CN110807491A - 车牌图像清晰度模型训练方法、清晰度检测方法及装置 - Google Patents
车牌图像清晰度模型训练方法、清晰度检测方法及装置 Download PDFInfo
- Publication number
- CN110807491A CN110807491A CN201911069615.9A CN201911069615A CN110807491A CN 110807491 A CN110807491 A CN 110807491A CN 201911069615 A CN201911069615 A CN 201911069615A CN 110807491 A CN110807491 A CN 110807491A
- Authority
- CN
- China
- Prior art keywords
- definition
- license plate
- image
- model
- loss function
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning 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
- 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
本申请涉及一种车牌图像清晰度模型训练方法、清晰度检测方法及装置,其中模型训练方法通过获取多个清晰度等级分别对应的车牌样本图像集,将多个清晰度等级在0至1之间均匀分布,得对应的清晰度值,根据清晰度等级和对应的清晰度值标注各样本图像的清晰度值,采用标注后的车牌样本图像集,利用平滑损失函数训练深度学习网络模型。由于在训练时车牌样本图像集的清晰度值是按车牌图像的清晰程度进行分类并排序后映射的,因此,在利用平滑损失函数对模型进行训练后,模型学习到的特征更具有鲁棒性,进而在利用模型进行实际检测时,可以根据学习到的特征输出一个能够反应车牌区域清晰程度的标量值,从而可以较为精确的对车牌区域的图像质量进行评价。
Description
技术领域
本申请涉及图像识别技术领域,特别是涉及一种车牌图像清晰度模型训练方法、清晰度检测方法及装置。
背景技术
通常在车牌检测与识别的应用场景中,一般是先采用检测模型定位到检测图像中的车牌,再将定位到的车牌局部图片送入车牌识别网络识别车牌号。但在实际使用场景中,车辆远近不一,无法避免会有较远处的车辆进入到摄像头的视野中,从而导致采集的检测图像中车牌较模糊,此时如果将车牌局部图像定位出来,并且送到车牌识别网络中去的话,会预测出来一个错误的车牌号,从而引起后续任务的错误。
目前常用的解决方案是引用图像清晰度评价方法,包括传统图像处理方法和深度学习方法。传统图像处理方法因本身的鲁棒性差,并且不够灵活,在车牌清晰度场景中表现一般。而深度学习方法一般采用分类的方法,比如分为清晰与不清晰两类,但由于该种分类方式不具有连续性,从而导致分类结果不够精确。
发明内容
基于此,有必要针对上述传统的图像清晰度评价不够精确的问题,提供一种车牌图像清晰度模型训练方法、清晰度检测方法及装置。
为了实现上述目的,一方面,本申请实施例提供了一种车牌图像清晰度模型训练方法,包括:
获取多个清晰度等级分别对应的车牌样本图像集,车牌样本图像集中包括若干个样本图像;
将多个清晰度等级在0至1之间均匀分布,以得到与清晰度等级分别对应的清晰度值;
根据与清晰度等级分别对应的清晰度值标注车牌样本图像集中各样本图像的清晰度值;
采用标注了清晰度值的多个清晰度等级分别对应的车牌样本图像集,利用平滑损失函数训练深度学习网络模型,直到平滑损失函数达到最小值。
在其中一个实施例中,深度学习网络模型的生成方法,包括:使用多个卷积层构成特征提取网络;在特征提取网络之后接入全连接层,其中,全连接层具有一维的输出;在全连接层之后通过激活函数将输出映射到0至1之间,并与标注的清晰度值对应,以得到深度学习网络模型。
在其中一个实施例中,利用平滑损失函数训练深度学习网络模型,包括:在利用平滑损失函数训练深度学习网络模型的过程中,通过随机梯度下降法对平滑损失函数进行优化,直到平滑损失函数达到最小值。
另一方面,本申请实施例还提供了车牌图像清晰度检测方法,所述方法包括:
对待检测图像中的车牌区域进行检测,以定位车牌区域;
利用通过上述车牌图像清晰度模型训练方法训练后的深度学习网络模型对车牌区域的清晰度进行检测,以得到车牌区域的清晰度值。
在其中一个实施例中,上述方法还包括:当清晰度值达到预设的清晰度阈值时,则识别车牌区域中的车牌号。
第三方面,本申请实施例还提供了一种车牌图像清晰度模型训练装置,包括:
样本图像获取模块,用于获取多个清晰度等级分别对应的车牌样本图像集,车牌样本图像集中包括若干个样本图像;
清晰度标注模块,用于将多个清晰度等级在0至1之间均匀分布,以得到与清晰度等级分别对应的清晰度值;并根据与清晰度等级分别对应的清晰度值标注车牌样本图像集中各样本图像的清晰度值;
