CN109190620A - 车牌样本生成方法、系统、设备及存储介质 - Google Patents

车牌样本生成方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN109190620A
CN109190620A CN201811019752.7A CN201811019752A CN109190620A CN 109190620 A CN109190620 A CN 109190620A CN 201811019752 A CN201811019752 A CN 201811019752A CN 109190620 A CN109190620 A CN 109190620A
Authority
CN
China
Prior art keywords
license plate
plate sample
sample
synthesis
true
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.)
Pending
Application number
CN201811019752.7A
Other languages
English (en)
Inventor
吴仁良
满志朋
车军
朱林
章勇
曹李军
杨浩
刘通
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Keda Technology Co Ltd
Original Assignee
Suzhou Keda Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Keda Technology Co Ltd filed Critical Suzhou Keda Technology Co Ltd
Priority to CN201811019752.7A priority Critical patent/CN109190620A/zh
Publication of CN109190620A publication Critical patent/CN109190620A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种车牌样本生成方法、系统、设备及存储介质，所述方法包括如下步骤：获取预设的车牌图像参数；根据所述车牌图像参数合成车牌图像；将所述车牌图像输入训练好的循环生成对抗网络的第一生成器中，得到输出的车牌样本。本发明解决了真实场景车牌数量太少、搜集困难、标注费时费力的问题，提出了首先根据预设的车牌图像参数进行车牌图像的合成，可以预先设定合成车牌的种类和各项参数，可以根据真实车牌的类别不平衡进行调配，生成更有利于车牌识别的合成训练样本，并且使用循环生成对抗网络进行优化的方法，使得合成车牌的标签得以保留且其风格更接近真实车牌。

Description

车牌样本生成方法、系统、设备及存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种车牌样本生成方法、系统、设备及存储介质。
背景技术
一般来说，监督学习模型的效果会随着有标签训练数据的增加而变得更好。由于中国幅员辽阔，各省市的车牌都不相同，大量车牌数据的搜集和标注费时、费力、费钱，而且有些省份的车牌数据甚至很难获取，这就可能导致车牌数据类别不平衡的问题。
使用额外的合成训练数据已被证实可以在自然场景下的文本定位、文本识别、行人检测、字体识别以及语义分割等任务中提升模型的性能。但是，基于人工知识合成的数据相对真实数据来说还是不够逼真，判别模型可以很轻松的找到它们之间的差别。
随着生成对抗网络(Generative Adversarial Networks，GAN)的提出，很多论文使用基于对抗学习的方法产生了非常逼真的图片。现有技术中已提出了一种使用深度卷积生成对抗网络(Deep Convolution Generative Adversarial Networks,DCGAN)产生的无标签样本作为额外数据去训练一个的行人重识别模型，使得模型的性能提高了一点，但效果不是很明显。2017年一篇名叫CycleGAN(循环生成对抗网络)的论文在不同样本空间的非配对图像转化上的巨大成功，但由于其使用最小二乘损失来衡量两个样本分布的距离，导致其泛化性能不佳，容易生成一种风格的图片。
发明内容
针对现有技术中的问题，本发明的目的在于提供一种车牌样本生成方法、系统、设备及存储介质，解决了真实场景车牌数量太少、搜集困难、标注费时费力的问题，使得合成车牌的标签得以保留且其风格更接近真实车牌。
本发明实施例提供一种车牌样本生成方法，包括如下步骤：
获取预设的车牌图像参数；
根据所述车牌图像参数合成车牌图像；
将所述车牌图像输入训练好的循环生成对抗网络的第一生成器中，得到所述第一生成器输出的车牌样本，所述循环生成对抗网络的第一生成器包括合成车牌样本向真实车牌样本的映射算法。
可选地，所述车牌图像参数包括车牌背景参数、车牌图形参数和车牌文字参数；
所述根据所述车牌图像参数合成车牌图像，包括如下步骤：
根据所述车牌背景参数生成车牌背景；
根据所述车牌图形参数在生成的车牌背景表面添加车牌图形；
根据所述车牌文字参数在生成的车牌背景表面添加车牌文字，得到车牌图像。
可选地，所述车牌图像参数还包括场景变换参数，所述场景变换参数包括车牌图像模糊参数、车牌形变参数、高斯噪声参数、运动模糊参数、HSV变换参数和背景变换颜色中的至少一种；
所述根据所述车牌图像参数合成车牌图像，还包括如下步骤：
根据所述场景变换参数对各个所述车牌图像进行变换，得到各个所述车牌图像对应的变换后的车牌图像。
可选地，还包括如下步骤：
采用合成车牌样本集和真实车牌样本集训练循环生成对抗网络，所述循环生成对抗网络还包括第二生成器、第一判别器和第二判别器，所述第二生成器包括真实车牌样本向合成车牌样本的映射算法，所述第一判别器对所述合成车牌样本集中的车牌样本和第二生成器输出的车牌样本进行判别，所述第二判别器对所述真实车牌样本集中的车牌样本和第一生成器输出的车牌样本进行判别。
可选地，所述循环生成对抗网络的损失根据如下公式得到：
L(G，F，DS，DR)＝LWGAN(G，DR，S，R)
+LWGAN(F，DS，R，S)
+λLcyc(G，F)
其中，G为第一生成器的映射算法，F为第二生成器的映射算法，DS为第一判别器的判别算法，DR为第二判别器的判别算法，R为真实车牌样本集，S为合成车牌样本集；
