CN108549892B - 一种基于卷积神经网络的车牌图像清晰化方法 - Google Patents
一种基于卷积神经网络的车牌图像清晰化方法 Download PDFInfo
- Publication number
- CN108549892B CN108549892B CN201810599569.2A CN201810599569A CN108549892B CN 108549892 B CN108549892 B CN 108549892B CN 201810599569 A CN201810599569 A CN 201810599569A CN 108549892 B CN108549892 B CN 108549892B
- Authority
- CN
- China
- Prior art keywords
- license plate
- neural network
- image
- plate image
- convolutional neural
- 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.)
- Active
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003707 image sharpening Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000012806 monitoring device Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 238000011840 criminal investigation Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G06V20/63—Scene text, e.g. street names
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
Abstract
本发明公开了一种基于卷积神经网络的车牌图像清晰化方法，能够对受到运动模糊影响的车牌图像进行清晰化，该方法包括以下步骤：建立一种轻量级的卷积神经网络模型，设置网络的结构和训练参数；制作卷积神经网络的训练集；训练卷积神经网络，得到网络的权重；基于卷积神经网络的训练模型，即可以对道路监控设备拍摄到的模糊车牌图像进行清晰化。本发明应用于刑侦和OCR识别等方面，针对一处道路监控设备，由于车辆的运动速度和出现位置不同，车牌图像的模糊程度和模糊角度在一定范围内变化，传统的去运动模糊方法无法有效处理，通过卷积神经网络的方法可以对车牌图像一定范围内的运动模糊进行清晰化，且具有较快的处理速度。
Description
技术领域
本发明属于图像复原和机器学习领域，尤其涉及一种基于卷积神经网络的车牌图像清晰化方法。
背景技术
在用车牌号码辨识车辆的过程中，道路监控设备的成像受运动、光线、温度等各种因素的影响，拍摄到的车牌号码容易出现各种类型的模糊现象。模糊图像的清晰化在刑侦和OCR等方面有着重大应用。为了解决受运动模糊影响的车牌图像的清晰化问题，目前已有一些基于概率统计和数字图像处理的去模糊方法，比如基于L0范数先验的图像清晰化方法、基于Lucy‐Richardson算法的盲去卷积方法等，这些方法对于不同模糊程度的图像需要人工调节参数才能得到较好的效果。针对道路监控设备拍摄到的车辆图像，由于车辆的运动速度和车辆在监控设备视野中的位置不确定，会使拍摄到的车牌图像受到不同程度的运动模糊，且模糊核的角度在一定范围之内变化，传统的图像清晰化方法难以有效处理这种图像模糊。
发明内容
发明目的：针对现有技术存在的以上问题，本发明旨在提供一种基于卷积神经网络的车牌图像清晰化方法，通过构建和训练一种轻量级的卷积神经网络，将道路监控设备拍摄的车牌图像经过一定处理后输入该网络，就能得到清晰化的车牌图像。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于卷积神经网络的车牌图像清晰化方法，该方法包括以下步骤：
(1)搭建卷积神经网络模型；
(2)拍摄高清车牌图片；
(3)人工标定车牌位置并归一化车牌图像；
(4)人工模糊车牌图像；
(5)裁剪车牌图像，制作训练集；
(6)网络结构参数设定和训练参数初始化；
(7)训练卷积神经网络，得到网络权重；
(8)将预处理后的监控设备拍摄的图像输入网络，得到清晰化的车牌图像。
其中，所述步骤(1)中，卷积神经网络结构如下：
