CN107527044A - 一种基于搜索的多张车牌清晰化方法及装置 - Google Patents
一种基于搜索的多张车牌清晰化方法及装置 Download PDFInfo
- Publication number
- CN107527044A CN107527044A CN201710841156.6A CN201710841156A CN107527044A CN 107527044 A CN107527044 A CN 107527044A CN 201710841156 A CN201710841156 A CN 201710841156A CN 107527044 A CN107527044 A CN 107527044A
- Authority
- CN
- China
- Prior art keywords
- image
- license plate
- plate image
- vehicle
- mrow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
- G06V20/625—License plates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供了一种基于搜索的多张车牌清晰化方法及装置,包括:获取包括目标车辆的目标图像;根据目标车辆的特征信息,获取包括目标车辆的多张车辆图像;从多张车辆图像中,提取多张车辆图像各自对应的车牌图像;基于单图像生成网络,将所提取的车牌图像分别进行清晰化处理,得到所提取的车牌图像各自对应的清晰车牌图像;从所得到的清晰车牌图像中,选取第一预设数量的清晰车牌图像;基于多图像生成网络,将所选取的清晰车牌图像合成一张超分辨率车牌图像。通过本发明实施例提供的技术方案,将多张车牌图像进行清晰化并融合成一张图像,充分地利用多张车牌间的信息互补,进而可以得到一张清晰并且信息完整的车牌图像。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种基于搜索的多张车牌清晰化方法及装置。
背景技术
随着车辆的普及,车辆管理在城市交通监控系统中的位置越来越重要。车牌作为车辆的唯一标识信息,在车辆检测、车辆识别以及重识别任务中有非常重要的作用。但是受到各种因素的影响,例如:光照、摄像机角度、摄像机分辨率、遮挡以及高速运动等,因此,在车辆交通监控系统中所采集到的车牌图片大多数是不清晰的,而不清晰的车牌严重影响后续的车辆检测、车辆识别等工作的进行。
目前,可以通过利用生成对抗网络对单张车牌进行清晰化处理,进而可以得到清晰的单张车牌图像。然而,监控摄像机在拍摄车牌图像时受到光照条件、背景环境、拍摄角度以及车速等因素的影响,所拍摄的车牌图像难免会严重不清晰甚至车牌信息缺失,即使通过生成对抗网络的清晰化处理也无法恢复的情况。
发明内容
本发明实施例的目的在于提供一种基于搜索的多张车牌清晰化方法及装置,以解决单张车牌图像不清晰以及信息缺失的问题。具体技术方案如下:
第一方面,本发明实施例提供的一种基于搜索的多张车牌清晰化方法,所述方法包括:
获取包括目标车辆的目标图像;
根据所述目标车辆的特征信息,获取包括所述目标车辆的多张车辆图像;
从所述多张车辆图像中,提取所述多张车辆图像各自对应的车牌图像;
基于单图像生成网络,将所提取的车牌图像分别进行清晰化处理,得到所提取的车牌图像各自对应的清晰车牌图像,所述单图像生成网络由样本车牌图像训练得到,用于将低分辨率的车牌图像进行清晰化处理,并生成符合车牌标准的高分辨率的车牌图像,其中,所述样本车牌图像为符合车牌标准的车牌图像;
从所得到的清晰车牌图像中,选取第一预设数量的清晰车牌图像;
基于多图像生成网络,将所选取的清晰车牌图像合成一张超分辨率车牌图像,其中,所述多图像生成网络用于将包括同一车牌的多张车牌图像合成一张超分辨率的车牌图像。
可选地,所述根据所述目标车辆的特征信息,获取所述目标车辆的多张车辆图像的步骤,包括:
提取所述目标车辆的外观特征;
获取包括与所述外观特征相匹配的车辆的车辆图像,作为第一类车辆图像;
基于对偶神经网络,根据第一类车牌图像中各车牌图像分别与所述目标图像中所包括的车牌图像的相似度,确定第二类车辆图像,其中,所述第一类车牌图像为:所述第一类车辆图像中的各车辆图像所对应的车牌图像;
在所述第二类车辆图像中,选取与所述目标图像的时空特征相匹配的车辆图像,所述时空特征包括时间特征和空间特征。
可选地,所述基于对偶神经网络,根据第一类车牌图像中各车牌图像分别与所述目标图像中所包括的车牌图像的相似度,确定第二类车辆图像的步骤,包括:
利用以下公式分别计算第一类车牌图像中的各车牌图像与所述目标图像中的车牌图像的欧式距离,其中,所述欧式距离用于表示两个图像之间的相似度:
其中,Pm表示所述第一类车牌图像中第m张车牌图像所对应的欧式距离,xi表示第m张车牌图像中第i个像素点的像素值,yi表示所述目标图像中的车牌图像中第i个像素点的像素值,其中,第m张车牌图像中第i个像素点与所述目标图像中的车牌图像中第i个像素点是相对应的,N表示第m张车牌图像中像素点的数量;
将欧式距离小于预设阈值的车牌图像,确定为所述第二类车辆图像。
可选地,所述单图像生成网络为全卷积网络,包括:多个卷积层、反卷积层,其中,卷积层用于对图像进行特征提取并降低图像分辨率的下采样处理,反卷积层用于对图像进行提高分辨率的上采样处理;
所述基于单图像生成网络,将所提取的车牌图像分别进行清晰化处理,得到所提取的车牌图像各自对应的清晰车牌图像的步骤,包括:
通过当前卷积层对上一个卷积层输出的图像进行下采样,并将所得到的下采样图像发送至下一个卷积层,直至所述多个卷积层均完成对所述目标车牌图像的下采样,得到所述目标车牌图像对应的低分辨率图像;
通过所述反卷积层,对所述低分辨率图像进行上采样,得到所述第一车牌图像对应的清晰车牌图像。
可选地,所述基于多图像生成网络,将所选取的清晰车牌图像合成一张超分辨率车牌图像的步骤,包括:
获取所选取的清晰车牌图像各自所对应的颜色标准RGB值中的R值、G值和B值;
利用以下公式计算所选取的清晰车牌图像对应的R值的平均值:
其中,N为所述第一预设数量,Ri为第i张清晰车牌图像对应的R值,为计算出的R值的平均值;
利用以下公式计算所选取的清晰车牌图像对应的G值的平均值:
其中,N为所述第一预设数量,Gi为第i张清晰车牌图像对应的G值,为计算出的G值的平均值;
利用以下公式计算所选取的清晰车牌图像对应的B值的平均值:
其中,N为所述第一预设数量,Bi为第i张清晰车牌图像对应的B值,为计算出的B值的平均值;
以为颜色标准RGB值,生成所述超分辨率车牌图像。
第二方面,本发明实施例提供了一种基于搜索的多张车牌清晰化装置,所述装置包括:
第一获取模块,用于获取包括目标车辆的目标图像;
第二获取模块,用于根据所述目标车辆的特征信息,获取包括所述目标车辆的多张车辆图像;
提取模块,用于从所述多张车辆图像中,提取所述多张车辆图像各自对应的车牌图像;
清晰化处理模块,用于基于单图像生成网络,将所提取的车牌图像分别进行清晰化处理,得到所提取的车牌图像各自对应的清晰车牌图像,所述单图像生成网络由样本车牌图像训练得到,用于将低分辨率的车牌图像进行清晰化处理,并生成符合车牌标准的高分辨率的车牌图像,其中,所述样本车牌图像为符合车牌标准的车牌图像;
选取模块,用于从所得到的清晰车牌图像中,选取第一预设数量的清晰车牌图像;
合成模块,用于基于多图像生成网络,将所选取的清晰车牌图像合成一张超分辨率车牌图像,其中,所述多图像生成网络用于将包括同一车牌的多张车牌图像合成一张超分辨率的车牌图像。
可选地,所述第二获取模块包括:
提取子模块,用于提取所述目标车辆的外观特征;
获取子模块,用于获取包括与所述外观特征相匹配的车辆的车辆图像,作为第一类车辆图像;
确定子模块,用于基于对偶神经网络,根据第一类车牌图像中各车牌图像分别与所述目标图像中所包括的车牌图像的相似度,确定第二类车辆图像,其中,所述第一类车牌图像为:所述第一类车辆图像中的各车辆图像所对应的车牌图像;
选取子模块,用于在所述第二类车辆图像中,选取与所述目标图像的时空特征相匹配的车辆图像,所述时空特征包括时间特征和空间特征。
可选地,所述确定子模块具体用于:
利用以下公式分别计算第一类车牌图像中的各车牌图像与所述目标图像中的车牌图像的欧式距离,其中,所述欧式距离用于表示两个图像之间的相似度:
其中,Pm表示所述第一类车牌图像中第m张车牌图像所对应的欧式距离,xi表示第m张车牌图像中第i个像素点的像素值,yi表示所述目标图像中的车牌图像中第i个像素点的像素值,其中,第m张车牌图像中第i个像素点与所述目标图像中的车牌图像中第i个像素点是相对应的,N表示第m张车牌图像中像素点的数量;
将欧式距离小于预设阈值的车牌图像,确定为所述第二类车辆图像。
可选地,所述单图像生成网络为全卷积网络,包括:多个卷积层、反卷积层,其中,卷积层用于对图像进行特征提取并降低图像分辨率的下采样处理,反卷积层用于对图像进行提高分辨率的上采样处理;
所述清晰化处理模块包括:
下采样子模块,用于通过当前卷积层对上一个卷积层输出的图像进行下采样,并将所得到的下采样图像发送至下一个卷积层,直至所述多个卷积层均完成对所述目标车牌图像的下采样,得到所述目标车牌图像对应的低分辨率图像;
上采样子模块,用于通过所述反卷积层,对所述低分辨率图像进行上采样,得到所述第一车牌图像对应的清晰车牌图像。
可选地,所述合成模块具体用于:
获取所选取的清晰车牌图像各自所对应的颜色标准RGB值中的R值、G值和B值;
利用以下公式计算所选取的清晰车牌图像对应的R值的平均值:
其中,N为所述第一预设数量,Ri为第i张清晰车牌图像对应的R值,为计算出的R值的平均值;
利用以下公式计算所选取的清晰车牌图像对应的G值的平均值:
其中,N为所述第一预设数量,Gi为第i张清晰车牌图像对应的G值,为计算出的G值的平均值;
利用以下公式计算所选取的清晰车牌图像对应的B值的平均值:
其中,N为所述第一预设数量,Bi为第i张清晰车牌图像对应的B值,为计算出的B值的平均值;
以为颜色标准RGB值,生成所述超分辨率车牌图像。
本发明实施例提供的技术方案中,通过确定目标图像中的目标车辆;根据目标车辆的特征信息,获取包括目标车辆的多张车辆图像;从多张车辆图像中,提取多张车辆图像各自对应的车牌图像;基于单图像生成网络,将所提取的车牌图像分别进行清晰化处理,得到所提取的车牌图像各自对应的清晰车牌图像;从所得到的清晰车牌图像中,选取第一预设数量的清晰车牌图像;基于多图像生成网络,将所选取的清晰车牌图像合成一张超分辨率车牌图像。通过本发明实施例提供的技术方案,将多张车牌图像进行清晰化并融合成一张图像,充分地利用多张车牌间的信息互补,进而可以得到一张清晰并且信息完整的车牌图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于搜索的多张车牌清晰化方法的一种流程图;
图2为本发明实施例提供的单图像生成网络的一种结构示意图;
图3为本发明实施例提供的生成对抗网络的一种结构示意图;
图4为本发明实施例提供的一种基于搜索的多张车牌清晰化装置的一种结构示意图;
图5为本发明实施例提供的一种电子设备的一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了解决单张车牌不清晰以及信息不完整的问题,本发明实施例提供了一种基于搜索的多张车牌清晰化方法和装置。
下面首先就本发明实施例提供的一种基于搜索的多张车牌清晰化方法进行介绍,如图1所示,本发明实施例提供的一种基于搜索的多张车牌清晰化方法,包括如下步骤:
S101,获取包括目标车辆的目标图像。
目标图像可以是从交通监控系统中的任一摄像机所获取到的,目标图像中包括的车辆可以确定为本发明实施例所针对的目标车辆。
另外,所获取的目标图像中包括了目标车辆的车牌信息,即从目标图像中可以提取出目标车辆的车牌图像。
S102,根据目标车辆的特征信息,获取包括目标车辆的多张车辆图像。
其中,可以是从交通监控系统的数据库中获取包括目标车辆的多张车辆图像,数据库中存储有交通监控系统的摄像机所拍摄的各种车辆的图像,并且,图像可以是不同时间不同地点所拍摄的。
一种实施方式中,目标车辆的特征信息可以包括目标车辆的外观特征、目标车辆的车牌特征以及目标车辆在目标图像中所处的时空特征等等。
其中,外观特征可以分为低级外观特征和高级外观特征,低级外观特征又可以包括纹理特征和颜色特征等,高级外观特征可以包括车灯形状、车门颜色、车辆类型等等。
时空特性是指目标图像所拍摄的时间,以及在拍摄目标图像时目标车辆所处的空间上的位置,例如,在拍摄目标图像时,时间为2017年5月5日18时整,目标车辆正好在桥A上面,那么目标图像所显示的内容是目标车辆在桥A上。那么,对于该目标图像的时空特性为:时间为2017年5月5日18时整,空间特性为目标车辆在桥A上。
首先,提取目标车辆的外观特征。可以是仅提取低级外观特征或者高级外观特征,例如,可以提取目标车辆纹理特征和颜色特征,进一步地,可以将视觉词袋(Bag of visualWord,简称BoW)作为纹理特征,可以将颜色命名模型(Color Name Model,简称CNM)作为颜色特征。
还可以同时提取目标车辆的低级外观特征和高级外观特征,例如,提取目标车辆的颜色特征和车灯形状。
其次,获取包括与外观特征相匹配的车辆的车辆图像,作为第一类车辆图像。
可以是从交通监控系统的数据库中进行筛选,与所提取的目标车辆的外观特征相匹配的车辆图像,均可作为第一类车辆图像。
第一类车辆图像可以是车辆图像的集合,该集合中的所有车辆图像均包括与外观特征相匹配的车辆。例如,外观特征:车辆颜色为红色,那么第一类车辆图像中所有车辆图像的车辆颜色均为红色。
再次,基于对偶神经网络,根据第一类车牌图像中各车牌图像分别与目标图像中所包括的车牌图像的相似度,确定第二类车辆图像。
其中,对偶神经网络(Siamese neural network,SNN)为对偶的网络结构,可以用于计算两图像之间的相似性。对偶神经网络可以包括多个卷积层、反卷积层,例如,对偶神经网络包括一个卷积层和一个反卷积层。对于对偶神经网络所包括的卷积层数量、反卷积层数量,在此不做限定。
其中,第一类车牌图像为:第一类车辆图像中的各车辆图像所对应的车牌图像。例如,第一类车辆图像中包括:车辆图像A、车辆图像B和车辆图像C,其中,车辆图像A中所提取的车牌图像为:车牌图像A,车辆图像B中所提取的车牌图像为:车牌图像B,车辆图像C中所提取的车牌图像为:车牌图像C。那么,车牌图像A、车牌图像B和车辆图像C组成了第一类车牌图像。
将第一类车牌图像中的各车牌图像分别与目标图像中的车牌图像进行对比,并分别计算图像之间的相似度,达到一定的相似度的车牌图像所对应的车辆图像,可以确定为第二类车辆图像。
一种实施方式中,可以按照如下方式计算图像之间的相似度,并以此确定第二类车辆图像:
利用以下公式分别计算第一类车牌图像中的各车牌图像与目标图像中的车牌图像的欧式距离:
其中,Pm表示第一类车牌图像中第m张车牌图像所对应的欧式距离,xi表示第m张车牌图像中第i个像素点的像素值,yi表示目标图像中的车牌图像中第i个像素点的像素值,其中,第m张车牌图像中第i个像素点与目标图像中的车牌图像中第i个像素点是相对应的,N表示第m张车牌图像中像素点的数量。