模型训练模块,用于采用标注了清晰度值的多个清晰度等级分别对应的车牌样本图像集,利用平滑损失函数训练深度学习网络模型,直到平滑损失函数达到最小值。
第四方面,本申请实施例还提供了一种车牌图像清晰度检测装置,包括:
车牌区域定位模块,用于对待检测图像中的车牌区域进行检测,以定位车牌区域;
清晰度检测模块,用于利用上述车牌图像清晰度模型训练方法训练后的深度学习网络模型对车牌区域的清晰度进行检测,以得到车牌区域的清晰度值。
第五方面,本申请实施例还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上方法所述的步骤。
第六方面,本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上方法所述的步骤。
上述车牌图像清晰度模型训练方法、清晰度检测方法及装置,通过获取多个清晰度等级分别对应的车牌样本图像集,将多个清晰度等级在0至1之间均匀分布,以得对应的清晰度值,根据清晰度等级和对应的清晰度值标注各样本图像的清晰度值,采用标注后的车牌样本图像集,利用平滑损失函数训练深度学习网络模型。由于在模型训练时车牌样本图像集的清晰度值是按车牌图像的清晰程度进行分类并排序后映射的,因此,在利用平滑损失函数对模型进行训练后,模型学习到的特征更具有鲁棒性,进而在利用模型进行实际检测时,可以根据学习到的特征输出一个能够反应车牌区域清晰程度的标量的清晰度值,从而可以较为精确的对车牌区域的图像质量进行评价。
附图说明
图1为一个实施例中车牌图像清晰度模型训练方法的流程示意图;
图2为一个实施例中深度学习网络模型生成步骤的流程示意图;
图3为一个实施例中深度学习网络模型的结构示意图;
图4为一个实施例中车牌图像清晰度检测方法的应用环境图;
图5为一个实施例中车牌图像清晰度检测方法的流程示意图;
图6为一个实施例中车牌图像清晰度模型训练装置的结构框图;
图7为一个实施例中车牌图像清晰度检测装置的结构框图;
图8为另一个实施例中车牌图像清晰度检测装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供了一种车牌图像清晰度模型训练方法,如图1所示,具体可以包括如下步骤:
步骤102,获取多个清晰度等级分别对应的车牌样本图像集。
由于清晰度本身就是一个连续的标量,而传统的清晰度评价中对清晰度的分类并不具备连续性。因此,在本实施例中,为了使得深度学习网络模型可以学习到车牌样本图像的特征以及对应的清晰度值,使其在实际检测时可以输出代表车牌清晰程度的标量清晰度值,从而通过采集大量的车牌图像作为样本,然后根据车牌图像的清晰程度将其划分为多个类别,得到分类后的多个清晰度等级以及分别对应的车牌样本图像集以对模型进行训练,其中,每一等级对应的车牌样本图像集中包括若干个样本图像。
举例来说,假设本实施例中的清晰度等级包括如下5个:完全无法辨识的等级1,即车牌图像中的英文、数字以及中文均模糊不清,导致无法辨识的情况;部分不可辨识的等级2,即车牌图像中的英文和数字可辨识,但中文部分不可辨识的情况;部分不清晰但能根据轮廓猜测出的等级3,即车牌图像中的英文及数字可辨识,中文不清晰但能够凭借轮廓猜测出结果的情况;基本能辨识但存在无损或模糊的等级4,即车牌图像中的英文、数字以及中文均基本能够辨识,但图像存在无损或模型的情况;能够轻松辨识的等级5,即车牌图像中的英文、数字以及中文均能够轻松辨识的情况。则获取对应于每一个清晰度等级的车牌样本图像集,而每一个车牌样本集中的样本数量可以在5000至30000不等。
步骤104,将多个清晰度等级在0至1之间均匀分布,以得到与清晰度等级分别对应的清晰度值。
具体的,通过将按清晰程度进行分类并排序的多个清晰度等级在0至1之间均匀分布,以得到各自映射的数值,从而将映射的数值作为对应清晰度等级的清晰度值。以上述包括5个清晰度等级为例,将其清晰度值归一化到0至1之间,并均匀分布,则得到归一化后从等级1至等级5的清晰度值分别为:0;0.25;0.5;0.75;1。需要说明的是,本实施例中的等级划分只是为了说明本申请的原理,并不用于限定本申请的范围,在实际处理中,清晰度等级可以不限于上述5个,只需要将确定的清晰度等级在0至1间均匀分布,得到对应的清晰度值,以便于后续在训练模型的过程中可以学习到各个等级的车牌样本图像集的特征,使其能够输出标量的清晰度值。
步骤106,根据与清晰度等级分别对应的清晰度值标注车牌样本图像集中各样本图像的清晰度值。
具体的,通过上述映射的与清晰度等级对应的清晰度值对车牌样本图像集中各样本图像进行标注,以便于后续对模型进行训练的过程中模型能够学习到各个类别的车牌样本图像集的特征以及对应的清晰度值。
步骤108,采用标注了清晰度值的多个清晰度等级分别对应的车牌样本图像集,利用平滑损失函数训练深度学习网络模型。
具体的,采用标注了清晰度值的多个清晰度等级分别对应的车牌样本图像集,并利用平滑损失函数训练深度学习网络模型,直到平滑损失函数达到最小值,从而使得模型能够快速收敛并学习到各个类别的车牌样本图像集的特征以及对应的清晰度值,以便于进行实际的清晰度检测。