第一层卷积层的卷积核大小(kernel size)为34，输出特征图的个数(num_output)为64，输出经过ReLU函数；
第二层卷积层的卷积核大小(kernel size)为1，输出特征图的个数(num_output)为32，输出经过ReLU函数；
第三层卷积层的卷积核大小(kernel size)为18，输出特征图的个数(num_output)为1，输出经过ReLU函数。
其中，所述步骤(3)中，人工标定车牌位置方法如下：人工对车牌四角在图片中的位置进行标定，通过透视变换将车牌区域拉伸到图片正中间固定的区域，并将图片大小归一化。
其中，所述步骤(4)中，人工模糊车牌图像方法如下：对步骤(3)得到的归一化图像使用模糊核进行模糊滤波操作，模糊核的长度和角度设置在预定范围之内。
其中，图像模糊方法如下：设卷积模糊核的矩阵行数为rows，列数为cols，卷积模糊核为wn(x,y)，使用卷积模糊核对清晰车牌图像进行人工运动模糊操作：
其中，f表示灰度化的单通道清晰车牌图像，以二维矩阵的方式存储；fblur表示人工运动模糊之后得到的模糊车牌图像，x,y表示像素的横坐标和纵坐标，n1,n2表示中间变量。
其中，所述步骤(5)中，先将模糊车牌图像裁剪成N1*N1像素的小图片，裁剪窗口以一定的步长滑动；在裁剪模糊车牌图片的同时，裁剪其对应的清晰车牌图像为N2*N2像素的小图片，该N2*N2像素的小图片与模糊车牌的N1*N1像素的小图片中心位置相同，将得到的N1*N1像素的模糊车牌小图片作为卷积神经网络的输入数据，将N2*N2像素的清晰车牌小图片作为数据标签，所有裁剪得到的N1*N1像素的模糊车牌和对应的N2*N2像素的清晰车牌小图片组成卷积神经网络的训练集。
其中，所述步骤(6)中，网络结构参数和训练参数的设置如下：
(6.1)卷积层的步长设置为1；
(6.2)卷积层的权重初始化为均值为0、标准差为0.001的高斯分布噪声，网络中的所有偏置初始化为常量0；
(6.3)训练的batch size大小设置为128，训练时选用随机梯度下降算法，学习率固定为1×10-4，动量系数为0.9。
其中，所述步骤(7)中，将模糊车牌图像输入三层卷积神经网络进行训练，神经网络的输出图标，并将卷积神经网络的输出图片与模糊车牌图像对应的数据标签图片同时输入到如下损失函数层：
其中，Cost是损失函数值，yn是卷积神经网络的输出图片，y′n是模糊车牌图像对应的数据标签图片，N是输入图片数量，通过不断调整网络权重减小Cost是损失函数值，直至损失函数值达到训练目标要求。
其中，所述步骤(8)中，对监控设备拍摄的图像进行预处理并输入卷积神经网络的方法为：人工标定图像中车牌四角的位置，用透视变换将车牌区域拉伸到图片中间固定的区域，再将图片归一化到预定的大小，对归一化的图片进行灰度化，再对图片进行中值滤波操作去噪，最后将车牌图片输入步骤(7)中训练好的卷积神经网络，得到清晰化之后的车牌图像。
有益效果：与现有技术相比，本发明的技术方案具有以下的有益技术效果：
1、传统的图像清晰化方法对于不同模糊程度和模糊角度的车牌图像需要反复调节参数才能得到较好的效果，本发明提出的卷积神经网络模型可对一定范围内模糊程度和模糊角度不同的运动模糊进行有效地清晰化处理。
2、本发明提出了一种轻量级的卷积神经网络结构，能够进行快速的训练以及车牌图像清晰化处理，且对于车牌图像一定范围的运动模糊有较好的清晰化效果。
3、本发明提出了一种全卷积神经网络(Fully Convolutional Networks,FCN)结构，对于输入的模糊车牌图像尺寸大小没有要求，因此可对任意大小的模糊车牌图像进行清晰化。
附图说明
图1是本发明一种基于卷积神经网络的车牌图像清晰化方法流程图；
图2是本发明采用的卷积神经网络结构图；
图3是本发明中训练网络的输入图片和图片标签对比示意图；
图4是本发明采用的卷积神经网络的车牌图像清晰化效果示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
如图1所示，本发明提出了一种基于卷积神经网络的车牌图像清晰化方法，该方法的详细步骤为：
(1)搭建卷积神经网络模型
本发明搭建的卷积神经网络模型具体结构如下：
第一层卷积层的卷积核大小(kernel size)为34×34，输出特征图的个数(num_output)为64，设定步长为1，输出经过ReLU函数，无池化层；
第二层卷积层的卷积核大小(kernel size)为1×1，输出特征图的个数(num_output)为32，设定步长为1，输出经过ReLU函数，无池化层；