其中,欧式距离用于表示两个图像之间的相似度,欧式距离越小,表示两图像的相似度越高。
将欧式距离小于预设阈值的车牌图像,确定为第二类车辆图像。其中,预设阈值可以是自定义设定的,预设阈值设置的越小,筛选车辆图像越精确。
第二类车辆图像可以是车辆图像的集合,该集合中的所有车辆图像均满足条件:与目标图像中的车牌图像的欧式距离小于预设阈值。可以认为,第二类车辆图像是第一类车辆图像的子集。
例如,第一类车牌图像中包括5张车牌图像:车牌图像A、车牌图像B、车牌图像C、车牌图像D、车牌图像E,依次所对应的第一类车辆图像分别为:车辆图像A、车辆图像B、车辆图像C、车辆图像D、车辆图像E,通过上述的欧式距离计算公式,可分别计算出各车牌图像与目标图像中的车牌图像的欧式距离为:5、8、8、6、10,预设阈值为7,那么,满足小于预设阈值条件的车牌图像为:车牌图像A、车牌图像D,进一步地,可以确定由车辆图像A和车辆图像D组成第二类车辆图像。
最后,在第二类车辆图像中,选取与目标图像的时空特征相匹配的车辆图像。
其中,时空特征包括时间特征和空间特征,确定目标图像的时空特征,即是确定时间特征和空间特征,时间特征是指目标图像的拍摄时间,空间特征是目标图像中的目标车辆所处的空间位置。
与目标图像的时间特征相匹配是指在目标图像的拍摄时间前后的预设时长内,其中,预设时长可以是自定义的;与目标图像的空间特征相匹配是指:车辆图像所呈现的空间与目标图像中所呈现的空间相同或相似。
可以选取在目标图像的拍摄时间前后的预设时长内的车辆图像,例如,目标图像的拍摄时间为2017年5月5日18时整,预设时长为1小时,那么,时间范围为:2017年5月5日17时至2017年5月5日19时。
对于空间特征,可以选取与目标图像中目标车辆所处的空间位置相同的空间位置,例如,目标图像中目标车辆处于桥A上,那么空间位置可以确定为该桥A,则在第二类车辆图像中选取的车辆图像所显示的空间位置均为该桥A。
进一步地,在时间上和空间上最接近的车辆图像是同时满足所设定的时间特性和空间特性,例如,目标图像的拍摄时间为2017年5月5日18时整,预设时长为1小时,并且,目标图像中目标车辆处于桥A上,那么,在第二类车辆图像中所选取的车辆图像的拍摄时间在2017年5月5日17时至2017年5月5日19时内,并且,所选取的车辆图像所显示的空间位置均为该桥A。
一种具体实施方式中,因为摄像机拍摄是连续多次拍摄的,可以确定出拍摄目标图像的摄像机,进而可以获取到与目标图像连续的多帧车辆图像,当然,多帧车辆图像与目标图像均由同一摄像机所拍摄,并且均包括目标车辆。
例如,目标车辆由远及近地向摄像机A行驶,摄像机A对目标车辆连续拍摄了10张图像,其中离得最近的第十张作为目标图像,则前九张均可以认为是满足时间特征和空间特征的车辆图像。
S103,从多张车辆图像中,提取多张车辆图像各自对应的车牌图像。
所获取的车辆图像均包括车牌图像,可以通过图像识别的方式从车辆图像中提取出车牌图像。例如,可以从车辆图像1中提取出车牌图像1,从车辆图像2中提取出车牌图像2。
S104,基于单图像生成网络,将所提取的车牌图像分别进行清晰化处理,得到所提取的车牌图像各自对应的清晰车牌图像。
单图像生成网络为生成对抗网络中的生成网络,由样本车牌图像训练得到,用于将低分辨率的车牌图像进行清晰化处理,并生成符合车牌标准的高分辨率的车牌图像,其中,样本车牌图像为符合车牌标准的车牌图像。
一种实施方式中,单图像生成网络为全卷积网络,包括:多个卷积层、反卷积层,其中,卷积层用于对图像进行特征提取并降低图像分辨率的下采样处理,反卷积层用于对图像进行提高分辨率的上采样处理;
可以通过当前卷积层对上一个卷积层输出的图像进行下采样,并将所得到的下采样图像发送至下一个卷积层,直至多个卷积层均完成对目标车牌图像的下采样,得到目标车牌图像对应的低分辨率图像;
通过反卷积层,对低分辨率图像进行上采样,得到第一车牌图像对应的清晰车牌图像。
进一步地,全卷积网络中可以包括多个残差块、批量正则化层、ReLU(RectifiedLinear Units,非线形模型)激励层以及反卷积层,其中,每个残差块可以包括多个卷积层。
如图2所示,Generator为单图像生成网络,Data为输入单图像生成网络的图像,Label为样本图像,convolution为卷积层,ReLU为非线形模型激励层,BN为批量正则化层,Residual Block为残差块,Deconvolution为反卷积层,
单图像生成网络的全卷积网络包括:多个残差块、两个批量归一化层、一个ReLU激励层以及一个反卷积层,其中,每个残差块包含两个卷积层,每个卷积层包括64个3*3大小的卷积核。
其中,卷积层用于对图像中的特征进行提取,并且降低图像的分辨率。一个卷积核表示可以对图像中的一个特征进行提取,两个卷积核表示可以对图像中的两个特征进行提取,例如,当一个卷积层中包含N个卷积核时,在该卷积层对图像进行处理时可以对图像中的N个特征进行提取。
批量归一化层用于将上一网络层输出的数据进行归一化,然后输出至下一网络层。因为在深度学习网络中,尤其是全卷积网络中,学习数据分布,一旦所训练的样本数据与测试数据的分布不一样,那么网络的学习能力也会大大降低,通过批量归一化层,可以使得样本数据与测试数据的分布相同。
ReLU激励层用于增加了全卷积网络的非线形特征,这样,可以使得上一网络层的输出与下一网络层也不再是线性关系。
在单图像生成网络中,每一个残差块对所输入的图像进行相应的处理之后输出至下一残差块或者其他网络层。对于每一个残差块内的各卷积层,当前卷积层对上一卷积层输出的图像进行下采样,并将所得到的下采样图像发送至下一个卷积层;下采样是卷积层对图像进行特征提取,并降低图像的分辨率。
对于单图像生成网络来说,当单图像生成网络中所包括的各残差块中的卷积层均完成对输入的车牌图像的下采样,便可以得到输入的车牌图像对应的低分辨率图像,即排列在最后的一层卷积层的输出。
例如,生成网络包括2个残差块:第一残差块、第二残差块,每个残差块包括2个卷积层,第一残差块包括第一卷积层、第二卷积层,第二残差块包括第三卷积层、第四卷积层。车牌图像输入单图像生成网络之后,第一卷积层对输入的车牌图像进行特征提取,并将输入的车牌图像的分辨率缩小2倍;第二卷积层在第一卷积层的基础上进一步地对输入的车牌图像进行特征提取,并将输入的车牌图像的分辨率缩小4倍;第三卷积层在第二卷积层的基础上进一步地对输入的车牌图像进行特征提取,并将输入的车牌图像的分辨率缩小8倍;第四卷积层在第三卷积层的基础上进一步地对输入的车牌图像进行特征提取,并将输入的车牌图像的分辨率缩小16倍。并且,该第四卷积层的输出即为输入的车牌图像对应的低分辨率图像。
当然,每一个卷积层在对图像进行特征提取并降低分辨率的处理后,均可以经过批量归一化层和ReLU激励层的处理之后,再输出给下一个卷积层。
在单图像生成网络中所包括的卷积层均完成对目标车牌图像的下采样之后,最后一层卷积层可以将所得到的低分辨率图像发送至反卷积层,通过反卷积层,对低分辨率图像进行上采样,得到清晰车牌图像。
另外,上采样可以是通过反卷积层实现的,将低分辨率图像的分辨率提高,可以是恢复到原图像的分辨率。
例如,经过多个卷积层的相应处理后,所得到的低分辨率图像的分辨率相比于输入单图像生成网络的图像的分辨率缩小了16倍,则在反卷积层可以进行16倍的上采样,进而得到与输入的图像的分辨率相同的图像。
对于生成对抗网络,除了包括单图像生成网络,还包括对抗网络。生成对抗网络作为一个训练网络,单图像生成网络和对抗网络是相对应的。