L(G，F，Ds，DR)为所述循环生成对抗网络的损失，LWGAN(G，DR，S，R)为第一沃瑟斯坦对抗损失，LWGAN(F，DS，R，S)为第二沃瑟斯坦对抗损失；
Lcyc(G，F)为循环一致性损失，λ为循环一致性损失的权重系数。
可选地，所述第一沃瑟斯坦对抗损失和第二沃瑟斯坦对抗损失根据如下公式得到：
其中，Es～Pdata(s)表示从合成车牌样本集中采样出的合成车牌样本的数学期望，Er～Pdata(r)表示从真实车牌样本集中采样出的真实车牌样本的数学期望，s表示从合成车牌样本集中采样出的合成车牌样本，r表示从真实车牌样本集中采样出的真实车牌样本。
可选地，所述循环一致性损失根据如下公式得到：
其中，Es～Pdata(s)表示从合成车牌样本集中采样出的合成车牌样本的数学期望，Er～Pdata(r)表示从真实车牌样本集中采样出的真实车牌样本的数学期望，s表示从合成车牌样本集中采样出的合成车牌样本，r表示从真实车牌样本集中采样出的真实车牌样本。
可选地，所述循环生成对抗网络还包括第二生成器，所述第二生成器包括真实车牌样本向合成车牌样本的映射算法；
所述第一生成器包括12层，前3层用于使用卷积网络提取输入车牌样本的特征编码，中间6层用于使用残差网络将输入车牌样本的特征编码转换成真实车牌样本的特征编码，最后3层用于使用反卷积网络和卷积网络对转换后的特征编码进行解码，得到输出的车牌样本；
所述第二生成器包括12层，前3层用于使用卷积网络提取输入车牌样本的特征编码，中间6层用于使用残差网络将输入车牌样本的特征编码转换成合成车牌样本的特征编码，最后3层用于使用反卷积网络和卷积网络对转换后的特征编码进行解码，得到输出的车牌样本。
可选地，所述循环生成对抗网络还包括第一判别器和第二判别器，所述第一判别器对所述合成车牌样本集中的车牌样本和第二生成器输出的车牌样本进行判别，所述第二判别器对所述真实车牌样本集中的车牌样本和第一生成器输出的车牌样本进行判别；
所述第一判别器包括6层，第1层用于将输入车牌样本裁剪至预设尺寸并对输入车牌样本进行缓存，后面5层用于将第1层缓存中的车牌样本进行判定，输出车牌样本为真实车牌样本或合成车牌样本的结果；
所述第二判别器包括6层，第1层用于将输入车牌样本裁剪至预设尺寸并对输入车牌样本进行缓存，后面5层用于将第1层缓存中的车牌样本进行判定，输出车牌样本为真实车牌样本或合成车牌样本的结果。
本发明实施例还提供一种车牌样本生成系统，应用于所述的车牌样本生成方法，所述系统包括：
车牌参数设定模块，用于获取预设的车牌图像参数；
车牌图像合成模块，用于根据所述车牌图像参数合成车牌图像；
车牌样本优化模块，用于将所述车牌图像输入训练好的循环生成对抗网络的第一生成器中，得到所述第一生成器输出的车牌样本，所述循环生成对抗网络的第一生成器包括合成车牌样本向真实车牌样本的映射算法。
本发明实施例还提供一种车牌样本生成设备，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行所述的车牌样本生成方法的步骤。
本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现所述的车牌样本生成方法的步骤。
本发明所提供的车牌样本生成方法、系统、设备及存储介质具有下列优点：
(1)本发明解决了真实场景车牌数量太少、搜集困难、标注费时费力的问题，提出了根据预设的车牌图像参数进行车牌图像的合成，并使用循环生成对抗网络进行优化的方法，使得合成车牌的标签得以保留且其风格更接近真实车牌，节省了大量的人力、物力和财力；
(2)由于生成车牌图像时，可以预先设定合成车牌的种类和各项参数，可以根据真实车牌的类别不平衡进行调配，生成更有利于车牌识别的合成训练样本；
(3)进一步地，在本发明的优选实施方式中，可以使用W距离对循环生成对抗网络进行改进，使得生成的车牌具有多样性且循环生成对抗网络具有更好的收敛。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。
图1是本发明一实施例的车牌样本生成方法的流程图；
图2～9是本发明一实施例的调用ImageMagick组件合成车牌图像的过程示意图；其中：
图2是在车牌背景中添加车牌图像后的车牌图像示意图；
图3是在图2的基础上添加发牌机关代号的车牌图像示意图；
图4是在图3的基础上添加车牌序号的车牌图像示意图；
图5是在图4的基础上添加随机形变后的车牌图像示意图；
图6是在图5的基础上添加高斯噪声后的车牌图像示意图；
图7是在图6的基础上添加高斯噪声和运动模糊后的车牌图像示意图；
图8是在图7的基础上添加HSV随机变换后的车牌图像示意图；
图9是本发明一实施例的循环生成对抗网络的架构图；
图10是本发明一实施例的车牌样本生成系统的结构示意图；
图11是本发明一实施例的车牌样本生成设备的结构示意图；
图12是本发明一实施例的计算机存储介质的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。
如图1所示，本发明实施例提供一种车牌样本生成方法，包括如下步骤：
S100：获取预设的车牌图像参数；
S200：根据所述车牌图像参数合成车牌图像；
S300：将所述车牌图像输入训练好的循环生成对抗网络的第一生成器中，得到所述第一生成器输出的车牌样本，所述循环生成对抗网络的第一生成器包括合成车牌样本向真实车牌样本的映射算法。
此处合成车牌样本向真实车牌样本的映射算法可以包括合成车牌样本与真实车牌样本的特征编码的映射关系。例如，建立一个特征编码的映射表，该映射表中包括合成车牌样本的特征编码、真实车牌样本的特征编码以及两种类型特征编码之间的映射关系。在将车牌图像输入第一生成器时，首先将车牌图像划分为多个像素区域，然后提取每个像素区域的特征编码，特征可以包括像素区域的位置、颜色分布和灰度分布等信息，然后根据每个像素区域的特征编码作为合成车牌样本的特征编码到映射表中进行查询，查询得到对应的真实车牌样本的特征编码，由此得到所有像素对应的真实车牌样本的特征编码后，根据该些特征编码进行解码，可以得到真实车牌样本。映射表可以通过机械学习得到，在训练生成器时，采用已知映射关系的真实车牌样本和合成车牌样本进行学习，得到对应的映射表。机器学习的方法可以采用深度神经学习网络、卷积神经网络、支持向量机、主动形状模型等等方式提取特征编码。