第三层卷积层的卷积核大小(kernel size)为18×18，输出特征图的个数(num_output)为1，设定步长为1，输出经过ReLU函数，无池化层。
(2)拍摄高清车牌图片
所述高清车牌图片是清晰的、没有抖动的拍摄图片。拍摄设备的分辨率应至少达到100万像素以上，如使用高分辨率的相机、手机等拍摄设备拍摄的车牌图片制作训练集，能获得更好的训练效果。车牌图像区域占整张照片的面积比应至少大于1/5，以保证车牌区域图像足够清晰。拍摄的光线不能过亮或过暗，光线过亮会使车牌图像出现光斑，光线过暗则无法看清车牌图像，这两种光线都会使车牌图像信息丢失。此处拍摄的车牌图片清晰与否关系到网络训练效果的好坏。
(3)人工标定车牌位置并归一化车牌图像
人工标定车牌位置具体指的是人工确定车牌图像区域四个角点在图片中的像素坐标，具体实现时可以编写一个交互式的程序，用鼠标点击确定车牌图像区域四个角点的坐标位置，然后程序自动通过透视变换将车牌区域拉伸到图片正中间固定的区域。透视变换后，需要将车牌图像的尺寸归一化，即将车牌图像统一缩放到一定的大小，比如可采用264*128分辨率，再将图像灰度化后制作成清晰车牌图像集。该过程中的透视变换和归一化应保证操作后车牌区域外的像素宽度不超过25像素，即不超过卷积神经网络输入输出图片尺寸差的一半，以保证卷积神经网络只对车牌图像区域的模糊核进行学习，且需要保证变换后的车牌图像没有变形。
(4)人工模糊车牌图像，制作模糊车牌图片集
针对某处道路监控设备，其模糊车牌图像模糊核的步长和角度在一个固定的范围之内。因此，只需要训练符合该模糊范围的卷积神经网络即可对该道路监控设备拍摄的模糊车牌图像进行清晰化，可使用人工运动模糊的方法模拟车辆运动造成的车牌图像运动模糊。选择数个模糊核，使人工运动模糊覆盖道路监控设备拍摄的车牌图像模糊范围。具体的模糊核参数设置可为：每隔10个像素单位或10°设置一种模糊核。使用这些模糊核对清晰车牌图像进行人工运动模糊，获得模糊车牌图像集。
对清晰车牌图像施加人工运动模糊的过程，相当于对图像做卷积操作。卷积模糊核的生成步骤如下，此处卷积模糊核实际上就是一个参数矩阵：
(4.1)构造一个理想的线段segment，中点位于卷积模糊核的中心位置。线段的长度len和角度θ由给定的运动模糊长度p1，单位为像素与角度p2，单位为度决定，具体关系如下：
len＝p1
θ＝p2％180/180*π
其中‘％’为取模运算。
(4.2)计算模糊核参数矩阵的大小，设模糊核参数矩阵的行数是rows，列数是cols，rows和cols的计算公式如下：
rows＝ceil(len*sinθ)
cols＝ceil(len*cosθ)
其中ceil是向上取整函数。
(4.3)对于卷积模糊核参数矩阵中的坐标(x,y)，其中x表示列序号，y表示行序号，计算该坐标到理想线段的最短距离，(x,y)到线段segment所在直线line的距离为：
dl(x,y)＝abs(y*cosθ-x*sinθ)
若
到线段segment的距离为(x,y)到线段segment端点(xend,yend)的距离：
若
(x,y)到线段segment的距离d(x,y)＝dl(x,y)。
(4.4)计算卷积模糊核参数矩阵中的所有的参数：w(x,y)＝max{1-d(x,y),0}。
(4.5)对整个滤波器的参数归一化：
其中∑w(i,j)为对模糊核参数矩阵的所有参数求和。
至此，卷积模糊核参数矩阵已经求出，矩阵行数为rows，列数为cols，卷积模糊核为wn(x,y)。接下来使用卷积模糊核对清晰车牌图像进行人工运动模糊操作，即使用卷积模糊核与清晰车牌图像进行卷积操作：
f表示灰度化的单通道清晰车牌图像，以二维矩阵的方式存储；fblur表示人工运动模糊之后得到的模糊车牌图像，n1,n2表示的是中间变量。
(5)裁剪车牌图像，制作训练集
裁剪车牌图片并制作训练集的具体过程为：先将模糊车牌图像裁剪成66*66像素的小图片，裁剪窗口以一定的步长滑动；在裁剪模糊车牌图片的同时，裁剪其对应的清晰车牌图像为16*16像素的小图片，该16*16像素的小图片与模糊车牌的66*66像素的小图片中心位置相同。将得到的66*66像素的模糊车牌小图片作为卷积神经网络的输入数据，将16*16像素的清晰车牌小图片作为数据标签。所有裁剪得到的66*66像素的模糊车牌和对应的16*16像素的清晰车牌小图片组成卷积神经网络的训练集。66*66像素的模糊车牌小图片与16*16像素的清晰车牌小图片的关系如图3所示。
(6)网络结构参数设定和训练参数初始化
网络结构参数和训练参数的设置如下：
卷积层的步长设置为1；
卷积层的权重初始化为均值为0、标准差为0.001的高斯分布噪声，网络中的所有偏置初始化为常量0；
