：获取预设文字识别模型；基于CNN卷积神经网络、LSTM长短期记忆网络和CTC时间序列损失函数训练预设文字识别模型，以得到车牌识别模型。

在该技术方案中，为了保证车牌号识别的准确性，可基于CNN卷积神经网络、LSTM(Long Shot-Term Memory)长短期记忆网络和CTC时间序列损失函数，对初始的OCR模型进行训练，进而得到针对车牌文字检测的特化识别模型，即车牌识别模型，进而提高车牌识别成功率，提高车辆信息识别验证的可靠性。

在上述任一技术方案中，预设比例范围为：大于或等于40％，且小于或等于80％；预设时长的范围为：大于或等于2秒，且小于或等于5秒。

在该技术方案中，当车辆图像在第二图像信息中所占的面积比例处于40％至80％之间时，可认定车辆图像完整，且位置合适。在判断视频是否合格时，可截取最小2秒最多5秒的视频进行验证，优选可截取3秒的连续视频。

可以理解的是，上述预设范围可根据算力需求，以及车辆信息验证的严格程度自由调整，并无需局限于上述提高的比例范围或时长范围。

本发明第二方面提供了一种车辆信息的验证系统，包括：存储器，被配置为存储计算机程序；处理器，被配置为执行计算机程序以实现上述任一技术方案中提供的车辆信息的验证方法，因此，该车辆信息的验证系统包括如上述任一技术方案中提供的车辆信息的验证方法的全部有益效果，在此不再赘述。

本发明第三方面提供了一种终端，包括：图像获取装置，被配置为获取视频信息；显示装置，被配置为显示图像信息，显示装置具有显示区域，显示区域包括预设显示区域；如上述任一技术方案中提供的车辆信息的验证系统，车辆信息的验证系统与图像获取装置和显示装置相连接。因此，该终端包括如上述任一技术方案中提供的车辆信息的验证系统的全部有益效果，在此不再赘述。

本发明第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一技术方案中提供的车辆信息的验证方法，因此，该计算机可读存储介质包括如上述任一技术方案中提供的车辆信息的验证方法的全部有益效果，在此不再赘述。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1示出了根据本发明的一个实施例的车辆信息的验证方法的流程图；

图2示出了根据本发明的一个实施例的车辆信息的验证方法的界面示意图；

图3示出了根据本发明的一个实施例的车辆信息的验证方法的另一个流程图；

图4示出了根据本发明的一个实施例的车辆信息的验证方法的又一个流程图；

图5示出了根据本发明的一个实施例的车辆信息的验证方法的再一个流程图；

图6示出了根据本发明的一个实施例的车辆信息的验证方法的再一个流程图；

图7示出了根据本发明的一个实施例的车辆信息的验证方法的再一个流程图；

图8示出了根据本发明的一个实施例的车辆信息的验证方法的再一个流程图；

图9示出了根据本发明的一个实施例的车辆信息识别方法的系统逻辑图；

图10示出了根据本发明的一个实施例的车辆信息识别方法的验证交互流程图；

图11示出了根据本发明的一个实施例的车辆信息识别系统的结构框图；

图12示出了根据本发明的一个实施例的终端的结构框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面参照图1至图12描述根据本发明一些实施例所述车辆信息的验证方法、车辆信息的验证系统、终端和计算机可读存储介质。

实施例一

如图1所示，在本发明的一个实施例中，提供了一种车辆信息的验证方法，用于终端，车辆信息的验证方法包括：

步骤S102，获取服务器随机生成的第一坐标信息，根据第一坐标信息在预设显示范围内确定图像获取区域；

步骤S104，在预设显示范围内输出第一图像信息，并在第一图像信息与图像获取区域相重合的区域内截取第二图像信息；

步骤S106，根据第二图像信息对车辆信息进行验证。

在该实施例中，终端可以是用户(如司机)持有的手机，在通过终端验证车辆信息时，终端的显示屏幕的至少部分用于显示终端摄像头获取的图像，该部分则记作预设显示范围，摄像头获取的图像则为第一图像信息。同时，服务器随机生成一个第一坐标信息并下发至终端，根据该第一坐标信息可以在显示范围内确定一个图像获取区域，该图像获取区域的面积小于预设显示范围，且图像获取区域位于预设显示范围内的随机位置。

