CN109523476A - 用于视频侦查的车牌去运动模糊方法 - Google Patents
用于视频侦查的车牌去运动模糊方法 Download PDFInfo
- Publication number
- CN109523476A CN109523476A CN201811302095.7A CN201811302095A CN109523476A CN 109523476 A CN109523476 A CN 109523476A CN 201811302095 A CN201811302095 A CN 201811302095A CN 109523476 A CN109523476 A CN 109523476A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- motion blur
- network
- clear
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000011835 investigation Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 9
- 238000010200 validation analysis Methods 0.000 claims abstract description 7
- 238000013461 design Methods 0.000 claims abstract description 6
- 230000017105 transposition Effects 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000004069 differentiation Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20201—Motion blur correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种用于视频侦查的车牌去运动模糊方法，该方法包括：S1，收集多组包括模糊车牌图像和对应的清晰车牌图像的车牌数据组合，并分成训练数据集、验证数据集和测试数据集；S2，设计去运动模糊的生成对抗网络模型，生成网络包括两个步长的卷积块、七个Mobilenet V2的反转残差块和两个转置卷积块；S3，训练生成对抗网络，把步骤S1获得的数据集放入生成对抗网络模型中进行训练；S4，在步骤S3训练出的去运动模糊的生成对抗网络模型的基础上，输入运动模糊的车牌图像，输出数据即为生成的清晰车牌图像。本发明能实现车牌清晰化，从而快速确定嫌疑人的身份，尽快有效的帮助刑侦人员破案，采用Mobilenet V2的Inverted residual block组成的生成网络能够更好的提取高维特征。
Description
技术领域
本发明涉及智能视频监控技术领域，尤其涉及一种用于视频侦查的车牌去运动模糊方法。
背景技术
随着科技的快速发展，智能视频监控技术在公安刑侦业务中广泛应用，通过视频录像记录行人及车辆行为，从视频中发现和追踪嫌疑目标已成为刑侦技术的重要手段。在实际办案过程中，当工作人员锁定了嫌疑人或嫌疑车辆后，需要从案发地及附近区域追踪到嫌疑人的行动路线，然而从海量的监控视频中人为查找嫌疑人或嫌疑车辆是一项非常困难的工作，不仅耗时较长而且容易遗漏目标。特别是对嫌疑车辆的追踪中，由于运动模糊导致很多车牌信息无法识别，从而无法构建大数据轨迹信息，导致耗费大量人力物力却收获甚微的问题。因此需要去模糊进行车牌识别，以便视频侦查时快速确定车辆信息以及嫌疑人的身份，进行快速的案件侦破，提升办案效率，缩短案件侦查时间。
发明内容
本发明的目的在于提供一种用于视频侦查的车牌去运动模糊方法，旨在用于解决现有视频侦查技术中进行可疑目标侦查时车牌信息模糊，无法确定嫌疑人的身份信息的问题。
本发明是这样实现的：
本发明提供一种用于视频侦查的车牌去运动模糊方法，该方法包括以下步骤：
S1，收集多组包括模糊车牌图像和对应的清晰车牌图像的车牌数据组合，并分成训练数据集、验证数据集和测试数据集；
S2，设计去运动模糊的生成对抗网络模型，该网络模型包括用于根据输入的模糊图像生成对应的清晰图像的生成网络和用于判断由生成网络生成的清晰图像与原始清晰图像之间相似度的判别网络，所述生成网络包括两个步长的卷积块、七个Mobilenet V2的反转残差块和两个转置卷积块；
S3，训练生成对抗网络，把步骤S1获得的训练数据集放入生成对抗网络模型中进行训练，通过迭代应用向后传播算法，逐步更新该网络模型的训练参数，直至该网络模型收敛，训练过程中，将验证数据集送入生成对抗网络模型中验证模型的性能，将测试数据集送入生成对抗网络模型中测试模型的生成图像效果；