训练的batch size大小设置为128，训练时选用随机梯度下降(stochasticgradient descent,SGD)算法，学习率固定为1×10-4，动量系数为0.9。随机梯度下降算法在卷积神经网络的每一轮训练过程中从训练集中随机选取128张66*66像素的模糊车牌和对应的16*16像素的清晰车牌小图片，使用66*66像素的模糊车牌图片输入卷积神经网络，将得到的网络输出与16*16像素的清晰车牌小图片进行比较，计算损失函数。随机梯度下降算法在计算损失函数时只需要用到batch size大小的训练图片，不需要用到所有的训练图片，因此对卷积神经网络训练的速度是一个很大的提升，同时对训练的效果也影响不大。
(7)训练卷积神经网络，得到网络权重
训练所用的卷积神经网络模型如图2所示，第一层是数据层，本例将训练图片集制作为HDF5文件，数据层将66*66像素的模糊车牌图像输入三层卷积神经网络，并将16*16像素的清晰车牌图像作为数据标签与三层卷积神经网络的输出同时输入到损失函数层，本例采用欧几里得距离作为损失函数：
其中Cost是损失函数值，用来评判网络的输出与数据标签的差异大小。随机梯度下降法在每一轮训练过程中会随机选取128张66*66像素的模糊车牌图片输入卷积神经网络，使用损失函数计算网络的输出与16*16像素的清晰车牌图片数据标签之间的差异，并根据损失函数计算的结果进行误差反向传播，用来更新神经网络的边权和偏置，即神经网络中的层与层之间连边的权值以及神经元的偏置。损失函数越小，说明网络输出越接近16*16像素的清晰车牌图片数据标签，即卷积神经网络对模糊车牌输入图片的清晰化效果越好。训练卷积神经网络的目标就是通过调整神经网络的边权和偏置，尽可能小地减小损失函数。yn是卷积神经网络的输出图片，y′n是清晰的数据标签图片。此处图片以矩阵的形式定义，图片的宽对应矩阵的列数，图片的高对应矩阵的行数，矩阵的值对应图片像素坐标处的RGB像素值。公式中N是输入图片的数量。由定义可知，对于网络的每一张输入图片，该公式先对网络输出图片矩阵与数据标签矩阵求差，取矩阵的模后经过平方运算得到网络输出图片与数据标签的差异，再对所有输入图片得到的输出差异求和后取平均值，得到最终的损失函数，公式中除以2是为了求导之后的公式系数为1，方便计算。
在卷积神经网络的训练过程中采用随机梯度下降法(stochastic gradientdescent,SGD)和反向传播法(back propagation,BP)。该网络在50000轮的训练后即有较为明显的去运动模糊效果，每次选择128张图像进行训练，且在GTX 1070设备上使用Caffe深度学习框架训练50000轮只需要四十多分钟。可见，该网络的训练极为方便，训练50000轮后，该网络模型对于运动模糊步长40像素，角度40°时的车牌图像清晰化效果如图4所示。
(8)将预处理后的监控设备拍摄的图像输入网络，得到清晰化的车牌图像
人工标定图像中车牌四角的位置，用透视变换将车牌区域拉伸到图片中间固定的区域，再将图片归一化到固定的大小，比如可选择为264*128。对归一化的图片进行灰度化，最后将车牌图片直接输入训练好的卷积神经网络，得到清晰化之后的车牌图像。
Claims (7)
1.一种基于卷积神经网络的车牌图像清晰化方法，其特征在于，该方法包括以下步骤：
(1)搭建卷积神经网络模型；
(2)拍摄高清车牌图片；
(3)人工标定车牌位置并归一化车牌图像；
(4)人工模糊车牌图像；
(5)裁剪车牌图像，制作训练集；
(6)网络结构参数设定和训练参数初始化；
(7)训练卷积神经网络，得到网络权重；
(8)将预处理后的监控设备拍摄的图像输入网络，得到清晰化的车牌图像；
所述步骤(4)中，人工模糊车牌图像方法如下：对步骤(3)得到的归一化图像使用模糊核进行模糊滤波操作，模糊核的长度和角度设置在预定范围之内；
图像模糊方法如下：设卷积模糊核的矩阵行数为rows，列数为cols，卷积模糊核为wn(u,v)，使用卷积模糊核对清晰车牌图像进行人工运动模糊操作：
其中，f表示灰度化的单通道清晰车牌图像，以二维矩阵的方式存储；fblur表示人工运动模糊之后得到的模糊车牌图像，x,y表示像素的横坐标和纵坐标，n1,n2表示中间变量；
所述卷积模糊核wn(u,v)的生成步骤如下：
(4.1)构造一个理想的线段segment，中点位于卷积模糊核的中心位置；线段的长度len和角度θ由给定的运动模糊长度p1，单位为像素与角度p2，单位为度决定，具体关系如下：
len＝p1
θ＝p2％180/180*π
其中‘％’为取模运算；