此时，第一图像信息与图像获取区域相重合的部分机座第二图像信息。具象化来说，如图2所示，图像获取区域可以是屏幕显示内容中的一个“标记框”，将摄像头获取到的第一图像信息的部分置于该“标记框”内之后，该部分的图像即第二图像信息。通过第二图像信息对车辆信息进行验证。

应用了本发明提供的实施例，在对车辆信息进行验证时，通过服务器随机生成的坐标信息，将终端屏幕上的随机区域标记为图像获取区域。在司机对其车辆进行视频验证时，需要将车辆的图像置于图像获取区域内。由于图像获取区域基于随机的坐标信息生成，因此图像获取区域的位置也是随机的，因此有效地避免了部分司机通过预先录制的“伪造”视频欺骗车辆信息验证，极大的提高了车辆信息验证的可靠性。

同时，由于通过图像获取区域将获取到的整体图像限定在一个相对较小的范围，且保证车辆图像位于该小范围内，因此在通过CNN(Convolutional Neural Networks，卷积神经网络)网络对车辆图像进行搜索识别时，仅需在图像获取区域内搜索目标车辆，而无需进行全图搜索，极大地降低了计算所需资源，有效地提高了识别速度。

在本发明的一个实施例中，如图3所示，在根据第二图像信息对车辆信息进行验证的步骤之前，车辆信息的验证方法还包括：

步骤S302，通过车辆检测模型检测第二图像信息；

步骤S304，确定第二图像信息中存在车辆图像和车牌图像，且车辆图像在第二图像信息中的面积占比符合预设比例范围，执行根据第二图像信息对车辆信息进行验证的步骤。

在该实施例中，在获取到第二图像信息后，首先验证获取到的第二图像信息是否符合验证车辆信息的要求。具体来说，获取到的第二图像信息需要满足确认包含车辆图像和车牌图像，同时车辆图像在第二图像信息中所占的面积符合预设比例范围，方可认定获取到的第二图像信息符合要求，此时进一步执行车辆信息验证的步骤，可以保证车辆信息验证的成功率。

在本发明的一个实施例中，如图4所示，根据第二图像信息对车辆信息进行验证的步骤，具体包括：

步骤S402，通过车辆检测模型获取第二图像信息中车牌的坐标信息；

步骤S404，确定车牌的坐标信息与预设车牌坐标信息相匹配，且车辆图像为完整车辆图像，确定第二图像信息为合格图像，并通过车牌识别模型获取车牌对应的车牌号；

步骤S406，确定车牌号与预设车牌号相匹配，确定车辆信息通过验证。

在该实施例中，在验证车辆信息是，首先通过车辆检测模型定位车牌的坐标信息，在定位到车牌坐标后，确定车牌的坐标信息与预设车牌坐标信息是否相匹配，如果车牌坐标信息与预设车牌坐标信息相匹配，且第二图像信息中包含完整的车辆图像，则确定本次截取的第二图像信息为合格图像。此时，通过车牌识别模型识别车牌上的车牌号，如果识别到的车牌号与预设车牌号相匹配，则判定车辆信息通过验证。

通过对车牌坐标和车辆图像完整性的限定，当且仅当车牌坐标和车辆图像均符合要求时，认定第二图像信息为合格图像，否则不执行根据车牌号对车辆信息进行验证的步骤，有效地保证了车辆信息验证的可靠性，有利于车辆信息管理。

在本发明的一个实施例中，终端上设置有图像获取装置，在预设显示范围内输出第一图像信息的步骤之前，如图5所示，车辆信息的验证方法还包括：

步骤S502，通过图像获取装置获取视频信息，并将视频信息转化为连续的帧图像；

步骤S504，根据帧图像确定第二图像信息。

在该实施例中，通过如手机等终端上设置的图像获取装置实时录制视频信息，该实时的视频信息在显示范围内进行显示，以便于用户手动调整视频位置，以将车辆“放置”在图像获取区域内，并开始录制。在通过录制的方式获取到视频信息后，将视频信息转化为连续的帧图像，其中任一帧图像均可作为第一图像信息，根据由视频转化而来帧图像信息来获取第二图像信息，可进一步增加车辆信息验证的可靠性，防止用户“作弊”，提高网约车平台的安全性。