生成对抗网络是深度学习训练网络,因此,对于单图像生成网络的训练可以通过样本车牌图像进行。例如,可以将样本车牌图像进行下采样,这样得到该样本车牌图像的低分辨率图像,然后将得到的低分辨率图像进行仿射变换,得到变形了的低分辨率图像。最后将变形的低分辨率图像输入生成网络进行清晰化处理,之后经过对抗网络的对比判断是否合格,不合格的话继续经过生成网络的清晰化处理,直至得到满足要求的图像。在这个过程中,持续的对生成网络和对抗网络进行训练和优化,进而可以使得该网络生成更清晰更高分辨率的图像。
如图3所示,针对于生成网络,参见上述图2及图2所对应的实施例,在此不再赘述。
针对于对抗网络,Discriminator表示对抗网络,Data为输入生成网络的图像,Label为样本图像,convolution为卷积层,LeakyRelu为非线形模型激励层,BN为批量正则化层,SpatialSplit为空间分割层;Sigmoid为S型函数,用来做分类任务;M ConvolutionBlocks为M卷积层。AvgPooling用于保持图像特征的不变性,并减少卷积值的冗余。
对抗网络的主网络部分采用了类似VGG的网络结构,可以包括一个卷积层和一个M卷积块的层级结构。空间分割层可以将高分辨率车牌图像的映射图像进行分割,具体地,可以分割成多个图像子区域,其中,每个图像子区域包括一个字符,并且,对于所有的图像子区域,可以通过一个卷积核的卷积层来获得每一个图像子区域的标量。
在每一个图像子区域与样本车牌图像的对应区域对比之后,均可对应得到一个表示相似度的概率,由Sigmoid最后根据各图像子区域对应的概率,进而可以得出高分辨率车牌图像为样本车牌图像的概率,即第一数值。
第一数值为0到1之间的百分比,当输出的第一数值为0时,对抗网络可以判断出高分辨率车牌图像为假图像,即与样本车牌图像完全不同;当输出的第一数值为1时,对抗网络可以判断出高分辨率车牌图像为真图像,即与样本车牌图像完全一样。
在生成对抗网络的训练过程中,对抗网络可以将输出的结果反馈至生成网络,以对生成对抗网络进行相应地调整,使得生成网络所生成的图像更清晰,符合相应地标准。
S105,从所得到的清晰车牌图像中,选取第一预设数量的清晰车牌图像。
其中,第一预设数量可以是根据多图像生成网络的输入通道决定的,当多图像生成网络的输入通道为9个通道时,表示多图像生成网络可以同时输入9张图像,并将9张图像融合成为一张图像,此时,第一预设数量为9。
选取的方式可以是:对所得到的清晰车牌图像可以就相似度进行排序,相似度由高向低进行排序,进而,可以选取序号排在前面的第一预设数量的清晰车牌图像,例如,第一预设数量为9,可以选取前9张清晰车牌图像。
S106,基于多图像生成网络,将所选取的清晰车牌图像合成一张超分辨率车牌图像。
其中,多图像生成网络为多图像生成对抗网络(the multiple images Super-Resolution Generative adversarial nets,简称MSR-GAN)中的生成网络,该多图像生成对抗网络还包括对抗网络。对抗网络用于判断多图像生成网络生成的图像是否是用于训练的样本图像,将判断结果反馈给多图像生成网络,进而对多图像生成网络进行调整,以使得多图像生成网络生成的图像更清晰,分辨率更高。
其中,多图像生成网络用于将包括同一车牌的多张车牌图像合成一张超分辨率的车牌图像。
一种实施方式中,因为每一张图像均对应一颜色标准RGB值,RGB值由红色R值、绿色G值和蓝色B值组成,R值、G值和B值的数值范围为:0-255,表示每种色各分为256阶亮度,在0时亮度最弱,在255时亮度最亮。当R值、G值和B值不同数值组合时,产生不同颜色。例如,当R值、G值和B值均为0时,为最暗的黑色,当R值、G值和B值均为255时,是最亮的白色。
首先,获取所选取的清晰车牌图像各自所对应的颜色标准RGB值中的R值、G值和B值;
利用以下公式计算所选取的清晰车牌图像对应的R值的平均值:
其中,N为第一预设数量,Ri为第i张清晰车牌图像对应的R值,为计算出的R值的平均值;
利用以下公式计算所选取的清晰车牌图像对应的G值的平均值:
其中,N为第一预设数量,Gi为第i张清晰车牌图像对应的G值,为计算出的G值的平均值;
利用以下公式计算所选取的清晰车牌图像对应的B值的平均值:
其中,N为第一预设数量,Bi为第i张清晰车牌图像对应的B值,为计算出的B值的平均值;
以为颜色标准RGB值,生成超分辨率车牌图像,该超分辨率车牌图像即多图像生成网络所输出的图像。
本发明实施例提供的技术方案中,通过确定目标图像中的目标车辆;根据目标车辆的特征信息,获取包括目标车辆的多张车辆图像;从多张车辆图像中,提取多张车辆图像各自对应的车牌图像;基于单图像生成网络,将所提取的车牌图像分别进行清晰化处理,得到所提取的车牌图像各自对应的清晰车牌图像;从所得到的清晰车牌图像中,选取第一预设数量的清晰车牌图像;基于多图像生成网络,将所选取的清晰车牌图像合成一张超分辨率车牌图像。通过本发明实施例提供的技术方案,将多张车牌图像进行清晰化并融合成一张图像,充分地利用多张车牌间的信息互补,进而可以得到一张清晰并且信息完整的车牌图像。
相应于上述方法实施例,本发明实施例还提供一种基于搜索的多张车牌清晰化装置,如图4所示,所述装置包括:
第一获取模块410,用于获取包括目标车辆的目标图像;
第二获取模块420,用于根据所述目标车辆的特征信息,获取包括所述目标车辆的多张车辆图像;
提取模块430,用于从所述多张车辆图像中,提取所述多张车辆图像各自对应的车牌图像;
清晰化处理模块440,用于基于单图像生成网络,将所提取的车牌图像分别进行清晰化处理,得到所提取的车牌图像各自对应的清晰车牌图像,所述单图像生成网络由样本车牌图像训练得到,用于将低分辨率的车牌图像进行清晰化处理,并生成符合车牌标准的高分辨率的车牌图像,其中,所述样本车牌图像为符合车牌标准的车牌图像;
选取模块450,用于从所得到的清晰车牌图像中,选取第一预设数量的清晰车牌图像;
合成模块460,用于基于多图像生成网络,将所选取的清晰车牌图像合成一张超分辨率车牌图像,其中,所述多图像生成网络用于将包括同一车牌的多张车牌图像合成一张超分辨率的车牌图像。
可选地,一种实施方式中,所述第二获取模块420可以包括:
提取子模块,用于提取所述目标车辆的外观特征;
获取子模块,用于获取包括与所述外观特征相匹配的车辆的车辆图像,作为第一类车辆图像;
确定子模块,用于基于对偶神经网络,根据第一类车牌图像中各车牌图像分别与所述目标图像中所包括的车牌图像的相似度,确定第二类车辆图像,其中,所述第一类车牌图像为:所述第一类车辆图像中的各车辆图像所对应的车牌图像;
选取子模块,用于在所述第二类车辆图像中,选取与所述目标图像的时空特征相匹配的车辆图像,所述时空特征包括时间特征和空间特征。
可选地,一种实施方式中,所述确定子模块具体用于:
利用以下公式分别计算第一类车牌图像中的各车牌图像与所述目标图像中的车牌图像的欧式距离,其中,所述欧式距离用于表示两个图像之间的相似度:
其中,Pm表示所述第一类车牌图像中第m张车牌图像所对应的欧式距离,xi表示第m张车牌图像中第i个像素点的像素值,yi表示所述目标图像中的车牌图像中第i个像素点的像素值,其中,第m张车牌图像中第i个像素点与所述目标图像中的车牌图像中第i个像素点是相对应的,N表示第m张车牌图像中像素点的数量;
将欧式距离小于预设阈值的车牌图像,确定为所述第二类车辆图像。
可选地,一种实施方式中,所述单图像生成网络为全卷积网络,包括:多个卷积层、反卷积层,其中,卷积层用于对图像进行特征提取并降低图像分辨率的下采样处理,反卷积层用于对图像进行提高分辨率的上采样处理;
所述清晰化处理模块440可以包括:
下采样子模块,用于通过当前卷积层对上一个卷积层输出的图像进行下采样,并将所得到的下采样图像发送至下一个卷积层,直至所述多个卷积层均完成对所述目标车牌图像的下采样,得到所述目标车牌图像对应的低分辨率图像;