其中，步骤S200中，可以调用ImageMagic组件合成车牌图像，ImageMagick是一种第三方开源组件，是一套功能强大、稳定且开源的工具集和开发包，可以通过命令行执行相应操作，也可以用C/C++、Per1、Java、PHP、Python或Ruby接口编程来执行本操作。在该实施例中，采用ImageMagick组件的图像处理库的C++接口Magick++进行车牌图像的合成，但本发明不限于此，采用其他接口编程也可以实现对应的功能，均属于本发明的保护范围之内。此外，本发明也不限于使用ImageMagic组件，使用其他现有的图像库或图像处理工具也可以实现车牌图像的合成，均属于本发明的保护范围之内。
在该实施例中，所述车牌图像参数包括车牌背景参数、车牌图形参数和车牌文字参数；
所述根据所述车牌图像参数合成车牌图像，包括如下步骤：
根据所述车牌背景参数生成车牌背景，车牌背景参数可以具体包括车牌背景尺寸、颜色等信息；
根据所述车牌图形参数在生成的车牌背景表面添加车牌图形，车牌图形参数可以包括白色圆角矩阵的尺寸、颜色和形状，铆钉固定框的位置、尺寸、颜色和形状，铆钉的位置、颜色、尺寸和形状，间隔符的位置、尺寸、形状和颜色等等；
根据所述车牌文字参数在生成的车牌背景表面添加车牌文字，得到车牌图像，车牌文字参数可以包括省份、自治区或直辖市简称、发牌机关代号以及序号的字体类型、颜色和位置等等。
如图2～4示出了本发明一实施例的车牌图像合成的三个过程，该实施例中形成的单层蓝色车牌，首先根据车牌背景参数生成一个蓝色车牌背景，然后根据车牌图形参数在蓝色车牌背景上依次添加白色圆角矩阵、铆钉固定框、铆钉和间隔符，得到图2的车牌图像；进一步地，在图2的车牌图像上添加省份、自治区或直辖市简称和发牌机关代号，得到图3的车牌图像；进一步地，在图3的车牌图像上添加车牌序号，得到图4的车牌图像。
进一步地，为了更进一步模拟现实场景，在该实施例中，所述车牌图像参数还包括场景变换参数，所述场景变换参数包括车牌图像模糊参数、车牌形变参数、高斯噪声参数、运动模糊参数、HSV(颜色模型，包括色调H、饱和度S和明度V)变换参数和背景变换颜色中的至少一种；
所述根据所述车牌图像参数合成车牌图像，还包括如下步骤：
根据所述场景变换参数对各个所述车牌图像进行变换，得到各个所述车牌图像对应的变换后的车牌图像。对应于各种场景变换参数可以对车牌图像进行不同的变换：车牌图像模糊变换、车牌随机形变、添加高斯噪声、添加运动模糊、HSV随机形变等等。各种变换可以分别单独采用，也可以结合起来采用，多种变换结合采用时，顺序也没有特殊限制。一个车牌图像可以对应变换得到一张图像，也可以派生出多张车牌图像。
如图5～8示出了几种车牌图像变换的示例。如图5所示，为在图4的基础上添加随机形变后的车牌图像示意图；图6是在图5的基础上添加高斯噪声后的车牌图像示意图；图7是在图6的基础上添加高斯噪声和运动模糊后的车牌图像示意图；图8是在图7的基础上添加HSV随机变换后的车牌图像示意图。
车牌图像模糊是为了模拟混合现实背景，模拟检测得到的车牌，随机形变是为了模拟现实大力度形变的车牌，添加高斯噪声是为了模拟污损车牌，添加高斯模糊和运动模糊，是为了模拟移动场景下的车牌，添加HSV随机变换是为了模拟白天、夜间以及各种颜色变换的车牌变体。
生成车牌时使用的多种背景颜色也可以根据需要进行选择，车牌文字的内容、字体和排列也可以进行多种变换。例如，生成双层黄色车牌、生成不同省份的车牌等等。由于合成的车牌图像中的各个参数可以自由定义，因此可以根据需求合成不同类型的车牌，解决了真实场景车牌数量太少、标注费时费力以及数据类别不平衡的问题。
由于ImageMagick图像处理库的Magick++合成的有标签车牌样本比较粗糙，因此本发明进一步采用循环生成对抗网络来优化合成的车牌图像，得到优化后的车牌样本，优化后的车牌样本与真实车牌样本的分布更加接近，可以直接用于车牌识别系统的训练。
生成对抗网络的原理即是采用两个模型，一个生成器模型，一个判别器模型。判别器模型用于判断一个给定的图片是不是真实的图片(判断该图片是从数据集里获取的真实图片还是生成器生成的图片)，生成器模型的任务是去创造一个看起来像真的图片一样的图片。而在开始的时候这两个模型都是没有经过训练的，这两个模型一起对抗训练，生成器模型产生一张图片去欺骗判别模型，然后判别器模型去判断这张图片是真是假，最终在这两个模型训练的过程中，两个模型的能力越来越强，最终达到稳态。稳态即生成对抗网络的损失达到最小值。在达到稳态后，即可以使用生成器模型去生成所需要的图片。
循环生成对抗网络本质上是两个镜像对称的生成对抗网络，构成了一个环形网络。两个生成对抗网络共享两个生成器，并各自带一个判别器，即共有两个判别器和两个生成器。
在该实施例中，所述车牌样本生成方法还包括如下步骤：
采用合成车牌样本集和真实车牌样本集训练循环生成对抗网络，所述循环生成对抗网络还包括第二生成器、第一判别器和第二判别器，所述第二生成器包括真实车牌样本向合成车牌样本的映射算法，所述第一判别器对所述合成车牌样本集中的车牌样本和第二生成器输出的车牌样本进行判别，所述第二判别器对所述真实车牌样本集中的车牌样本和第一生成器输出的车牌样本进行判别。
此处真实车牌样本向合成车牌样本的映射算法可以包括真实车牌样本与合成车牌样本的特征编码的映射关系。例如，建立一个特征编码的映射表，该映射表中包括真实车牌样本的特征编码、合成车牌样本的特征编码以及两种类型特征编码之间的映射关系。在将真实车牌样本输入第二生成器时，首先将真实车牌样本划分为多个像素区域，然后提取每个像素区域的特征编码，特征可以包括像素区域的位置、颜色分布和灰度分布等信息，然后根据每个像素区域的特征编码作为真实车牌样本的特征编码到映射表中进行查询，查询得到对应的合成车牌样本的特征编码，由此得到所有像素对应的合成车牌样本的特征编码后，根据该些特征编码进行解码，可以得到合成车牌样本。映射表可以通过机械学习得到，在训练生成器时，采用已知映射关系的真实车牌样本和合成车牌样本进行学习，得到对应的映射表。机器学习的方法可以采用深度神经学习网络、卷积神经网络、支持向量机、主动形状模型等等方式提取特征编码。
第一判别器和第二判别器的训练同样也需要包括具有标记的真实车牌样本和合成车牌样本的训练集。采用训练集进行机器学习，对真实车牌样本和合成车牌样本进行分类，分别学习两种样本的特征编码，得到一个分类器，在训练完成后，如果输入一个车牌样本，则采用分类器去进行识别，计算输入车牌样本为真实车牌样本的概率和输入车牌样本为合成车牌样本的概率，选择概率高的类别作为输出的类别。分类器的训练可以采用支持向量机算法、主动形状模型算法、深度神经网络学习算法、卷积神经网络等等方式提取特征编码，并根据特征编码对应的真实或合成的标记进行分类。