(4.2)计算模糊核参数矩阵的大小，设模糊核参数矩阵的行数是rows，列数是cols，rows和cols的计算公式如下：
rows＝ceil(len*sinθ)
cols＝ceil(len*cosθ)
其中ceil是向上取整函数；
(4.3)对于卷积模糊核参数矩阵中的坐标(u,v)，其中u表示列序号，v表示行序号，计算该坐标到理想线段的最短距离，(u,v)到线段segment所在直线line的距离为：
dl(u,v)＝abs(v*cosθ-u*sinθ)
若
(u,v)到线段segment的距离为(u,v)到线段segment端点(Epx,Epy)的距离：
若
(u,v)到线段segment的距离d(u,v)＝dl(u,v)；
(4.4)计算卷积模糊核参数矩阵中的所有的参数：w(u,v)＝max{1-d(u,v),0}；
(4.5)对整个滤波器的参数归一化：
其中∑w(u,v)为对模糊核参数矩阵的所有参数求和。
2.根据权利要求1所述的一种基于卷积神经网络的车牌图像清晰化方法，其特征在于，所述步骤(1)中，卷积神经网络结构如下：
第一层卷积层的卷积核大小(kernel size)为34，输出特征图的个数(num_output)为64，输出经过ReLU函数；
第二层卷积层的卷积核大小(kernelsize)为1，输出特征图的个数(num_output)为32，输出经过ReLU函数；
第三层卷积层的卷积核大小(kernel size)为18，输出特征图的个数(num_output)为1，输出经过ReLU函数。
3.根据权利要求1所述的一种基于卷积神经网络的车牌图像清晰化方法，其特征在于：所述步骤(3)中，人工标定车牌位置方法如下：人工对车牌四角在图片中的位置进行标定，通过透视变换将车牌区域拉伸到图片正中间固定的区域，并将图片大小归一化。
4.根据权利要求1所述的一种基于卷积神经网络的车牌图像清晰化方法，其特征在于，所述步骤(5)中，先将模糊车牌图像裁剪成N1*N1像素的小图片，裁剪窗口以一定的步长滑动；在裁剪模糊车牌图片的同时，裁剪其对应的清晰车牌图像为N2*N2像素的小图片，该N2*N2像素的小图片与模糊车牌的N1*N1像素的小图片中心位置相同，将得到的N1*N1像素的模糊车牌小图片作为卷积神经网络的输入数据，将N2*N2像素的清晰车牌小图片作为数据标签，所有裁剪得到的N1*N1像素的模糊车牌和对应的N2*N2像素的清晰车牌小图片组成卷积神经网络的训练集。
5.根据权利要求1所述的一种基于卷积神经网络的车牌图像清晰化方法，其特征在于，所述步骤(6)中，网络结构参数和训练参数的设置如下：
(6.1)卷积层的步长设置为1；
(6.2)卷积层的权重初始化为均值为0、标准差为0.001的高斯分布噪声，网络中的所有偏置初始化为常量0；
(6.3)训练的batch size大小设置为128，训练时选用随机梯度下降算法，学习率固定为1×10-4，动量系数为0.9。
6.根据权利要求1所述的一种基于卷积神经网络的车牌图像清晰化方法，其特征在于，所述步骤(7)中，将模糊车牌图像输入三层卷积神经网络进行训练，神经网络的输出图标，并将卷积神经网络的输出图片与模糊车牌图像对应的数据标签图片同时输入到如下损失函数层：
其中，Cost是损失函数值，yn是卷积神经网络的输出图片，y′n是模糊车牌图像对应的数据标签图片，N是输入图片数量，通过不断调整网络权重减小Cost是损失函数值，直至损失函数值达到训练目标要求。
7.根据权利要求1所述的一种基于卷积神经网络的车牌图像清晰化方法，其特征在于：所述步骤(8)中，对监控设备拍摄的图像进行预处理并输入卷积神经网络的方法为：人工标定图像中车牌四角的位置，用透视变换将车牌区域拉伸到图片中间固定的区域，再将图片归一化到预定的大小，对归一化的图片进行灰度化，再对图片进行中值滤波操作去噪，最后将车牌图片输入步骤(7)中训练好的卷积神经网络，得到清晰化之后的车牌图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810599569.2A CN108549892B (zh) | 2018-06-12 | 2018-06-12 | 一种基于卷积神经网络的车牌图像清晰化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810599569.2A CN108549892B (zh) | 2018-06-12 | 2018-06-12 | 一种基于卷积神经网络的车牌图像清晰化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108549892A CN108549892A (zh) | 2018-09-18 |