S4，在步骤S3训练出的去运动模糊的生成对抗网络模型的基础上，输入运动模糊的车牌图像，输出数据即为生成的清晰车牌图像。
进一步地，所述步骤S1中收集多组包括模糊车牌图像和对应的清晰车牌图像的车牌数据组合具体包括：
获取实时的车辆监控视频，通过边缘投影定位车牌位置，结合kcf实现车牌跟踪，从视频中选取清晰车牌图像构成清晰车牌图像集合，从视频中选取与清晰车牌图像对应的模糊车牌图像或者将清晰的车牌图像通过运动模糊技术生成对应的模糊车牌图像，模糊车牌图像与对应的清晰车牌图像一起构成车牌数据组合。
进一步地，所述通过边缘投影定位车牌位置具体包括：
先进行sobel边缘提取，然后通过滑动框计算滑动框横向与纵向的边缘投影，选取都满足要求的区域进行车牌标定。
进一步地，所述步骤S2中的生成网络用于先学习一个清晰车牌图像和运动模糊车牌图像的残差修正Ir，再与模糊车牌图像叠加得到清晰车牌图像，具体计算公式如下：
Is＝Ib+Ir
其中Ib是模糊图像，Is是清晰图像，Ir是残差修正。
进一步地，所述判别网络为一个梯度惩罚的WGAN-GP。
进一步地，所述判别网络只对图像的patch进行判别。
进一步地，所述步骤S3具体包括：
输入模糊车牌图像x，经过生成网络G得到输出yg，如下：
yg←Gθ(x)
然后yg再进行随机更新得到yε，如下：
yε←εx+(1-ε)yg
其中ε是服从[0,1]的均匀分布的随机数；
最后再用损失函数L计算通过判别网络D的yg和训练数据集的清晰车牌图像的损失值，并且增加梯度惩罚分量，其中惩罚因子λ＝10，惩罚分量将参数与限制联系起来达到真实的Lipschitz限制条件，损失函数如下：
其中，E为目标函数的数学期望；D为判别网络；yg～Pg指的是图像yg取自一个特定的分布Pg；y～Py指的是图像y取自一个特定的分布Py，yε～Pyε指的是图像yε取自一个特定的分布Pyε；λ为惩罚因子。
进一步地，所述步骤S3中训练生成对抗网络采用batchSize为1，Adam初始学习率为0.0001进行训练。
进一步地，训练过程中，每代训练数据集中的所有训练数据训练结束之后，对训练数据进行随机切割和翻转，开始新一代的训练。
与现有技术相比，本发明具有以下有益效果：
本发明提供的这种用于视频侦查的车牌去运动模糊方法，设计去运动模糊的生成对抗网络模型并进行训练，训练后的模型能够根据输入的运动模糊的车牌图像生成清晰的车牌图像，实现车牌清晰化辅助车牌识别，确定车辆信息，辅助大数据轨迹生成，从而快速确定嫌疑人的身份，尽快有效的帮助刑侦人员破案，提升办案效率，缩短案件侦查时间，为办案人员提供了技术支持。本发明采用Mobilenet V2的Inverted residual block组成的生成网络能够更好的提取高维特征。
附图说明
图1为本发明实施例提供的一种用于视频侦查的车牌去运动模糊方法的流程图。
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它实施例，都属于本发明保护的范围。
本发明实施例提供一种用于视频侦查的车牌去运动模糊方法，该方法基于生成对抗网络。生成对抗网络是2014年Goodfellow Ian在论文Generative Adversarial Nets中提出来的，GAN的基本思想源自博弈论的二人零和博弈，由一个生成器和一个判别器构成，通过对抗学习的方式来训练。目的是估测数据样本的潜在分布并生成新的数据样本。
如图1所示，该方法包括以下步骤：
S1，收集多组包括模糊车牌图像和对应的清晰车牌图像的车牌数据组合，并随机按比例(例如6:2:2)分成训练数据集、验证数据集和测试数据集。
S2，设计去运动模糊的生成对抗网络模型，该网络模型包括用于根据输入的模糊图像生成对应的清晰图像的生成网络和用于判断由生成网络生成的清晰图像与原始清晰图像之间相似度的判别网络，所述生成网络包括两个步长的卷积块、七个Mobilenet V2的Inverted residual block(反转残差块)和两个转置卷积块。常规的residual block进行降维、卷积和升维操作，而Mobilenet V2则是升维、卷积和降维操作，因此，本发明采用Mobilenet V2的Inverted residual block组成的生成网络能够更好的提取高维特征。
S3，训练生成对抗网络，把步骤S1获得的训练数据集放入生成对抗网络模型中进行训练，通过迭代应用向后传播算法，逐步更新该网络模型的训练参数，直至该网络模型收敛，训练过程中，将验证数据集送入生成对抗网络模型中验证模型的性能，将测试数据集送入生成对抗网络模型中测试模型的生成图像效果。
S4，在步骤S3训练出的去运动模糊的生成对抗网络模型的基础上，输入运动模糊的车牌图像，输出数据即为生成的清晰车牌图像。
本发明实施例提供的这种用于视频侦查的车牌去运动模糊方法，设计去运动模糊的生成对抗网络模型并进行训练，训练后的模型能够根据输入的运动模糊的车牌图像生成清晰的车牌图像，实现车牌清晰化辅助车牌识别，确定车辆信息，辅助大数据轨迹生成，从而快速确定嫌疑人的身份，尽快有效的帮助刑侦人员破案，提升办案效率，缩短案件侦查时间，为办案人员提供了技术支持。