在本实施例中,由于在训练时车牌样本图像集的清晰度值是按车牌图像的清晰程度进行分类并排序后映射的,因此,在利用平滑损失函数对模型进行训练后,模型学习到的特征更具有鲁棒性,进而在利用模型进行实际检测时,可以根据学习到的特征输出一个能够反应车牌区域清晰程度的标量的清晰度值,从而可以较为精确的对车牌区域的图像质量进行评价。
在一个实施例中,平滑损失函数具体可以采用如下表达式:
其中,x是指训练时模型输出的清晰度值和标注的清晰度值之间的差值。例如,若某一样本图像标注的清晰度等级为等级3,其对应的清晰度值为0.5,而在进行模型训练时的输出值为0.4,则x=0.4-0.5=0.1,将其代入上述表达式,即由上述平滑损失函数smoothL1计算的误差为0.5*0.12=0.005。通过车牌样本图像集中的样本不断的对模型进行训练,最终训练得到的损失函数越小,模型的鲁棒性就越好。
在一个实施例中,在利用上述平滑损失函数训练深度学习网络模型的过程中,可以通过随机梯度下降法SGD(stochastic gradient descent)对平滑损失函数进行优化,使得模型在不断的学习中更新参数,直到模型收敛,损失函数值不再下降,即损失函数达到最小值时,保存模型参数,从而获得训练后的深度学习网络模型。
在一个实施例中,如图2所示,上述深度学习网络模型的生成方法具体可以包括如下步骤:
步骤202,使用多个卷积层构成特征提取网络。
步骤204,在特征提取网络之后接入全连接层,该全连接层具有一维的输出。
步骤206,在全连接层之后通过激活函数将输出映射到0至1之间,并与标注的清晰度值对应,以得到深度学习网络模型。
其中,激活函数可以采用Sigmoid函数,用于隐层神经元输出,且其可以将一个实数映射到(0,1)的区间。在本实施例中,深度学习网络模型可以采用如图3所示的残差神经网络实现,包括依次连接的多个卷积层(即特征提取层),在最后一个卷积层的后端接入具有一维输出的全连接层,在全连接层之后则通过Sigmoid函数将输出映射到(0,1)的区间,并与车牌样本图像中标注的清晰度值对应,以形成深度学习网络模型。
具体的,上述深度学习网络模型可以基于ResNet 18(Residual Neural Network,残差神经网络)作为基础模型,并将ResNet 18最后一层输出为1000维的全连接层改为输出为1维的全连接层,即只取全连接层中的一维输出做为全连接层,之后经过Sigmoid函数将输出归一化到[0,1]的区间,从而得到本实施例中的深度学习网络模型。
本申请还提供了一种车牌图像清晰度检测方法,可以应用于如图4所示的应用环境中。其中,终端402与服务器404通过网络进行通信,在本实施例中,终端402可以是各种具有图像采集功能的设备,如可以但不限于各种智能手机、平板电脑、相机和便携式图像采集设备,服务器404可以用独立的服务器或者是多个服务器组成的服务器集群来实现。具体的,终端402用于采集待检测图像,并将采集的待检测图像通过网络发送至服务器404,当然待检测图像也可以预先存储在服务器404中。服务器404则对待检测图像中的车牌区域进行检测,以定位车牌区域,并基于多个清晰度等级分别对应的车牌样本图像集以及平滑损失函数训练深度学习网络模型,使其学习到各个类别的车牌样本图像集的特征以及对应的清晰度值,进而通过训练后的深度学习网络模型对车牌区域的清晰度进行检测,以得到车牌区域的清晰度值,由于该清晰度值为连续的标量,从而可以较为精确的对图像质量进行评价,以提高车牌号识别的准确度。
在一个实施例中,如图5所示,提供了一种车牌图像清晰度检测方法,以该方法应用于图4中的服务器为例进行说明,包括以下步骤:
步骤502,对待检测图像中的车牌区域进行检测,以定位车牌区域。
其中,待检测图像是指前端采集的待进行车牌检测的图像,车牌区域则是指图像中展示车牌信息的区域。在实际应用中,由于拍摄环境以及拍摄角度的影响,待检测图像中不一定包含有车牌区域,或者待检测图像中既包含有车牌区域也包含有非车牌区域,因此,在本实施例中,可以采用已经训练好模型参数的基于深度学习的定位模型对待检测图像中的车牌区域进行检测,当检测到待检测图像中包含车牌区域时,则对该车牌区域进行定位;当检测到待检测图像中没有车牌区域时,则结束后续流程,并输出提示信息,以便于工作人员重新采集包含车牌区域的合格的待检测图像。
步骤504,基于多个清晰度等级分别对应的车牌样本图像集以及平滑损失函数训练深度学习网络模型。
其中,清晰度等级是指根据大量的车牌样本图像的清晰程度进行划分的多个类别,例如,可以包括完全无法辨识的类别、部分不可辨识的类别、部分不清晰但能根据轮廓猜测出的类别、基本能辨识但存在无损或模糊的类别以及能够轻松辨识的类别等。