上采样子模块,用于通过所述反卷积层,对所述低分辨率图像进行上采样,得到所述第一车牌图像对应的清晰车牌图像。
可选地,一种实施方式中,所述合成模块460具体用于:
获取所选取的清晰车牌图像各自所对应的颜色标准RGB值中的R值、G值和B值;
利用以下公式计算所选取的清晰车牌图像对应的R值的平均值:
其中,N为所述第一预设数量,Ri为第i张清晰车牌图像对应的R值,为计算出的R值的平均值;
利用以下公式计算所选取的清晰车牌图像对应的G值的平均值:
其中,N为所述第一预设数量,Gi为第i张清晰车牌图像对应的G值,为计算出的G值的平均值;
利用以下公式计算所选取的清晰车牌图像对应的B值的平均值:
其中,N为所述第一预设数量,Bi为第i张清晰车牌图像对应的B值,为计算出的B值的平均值;
以为颜色标准RGB值,生成所述超分辨率车牌图像。
本发明实施例提供的技术方案中,通过确定目标图像中的目标车辆;根据目标车辆的特征信息,获取包括目标车辆的多张车辆图像;从多张车辆图像中,提取多张车辆图像各自对应的车牌图像;基于单图像生成网络,将所提取的车牌图像分别进行清晰化处理,得到所提取的车牌图像各自对应的清晰车牌图像;从所得到的清晰车牌图像中,选取第一预设数量的清晰车牌图像;基于多图像生成网络,将所选取的清晰车牌图像合成一张超分辨率车牌图像。通过本发明实施例提供的技术方案,将多张车牌图像进行清晰化并融合成一张图像,充分地利用多张车牌间的信息互补,进而可以得到一张清晰并且信息完整的车牌图像。
本发明实施例还提供了一种电子设备,如图5所示,包括处理器510、通信接口520、存储器530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信,
存储器530,用于存放计算机程序;
处理器510,用于执行存储器530上所存放的程序时,实现如下步骤:
获取包括目标车辆的目标图像;
根据所述目标车辆的特征信息,获取包括所述目标车辆的多张车辆图像;
从所述多张车辆图像中,提取所述多张车辆图像各自对应的车牌图像;
基于单图像生成网络,将所提取的车牌图像分别进行清晰化处理,得到所提取的车牌图像各自对应的清晰车牌图像,所述单图像生成网络由样本车牌图像训练得到,用于将低分辨率的车牌图像进行清晰化处理,并生成符合车牌标准的高分辨率的车牌图像,其中,所述样本车牌图像为符合车牌标准的车牌图像;
从所得到的清晰车牌图像中,选取第一预设数量的清晰车牌图像;
基于多图像生成网络,将所选取的清晰车牌图像合成一张超分辨率车牌图像,其中,所述多图像生成网络用于将包括同一车牌的多张车牌图像合成一张超分辨率的车牌图像。
本发明实施例提供的技术方案中,通过确定目标图像中的目标车辆;根据目标车辆的特征信息,获取包括目标车辆的多张车辆图像;从多张车辆图像中,提取多张车辆图像各自对应的车牌图像;基于单图像生成网络,将所提取的车牌图像分别进行清晰化处理,得到所提取的车牌图像各自对应的清晰车牌图像;从所得到的清晰车牌图像中,选取第一预设数量的清晰车牌图像;基于多图像生成网络,将所选取的清晰车牌图像合成一张超分辨率车牌图像。通过本发明实施例提供的技术方案,将多张车牌图像进行清晰化并融合成一张图像,充分地利用多张车牌间的信息互补,进而可以得到一张清晰并且信息完整的车牌图像。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (10)
1.一种基于搜索的多张车牌清晰化方法,其特征在于,所述方法包括:
获取包括目标车辆的目标图像;
根据所述目标车辆的特征信息,获取包括所述目标车辆的多张车辆图像;
从所述多张车辆图像中,提取所述多张车辆图像各自对应的车牌图像;
基于单图像生成网络,将所提取的车牌图像分别进行清晰化处理,得到所提取的车牌图像各自对应的清晰车牌图像,所述单图像生成网络由样本车牌图像训练得到,用于将低分辨率的车牌图像进行清晰化处理,并生成符合车牌标准的高分辨率的车牌图像,其中,所述样本车牌图像为符合车牌标准的车牌图像;
从所得到的清晰车牌图像中,选取第一预设数量的清晰车牌图像;
基于多图像生成网络,将所选取的清晰车牌图像合成一张超分辨率车牌图像,其中,所述多图像生成网络用于将包括同一车牌的多张车牌图像合成一张超分辨率的车牌图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标车辆的特征信息,获取所述目标车辆的多张车辆图像的步骤,包括:
提取所述目标车辆的外观特征;
获取包括与所述外观特征相匹配的车辆的车辆图像,作为第一类车辆图像;
基于对偶神经网络,根据第一类车牌图像中各车牌图像分别与所述目标图像中所包括的车牌图像的相似度,确定第二类车辆图像,其中,所述第一类车牌图像为:所述第一类车辆图像中的各车辆图像所对应的车牌图像;
在所述第二类车辆图像中,选取与所述目标图像的时空特征相匹配的车辆图像,所述时空特征包括时间特征和空间特征。
3.根据权利要求2所述的方法,其特征在于,所述基于对偶神经网络,根据第一类车牌图像中各车牌图像分别与所述目标图像中所包括的车牌图像的相似度,确定第二类车辆图像的步骤,包括:
利用以下公式分别计算第一类车牌图像中的各车牌图像与所述目标图像中的车牌图像的欧式距离,其中,所述欧式距离用于表示两个图像之间的相似度:
<mrow>
<msub>
<mi>P</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中,Pm表示所述第一类车牌图像中第m张车牌图像所对应的欧式距离,xi表示第m张车牌图像中第i个像素点的像素值,yi表示所述目标图像中的车牌图像中第i个像素点的像素值,其中,第m张车牌图像中第i个像素点与所述目标图像中的车牌图像中第i个像素点是相对应的,N表示第m张车牌图像中像素点的数量;
将欧式距离小于预设阈值对应的车牌图像,确定为所述第二类车辆图像。
4.根据权利要求1所述的方法,其特征在于,所述单图像生成网络为全卷积网络,包括:多个卷积层、反卷积层,其中,卷积层用于对图像进行特征提取并降低图像分辨率的下采样处理,反卷积层用于对图像进行提高分辨率的上采样处理;
所述基于单图像生成网络,将所提取的车牌图像分别进行清晰化处理,得到所提取的车牌图像各自对应的清晰车牌图像的步骤,包括:
通过当前卷积层对上一个卷积层输出的图像进行下采样,并将所得到的下采样图像发送至下一个卷积层,直至所述多个卷积层均完成对所述目标车牌图像的下采样,得到所述目标车牌图像对应的低分辨率图像;
通过所述反卷积层,对所述低分辨率图像进行上采样,得到所述第一车牌图像对应的清晰车牌图像。
5.根据权利要求1所述的方法,其特征在于,所述基于多图像生成网络,将所选取的清晰车牌图像合成一张超分辨率车牌图像的步骤,包括:
获取所选取的清晰车牌图像各自所对应的颜色标准RGB值中的R值、G值和B值;
利用以下公式计算所选取的清晰车牌图像对应的R值的平均值:
<mrow>
<mover>
<mi>R</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
</mrow>
其中,N为所述第一预设数量,Ri为第i张清晰车牌图像对应的R值,为计算出的R值的平均值;
利用以下公式计算所选取的清晰车牌图像对应的G值的平均值:
<mrow>
<mover>
<mi>G</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>G</mi>
<mi>i</mi>
</msub>
</mrow>
其中,N为所述第一预设数量,Gi为第i张清晰车牌图像对应的G值,为计算出的G值的平均值;
利用以下公式计算所选取的清晰车牌图像对应的B值的平均值:
<mrow>
<mover>
<mi>B</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
</mrow>
其中,N为所述第一预设数量,Bi为第i张清晰车牌图像对应的B值,为计算出的B值的平均值;
以为颜色标准RGB值,生成所述超分辨率车牌图像。
6.一种基于搜索的多张车牌清晰化装置,其特征在于,所述装置包括:
第一获取模块,用于获取包括目标车辆的目标图像;
第二获取模块,用于根据所述目标车辆的特征信息,获取包括所述目标车辆的多张车辆图像;
提取模块,用于从所述多张车辆图像中,提取所述多张车辆图像各自对应的车牌图像;
清晰化处理模块,用于基于单图像生成网络,将所提取的车牌图像分别进行清晰化处理,得到所提取的车牌图像各自对应的清晰车牌图像,所述单图像生成网络由样本车牌图像训练得到,用于将低分辨率的车牌图像进行清晰化处理,并生成符合车牌标准的高分辨率的车牌图像,其中,所述样本车牌图像为符合车牌标准的车牌图像;
选取模块,用于从所得到的清晰车牌图像中,选取第一预设数量的清晰车牌图像;
合成模块,用于基于多图像生成网络,将所选取的清晰车牌图像合成一张超分辨率车牌图像,其中,所述多图像生成网络用于将包括同一车牌的多张车牌图像合成一张超分辨率的车牌图像。
7.根据权利要求6所述的装置,其特征在于,所述第二获取模块包括:
提取子模块,用于提取所述目标车辆的外观特征;
获取子模块,用于获取包括与所述外观特征相匹配的车辆的车辆图像,作为第一类车辆图像;
确定子模块,用于基于对偶神经网络,根据第一类车牌图像中各车牌图像分别与所述目标图像中所包括的车牌图像的相似度,确定第二类车辆图像,其中,所述第一类车牌图像为:所述第一类车辆图像中的各车辆图像所对应的车牌图像;
选取子模块,用于在所述第二类车辆图像中,选取与所述目标图像的时空特征相匹配的车辆图像,所述时空特征包括时间特征和空间特征。
8.根据权利要求7所述的装置,其特征在于,所述确定子模块具体用于:
利用以下公式分别计算第一类车牌图像中的各车牌图像与所述目标图像中的车牌图像的欧式距离,其中,所述欧式距离用于表示两个图像之间的相似度:
<mrow>
<msub>
<mi>P</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中,Pm表示所述第一类车牌图像中第m张车牌图像所对应的欧式距离,xi表示第m张车牌图像中第i个像素点的像素值,yi表示所述目标图像中的车牌图像中第i个像素点的像素值,其中,第m张车牌图像中第i个像素点与所述目标图像中的车牌图像中第i个像素点是相对应的,N表示第m张车牌图像中像素点的数量;
将欧式距离小于预设阈值对应的车牌图像,确定为所述第二类车辆图像。
9.根据权利要求6所述的装置,其特征在于,所述单图像生成网络为全卷积网络,包括:多个卷积层、反卷积层,其中,卷积层用于对图像进行特征提取并降低图像分辨率的下采样处理,反卷积层用于对图像进行提高分辨率的上采样处理;
所述清晰化处理模块包括:
下采样子模块,用于通过当前卷积层对上一个卷积层输出的图像进行下采样,并将所得到的下采样图像发送至下一个卷积层,直至所述多个卷积层均完成对所述目标车牌图像的下采样,得到所述目标车牌图像对应的低分辨率图像;
上采样子模块,用于通过所述反卷积层,对所述低分辨率图像进行上采样,得到所述第一车牌图像对应的清晰车牌图像。
10.根据权利要求6所述的装置,其特征在于,所述合成模块具体用于:
获取所选取的清晰车牌图像各自所对应的颜色标准RGB值中的R值、G值和B值;
利用以下公式计算所选取的清晰车牌图像对应的R值的平均值:
<mrow>
<mover>
<mi>R</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
</mrow>
其中,N为所述第一预设数量,Ri为第i张清晰车牌图像对应的R值,为计算出的R值的平均值;
利用以下公式计算所选取的清晰车牌图像对应的G值的平均值:
<mrow>
<mover>
<mi>G</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>G</mi>
<mi>i</mi>
</msub>
</mrow>
其中,N为所述第一预设数量,Gi为第i张清晰车牌图像对应的G值,为计算出的G值的平均值;
利用以下公式计算所选取的清晰车牌图像对应的B值的平均值:
<mrow>
<mover>
<mi>B</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msub>
<mi>B</mi>
<mi>i</mi>
</msub>
</mrow>
其中,N为所述第一预设数量,Bi为第i张清晰车牌图像对应的B值,为计算出的B值的平均值;
以为颜色标准RGB值,生成所述超分辨率车牌图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710841156.6A CN107527044B (zh) | 2017-09-18 | 2017-09-18 | 一种基于搜索的多张车牌清晰化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710841156.6A CN107527044B (zh) | 2017-09-18 | 2017-09-18 | 一种基于搜索的多张车牌清晰化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107527044A true CN107527044A (zh) | 2017-12-29 |
CN107527044B CN107527044B (zh) | 2021-04-30 |
Family
ID=60735911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710841156.6A Expired - Fee Related CN107527044B (zh) | 2017-09-18 | 2017-09-18 | 一种基于搜索的多张车牌清晰化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107527044B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376387A (zh) * | 2018-01-04 | 2018-08-07 | 复旦大学 | 基于聚合膨胀卷积网络的图像去模糊方法 |
CN108549892A (zh) * | 2018-06-12 | 2018-09-18 | 东南大学 | 一种基于卷积神经网络的车牌图像清晰化方法 |
CN108550118A (zh) * | 2018-03-22 | 2018-09-18 | 深圳大学 | 运动模糊图像的模糊处理方法、装置、设备及存储介质 |
CN108898140A (zh) * | 2018-06-08 | 2018-11-27 | 天津大学 | 基于改进的全卷积神经网络的脑肿瘤图像分割算法 |
CN109214366A (zh) * | 2018-10-24 | 2019-01-15 | 北京旷视科技有限公司 | 局部目标重识别方法、装置及系统 |
CN109345455A (zh) * | 2018-09-30 | 2019-02-15 | 京东方科技集团股份有限公司 | 图像鉴别方法、鉴别器和计算机可读存储介质 |