在本发明的一个实施例中，在通过车牌识别模型获取车牌对应的车牌号的步骤之前，如图6所示，车辆信息的验证方法还包括：

步骤S602，在视频信息中截取预设时长的视频片段，并将视频片段转化为连续的待检测帧图像；

步骤S604，确定待检测帧图像全部为合格图像，执行通过车牌识别模型获取车牌对应的车牌号的步骤。

在该技术分方案中，为保证车辆信息验证的可靠性，在录制并获取到视频后，随机截取预设时长的视频片段，并将视频片段转化为连续的待检测帧图像，并对所有的待检测帧图像进行验证操作。当且仅当全部待检测帧图像均为合格图像时，才认定本次录制的视频有效，进而执行车牌号识别的步骤。

通过保证视频中预设时长内的全部帧图像均为合格图像，可进一步提高车辆信息验证的可靠性，防止用户“作弊”，提高网约车平台的安全性。

在本发明的一个实施例中，在通过车辆检测模型检测第二图像信息的步骤之前，如图7所示，车辆信息的验证方法还包括：

步骤S702，获取历史车辆图像信息，并获取预设检测模型；

步骤S704，在历史车辆信息中标注车牌位置信息、车牌坐标信息和车牌信息，以形成车辆识别训练集，通过车辆识别训练集训练预设检测模型，以得到车辆检测模型。

在该实施例中，通过车辆检测模型检测第二图像信息之前，需要对车辆检测模型进行训练。具体地，获取一定数量的历史车辆图像信息，此处的历史车辆图像可选用RGB(一种色彩格式)格式的图像。并对历史图像信息中的车辆位置、车牌位置信息、车牌坐标信息和车牌信息等训练要素进行手动或自动的标注，以形成车辆识别训练集。通过该车辆识别训练集训练预设检测模型，可得到识别精度较高的车辆检测模型，进而提高车辆信息检测的可靠性。

在本发明的一个实施例中，在通过车牌识别模型获取车牌对应的车牌号的步骤之前，如图8所示，车辆信息的验证方法还包括：

步骤S802，获取预设文字识别模型；

步骤S804，基于CNN卷积神经网络、LSTM长短期记忆网络和CTC时间序列损失函数训练预设文字识别模型，以得到车牌识别模型。

在该实施例中，为了保证车牌号识别的准确性，可基于CNN卷积神经网络、LSTM(Long Shot-Term Memory)长短期记忆网络和CTC时间序列损失函数，对初始的OCR模型进行训练，进而得到针对车牌文字检测的特化识别模型，即车牌识别模型，进而提高车牌识别成功率，提高车辆信息识别验证的可靠性。

在本发明的一个实施例中，预设比例范围为：大于或等于40％，且小于或等于80％；预设时长的范围为：大于或等于2秒，且小于或等于5秒。

在该实施例中，当车辆图像在第二图像信息中所占的面积比例处于40％至80％之间时，可认定车辆图像完整，且位置合适。在判断视频是否合格时，可截取最小2秒最多5秒的视频进行验证，优选可截取3秒的连续视频。

可以理解的是，上述预设范围可根据算力需求，以及车辆信息验证的严格程度自由调整，并无需局限于上述提高的比例范围或时长范围。

实施例二：

在本发明的一个完整实施例中，提供了一种基于随机屏幕位置的车辆信息验证方法。

具体地，在服务端下发一个随机的位置框信息，当司机拍摄车辆时，手机屏幕只显示该区域的实时拍摄画面，让司机把车辆放在该实时显示的可视框中，这样既可规避事先准备的作弊视频，同时司机拍摄过程中根据该可视框来对准车辆和车牌，交互体验良好。

其中，基于随机屏幕位置的车辆检测和车牌检测模型。本发明将下发的屏幕随机位置对应到CNN特征图获取候选区域特征图，检测CNN网络只从候选区域特征图上搜索目标，而不是全图搜索，大大提高了前向推导速度，又保持了高的检测度。