在本实施例中,在对大量的车牌样本图像按照清晰程度进行分类后,即可得到对应于每一个类别(也即每一个清晰度等级)的车牌样本图像集,其中,车牌样本图像集中标注了与清晰度等级对应的清晰度值,标注的清晰度值则可以是指将多个清晰度等级均匀分布到一定数值范围内所映射的数值。深度学习网络模型可以采用设置好模型参数的基于深度学习的残差神经网络,平滑损失函数则用于表现模型预测结果与真实值(即标注值)的差距程度,通过该函数对深度学习网络模型进行训练,使得模型具有更快的收敛效果。具体的,采用多个清晰度等级分别对应的车牌样本图像集以及平滑损失函数训练深度学习网络模型,使其快速收敛并学习到各个类别的车牌样本图像集的特征以及对应的清晰度值,以便于进行实际的清晰度检测。
步骤506,通过训练后的深度学习网络模型对车牌区域的清晰度进行检测,以得到车牌区域的清晰度值。
具体的,通过训练好的深度学习网络模型对上述定位的车牌区域进行检测,以得到车牌区域的清晰度值,且该清晰度值为连续的标量,从而可以较为精确的对车牌区域的图像质量进行评价。
上述车牌图像清晰度检测方法,通过对待检测图像中的车牌区域进行检测,以定位车牌区域,并基于多个清晰度等级分别对应的车牌样本图像集以及平滑损失函数训练深度学习网络模型,使其快速收敛并学习到各个类别的车牌样本图像集的特征以及对应的清晰度值,进而通过训练后的深度学习网络模型对车牌区域的清晰度进行检测,以得到车牌区域的清晰度值,由于该清晰度值为连续的标量,从而可以较为精确的对车牌区域的图像质量进行评价。
为了更加清楚的描述本申请所提出的车牌图像清晰度检测方法的具体过程,下面以一个具体的实施例来描述本申请的方法,具体流程如下:
1)样本图像的准备,通过采集大量的车牌图像作为样本,然后根据车牌图像的清晰程度将其划分为多个类别,得到分类后的多个清晰度等级以及分别对应的车牌样本图像集,将多个清晰度等级在0至1之间均匀分布,以得到与清晰度等级分别对应的清晰度值,通过清晰度值标注与清晰度等级对应的车牌样本图像集。
2)构建深度学习网络模型,可以使用开源的ResNet 18进行改进,即将ResNet 18最后一层输出为1000维的全连接层改为输出为1维的全连接层,之后经过Sigmoid函数将输出归一化到[0,1]的区间,从而得到本实施例中的深度学习网络模型。
3)模型的训练,采用上述标注了与清晰度等级对应的清晰度值的车牌样本图像集,利用smoothL1函数训练深度学习网络模型,在训练过程中,可以通过SGD对平滑损失函数进行优化,使得模型在不断的学习中更新参数,直到模型收敛,损失函数值不再下降,从而获得训练后的深度学习网络模型。
4)定位待检测图像中的车牌区域,具体可以采用已经训练好模型参数的基于深度学习的定位模型对待检测图像中的车牌区域进行检测,当检测到待检测图像中包含车牌区域时,则对该车牌区域进行定位。
5)清晰度检测,通过上述3)中训练好的深度学习网络模型对上述4)中定位的车牌区域进行清晰度检测,以得到能够反应车牌区域清晰程度的清晰度值,从而可以较为精确的对车牌区域的图像质量进行评价。
6)车牌号识别,当检测的清晰度值没有达到预设的清晰度阈值时,则认为车牌区域中对应的车牌号不清晰,因此可以放弃后续的车牌号识别;当检测的清晰度值达到预设的清晰度阈值时,则认为车牌区域中对应的车牌号较为清晰,因此可以进一步识别车牌区域中的车牌号,从而极大的提高了车牌号识别的准确率,减少了误识别率。
应该理解的是,虽然图1-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种车牌图像清晰度模型训练装置,包括:样本图像获取模块601、清晰度标注模块602和模型训练模块603,其中:
样本图像获取模块601,用于获取多个清晰度等级分别对应的车牌样本图像集,车牌样本图像集中包括若干个样本图像;
清晰度标注模块602,用于将多个清晰度等级在0至1之间均匀分布,以得到与清晰度等级分别对应的清晰度值;并根据与清晰度等级分别对应的清晰度值标注车牌样本图像集中各样本图像的清晰度值;
模型训练模块603,用于采用标注了清晰度值的多个清晰度等级分别对应的车牌样本图像集,利用平滑损失函数训练深度学习网络模型,直到平滑损失函数达到最小值。
在一个实施例中,深度学习网络模型具体包括:使用多个卷积层构成特征提取网络;在所述特征提取网络之后接入全连接层,其中,全连接层具有一维的输出;在全连接层之后通过激活函数将输出映射到0至1之间,并与标注的清晰度值对应,以得到深度学习网络模型。
在一个实施例中,平滑损失函数为:
在一个实施例中,在利用平滑损失函数训练深度学习网络模型的过程中,通过随机梯度下降法对平滑损失函数进行优化,直到平滑损失函数达到最小值。
关于车牌图像清晰度模型训练装置的具体限定可以参见上文中对于车牌图像清晰度模型训练方法的限定,在此不再赘述。上述车牌图像清晰度模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,如图7所示,提供了一种车牌图像清晰度检测装置,包括:车牌区域定位模块701和清晰度检测模块702,其中:
车牌区域定位模块701,用于对待检测图像中的车牌区域进行检测,以定位车牌区域;
清晰度检测模块702,用于通过上述训练后的深度学习网络模型对车牌区域的清晰度进行检测,以得到车牌区域的清晰度值。
在一个实施例中,如图8所示,还包括车牌号识别模块703,用于当清晰度值达到预设的清晰度阈值时,则识别车牌区域中的车牌号。
