CN106803248A - 模糊车牌图像模糊度评价方法 - Google Patents

Abstract

本发明提供了模糊车牌图像模糊程度评价方法，将模糊车牌图像模糊度评价看作一个分类问题，并将车牌图像的模糊度分为两类：比较模糊和严重模糊。首先，基于人眼对车牌图像的识别能力设计了模糊车牌图像模糊等级标定准则，并依据该准则建立了带标签的训练库和测试库；其次，基于逻辑回归引导的判别字典学习模型对车牌图像块的重构误差向量，设计车牌模糊等级评价特征；最后，基于所设计的特征建立了评价模型。

Description

模糊车牌图像模糊度评价方法

技术领域

本发明涉及图像处理领域的图像质量评价，尤其涉及一种模糊车牌图像模糊度评价的方法。

背景技术：

车牌图像是监控视频中重要的信息来源，并且车牌识别是用于从车牌图像中提取信息的最有效、最便捷的手段。但是，由于自然光照的昼夜变化、雨雪雾等恶劣天气的影响、车辆自身的运动、采集设备本身分辨率较低等因素，监控摄像头采集到的车牌图像往往会变得模糊，并且不同的车牌图像会有不同的模糊等级。

为了获得最好的识别结果，对于不同模糊程度的车牌图像，应当采用不同的预处理和识别方法。因此，有必要进行车牌的模糊度评价来确定这些模糊等级之间的界线，那么对于一幅已知模糊级别的车牌图像，就可以选择出最合适的识别方法。

发明内容

为了解决上述的技术问题，本发明的目的是提供一种模糊车牌图像模糊度评价的方法。

本发明解决其技术问题所采用的技术方案是：

模糊车牌模糊度评价的方法，包括：

S1、设计模糊车牌图像模糊等级标定准则，依据该准则建立带标签的训练库和测试库；

S2、基于逻辑回归引导的判别字典学习模型对车牌图像块的重构误差向量，设计车牌模糊等级评价特征，并基于该特征建立评价模型；

进一步，所述步骤S1，其具体为：

S11、由于没有公开的用于验证评价算法的模糊车牌图像数据集，因此需要从实际的监控视频中采集模糊车牌图像，用于建立训练库和测试库。

S12、从监控视频中采集到的车牌图像同时包含清晰图像和模糊图像，因此需要将模糊车牌图像筛选处理，采用了一个用于卡口处的车牌检测算法来进行筛选工作。对于每一幅车牌图像，使用Photoshop软件生成它的虚拟背景，并用检测算法从生成的图像中检测车牌。如果车牌能够被检测到，那么就认为该车牌为清晰车牌，并将它从数据库中删除，否则就将其保留下来。

S13、由于从监控视频中获取的车牌图像是未加标签的，需要设计了一个加标签准则，然后依据该准则建立了训练集和测试集。对于一幅模糊车牌图像，用人眼去识别它的后五位字符，如果能取得100％的识别率就将该车牌图像标定为比较模糊的图像，否则将该车牌标定为严重模糊的图像。依据该准则就可以建立带标签的训练库和测试库，标签共两类：比较模糊和严重模糊。

进一步，所述步骤S2，其具体意义为：

S21、对于一幅车牌图像，从它后五位字符所在的区域中提取图像块。这样做的原因是，所设计的打标签机制只涉及到车牌的后五位字符。依据中国大陆车牌制定标准，定位到车牌后五位字符所在区域。在得到目标区域后，将该区域平均分割成五个子区域，并将相邻的两个子区域结合起来作为一个图像块，这样就从一幅车牌中提取出了四个图像块。并且这四个图像块具有和该车牌图像一样的标签。

S22、利用提取出的所有的图像块进行字典模型的训练，这里使用的字典学习模型为逻辑回归引导的判别字典学习模型，用公式描述为：

其中D_j是第j类样本对应的子字典，X_j是第j类训练样本矩阵,A_j是第j类样本的表示系数矩阵，C是样本的类别数目，K是样本的数目，α_i是第i个样本对应的稀疏表示系数，公式的第三项为逻辑回归模型的损失函数，希望训练样本的稀疏表示系数能使得逻辑回归模型的损失函数可以取得极小值，即通过逻辑回归模型来引导字典模型的学习，使得训练出的字典既有对车牌图像块的表示能力，又有判别分类的能力，损失函数中的h_θ(x)为逻辑回归模型的预测函数，具体为：

在得到字典D后，对于给定的测试样本y，用每一类样本对应的子字典对y进行稀疏表示，以第j类为例：

令代表对应于第j类的字典原子对测试样本y进行重建得到的重建误差，并且该重建误差会用于模糊车牌图像模糊度分类特征的提取。

S23、在得到字典D之后，对输入的训练车牌图像I，用D的每一个子字典分别稀疏表示I的每一个图像块。由于车牌图像的模糊等级共两类，因此D共有两个子字典，故可以得到两个重建误差。对于每一个图像块p_k，通过如下公式计算它的一个二维重建误差向量：