作为本实施例的优选，所述步骤S1中收集多组包括模糊车牌图像和对应的清晰车牌图像的车牌数据组合具体包括：
通过rtsp(实时流传输协议)数据流获取实时的车辆监控视频，通过边缘投影定位车牌位置，具体包括：先进行sobel边缘提取，然后通过滑动框计算滑动框横向与纵向的边缘投影，选取都满足要求的区域进行车牌标定。并结合kcf(鉴别式追踪方法)实现车牌跟踪，从视频中选取清晰车牌图像以及与清晰车牌图像对应的模糊车牌图像，若视频中没有与某个清晰车牌图像对应的模糊车牌图像，则将该清晰车牌图像通过运动模糊技术生成对应的模糊车牌图像，模糊车牌图像与对应的清晰车牌图像一起构成车牌数据组合，模糊车牌图像与清晰车牌图像是一一对应的。
本实施例通过从监控视频中提取车牌信息作为样本，对实际视频侦查的环境适应性更好，鲁棒性更强，更加实用于实战。
作为本实施例的优选，所述步骤S2中的生成网络用于先学习一个清晰车牌图像和运动模糊车牌图像的残差修正Ir，再与模糊车牌图像叠加得到清晰车牌图像，具体计算公式如下：
Is＝Ib+Ir
其中Ib是模糊图像，Is是清晰图像，Ir是残差修正。
作为本实施例的优选，所述判别网络为一个梯度惩罚的WGAN-GP。由于GAN只负责处理低频成分，判别网络就不需要以整张图作为输入，只对图像的patch进行判别，在训练的时候，通过WGAN-GP能够生成比权重剪枝的WGAN更高质量的样本。
作为本实施例的优选，所述步骤S3具体包括：
输入模糊车牌图像x，经过生成网络G得到输出yg，如下：
yg←Gθ(x)
然后yg再进行随机更新得到yε，如下：
yε←εx+(1-ε)yg
其中ε是服从[0,1]的均匀分布的随机数。
最后再用损失函数L计算通过判别网络D的yg和训练数据集的清晰车牌图像的损失值，并且增加梯度惩罚分量，其中惩罚因子λ＝10，惩罚分量将参数与限制联系起来达到真实的Lipschitz限制条件，损失函数如下：
其中，E为目标函数的数学期望；D为判别网络；yg～Pg指的是图像yg取自一个特定的分布Pg，在本方法中，这个特定的分布指的就训练数据集中的模糊车牌图像通过生成网络生成的图像的集合。同理，y～Py指的是图像y取自一个特定的分布Py，yε～Pyε指的是图像yε取自一个特定的分布Pyε，λ为惩罚因子。
优选地，所述步骤S3中训练生成对抗网络采用batchSize为1，Adam初始学习率为0.0001进行训练。训练学习率会随着迭代过程下降，训练过程中，每代训练数据集中的所有训练数据训练结束之后，对训练数据进行随机切割和翻转，开始新一代的训练，进行数据增强，以提升模型的泛化性能。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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。
Claims (9)
1.一种用于视频侦查的车牌去运动模糊方法，其特征在于，该方法包括以下步骤：
S1，收集多组包括模糊车牌图像和对应的清晰车牌图像的车牌数据组合，并分成训练数据集、验证数据集和测试数据集；
S2，设计去运动模糊的生成对抗网络模型，该网络模型包括用于根据输入的模糊图像生成对应的清晰图像的生成网络和用于判断由生成网络生成的清晰图像与原始清晰图像之间相似度的判别网络，所述生成网络包括两个步长的卷积块、七个Mobilenet V2的反转残差块和两个转置卷积块；
S3，训练生成对抗网络，把步骤S1获得的训练数据集放入生成对抗网络模型中进行训练，通过迭代应用向后传播算法，逐步更新该网络模型的训练参数，直至该网络模型收敛，训练过程中，将验证数据集送入生成对抗网络模型中验证模型的性能，将测试数据集送入生成对抗网络模型中测试模型的生成图像效果；
S4，在步骤S3训练出的去运动模糊的生成对抗网络模型的基础上，输入运动模糊的车牌图像，输出数据即为生成的清晰车牌图像。
2.如权利要求1所述的用于视频侦查的车牌去运动模糊方法，其特征在于：所述步骤S1中收集多组包括模糊车牌图像和对应的清晰车牌图像的车牌数据组合具体包括：
获取实时的车辆监控视频，通过边缘投影定位车牌位置，结合kcf实现车牌跟踪，从视频中选取清晰车牌图像构成清晰车牌图像集合，从视频中选取与清晰车牌图像对应的模糊车牌图像或者将清晰的车牌图像通过运动模糊技术生成对应的模糊车牌图像，模糊车牌图像与对应的清晰车牌图像一起构成车牌数据组合。
3.如权利要求2所述的用于视频侦查的车牌去运动模糊方法，其特征在于，所述通过边缘投影定位车牌位置具体包括：
先进行sobel边缘提取，然后通过滑动框计算滑动框横向与纵向的边缘投影，选取都满足要求的区域进行车牌标定。
4.如权利要求1所述的用于视频侦查的车牌去运动模糊方法，其特征在于：