如图9所示，为本发明一实施例的循环生成对抗网络的架构图。其中，S表示合成车牌样本集，R表示真实车牌样本集。循环生成对抗网络的训练中，希望合成车牌样本集的车牌样本分布和真实车牌样本集中的真实车牌样本分布尽可能的相似。G表示第一生成器，包括从S映射到R的算法，因此第一生成器可以将合成车牌样本集S中的合成车牌转换成真实车牌样本集R中的车牌样本G(S)，同时保留车牌标签。对于生成的车牌样本，还需要第二判别器DR来判别其是否为真实车牌。但仅有这一映射对于非配对车牌数据集合的转换显得约束不足，因此函数映射G完全可以将所有的S都映射到R空间中的同一个模式的车牌，从而迎合判别器DR得到高分，这样就会造成模式缺失的问题。为了解决此问题，本发明引入另外一个生成器函数映射F，它能够将生成器G产生的车牌G(S)变回它自己“F(G(S))”，即：S和F(G(S))越接近越好(用L1正则化的循环一致性损失Lcyc_f(G,F)来衡量)，这样生成器就不能总是产生单一模式的车牌来糊弄判别器了。
为了使得无配对车牌数据集转换成功，我们引入了对偶学习机制将真实车牌样本空间R转到合成车牌样本空间S，见图9的下半部分。第一判别器DS对所述合成车牌样本集中的车牌样本和第二生成器F输出的车牌样本进行判别，真实车牌样本集R经第二生成器F映射得到F(R)，然后再经第一生成器G映射得到G(F(R)),R和G(F(R))越接近越好(用L1正则化的循环一致性损失Lcyc_b(G,F)来衡量)，因此该实施例的循环生成对抗网络包含两个生成器、两个判别器和两个循环。
在训练生成对抗网络的过程中，两个样本分布距离的衡量方法对生成样本的质量起着非常重要的作用。一个不好的距离衡量方法可能会导致网络很难训练，甚至会导致模型崩溃。鉴于WGAN(Wasserstein GAN，沃瑟斯坦生成对抗网络)中所提出的W(Wasserstein，沃瑟斯坦)距离的优越性(训练更加稳定，确保了生成样本的多样性，且生成样本质量更好等)，该实施例进一步采用WGAN中的损失函数形式替换CycleGAN中的最小二乘损失，此处将其称为CycleWGAN。即使用W距离对循环生成对抗网络进行改进，从而可以获得两个样本之间更好的距离衡量标准，由于结合了WGAN的距离的优越性，可以使得循环生成对抗网络的收敛性更好。此处CycleWGAN的整体目标函数如下面公式(1)中所示，其包含了对抗损失和循环一致性损失这两类。
其中，G为第一生成器的映射算法，F为第二生成器的映射算法，DS为第一判别器的判别算法，DR为第二判别器的判别算法，R为真实车牌样本集，S为合成车牌样本集；
L(G,F,Ds,DR)为所述循环生成对抗网络的损失，LWGAN(G,DR,S,R)为第一沃瑟斯坦对抗损失，LWGAN(F,DS,R,S)为第二沃瑟斯坦对抗损失；
Lcyc(G，F)为循环一致性损失，λ为循环一致性损失的权重系数。
在该实施例中，对抗损失包括前向和后向对抗损失，每一项又包含了生成器损失和判别器损失，分别起着使生成车牌样本更像真实车牌样本和纠正生成器车牌编码结果符合真实车牌风格的作用，所述第一沃瑟斯坦对抗损失和第二沃瑟斯坦对抗损失根据如下公式(2)得到：
其中，Es～Pdata(s)表示从合成车牌样本集中采样出的合成车牌样本的数学期望，Er～Pdata(r)表示从真实车牌样本集中采样出的真实车牌样本的数学期望，s表示从合成车牌样本集中采样出的合成车牌样本，r表示从真实车牌样本集中采样出的真实车牌样本。
在该实施例中，循环一致性损失包含前向循环一致性损失Lcyc_f(G,F)和后向循环一致性损失Lcyc_b(G,F)，主要起着引导生成器更好的完成编码、风格转换和解码任务并防止模式缺失的作用，具体地，所述循环一致性损失根据如下公式(3)得到：
其中，Es～Pdata(s)表示从合成车牌样本集中采样出的合成车牌样本的数学期望，Er～Pdata(r)表示从真实车牌样本集中采样出的真实车牌样本的数学期望，s表示从合成车牌样本集中采样出的合成车牌样本，r表示从真实车牌样本集中采样出的真实车牌样本。
在该实施例中，所述第一生成器包括12层，前3层用于使用卷积网络提取输入车牌样本的特征编码，中间6层用于使用残差网络将输入车牌样本的特征编码转换成真实车牌样本的特征编码，具体可以通过卷积神经网络学习得到的合成车牌样本的特征编码和真实车牌样本的特征编码的映射表来进行转换，最后3层用于使用反卷积网络和卷积网络对转换后的特征编码进行解码，得到输出的车牌样本；
所述第二生成器包括12层，前3层用于使用卷积网络提取输入车牌样本的特征编码，中间6层用于使用残差网络将输入车牌样本的特征编码转换成合成车牌样本的特征编码，具体可以通过卷积神经网络学习得到的真实车牌样本的特征编码和合成车牌样本的特征编码的映射表来进行转换，最后3层用于使用反卷积网络和卷积网络对转换后的特征编码进行解码，得到输出的车牌样本。
在该实施例中，所述第一判别器包括6层(包括输入层)，第1层用于将输入车牌样本裁剪至预设尺寸并对输入车牌样本进行缓存，后面5层用于将第1层缓存中的车牌样本进行判定，输出车牌样本为真实车牌样本或合成车牌样本的结果；
所述第二判别器包括6层(包括输入层)，第1层用于将输入车牌样本裁剪至预设尺寸并对输入车牌样本进行缓存，后面5层用于将第1层缓存中的车牌样本进行判定，输出车牌样本为真实车牌样本或合成车牌样本的结果。
具体地，判别器的输入层采用了PatchGAN和ImagePool技术，PatchGAN技术用于将输入图像随机裁剪到某个尺寸(比如，70x70)，然后再送入判别器判断真假，这样使得判别器可以更好地捕捉到车牌图像的局部高频特征，例如车牌的纹理、风格等，这样可以大大减少模型的参数、加速训练，且减少了对输入车牌尺寸的限制。ImagePool(图像缓存池)技术是通过先将图像缓存池填满，然后随机选择图像缓存池中的车牌或最近生成的车牌送入判别器，这样可以帮助判别器记忆历史错误信息，使得模型的训练更加稳定。
生成器网络参数配置可以参见如下表1，其中Filters，K，P和Pw分别表示卷积核的数量、大小、滑动步长、手动镜像补零的大小和自动补零的方式。
表1
层的类型 参数配置
输出层 128x128x3
Conv-InstanceNorm-RELU Filters:3,K:7x7,S:1,P:3,P<sub>w</sub>:VALID
Deconv-InstanceNorm-RELU Filters:32,K:3x3,S:1/2,P:0,P<sub>w</sub>:SAME
Deconv-InstanceNorm-RELU Filters:64,K:3x3,S:1/2,P:0,P<sub>w</sub>:SAME