关于车牌图像清晰度检测装置的具体限定可以参见上文中对于车牌图像清晰度检测方法的限定,在此不再赘述。上述车牌图像清晰度检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待检测图像的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车牌图像清晰度模型训练方法或车牌图像清晰度检测方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取多个清晰度等级分别对应的车牌样本图像集,车牌样本图像集中包括若干个样本图像;
将多个清晰度等级在0至1之间均匀分布,以得到与清晰度等级分别对应的清晰度值;
根据与清晰度等级分别对应的清晰度值标注车牌样本图像集中各样本图像的清晰度值;
采用标注了清晰度值的多个清晰度等级分别对应的车牌样本图像集,利用平滑损失函数训练深度学习网络模型,直到平滑损失函数达到最小值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:使用多个卷积层构成特征提取网络;在特征提取网络之后接入全连接层,其中,全连接层具有一维的输出;在全连接层之后通过激活函数将输出映射到0至1之间,并与标注的清晰度值对应,以得到深度学习网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在利用平滑损失函数训练深度学习网络模型的过程中,通过随机梯度下降法对平滑损失函数进行优化,直到平滑损失函数达到最小值。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
对待检测图像中的车牌区域进行检测,以定位车牌区域;
通过上述训练后的深度学习网络模型对车牌区域的清晰度进行检测,以得到车牌区域的清晰度值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:当清晰度值达到预设的清晰度阈值时,则识别车牌区域中的车牌号。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取多个清晰度等级分别对应的车牌样本图像集,车牌样本图像集中包括若干个样本图像;
将多个清晰度等级在0至1之间均匀分布,以得到与清晰度等级分别对应的清晰度值;
根据与清晰度等级分别对应的清晰度值标注车牌样本图像集中各样本图像的清晰度值;
采用标注了清晰度值的多个清晰度等级分别对应的车牌样本图像集,利用平滑损失函数训练深度学习网络模型,直到平滑损失函数达到最小值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:使用多个卷积层构成特征提取网络;在特征提取网络之后接入全连接层,其中,全连接层具有一维的输出;在全连接层之后通过激活函数将输出映射到0至1之间,并与标注的清晰度值对应,以得到深度学习网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在利用平滑损失函数训练深度学习网络模型的过程中,通过随机梯度下降法对平滑损失函数进行优化,直到平滑损失函数达到最小值。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
对待检测图像中的车牌区域进行检测,以定位车牌区域;
通过上述训练后的深度学习网络模型对车牌区域的清晰度进行检测,以得到车牌区域的清晰度值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:当清晰度值达到预设的清晰度阈值时,则识别车牌区域中的车牌号。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种车牌图像清晰度模型训练方法,其特征在于,所述方法包括:
获取多个清晰度等级分别对应的车牌样本图像集,所述车牌样本图像集中包括若干个样本图像;
将所述多个清晰度等级在0至1之间均匀分布,以得到与所述清晰度等级分别对应的清晰度值;
根据与所述清晰度等级分别对应的清晰度值标注所述车牌样本图像集中各样本图像的清晰度值;
采用标注了清晰度值的多个清晰度等级分别对应的车牌样本图像集,利用平滑损失函数训练所述深度学习网络模型,直到所述平滑损失函数达到最小值。
2.根据权利要求1所述的车牌图像清晰度模型训练方法,其特征在于,所述深度学习网络模型的生成方法,包括:
使用多个卷积层构成特征提取网络;
在所述特征提取网络之后接入全连接层,所述全连接层具有一维的输出;
在所述全连接层之后通过激活函数将所述输出映射到0至1之间,并与标注的清晰度值对应,以得到所述深度学习网络模型。
3.根据权利要求1所述的车牌图像清晰度模型训练方法,其特征在于,所述利用平滑损失函数训练所述深度学习网络模型,包括:
在利用平滑损失函数训练所述深度学习网络模型的过程中,通过随机梯度下降法对所述平滑损失函数进行优化,直到所述平滑损失函数达到最小值。