E_k＝[e_k,1,e_k,2]^T,k＝1,2,3,4

由于采用的字典学习模型具有判别能力，比较模糊的图像块的重建误差向量与严重模糊的图像块的重建误差向量之间有区分性。将比较模糊的图像看作第一类，那么比较模糊的图像块的重建误差向量的第一个元素的值要比第二个元素的值小，严重模糊的图像块的重建误差向量则相反。在得到这四个重建误差向量之后，需要对它们进行融合来生产车牌图像I的判别特征。由于车牌图像的四个图像块对车牌的模糊程度有相同的贡献率，将这四个重建误差向量进行和池化，将得到的向量作为车牌图像I的判别特征。

S24、在提取出模糊级别评价特征之后，利用支持向量机对特征进行学习，建立模糊度级别和该特征的映射模型，即模糊度评价模型。

本发明的有益效果是：本发明的模糊车牌图像模糊度评价的方法，包括：基于人眼对车牌图像的识别能力设计了模糊车牌图像模糊等级标定准则，并依据该准则建立了带标签的训练库和测试库；基于逻辑回归引导的判别字典学习模型对车牌图像块的重构误差向量，设计车牌模糊等级评价特征；基于所设计的特征建立了评价模型。本方法提供了一种有效的模糊车牌图像模糊度评价的方法，可用于将模糊车牌划分为比较模糊的车牌或严重模糊的车牌。

附图说明

图1是本发明的模糊车牌模糊度评价方法的流程示意图；

图2是特征提取阶段框图；

具体实施方式

下面结合附图对本发明作进一步说明。

参照图1和图2，本发明提供了模糊车牌图像模糊度评价的方法，包括：

S1、设计模糊车牌图像模糊等级标定准则，依据该准则建立带标签的训练库和测试库；

S2、基于逻辑回归引导的判别字典学习模型对车牌图像块的重构误差向量，设计车牌模糊等级评价特征，并基于该特征建立评价模型；

进一步，所述步骤S1，其具体为：

S11、由于没有公开的用于验证评价算法的模糊车牌图像数据集，因此需要从实际的监控视频中采集模糊车牌图像，用于建立训练库和测试库。

S12、从监控视频中采集到的车牌图像同时包含清晰图像和模糊图像，因此需要将模糊车牌图像筛选处理，采用了一个用于卡口处的车牌检测算法来进行筛选工作。对于每一幅车牌图像，使用Photoshop软件生成它的虚拟背景，并用检测算法从生成的图像中检测车牌。如果车牌能够被检测到，那么就认为该车牌为清晰车牌，并将它从数据库中删除，否则就将其保留下来。

S13、由于从监控视频中获取的车牌图像是未加标签的，需要设计了一个加标签准则，然后依据该准则建立了训练集和测试集。对于一幅模糊车牌图像，用人眼去识别它的后五位字符，如果能取得100％的识别率就将该车牌图像标定为比较模糊的图像，否则将该车牌标定为严重模糊的图像。为了确保加标签的结果有很高的准确率，选择了五位有半年以上模糊车牌识别经验的研究生来为采集到的车牌加标签。对于一幅车牌图像，如果有超过3个人能取得100％的识别率，那么就将该车牌图像标定为比较模糊的图像，否则就将该图像标定为严重模糊的图像。依据该准则就可以建立带标签的训练库和测试库，标签共两类：比较模糊和严重模糊。

进一步，所述步骤S2，其具体意义为：

S21、对于一幅车牌图像，从它后五位字符所在的区域中提取图像块。这样做的原因是，所设计的打标签机制只涉及到车牌的后五位字符。依据中国大陆车牌制定标准，定位到车牌后五位字符所在区域。在得到目标区域后，将该区域平均分割成五个子区域，并将相邻的两个子区域结合起来作为一个图像块，这样就从一幅车牌中提取出了四个图像块。并且这四个图像块具有和该车牌图像一样的标签。

S22、利用提取出的所有的图像块进行字典模型的训练，这里使用的字典学习模型为逻辑回归引导的判别字典学习模型，用公式描述为：

其中D_j是第j类样本对应的子字典，X_j是第j类训练样本矩阵,A_j是第j类样本的表示系数矩阵，C是样本的类别数目，K是样本的数目，α_i是第i个样本对应的稀疏表示系数，公式的第三项为逻辑回归模型的损失函数，希望训练样本的稀疏表示系数能使得逻辑回归模型的损失函数可以取得极小值，即通过逻辑回归模型来引导字典模型的学习，使得训练出的字典既有对车牌图像块的表示能力，又有判别分类的能力，损失函数中的h_θ(x)为逻辑回归模型的预测函数，具体为：

在得到字典D后，对于给定的测试样本y，用每一类样本对应的子字典对y进行稀疏表示，以第j类为例：

令代表对应于第j类的字典原子对测试样本y进行重建得到的重建误差，并且该重建误差会用于模糊车牌图像模糊度分类特征的提取。

S23、在得到字典D之后，对输入的训练车牌图像I，用D的每一个子字典分别稀疏表示I的每一个图像块。由于车牌图像的模糊等级共两类，因此D共有两个子字典，故可以得到两个重建误差。对于每一个图像块p_k，通过如下公式计算它的一个二维重建误差向量：