Residual-InstanceNorm-RELU*6 2*Filters:128,K:3x3,S:2,P:1,P<sub>w</sub>:VALID
Conv-InstanceNorm-RELU Filters:128,K:3x3,S:2,P:0,P<sub>w</sub>:SAME
Conv-InstanceNorm-RELU Filters:64,K:3x3,S:2,P:0,P<sub>w</sub>:SAME
Conv-InstanceNorm-RELU Filters:32,K:7x7,S:1,P:3,P<sub>w</sub>:VALID
输入层 128x128x3
判别器网络参数配置可以参见如下表2，其中Filters，K，P和Pw分别表示卷积核的数量、大小、滑动步长、手动镜像补零的大小和自动补零的方式。
表2
采用本发明的车牌样本生成方法，可以生成更接近于真实车牌样本且保留合成标签的车牌样本，进而可以应用于车牌识别系统的训练，车牌识别系统可以采用各种机器学习模型，例如卷积神经网络等等，学习车牌样本集中的车牌特征，建立车牌识别模型。
如图10所示，本发明实施例还提供一种车牌样本生成系统，应用于所述的车牌样本生成方法，所述系统包括：
车牌参数设定模块10，用于获取预设的车牌图像参数；
车牌图像合成模块20，用于根据所述车牌图像参数合成车牌图像；
车牌样本优化模块30，用于将所述车牌图像输入训练好的循环生成对抗网络的第一生成器中，得到所述第一生成器输出的车牌样本，所述循环生成对抗网络的第一生成器包括合成车牌样本向真实车牌样本的映射算法。
本发明实施例还提供一种车牌样本生成设备，包括处理器；存储器，其中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行所述的车牌样本生成方法的步骤。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图11来描述根据本发明的这种实施方式的电子设备600。图11显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图11所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
本发明实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被执行时实现所述的车牌样本生成方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图12所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述，与现有技术相比，本发明所提供的车牌样本生成方法、系统、设备及存储介质具有下列优点：
(1)本发明解决了真实场景车牌数量太少、搜集困难、标注费时费力的问题，提出了使用预设的车牌图像参数进行车牌图像的合成，并使用循环生成对抗网络进行优化的方法，使得合成车牌的标签得以保留且其风格更接近真实车牌，节省了大量的人力、物力和财力；
(2)由于生成车牌图像时，可以预先设定合成车牌的种类和各项参数，可以根据真实车牌的类别不平衡进行调配，生成更有利于车牌识别的合成训练样本；
(3)进一步地，在本发明的优选实施方式中，可以使用W距离对循环生成对抗网络进行改进，使得生成的车牌具有多样性且循环生成对抗网络具有更好的收敛。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (12)

1.一种车牌样本生成方法，其特征在于，包括如下步骤：
获取预设的车牌图像参数；
根据所述车牌图像参数合成车牌图像；
将所述车牌图像输入训练好的循环生成对抗网络的第一生成器中，得到所述第一生成器输出的车牌样本，所述循环生成对抗网络的第一生成器包括合成车牌样本向真实车牌样本的映射算法。
2.根据权利要求1所述的车牌样本生成方法，其特征在于，所述车牌图像参数包括车牌背景参数、车牌图形参数和车牌文字参数；
所述根据所述车牌图像参数合成车牌图像，包括如下步骤：
根据所述车牌背景参数生成车牌背景；
根据所述车牌图形参数在生成的车牌背景表面添加车牌图形；
根据所述车牌文字参数在生成的车牌背景表面添加车牌文字，得到车牌图像。
3.根据权利要求2所述的车牌样本生成方法，其特征在于，所述车牌图像参数还包括场景变换参数，所述场景变换参数包括车牌图像模糊参数、车牌形变参数、高斯噪声参数、运动模糊参数、HSV变换参数和背景变换颜色中的至少一种；
所述根据所述车牌图像参数合成车牌图像，还包括如下步骤：
根据所述场景变换参数对各个所述车牌图像进行变换，得到各个所述车牌图像对应的变换后的车牌图像。
4.根据权利要求1所述的车牌样本生成方法，其特征在于，还包括如下步骤：
采用合成车牌样本集和真实车牌样本集训练循环生成对抗网络，所述循环生成对抗网络还包括第二生成器、第一判别器和第二判别器，所述第二生成器包括真实车牌样本向合成车牌样本的映射算法，所述第一判别器对所述合成车牌样本集中的车牌样本和第二生成器输出的车牌样本进行判别，所述第二判别器对所述真实车牌样本集中的车牌样本和第一生成器输出的车牌样本进行判别。
5.根据权利要求4所述的车牌样本生成方法，其特征在于，所述循环生成对抗网络的损失根据如下公式得到：
L(G，F，DS，DR)＝LWGAN(G，DR，S，R)
+LWGAN(F，DS，R，S)
+λLcyc(G，F)
其中，G为第一生成器的映射算法，F为第二生成器的映射算法，DS为第一判别器的判别算法，DR为第二判别器的判别算法，R为真实车牌样本集，S为合成车牌样本集；
L(G，F，Ds，DR)为所述循环生成对抗网络的损失，LWGAN(G，DR，S，R)为第一沃瑟斯坦对抗损失，LWGAN(F，DS，R，S)为第二沃瑟斯坦对抗损失；
Lcyc(G，F)为循环一致性损失，λ为循环一致性损失的权重系数。
6.根据权利要求5所述的车牌样本生成方法，其特征在于，所述第一沃瑟斯坦对抗损失和第二沃瑟斯坦对抗损失根据如下公式得到：
其中，Es～Pdata(s)表示从合成车牌样本集中采样出的合成车牌样本的数学期望，Er～Pdata(r)表示从真实车牌样本集中采样出的真实车牌样本的数学期望，s表示从合成车牌样本集中采样出的合成车牌样本，r表示从真实车牌样本集中采样出的真实车牌样本。
7.根据权利要求5所述的车牌样本生成方法，其特征在于，所述循环一致性损失根据如下公式得到：