所述步骤S2中的生成网络用于先学习一个清晰车牌图像和运动模糊车牌图像的残差修正Ir，再与模糊车牌图像叠加得到清晰车牌图像，具体计算公式如下：
Is＝Ib+Ir
其中Ib是模糊图像，Is是清晰图像，Ir是残差修正。
5.如权利要求1所述的用于视频侦查的车牌去运动模糊方法，其特征在于：所述判别网络为一个梯度惩罚的WGAN-GP。
6.如权利要求1所述的用于视频侦查的车牌去运动模糊方法，其特征在于：所述判别网络只对图像的patch进行判别。
7.如权利要求1所述的用于视频侦查的车牌去运动模糊方法，其特征在于：所述步骤S3具体包括：
输入模糊车牌图像x，经过生成网络G得到输出yg，如下：
yg←Gθ(x)
然后yg再进行随机更新得到yε，如下：
yε←εx+(1-ε)yg
其中ε是服从[0,1]的均匀分布的随机数；
最后再用损失函数L计算通过判别网络D的yg和训练数据集的清晰车牌图像的损失值，并且增加梯度惩罚分量，其中惩罚因子λ＝10，惩罚分量将参数与限制联系起来达到真实的Lipschitz限制条件，损失函数如下：
其中，E为目标函数的数学期望；D为判别网络；yg～Pg指的是图像yg取自一个特定的分布Pg；y～Py指的是图像y取自一个特定的分布Py，yε～Pyε指的是图像yε取自一个特定的分布Pyε；λ为惩罚因子。
8.如权利要求1所述的用于视频侦查的车牌去运动模糊方法，其特征在于：所述步骤S3中训练生成对抗网络采用batchSize为1，Adam初始学习率为0.0001进行训练。
9.如权利要求8所述的用于视频侦查的车牌去运动模糊方法，其特征在于：训练过程中，每代训练数据集中的所有训练数据训练结束之后，对训练数据进行随机切割和翻转，开始新一代的训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811302095.7A CN109523476B (zh) | 2018-11-02 | 2018-11-02 | 用于视频侦查的车牌去运动模糊方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811302095.7A CN109523476B (zh) | 2018-11-02 | 2018-11-02 | 用于视频侦查的车牌去运动模糊方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109523476A true CN109523476A (zh) | 2019-03-26 |
| CN109523476B CN109523476B (zh) | 2022-04-05 |
Family
ID=65774375
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811302095.7A Active CN109523476B (zh) | 2018-11-02 | 2018-11-02 | 用于视频侦查的车牌去运动模糊方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109523476B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264432A (zh) * | 2019-08-19 | 2019-09-20 | 汕头大学 | 一种基于gan的coltrims图像修复方法及装置 |
| CN110472699A (zh) * | 2019-08-24 | 2019-11-19 | 福州大学 | 一种基于gan的电力场所有害生物运动模糊图像检测方法 |
| CN111310791A (zh) * | 2020-01-17 | 2020-06-19 | 电子科技大学 | 一种基于小样本数目集的动态渐进式自动目标识别方法 |
| CN111340716A (zh) * | 2019-11-20 | 2020-06-26 | 电子科技大学成都学院 | 一种改进双重判别对抗网络模型的图像去模糊方法 |
| CN111476745A (zh) * | 2020-01-13 | 2020-07-31 | 杭州电子科技大学 | 一种进行运动模糊超分辨的多分支网络及方法 |
| CN112216640A (zh) * | 2020-10-19 | 2021-01-12 | 惠州高视科技有限公司 | 一种半导体芯片定位方法和装置 |
| CN113409423A (zh) * | 2021-05-26 | 2021-09-17 | 深圳市捷顺科技实业股份有限公司 | 一种车牌图像生成方法、系统、装置及存储介质 |
| CN113409200A (zh) * | 2020-03-17 | 2021-09-17 | 通用汽车环球科技运作有限责任公司 | 用于车辆中图像去模糊的系统和方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107992826A (zh) * | 2017-12-01 | 2018-05-04 | 广州优亿信息科技有限公司 | 一种基于深度孪生网络的人流检测方法 |