5.一种车牌图像清晰度检测方法,其特征在于,所述方法包括:
对待检测图像中的车牌区域进行检测,以定位所述车牌区域;
利用权利要求1至4任一项所述的车牌图像清晰度模型训练方法训练后的深度学习网络模型对所述车牌区域的清晰度进行检测,以得到所述车牌区域的清晰度值。
6.根据权利要求5所述的车牌图像清晰度检测方法,其特征在于,所述方法还包括:
当所述清晰度值达到预设的清晰度阈值时,则识别所述车牌区域中的车牌号。
7.一种车牌图像清晰度模型训练装置,其特征在于,所述装置包括:
样本图像获取模块,用于获取多个清晰度等级分别对应的车牌样本图像集,所述车牌样本图像集中包括若干个样本图像;
清晰度标注模块,用于将所述多个清晰度等级在0至1之间均匀分布,以得到与所述清晰度等级分别对应的清晰度值;并根据与所述清晰度等级分别对应的清晰度值标注所述车牌样本图像集中各样本图像的清晰度值;
模型训练模块,用于采用标注了清晰度值的多个清晰度等级分别对应的车牌样本图像集,利用平滑损失函数训练所述深度学习网络模型,直到所述平滑损失函数达到最小值。
8.一种车牌图像清晰度检测装置,其特征在于,所述装置包括:
车牌区域定位模块,用于对待检测图像中的车牌区域进行检测,以定位所述车牌区域;
清晰度检测模块,用于利用权利要求1至4任一项所述的车牌图像清晰度模型训练方法训练后的深度学习网络模型对所述车牌区域的清晰度进行检测,以得到所述车牌区域的清晰度值。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911069615.9A CN110807491A (zh) | 2019-11-05 | 2019-11-05 | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911069615.9A CN110807491A (zh) | 2019-11-05 | 2019-11-05 | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110807491A true CN110807491A (zh) | 2020-02-18 |
Family
ID=69501126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911069615.9A Pending CN110807491A (zh) | 2019-11-05 | 2019-11-05 | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807491A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111523544A (zh) * | 2020-04-23 | 2020-08-11 | 上海眼控科技股份有限公司 | 车牌类型检测方法、系统、计算机设备及可读存储介质 |
CN111553431A (zh) * | 2020-04-30 | 2020-08-18 | 上海眼控科技股份有限公司 | 图片清晰度检测方法、装置、计算机设备及存储介质 |
CN111612803A (zh) * | 2020-04-30 | 2020-09-01 | 杭州电子科技大学 | 一种基于图像清晰度的车辆图像语义分割方法 |
CN112597995A (zh) * | 2020-12-02 | 2021-04-02 | 浙江大华技术股份有限公司 | 车牌检测模型训练方法、装置、设备及介质 |
CN112767307A (zh) * | 2020-12-28 | 2021-05-07 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN113239931A (zh) * | 2021-05-17 | 2021-08-10 | 上海中通吉网络技术有限公司 | 一种物流站车牌识别的方法 |
CN113326893A (zh) * | 2021-06-22 | 2021-08-31 | 苏州科达科技股份有限公司 | 车牌识别模型的训练、识别方法、装置及电子设备 |
CN113362304A (zh) * | 2021-06-03 | 2021-09-07 | 北京百度网讯科技有限公司 | 清晰度预测模型的训练方法和确定清晰等级的方法 |
CN113469179A (zh) * | 2020-03-30 | 2021-10-01 | 阿里巴巴集团控股有限公司 | 一种图像识别方法、装置、电子设备以及存储介质 |
CN113496485A (zh) * | 2021-06-24 | 2021-10-12 | 北京市遥感信息研究所 | 卫星遥感图像质量评价方法及装置 |