其中，Es～Pdata(s)表示从合成车牌样本集中采样出的合成车牌样本的数学期望，Er～Pdata(r)表示从真实车牌样本集中采样出的真实车牌样本的数学期望，s表示从合成车牌样本集中采样出的合成车牌样本，r表示从真实车牌样本集中采样出的真实车牌样本。
8.根据权利要求1所述的车牌样本生成方法，其特征在于，所述循环生成对抗网络还包括第二生成器，所述第二生成器包括真实车牌样本向合成车牌样本的映射算法；
所述第一生成器包括12层，前3层用于使用卷积网络提取输入车牌样本的特征编码，中间6层用于使用残差网络将输入车牌样本的特征编码转换成真实车牌样本的特征编码，最后3层用于使用反卷积网络和卷积网络对转换后的特征编码进行解码，得到输出的车牌样本；
所述第二生成器包括12层，前3层用于使用卷积网络提取输入车牌样本的特征编码，中间6层用于使用残差网络将输入车牌样本的特征编码转换成合成车牌样本的特征编码，最后3层用于使用反卷积网络和卷积网络对转换后的特征编码进行解码，得到输出的车牌样本。
9.根据权利要求1所述的车牌样本生成方法，其特征在于，所述循环生成对抗网络还包括第一判别器和第二判别器，所述第一判别器对所述合成车牌样本集中的车牌样本和第二生成器输出的车牌样本进行判别，所述第二判别器对所述真实车牌样本集中的车牌样本和第一生成器输出的车牌样本进行判别；
所述第一判别器包括6层，第1层用于将输入车牌样本裁剪至预设尺寸并对输入车牌样本进行缓存，后面5层用于将第1层缓存中的车牌样本进行判定，输出车牌样本为真实车牌样本或合成车牌样本的结果；
所述第二判别器包括6层，第1层用于将输入车牌样本裁剪至预设尺寸并对输入车牌样本进行缓存，后面5层用于将第1层缓存中的车牌样本进行判定，输出车牌样本为真实车牌样本或合成车牌样本的结果。
10.一种车牌样本生成系统，其特征在于，应用于权利要求1至9中任一项所述的车牌样本生成方法，所述系统包括：
车牌参数设定模块，用于获取预设的车牌图像参数；
车牌图像合成模块，用于根据所述车牌图像参数合成车牌图像；
车牌样本优化模块，用于将所述车牌图像输入训练好的循环生成对抗网络的第一生成器中，得到所述第一生成器输出的车牌样本，所述循环生成对抗网络的第一生成器包括合成车牌样本向真实车牌样本的映射算法。
11.一种车牌样本生成设备，其特征在于，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至9中任一项所述的车牌样本生成方法的步骤。
12.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被执行时实现权利要求1至9中任一项所述的车牌样本生成方法的步骤。
CN201811019752.7A 2018-09-03 2018-09-03 车牌样本生成方法、系统、设备及存储介质 Pending CN109190620A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811019752.7A CN109190620A (zh) 2018-09-03 2018-09-03 车牌样本生成方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811019752.7A CN109190620A (zh) 2018-09-03 2018-09-03 车牌样本生成方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN109190620A true CN109190620A (zh) 2019-01-11

Family

ID=64917894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811019752.7A Pending CN109190620A (zh) 2018-09-03 2018-09-03 车牌样本生成方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN109190620A (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110287800A (zh) * 2019-05-29 2019-09-27 河海大学 一种基于sgse-gan的遥感图像场景分类方法
CN110309715A (zh) * 2019-05-22 2019-10-08 北京邮电大学 基于深度学习的灯具识别的室内定位方法、装置及系统
CN110598843A (zh) * 2019-07-23 2019-12-20 中国人民解放军63880部队 一种基于判别器共享的生成对抗网络组织结构及其训练方法
CN110610124A (zh) * 2019-07-30 2019-12-24 珠海亿智电子科技有限公司 一种基于生成对抗网络的图像生成方法
CN111681162A (zh) * 2020-06-09 2020-09-18 创新奇智(成都)科技有限公司 一种缺陷样本生成方法、装置、电子设备及存储介质
CN111767945A (zh) * 2020-06-08 2020-10-13 上海交通大学 基于CycleGAN网络模型的车牌样本生成方法及系统
CN112070176A (zh) * 2020-09-18 2020-12-11 福州大学 一种免切割的端到端车牌识别方法
CN112102424A (zh) * 2019-06-18 2020-12-18 顺丰科技有限公司 车牌图像生成模型构建方法、生成方法及装置
CN112446822A (zh) * 2021-01-29 2021-03-05 聚时科技(江苏)有限公司 一种污损集装箱号图片的生成方法
CN112464924A (zh) * 2019-09-06 2021-03-09 华为技术有限公司 一种构建训练集的方法及装置
CN112560551A (zh) * 2019-09-25 2021-03-26 西门子（中国）有限公司 用于车牌识别的系统、方法和设备
CN113505772A (zh) * 2021-06-23 2021-10-15 北京华创智芯科技有限公司 基于生成对抗网络的车牌图像生成方法及系统
CN113516615A (zh) * 2020-11-24 2021-10-19 阿里巴巴集团控股有限公司 一种样本生成方法、系统、设备及存储介质