| CN108229442A (zh) * | 2018-02-07 | 2018-06-29 | 西南科技大学 | 基于ms-kcf的图像序列中人脸快速稳定检测方法 |
| CN108416752A (zh) * | 2018-03-12 | 2018-08-17 | 中山大学 | 一种基于生成式对抗网络进行图像去运动模糊的方法 |
| 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 |
| CN108596886A (zh) * | 2018-04-17 | 2018-09-28 | 福州大学 | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 |
| CN108711138A (zh) * | 2018-06-06 | 2018-10-26 | 北京印刷学院 | 一种基于生成对抗网络的灰度图片彩色化方法 |
-
2018
- 2018-11-02 CN CN201811302095.7A patent/CN109523476B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107992826A (zh) * | 2017-12-01 | 2018-05-04 | 广州优亿信息科技有限公司 | 一种基于深度孪生网络的人流检测方法 |
| CN108229442A (zh) * | 2018-02-07 | 2018-06-29 | 西南科技大学 | 基于ms-kcf的图像序列中人脸快速稳定检测方法 |
| CN108416752A (zh) * | 2018-03-12 | 2018-08-17 | 中山大学 | 一种基于生成式对抗网络进行图像去运动模糊的方法 |
| CN108596886A (zh) * | 2018-04-17 | 2018-09-28 | 福州大学 | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 |
| CN108711138A (zh) * | 2018-06-06 | 2018-10-26 | 北京印刷学院 | 一种基于生成对抗网络的灰度图片彩色化方法 |
| 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 |
Non-Patent Citations (2)
| Title |
|---|
| GULRAJANI等: "Improved Training of Wasserstein GANs", 《31ST ANNUAL CONFERENCE ON NEURAL INFORMATION PROCESSING SYSTEMS (NIPS)》 * |
| 毛勇等: "基于深度学习的车牌图像去运动模糊技术", 《杭州电子科技大学学报（自然科学版）》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110264432A (zh) * | 2019-08-19 | 2019-09-20 | 汕头大学 | 一种基于gan的coltrims图像修复方法及装置 |
| CN110472699A (zh) * | 2019-08-24 | 2019-11-19 | 福州大学 | 一种基于gan的电力场所有害生物运动模糊图像检测方法 |
| CN111340716A (zh) * | 2019-11-20 | 2020-06-26 | 电子科技大学成都学院 | 一种改进双重判别对抗网络模型的图像去模糊方法 |
| CN111476745A (zh) * | 2020-01-13 | 2020-07-31 | 杭州电子科技大学 | 一种进行运动模糊超分辨的多分支网络及方法 |
| CN111476745B (zh) * | 2020-01-13 | 2023-07-25 | 杭州电子科技大学 | 一种进行运动模糊超分辨的多分支网络及方法 |
| CN111310791A (zh) * | 2020-01-17 | 2020-06-19 | 电子科技大学 | 一种基于小样本数目集的动态渐进式自动目标识别方法 |
| CN113409200A (zh) * | 2020-03-17 | 2021-09-17 | 通用汽车环球科技运作有限责任公司 | 用于车辆中图像去模糊的系统和方法 |
| CN113409200B (zh) * | 2020-03-17 | 2023-09-29 | 通用汽车环球科技运作有限责任公司 | 用于车辆中图像去模糊的系统和方法 |