CN113505700A (zh) * | 2021-07-12 | 2021-10-15 | 北京字跳网络技术有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN114419018A (zh) * | 2022-01-25 | 2022-04-29 | 重庆紫光华山智安科技有限公司 | 图像采样方法、系统、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010107411A1 (en) * | 2009-03-17 | 2010-09-23 | Utc Fire & Security Corporation | Region-of-interest video quality enhancement for object recognition |
CN105809704A (zh) * | 2016-03-30 | 2016-07-27 | 北京小米移动软件有限公司 | 识别图像清晰度的方法及装置 |
CN106803248A (zh) * | 2016-12-18 | 2017-06-06 | 南京邮电大学 | 模糊车牌图像模糊度评价方法 |
CN108898579A (zh) * | 2018-05-30 | 2018-11-27 | 腾讯科技(深圳)有限公司 | 一种图像清晰度识别方法、装置和存储介质 |
CN109146856A (zh) * | 2018-08-02 | 2019-01-04 | 深圳市华付信息技术有限公司 | 图像质量评定方法、装置、计算机设备及存储介质 |
CN109993138A (zh) * | 2019-04-08 | 2019-07-09 | 北京易华录信息技术股份有限公司 | 一种车牌检测与识别方法及装置 |
-
2019
- 2019-11-05 CN CN201911069615.9A patent/CN110807491A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010107411A1 (en) * | 2009-03-17 | 2010-09-23 | Utc Fire & Security Corporation | Region-of-interest video quality enhancement for object recognition |
CN105809704A (zh) * | 2016-03-30 | 2016-07-27 | 北京小米移动软件有限公司 | 识别图像清晰度的方法及装置 |
CN106803248A (zh) * | 2016-12-18 | 2017-06-06 | 南京邮电大学 | 模糊车牌图像模糊度评价方法 |
CN108898579A (zh) * | 2018-05-30 | 2018-11-27 | 腾讯科技(深圳)有限公司 | 一种图像清晰度识别方法、装置和存储介质 |
CN109146856A (zh) * | 2018-08-02 | 2019-01-04 | 深圳市华付信息技术有限公司 | 图像质量评定方法、装置、计算机设备及存储介质 |
CN109993138A (zh) * | 2019-04-08 | 2019-07-09 | 北京易华录信息技术股份有限公司 | 一种车牌检测与识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
YUDONG CHENG ET AL.: "Actual License Plate Images Clarity Classification via Sparse Representation", 《INTERNATIONAL CONFERENCE ON IMAGE AND GRAPHICS》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113469179A (zh) * | 2020-03-30 | 2021-10-01 | 阿里巴巴集团控股有限公司 | 一种图像识别方法、装置、电子设备以及存储介质 |
CN111523544A (zh) * | 2020-04-23 | 2020-08-11 | 上海眼控科技股份有限公司 | 车牌类型检测方法、系统、计算机设备及可读存储介质 |
CN111553431A (zh) * | 2020-04-30 | 2020-08-18 | 上海眼控科技股份有限公司 | 图片清晰度检测方法、装置、计算机设备及存储介质 |
CN111612803A (zh) * | 2020-04-30 | 2020-09-01 | 杭州电子科技大学 | 一种基于图像清晰度的车辆图像语义分割方法 |
CN111612803B (zh) * | 2020-04-30 | 2023-10-17 | 杭州电子科技大学 | 一种基于图像清晰度的车辆图像语义分割方法 |
CN112597995A (zh) * | 2020-12-02 | 2021-04-02 | 浙江大华技术股份有限公司 | 车牌检测模型训练方法、装置、设备及介质 |