针对通用检测模型只有bbox，不能具体反映车辆的姿态，在车牌检测头中种添加车牌角点定位网络，根据照片车牌角点和正向标准车牌角点的关系计算出车辆的姿态。

在车辆检测头中设计车辆完整性识别网络，不但定位车辆的位置，还同时识别车辆是否完整，用来确认车辆是否在指定区域内完整呈现。

其系统逻辑如图9所示。

具体地，验证交互流程如图10所示：

步骤S1002，下发随机车辆位置坐标；

步骤S1004，截取摄像头该位置画面，并实时显示在交互界面的固定位置；

步骤S1006，判断检测指定区域是否有合格车辆，是则进入步骤S1008，否则验证失败；

步骤S1008，判断指定区域连续3秒内均存在合格车辆，是则进入步骤S1010，否则验证失败；

步骤S1010，识别车牌信息；

步骤S1012，判断车牌号与注册信息是否一致，是则验证成功，否则验证失败。

本实施例通过在服务端下发一个随机的位置框信息，当司机拍摄车辆时，手机屏幕只显示该区域的实时拍摄画面，让司机把车辆放在该实时显示的可视框中，这样既可规避事先准备的作弊视频，同时司机拍摄过程中根据该可视框来对准车辆，交互体验良好。

在相关技术中，在通用目标检测模型的前向推导过程中，由于目标在图中的位置是未知的，所以在目标检测时需要进行全图搜索，这使得计算量大大的增加。

本实施例通过下发随机屏幕位置，可以提前知晓车辆出现在图中的具***置，本发明将下发的屏幕随机位置对应到CNN特征图获取候选区域特征图，检测头网络只从候选区域特征图上搜索目标，而不是全图搜索，大大提高了前向推导速度，又保持了高的检测精度。同时识别在指定区域出现的车辆是否是完整的，以及车牌是否在指定的车牌框内且车牌的4个角点和标准款质检坐标平方差在合理范围内，避免车辆大姿态倾斜。通过识别将验证出指定位置是否存在完整且姿态符合要求的车辆。

其实现过程主要包括以下流程：

步骤1，标注车辆外观和车牌bbox、角点，同时标注该车辆的车牌号。

步骤2，离线训练车辆外观和车牌检测模型。

步骤3，离线训练基于CNN、LSTM和CTC的车牌号OCR模型。

步骤4，从服务端下发随机车辆位置坐标。

步骤5，使用步骤4的坐标截取手机摄像头该区域的画面实时显示在屏幕固定UI的位置。

步骤6，使用步骤2中训练的车辆外观/车牌检测模型实时检测步骤4中指定区域是否有车辆并输出车辆在该区域的面积占比。

步骤7，使用步骤2中训练的模型输出车牌角点坐标并和标准车牌坐标做方差，若坐标方差小于10视为车辆姿态合格。

步骤8，使用步骤2中训练的模型输出指定区域内车辆是否完整，完整视为合格。

步骤9，根据步骤6中的输判断，如果检测到车辆和车牌且车辆与步骤4中指定区域面积占比大于40％且小于80％即认为这帧画面车辆合格，否则判定验证失败。

步骤10，根据步骤6、步骤7、步骤8、步骤9的检测结果，如果连续3s所有帧都检测到合格车辆判定为视频合格，否则判定验证失败。

步骤11，当步骤8判定为视频合格后，抽取其中车牌检测置信度最高的一帧，用步骤3中训练的模型识别车牌号，如果识别出的车牌号和注册的信息一致即判定为验证成功，否则验证失败。

实施例三

如图11所示，在本发明的一个实施例中，提供了一种车辆信息的验证系统1100，包括：存储器1102，被配置为存储计算机程序；处理器1104，被配置为执行计算机程序以实现上述任一实施例中提供的车辆信息的验证方法，因此，该车辆信息的验证系统1100包括如上述任一实施例中提供的车辆信息的验证方法的全部有益效果，在此不再赘述。

实施例四

如图12所示，在本发明的一个实施例中，提供了一种终端1200，包括：图像获取装置1202，被配置为获取视频信息；显示装置1204，被配置为显示图像信息，显示装置具有显示区域，显示区域包括预设显示区域；如上述任一实施例中提供的车辆信息的验证系统1206，车辆信息的验证系统1206与图像获取装置1202和显示装置1204相连接。因此，该终端1200包括如上述任一实施例中提供的车辆信息的验证系统的全部有益效果，在此不再赘述。

实施例五

在本发明的一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例中提供的车辆信息的验证方法，因此，该计算机可读存储介质包括如上述任一实施例中提供的车辆信息的验证方法的全部有益效果，在此不再赘述。

本发明的描述中，术语“多个”则指两个或两个以上，除非另有明确的限定，术语“上”、“下”等指示的方位或位置关系为基于附图所述的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本发明中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。