| CN108549892B true CN108549892B (zh) | 2022-02-11 |
Family
ID=63492718
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810599569.2A Active CN108549892B (zh) | 2018-06-12 | 2018-06-12 | 一种基于卷积神经网络的车牌图像清晰化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108549892B (zh) |
Families Citing this family (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523476B (zh) * | 2018-11-02 | 2022-04-05 | 武汉烽火众智数字技术有限责任公司 | 用于视频侦查的车牌去运动模糊方法 |
| CN109862253B (zh) * | 2018-12-06 | 2020-12-25 | 中国人民解放军陆军工程大学 | 一种基于深度学习的数字视频稳像方法 |
| CN109800682B (zh) * | 2018-12-29 | 2022-12-09 | 桂林电子科技大学 | 驾驶员属性识别方法及相关产品 |
| CN109615066A (zh) * | 2019-01-30 | 2019-04-12 | 新疆爱华盈通信息技术有限公司 | 一种针对neon优化的卷积神经网络的裁剪方法 |
| CN110348569B (zh) * | 2019-07-18 | 2021-10-08 | 华中科技大学 | 基于卷积神经网络的实时光学层析方法和系统 |
| CN110599413B (zh) * | 2019-08-15 | 2023-05-09 | 江苏大学 | 基于深度学习卷积神经网络的激光光斑图像去噪的方法 |
| CN110675333B (zh) * | 2019-08-26 | 2023-04-07 | 山东大学 | 一种基于神经网络超分辨率技术的显微成像处理方法 |
| CN110633712A (zh) * | 2019-09-17 | 2019-12-31 | 中控智慧科技股份有限公司 | 一种车身颜色识别方法、系统、装置及计算机可读介质 |
| CN110782402A (zh) * | 2019-09-27 | 2020-02-11 | 深圳市华付信息技术有限公司 | 一种发票文本去模糊的方法 |
| CN110929748A (zh) * | 2019-10-12 | 2020-03-27 | 杭州电子科技大学 | 一种基于深度学习的运动模糊图像特征匹配方法 |
| CN111160316B (zh) * | 2020-01-06 | 2022-07-08 | 电子科技大学 | 一种基于轻量级神经网络的车牌识别方法 |
| CN111462010A (zh) * | 2020-03-31 | 2020-07-28 | 腾讯科技（深圳）有限公司 | 图像处理模型的训练方法、图像处理方法、装置及设备 |
| CN112183650B (zh) * | 2020-10-09 | 2023-09-22 | 青岛中瑞车云工业互联网科技有限公司 | 一种在相机失焦情况下的数字检测识别方法 |
| US11741579B2 (en) * | 2020-11-16 | 2023-08-29 | Huawei Technologies Co., Ltd. | Methods and systems for deblurring blurry images |
| CN112435192B (zh) * | 2020-11-30 | 2023-03-14 | 杭州小影创新科技股份有限公司 | 一种轻量级的图像清晰度增强方法 |
| CN113903180B (zh) * | 2021-11-17 | 2022-02-25 | 四川九通智路科技有限公司 | 一种高速公路检测车辆超速的方法及系统 |
| CN116543377A (zh) * | 2023-07-05 | 2023-08-04 | 西南民族大学 | 一种基于多尺度特征的车牌清晰度提升方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160057059A (ko) * | 2014-11-13 | 2016-05-23 | 주식회사한맥아이피에스 | 선택적 선명화를 통한 차량 번호판 인식 방법과 시스템 |