CN109635842A (zh) * | 2018-11-14 | 2019-04-16 | 平安科技(深圳)有限公司 | 一种图像分类方法、装置及计算机可读存储介质 |
CN109872276A (zh) * | 2019-01-29 | 2019-06-11 | 北京字节跳动网络技术有限公司 | 用于生成图像超分辨率模型的方法和装置 |
CN110322400A (zh) * | 2018-03-30 | 2019-10-11 | 京东方科技集团股份有限公司 | 图像处理方法及装置、图像处理系统及其训练方法 |
WO2019233244A1 (zh) * | 2018-06-08 | 2019-12-12 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机可读介质及电子设备 |
CN110782397A (zh) * | 2018-12-13 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 一种图像处理方法、生成式对抗网络、电子设备及存储介质 |
WO2021213340A1 (zh) * | 2020-04-23 | 2021-10-28 | 京东方科技集团股份有限公司 | 视频分辨率提升方法及装置、存储介质及电子设备 |
US20210407041A1 (en) * | 2019-05-30 | 2021-12-30 | Boe Technology Group Co., Ltd. | Image processing method and device, training method of neural network, and storage medium |
WO2022052785A1 (zh) * | 2020-09-08 | 2022-03-17 | 京东方科技集团股份有限公司 | 目标检测方法及装置、存储介质及电子设备 |
US11348005B2 (en) | 2018-09-30 | 2022-05-31 | Boe Technology Group Co., Ltd. | Apparatus, method, and computer-readable medium for image processing, and system for training a neural network |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067161A (zh) * | 2016-05-24 | 2016-11-02 | 深圳市未来媒体技术研究院 | 一种对图像进行超分辨的方法 |
CN106204449A (zh) * | 2016-07-06 | 2016-12-07 | 安徽工业大学 | 一种基于对称深度网络的单幅图像超分辨率重建方法 |
CN106462944A (zh) * | 2016-05-30 | 2017-02-22 | 香港应用科技研究院有限公司 | 将多个高分辨率图像映射到一个低分辨率360度图像上生成无重影的高分辨全景图 |
CN106951867A (zh) * | 2017-03-22 | 2017-07-14 | 成都擎天树科技有限公司 | 基于卷积神经网络的人脸识别方法、装置、系统及设备 |
CN106991648A (zh) * | 2017-04-10 | 2017-07-28 | 中国石油大学(华东) | 一种基于小波变换和卷积神经网络的图像超分辨率重建方法 |
-
2017
- 2017-09-18 CN CN201710841156.6A patent/CN107527044B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106067161A (zh) * | 2016-05-24 | 2016-11-02 | 深圳市未来媒体技术研究院 | 一种对图像进行超分辨的方法 |
CN106462944A (zh) * | 2016-05-30 | 2017-02-22 | 香港应用科技研究院有限公司 | 将多个高分辨率图像映射到一个低分辨率360度图像上生成无重影的高分辨全景图 |
CN106204449A (zh) * | 2016-07-06 | 2016-12-07 | 安徽工业大学 | 一种基于对称深度网络的单幅图像超分辨率重建方法 |
CN106951867A (zh) * | 2017-03-22 | 2017-07-14 | 成都擎天树科技有限公司 | 基于卷积神经网络的人脸识别方法、装置、系统及设备 |
CN106991648A (zh) * | 2017-04-10 | 2017-07-28 | 中国石油大学(华东) | 一种基于小波变换和卷积神经网络的图像超分辨率重建方法 |
Non-Patent Citations (1)
Title |
---|
李晓宾: "基于色彩校正与分层块匹配的图像配准算法", 《计算机工程与设计》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376387A (zh) * | 2018-01-04 | 2018-08-07 | 复旦大学 | 基于聚合膨胀卷积网络的图像去模糊方法 |
CN108376387B (zh) * | 2018-01-04 | 2021-09-17 | 复旦大学 | 基于聚合膨胀卷积网络的图像去模糊方法 |
CN108550118B (zh) * | 2018-03-22 | 2022-02-22 | 深圳大学 | 运动模糊图像的模糊处理方法、装置、设备及存储介质 |
CN108550118A (zh) * | 2018-03-22 | 2018-09-18 | 深圳大学 | 运动模糊图像的模糊处理方法、装置、设备及存储介质 |
CN110322400B (zh) * | 2018-03-30 | 2021-04-27 | 京东方科技集团股份有限公司 | 图像处理方法及装置、图像处理系统及其训练方法 |
CN110322400A (zh) * | 2018-03-30 | 2019-10-11 | 京东方科技集团股份有限公司 | 图像处理方法及装置、图像处理系统及其训练方法 |
US11189013B2 (en) | 2018-03-30 | 2021-11-30 | Boe Technology Group Co., Ltd. | Image processing apparatus, image processing method thereof, image processing system, and training method thereof |
CN108898140A (zh) * | 2018-06-08 | 2018-11-27 | 天津大学 | 基于改进的全卷积神经网络的脑肿瘤图像分割算法 |
WO2019233244A1 (zh) * | 2018-06-08 | 2019-12-12 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、计算机可读介质及电子设备 |
US11416781B2 (en) | 2018-06-08 | 2022-08-16 | Tencent Technology (Shenzhen) Company Ltd | Image processing method and apparatus, and computer-readable medium, and electronic device |