| CN112216640A (zh) * | 2020-10-19 | 2021-01-12 | 惠州高视科技有限公司 | 一种半导体芯片定位方法和装置 |
| CN113409423A (zh) * | 2021-05-26 | 2021-09-17 | 深圳市捷顺科技实业股份有限公司 | 一种车牌图像生成方法、系统、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109523476B (zh) | 2022-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109523476A (zh) | 用于视频侦查的车牌去运动模糊方法 | |
| CN108446700B (zh) | 一种基于对抗攻击的车牌攻击生成方法 | |
| CN109344736B (zh) | 一种基于联合学习的静态图像人群计数方法 | |
| Nguyen et al. | Pavement crack detection using convolutional neural network | |
| CN106778595B (zh) | 基于高斯混合模型的人群中异常行为的检测方法 | |
| CN108388927A (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
| CN106022285A (zh) | 一种基于卷积神经网络的车款识别方法及装置 | |
| CN106204646A (zh) | 基于bp神经网络的多运动目标跟踪方法 | |
| CN109284664A (zh) | 驾驶员辅助系统和护栏检测方法 | |
| CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测系统 | |
| CN110363238A (zh) | 智能车辆定损方法、系统、电子设备及存储介质 | |
| CN113642685B (zh) | 一种高效的基于相似度的跨摄像头的目标重识别方法 | |
| Chen et al. | Robust vehicle detection and counting algorithm adapted to complex traffic environments with sudden illumination changes and shadows | |
| DE102015211871A1 (de) | Objekterkennungsvorrichtung | |
| Chi et al. | Public-attention-based adversarial attack on traffic sign recognition | |
| CN103824074A (zh) | 一种基于背景减除和纹理特征的人群密度估计方法及系统 | |
| CN117892340A (zh) | 基于特征一致性的联邦学习攻击检测方法、系统及装置 | |
| Wu et al. | Research on asphalt pavement disease detection based on improved YOLOv5s | |
| Ma et al. | License plate character recognition based on Gaussian-Hermite moments | |
| Alkan et al. | Driver Cell Phone Usage Violation Detection using License Plate Recognition Camera Images. | |
| Kshirsagar et al. | GREE-COCO: Green Artificial Intelligence Powered Cost Pricing Models for Congestion Control. | |
| Alexeev et al. | End to end learning for a driving simulator | |
| Prawinsankar et al. | Traffic Congession Detection through Modified Resnet50 and Prediction of Traffic using Clustering | |
| Zhou et al. | Attention-aware network and multi-loss joint training method for vehicle re-identification | |
| CN113989325A (zh) | 一种基于矩阵“最大数”的多目标匹配算法 |
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 |