| CN107590774A (zh) * | 2017-09-18 | 2018-01-16 | 北京邮电大学 | 一种基于生成对抗网络的车牌清晰化方法及装置 |
| CN107527044B (zh) * | 2017-09-18 | 2021-04-30 | 北京邮电大学 | 一种基于搜索的多张车牌清晰化方法及装置 |
-
2018
- 2018-06-12 CN CN201810599569.2A patent/CN108549892B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| 《FUZZY REASONING FOR THE DESIGN OF CNN-BASED IMAGE PROCESSING SYSTEMS》;M. Balsi, F. Voci;《ISCAS 2000 - IEEE International Symposium on Circuits and Systems》;20000531;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108549892A (zh) | 2018-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108549892B (zh) | 一种基于卷积神经网络的车牌图像清晰化方法 | |
| CN109360171B (zh) | 一种基于神经网络的视频图像实时去模糊方法 | |
| CN109754017B (zh) | 基于可分离的三维残差网络和迁移学习高光谱图像分类方法 | |
| CN109410127B (zh) | 一种基于深度学习与多尺度图像增强的图像去噪方法 | |
| CN108564549B (zh) | 一种基于多尺度稠密连接网络的图像去雾方法 | |
| CN110544213B (zh) | 一种基于全局和局部特征融合的图像去雾方法 | |
| CN112819772A (zh) | 一种高精度快速图形检测识别方法 | |
| CN111091503A (zh) | 基于深度学习的图像去失焦模糊方法 | |
| CN113538374B (zh) | 一种面向高速运动物体的红外图像模糊校正方法 | |
| CN112330613B (zh) | 一种细胞病理数字图像质量的评价方法及系统 | |
| CN114565539B (zh) | 一种基于线上知识蒸馏的图像去雾方法 | |
| CN107424121B (zh) | 一种基于分数阶微分的模糊图像超分辨率重构方法 | |
| CN109949334B (zh) | 基于深度强化网络残差连接的轮廓检测方法 | |
| CN113096023A (zh) | 神经网络的训练方法、图像处理方法及装置、存储介质 | |
| CN112801899B (zh) | 基于互补结构感知的内外循环驱动图像盲去模糊方法和装置 | |
| CN117391987A (zh) | 基于多阶段联合增强机制的暗光图像处理方法 | |
| CN116452511B (zh) | 钻爆法隧道掌子面围岩级别智能判识方法、装置及介质 | |
| CN117422653A (zh) | 一种基于权重共享和迭代数据优化的低光照图像增强方法 | |
| CN115797205A (zh) | 基于Retinex分数阶变分网络的无监督单张图像增强方法及系统 | |
| Kim et al. | Blind motion deblurring for satellite image using convolutional neural network | |
| CN113935910A (zh) | 一种基于深度学习的图像模糊长度测量方法 | |
| CN106952243A (zh) | Uuv近海面红外图像自适应归并直方图拉伸增强方法 | |
| CN112258434A (zh) | 一种静态场景下细节保持多曝光图像融合算法 | |
| Chen et al. | GADO-Net: an improved AOD-Net single image dehazing algorithm | |
| CN110675333A (zh) | 一种基于神经网络超分辨率技术的显微成像处理方法 |
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 |