E_k＝[e_k,1,e_k,2]^T,k＝1,2,3,4

由于采用的字典学习模型具有判别能力，比较模糊的图像块的重建误差向量与严重模糊的图像块的重建误差向量之间有区分性。将比较模糊的图像看作第一类，那么比较模糊的图像块的重建误差向量的第一个元素的值要比第二个元素的值小，严重模糊的图像块的重建误差向量则相反。在得到这四个重建误差向量之后，需要对它们进行融合来生产车牌图像I的判别特征。由于车牌图像的四个图像块对车牌的模糊程度有相同的贡献率，将这四个重建误差向量进行和池化，将得到的向量作为车牌图像I的判别特征。

S24、在提取出模糊级别评价特征之后，利用支持向量机对特征进行学习，建立模糊度级别和该特征的映射模型，即模糊度评价模型。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (3)

1.模糊车牌图像模糊度评价方法，其特征在于，实现步骤如下：

S1、设计模糊车牌图像模糊等级标定准则，依据该准则建立带标签的训练库和测试库；

S2、基于逻辑回归引导的判别字典学习模型对车牌图像块的重构误差向量，

设计车牌模糊等级评价特征，并基于该特征建立评价模型。

2.根据权利要求1所述的模糊车牌图像模糊度评价方法，其特征在于，所述

步骤S1，其具体为：

S11、由于没有公开的用于验证评价算法的模糊车牌图像数据集，因此需要从实际的监控视频中采集模糊车牌图像，用于建立训练库和测试库；

S12、从监控视频中采集到的车牌图像同时包含清晰图像和模糊图像，因此需要将模糊车牌图像筛选处理，采用了一个用于卡口处的车牌检测算法来进行筛选工作；对于每一幅车牌图像，使用Photoshop软件生成它的虚拟背景，并用检测算法从生成的图像中检测车牌；如果车牌能够被检测到，那么认为该车牌为清晰车牌，并将它从数据库中删除，否则就将其保留下来；

S13、从监控视频中获取的车牌图像是未加标签的，需要设计了一个加标签准则，然后依据该准则建立了训练集和测试集；对于一幅模糊车牌图像，用人眼去识别它的后五位字符，如果能取得100％的识别率就将该车牌图像标定为比较模糊的图像，否则将该车牌标定为严重模糊的图像；依据该准则就可以建立带标签的训练库和测试库，标签共两类：比较模糊和严重模糊。

3.根据权利要求1所述的模糊车牌图像模糊度评价方法，其特征在于，所述步骤S2，其具体包括：

S21、对于一幅车牌图像，从它后五位字符所在的区域中提取图像块，在得到目标区域后，将该区域平均分割成五个子区域，并将相邻的两个子区域结合起来作为一个图像块，这样就从一幅车牌中提取出了四个图像块，并且这四个图像块具有和该车牌图像一样的标签；

S22、利用提取出的所有的图像块进行字典模型的训练，这里使用的字典学习模型为逻辑回归引导的判别字典学习模型，用公式描述为：

其中D_j是第j类样本对应的子字典，X_j是第j类训练样本矩阵,A_j是第j类样本的表示系数矩阵，C是样本的类别数目，K是样本的数目，α_i是第i个样本对应的稀疏表示系数，公式的第三项为逻辑回归模型的损失函数，希望训练样本的稀疏表示系数能使得逻辑回归模型的损失函数可以取得极小值，即通过逻辑回归模型来引导字典模型的学习，使得训练出的字典既有对车牌图像块的表示能力，又有判别分类的能力，损失函数中的h_θ(x)为逻辑回归模型的预测函数，具体为：

在得到字典D后，对于给定的测试样本y，用每一类样本对应的子字典对y进行稀疏表示，以第j类为例：

令代表对应于第j类的字典原子对测试样本y进行重建得到的重建误差，并且该重建误差会用于模糊车牌图像模糊度分类特征的提取；

S23、在得到字典D之后，对输入的训练车牌图像I，用D的每一个子字典分别稀疏表示I的每一个图像块；车牌图像的模糊等级共两类，因此D共有两个子字典，故得到两个重建误差；对于每一个图像块p_k，通过如下公式计算它的一个二维重建误差向量：

E_k＝[e_k,1,e_k,2]^T,k＝1,2,3,4

由于采用的字典学习模型具有判别能力，比较模糊的图像块的重建误差向量与严重模糊的图像块的重建误差向量之间有区分性，将比较模糊的图像看作第一类，那么比较模糊的图像块的重建误差向量的第一个元素的值要比第二个元素的值小，严重模糊的图像块的重建误差向量则相反；在得到这四个重建误差向量之后，需要对它们进行融合来生产车牌图像I的判别特征；由于车牌图像的四个图像块对车牌的模糊程度有相同的贡献率，将这四个重建误差向量进行和池化，将得到的向量作为车牌图像I的判别特征；

S24、在提取出模糊级别评价特征之后，利用支持向量机对特征进行学习，建立模糊度级别和该特征的映射模型，即模糊度评价模型。