CN108549892A (zh) * | 2018-06-12 | 2018-09-18 | 东南大学 | 一种基于卷积神经网络的车牌图像清晰化方法 |
US11615505B2 (en) | 2018-09-30 | 2023-03-28 | Boe Technology Group Co., Ltd. | Apparatus and method for image processing, and system for training neural network |
CN109345455A (zh) * | 2018-09-30 | 2019-02-15 | 京东方科技集团股份有限公司 | 图像鉴别方法、鉴别器和计算机可读存储介质 |
CN109345455B (zh) * | 2018-09-30 | 2021-01-26 | 京东方科技集团股份有限公司 | 图像鉴别方法、鉴别器和计算机可读存储介质 |
US11348005B2 (en) | 2018-09-30 | 2022-05-31 | Boe Technology Group Co., Ltd. | Apparatus, method, and computer-readable medium for image processing, and system for training a neural network |
US11449751B2 (en) | 2018-09-30 | 2022-09-20 | Boe Technology Group Co., Ltd. | Training method for generative adversarial network, image processing method, device and storage medium |
US11361222B2 (en) | 2018-09-30 | 2022-06-14 | Boe Technology Group Co., Ltd. | System, method, and computer-readable medium for image classification |
CN109214366A (zh) * | 2018-10-24 | 2019-01-15 | 北京旷视科技有限公司 | 局部目标重识别方法、装置及系统 |
CN109214366B (zh) * | 2018-10-24 | 2021-05-04 | 北京旷视科技有限公司 | 局部目标重识别方法、装置及系统 |
CN109635842A (zh) * | 2018-11-14 | 2019-04-16 | 平安科技(深圳)有限公司 | 一种图像分类方法、装置及计算机可读存储介质 |
CN110782397A (zh) * | 2018-12-13 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 一种图像处理方法、生成式对抗网络、电子设备及存储介质 |
CN109872276A (zh) * | 2019-01-29 | 2019-06-11 | 北京字节跳动网络技术有限公司 | 用于生成图像超分辨率模型的方法和装置 |
US20210407041A1 (en) * | 2019-05-30 | 2021-12-30 | Boe Technology Group Co., Ltd. | Image processing method and device, training method of neural network, and storage medium |
US11908102B2 (en) * | 2019-05-30 | 2024-02-20 | Boe Technology Group Co., Ltd. | Image processing method and device, training method of neural network, and storage medium |
WO2021213340A1 (zh) * | 2020-04-23 | 2021-10-28 | 京东方科技集团股份有限公司 | 视频分辨率提升方法及装置、存储介质及电子设备 |
WO2022052785A1 (zh) * | 2020-09-08 | 2022-03-17 | 京东方科技集团股份有限公司 | 目标检测方法及装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107527044B (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107527044A (zh) | 一种基于搜索的多张车牌清晰化方法及装置 | |
CN107590774A (zh) | 一种基于生成对抗网络的车牌清晰化方法及装置 | |
CN112446270B (zh) | 行人再识别网络的训练方法、行人再识别方法和装置 | |
CN107944450A (zh) | 一种车牌识别方法及装置 | |
CN108229468A (zh) | 车辆外观特征识别及车辆检索方法、装置、存储介质、电子设备 | |
CN108875787A (zh) | 一种图像识别方法及装置、计算机设备和存储介质 | |
CN112215255B (zh) | 一种目标检测模型的训练方法、目标检测方法及终端设备 | |
CN109360171A (zh) | 一种基于神经网络的视频图像实时去模糊方法 | |
CN111291812B (zh) | 属性类别的获取方法及装置、存储介质、电子装置 | |
CN111709265A (zh) | 基于注意力机制残差网络的摄像监控状态分类方法 | |
CN111402146A (zh) | 图像处理方法以及图像处理装置 | |
CN111145097A (zh) | 图像处理方法、装置和图像处理系统 | |
CN110533119B (zh) | 标识识别方法及其模型的训练方法、装置及电子系统 | |
CN111598182A (zh) | 训练神经网络及图像识别的方法、装置、设备及介质 | |
CN112906706A (zh) | 一种改进的基于编解码器的图像语义分割方法 | |
CN112949636B (zh) | 一种车牌超分辨率识别方法、系统及计算机可读介质 | |
CN108711093A (zh) | 一种基于深度学习的实物租赁智能合约方法及系统 | |
CN111428556A (zh) | 一种基于胶囊神经网络的交通标志识别方法 | |
CN110222604A (zh) | 基于共享卷积神经网络的目标识别方法和装置 | |
CN112132216B (zh) | 车型识别方法、装置、电子设备及存储介质 | |
CN107480676A (zh) | 一种车辆颜色识别方法、装置和电子设备 | |
CN115526891B (zh) | 一种缺陷数据集的生成模型的训练方法及相关装置 | |
CN116052016A (zh) | 基于深度学习的遥感图像云和云影的精细分割检测方法 | |
CN115731597A (zh) | 一种人脸口罩掩膜图像自动分割与修复管理平台及方法 | |
CN109711375A (zh) | 一种信号灯的识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210430 Termination date: 20210918 |
|
CF01 | Termination of patent right due to non-payment of annual fee |