CN113723402A (zh) * 2021-08-24 2021-11-30 北京市商汤科技开发有限公司 图像处理及网络训练方法、装置、设备和存储介质
CN113807302A (zh) * 2021-09-26 2021-12-17 重庆紫光华山智安科技有限公司 车牌识别算法准确率测试方法、装置、电子设备及可读存储介质
CN113971627A (zh) * 2020-07-23 2022-01-25 华为技术有限公司 一种车牌图片生成方法及装置
CN114267036A (zh) * 2021-12-25 2022-04-01 福州大学 基于生成对抗网络的车牌生成方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107368852A (zh) * 2017-07-13 2017-11-21 西安电子科技大学 一种基于非下采样轮廓波dcgan的极化sar图像分类方法
CN107577985A (zh) * 2017-07-18 2018-01-12 南京邮电大学 基于循环生成对抗网络的人脸头像卡通化的实现方法
AU2018100325A4 (en) * 2018-03-15 2018-04-26 Nian, Xilai MR A New Method For Fast Images And Videos Coloring By Using Conditional Generative Adversarial Networks
CN108038818A (zh) * 2017-12-06 2018-05-15 电子科技大学 一种基于多重循环一致性的生成对抗式网络图像风格转移方法
CN108090521A (zh) * 2018-01-12 2018-05-29 广州视声智能科技有限公司 一种生成式对抗网络模型的图像融合方法和判别器
CN108182657A (zh) * 2018-01-26 2018-06-19 深圳市唯特视科技有限公司 一种基于循环生成对抗网络的面部图像转换方法
CN108334904A (zh) * 2018-02-07 2018-07-27 深圳市唯特视科技有限公司 一种基于统一生成对抗网络的多域图像转换技术

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107368852A (zh) * 2017-07-13 2017-11-21 西安电子科技大学 一种基于非下采样轮廓波dcgan的极化sar图像分类方法
CN107577985A (zh) * 2017-07-18 2018-01-12 南京邮电大学 基于循环生成对抗网络的人脸头像卡通化的实现方法
CN108038818A (zh) * 2017-12-06 2018-05-15 电子科技大学 一种基于多重循环一致性的生成对抗式网络图像风格转移方法
CN108090521A (zh) * 2018-01-12 2018-05-29 广州视声智能科技有限公司 一种生成式对抗网络模型的图像融合方法和判别器
CN108182657A (zh) * 2018-01-26 2018-06-19 深圳市唯特视科技有限公司 一种基于循环生成对抗网络的面部图像转换方法
CN108334904A (zh) * 2018-02-07 2018-07-27 深圳市唯特视科技有限公司 一种基于统一生成对抗网络的多域图像转换技术
AU2018100325A4 (en) * 2018-03-15 2018-04-26 Nian, Xilai MR A New Method For Fast Images And Videos Coloring By Using Conditional Generative Adversarial Networks

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
JUN-YAN ZHU等: "Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 *
PHILLIP ISOLA等: "Image-to-Image Translation with Conditional Adversarial Networks", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
XINLONG WANG 等: "Adversarial Generation of Training Examples: Applications to Moving Vehicle License Plate Recognition", 《COMPUTER VISION AND PATTERN RECOGNITION》 *
严泰来等: "《遥感技术与农业应用》", 31 July 2008 *
杨斌等: "卷积神经网络的研究进展综述", 《南华大学学报( 自然科学版)》 *
王一宁等: "基于残差神经网络的图像超分辨率改进算法", 《计算机应用》 *
郭荣幸等: "一种引入聚焦机制的静态图像人体分割方法", 《电视技术》 *

Cited By (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110309715B (zh) * 2019-05-22 2021-05-25 北京邮电大学 基于深度学习的灯具识别的室内定位方法、装置及系统
CN110309715A (zh) * 2019-05-22 2019-10-08 北京邮电大学 基于深度学习的灯具识别的室内定位方法、装置及系统
CN110287800B (zh) * 2019-05-29 2022-08-16 河海大学 一种基于sgse-gan的遥感图像场景分类方法
CN110287800A (zh) * 2019-05-29 2019-09-27 河海大学 一种基于sgse-gan的遥感图像场景分类方法
CN112102424A (zh) * 2019-06-18 2020-12-18 顺丰科技有限公司 车牌图像生成模型构建方法、生成方法及装置
CN110598843A (zh) * 2019-07-23 2019-12-20 中国人民解放军63880部队 一种基于判别器共享的生成对抗网络组织结构及其训练方法
CN110598843B (zh) * 2019-07-23 2023-12-22 中国人民解放军63880部队 一种基于判别器共享的生成对抗网络组织结构的训练方法