CN112597995B (zh) * | 2020-12-02 | 2023-11-03 | 浙江大华技术股份有限公司 | 车牌检测模型训练方法、装置、设备及介质 |
CN112767307A (zh) * | 2020-12-28 | 2021-05-07 | 上海联影智能医疗科技有限公司 | 图像处理方法、装置、计算机设备和存储介质 |
CN113239931A (zh) * | 2021-05-17 | 2021-08-10 | 上海中通吉网络技术有限公司 | 一种物流站车牌识别的方法 |
CN113362304A (zh) * | 2021-06-03 | 2021-09-07 | 北京百度网讯科技有限公司 | 清晰度预测模型的训练方法和确定清晰等级的方法 |
CN113362304B (zh) * | 2021-06-03 | 2023-07-21 | 北京百度网讯科技有限公司 | 清晰度预测模型的训练方法和确定清晰等级的方法 |
CN113326893A (zh) * | 2021-06-22 | 2021-08-31 | 苏州科达科技股份有限公司 | 车牌识别模型的训练、识别方法、装置及电子设备 |
CN113496485A (zh) * | 2021-06-24 | 2021-10-12 | 北京市遥感信息研究所 | 卫星遥感图像质量评价方法及装置 |
CN113496485B (zh) * | 2021-06-24 | 2022-12-02 | 北京市遥感信息研究所 | 卫星遥感图像质量评价方法及装置 |
CN113505700A (zh) * | 2021-07-12 | 2021-10-15 | 北京字跳网络技术有限公司 | 一种图像处理方法、装置、设备及存储介质 |
CN114419018A (zh) * | 2022-01-25 | 2022-04-29 | 重庆紫光华山智安科技有限公司 | 图像采样方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
CN111191539B (zh) | 证件真伪验证方法、装置、计算机设备和存储介质 | |
CN111950329A (zh) | 目标检测及模型训练方法、装置、计算机设备和存储介质 | |
CN110599451A (zh) | 医学图像病灶检测定位方法、装置、设备及存储介质 | |
CN110674712A (zh) | 交互行为识别方法、装置、计算机设备和存储介质 | |
CN110706261A (zh) | 车辆违章检测方法、装置、计算机设备和存储介质 | |
CN109840524B (zh) | 文字的类型识别方法、装置、设备及存储介质 | |
CN110956615B (zh) | 图像质量评估模型训练方法、装置、电子设备及存储介质 | |
CN111144398A (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN110705489B (zh) | 目标识别网络的训练方法、装置、计算机设备和存储介质 | |
CN110543823B (zh) | 基于残差网络的行人再识别方法、装置和计算机设备 | |
CN113705685B (zh) | 疾病特征识别模型训练、疾病特征识别方法、装置及设备 | |
CN109271957B (zh) | 人脸性别识别方法以及装置 | |
CN111008576A (zh) | 行人检测及其模型训练、更新方法、设备及可读存储介质 | |
CN112668462A (zh) | 车损检测模型训练、车损检测方法、装置、设备及介质 | |
CN111178203B (zh) | 签名审核方法、装置、计算机设备和存储介质 | |
CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
CN112163110B (zh) | 图像分类方法、装置、电子设备和计算机可读存储介质 | |
CN113780145A (zh) | 精子形态检测方法、装置、计算机设备和存储介质 | |
CN111382638A (zh) | 一种图像检测方法、装置、设备和存储介质 | |
CN111652242B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN110222724B (zh) | 一种图片实例检测方法、装置、计算机设备及存储介质 | |
CN110728680A (zh) | 行车记录仪检测方法、装置、计算机设备和存储介质 | |
CN111507420A (zh) | 轮胎信息获取方法、装置、计算机设备和存储介质 | |
CN112241705A (zh) | 基于分类回归的目标检测模型训练方法和目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200218 |
|
RJ01 | Rejection of invention patent application after publication |