CN110610124A (zh) * 2019-07-30 2019-12-24 珠海亿智电子科技有限公司 一种基于生成对抗网络的图像生成方法
CN110610124B (zh) * 2019-07-30 2021-11-30 珠海亿智电子科技有限公司 一种基于生成对抗网络的图像生成方法
CN112464924A (zh) * 2019-09-06 2021-03-09 华为技术有限公司 一种构建训练集的方法及装置
CN112560551A (zh) * 2019-09-25 2021-03-26 西门子（中国）有限公司 用于车牌识别的系统、方法和设备
CN111767945A (zh) * 2020-06-08 2020-10-13 上海交通大学 基于CycleGAN网络模型的车牌样本生成方法及系统
CN111681162B (zh) * 2020-06-09 2023-09-01 创新奇智(成都)科技有限公司 一种缺陷样本生成方法、装置、电子设备及存储介质
CN111681162A (zh) * 2020-06-09 2020-09-18 创新奇智(成都)科技有限公司 一种缺陷样本生成方法、装置、电子设备及存储介质
CN113971627B (zh) * 2020-07-23 2023-07-18 华为技术有限公司 一种车牌图片生成方法及装置
CN113971627A (zh) * 2020-07-23 2022-01-25 华为技术有限公司 一种车牌图片生成方法及装置
CN112070176A (zh) * 2020-09-18 2020-12-11 福州大学 一种免切割的端到端车牌识别方法
CN112070176B (zh) * 2020-09-18 2022-05-13 福州大学 一种免切割的端到端车牌识别方法
CN113516615A (zh) * 2020-11-24 2021-10-19 阿里巴巴集团控股有限公司 一种样本生成方法、系统、设备及存储介质
CN113516615B (zh) * 2020-11-24 2024-03-01 阿里巴巴集团控股有限公司 一种样本生成方法、系统、设备及存储介质
CN112446822A (zh) * 2021-01-29 2021-03-05 聚时科技(江苏)有限公司 一种污损集装箱号图片的生成方法
CN113505772A (zh) * 2021-06-23 2021-10-15 北京华创智芯科技有限公司 基于生成对抗网络的车牌图像生成方法及系统
CN113505772B (zh) * 2021-06-23 2024-05-10 北京华创智芯科技有限公司 基于生成对抗网络的车牌图像生成方法及系统
CN113723402A (zh) * 2021-08-24 2021-11-30 北京市商汤科技开发有限公司 图像处理及网络训练方法、装置、设备和存储介质
CN113807302A (zh) * 2021-09-26 2021-12-17 重庆紫光华山智安科技有限公司 车牌识别算法准确率测试方法、装置、电子设备及可读存储介质
CN114267036A (zh) * 2021-12-25 2022-04-01 福州大学 基于生成对抗网络的车牌生成方法

Similar Documents

Publication Publication Date Title
CN109190620A (zh) 车牌样本生成方法、系统、设备及存储介质
Liu et al. Learning a few-shot embedding model with contrastive learning
CN115205949B (zh) 图像生成方法以及相关设备
CN109558832A (zh) 一种人体姿态检测方法、装置、设备及存储介质
AU2019202063B2 (en) Synthesizing new font glyphs from partial observations
CN108292358A (zh) 用于识别系统的合成三维对象图像的生成
Robert et al. Hybridnet: Classification and reconstruction cooperation for semi-supervised learning
CN110516201A (zh) 图像处理方法、装置、电子设备及存储介质
Sumbul et al. Multisource region attention network for fine-grained object recognition in remote sensing imagery
CN107861938A (zh) 一种poi文案生成方法及装置，电子设备
CN110009057A (zh) 一种基于深度学习的图形验证码识别方法
CN110516577A (zh) 图像处理方法、装置、电子设备及存储介质
CN114943789A (zh) 一种图像处理方法、模型训练方法及相关装置
CN112164002B (zh) 人脸矫正模型的训练方法、装置、电子设备及存储介质
CN111259814B (zh) 一种活体检测方法及系统
CN112949647A (zh) 三维场景描述方法、装置、电子设备和存储介质
MacLeod et al. A comparison between morphometric and artificial neural network approaches to the automated species recognition problem in systematics
CN110852375A (zh) 基于深度学习的端到端乐谱音符识别方法
CN110399760A (zh) 一种批量二维码定位方法、装置、电子设备及存储介质
CN109325493A (zh) 一种基于人形机器人的文字识别方法及人形机器人
CN114863194A (zh) 科技资讯跨媒体检索特征映射网络训练方法、检索方法及装置
CN117635771A (zh) 一种基于半监督对比学习的场景文本编辑方法和装置
CN111382871A (zh) 基于数据扩充一致性的领域泛化和领域自适应学习方法
Tan et al. Enhanced text-to-image synthesis with self-supervision
CN114092931B (zh) 场景文字识别方法、装置、电子设备及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190111