CN112949636B - 一种车牌超分辨率识别方法、系统及计算机可读介质 - Google Patents
一种车牌超分辨率识别方法、系统及计算机可读介质 Download PDFInfo
- Publication number
- CN112949636B CN112949636B CN202110345371.3A CN202110345371A CN112949636B CN 112949636 B CN112949636 B CN 112949636B CN 202110345371 A CN202110345371 A CN 202110345371A CN 112949636 B CN112949636 B CN 112949636B
- Authority
- CN
- China
- Prior art keywords
- resolution
- license plate
- super
- low
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Character Discrimination (AREA)
Abstract
本发明涉及一种车牌超分辨率识别方法、系统及计算机可读介质,其中车牌超分辨率识别方法包括步骤1:利用图像采集设备采集高清车牌数字信息;步骤2:利用采集的高清车牌数字信息进行训练,获得10种车牌数字的高分辨率字典;步骤3:通过不同数字高分辨率字典分别对低分辨率车牌数字进行重建;步骤4:将重建的特征图像作为神经网络输入,训练学习每个图像权重,根据权重输出其叠加重建图像;步骤5:使用训练好的神经网络完成对车牌的超分辨率识别。与现有技术相比,本发明具有识别准确率高、识别速度快、实用性好等优点。
Description
技术领域
本发明涉及车牌识别技术领域,尤其是涉及一种基于字典学习车牌超分辨率识别方法、系统及计算机可读介质。
背景技术
交通监控探头已经得到广泛应用,对车辆牌照的识别已经成为重中之重。目前针对车牌超分辨率识别的研究热点逐渐转移到深度学习上,基于深度学习的超分辨率方法能够自动提取图像特征,从海量训练数据中获取先验知识并储存于神经网络中。该类方法具有重建质量好速度快的优点,因此大多研究致力于模型的优化上,该类方法的泛化性较强对于一般的图片超分的效果较好,但对于模糊图片如模糊的车牌数字无法做到填补其损失的数字结构信息,无法使其识别度提高,甚至反而会破坏一些特征使其识别度下降。
中国专利CN111915490A公开了一种基于多尺度特征的车牌图像超分辨率重建模型及方法,该模型包括:数据集构建模块,训练样本加载模块,多尺度特征模型等。该方法使用不同扩张率的空洞卷积提取多尺度特征语义信息聚合多尺度特征和输入低分辨率图像为一个多通道的特征图,并以RDB为基础块进行堆叠,并通过上采样网络输出重建后的高分辨率图像。该方法在传统方法上引入了多尺度,但特征来源依据原图像,未引入新特征,图像的识别精度较低。
中国专利CN108242048A公开了一种基于SRCNN卷积网络的方法,该方法对网络第一层采用多尺度滤波器并行卷积的方法,增加了图像特征,而后第二层进行非线性映射,第三层进行重建。该方法使用单一的基于神经网络的超分辨率方法,仅基于原图像而没有引入新特征,图像的识别率依然较低。
中国专利CN109086762A公开了一种基于多目摄像头的模糊车牌识别方法。方法采用多目摄像头对同一车牌目标同时进行拍摄,获取多帧车牌图像。通过多帧图像处理获取降噪后的车牌灰度图块,各车牌灰度图块进行运动估计后进行超分辨率重建,合成一张超分辨率图像。该方法需多张同一车牌作为基础,对于单张图像较难处理。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种识别准确率高、识别速度快、实用性好的车牌超分辨率识别方法、系统及计算机可读介质。
本发明的目的可以通过以下技术方案来实现:
一种车牌超分辨率识别方法,所述的识别方法包括:
步骤1:利用图像采集设备采集高清车牌数字信息;
步骤2:利用采集的高清车牌数字信息进行训练,获得10种车牌数字的高分辨率字典;
步骤3:通过不同数字高分辨率字典分别对低分辨率车牌数字进行重建;
步骤4:将重建的特征图像作为神经网络输入,训练学习每个图像权重,根据权重输出其叠加重建图像;
步骤5:使用训练好的神经网络完成对车牌的超分辨率识别。
优选地,所述的步骤2具体为:
步骤2-1:构建低分辨率字典模型;
步骤2-2:构建高分辨率字典模型;
步骤2-3:获取待重建的低分辨率数字,使其在低分辨率字典模型中进行稀疏表示,获得稀疏系数,通过高分辨率字典模型和得到的稀疏系数重建出对应字典下的高分辨率特征图像。
优选地,所述的低分辨率字典模型具体为:
优选地,所述的高分辨率字典模型具体为:
优选地,所述的步骤2-3具体为:
yi=HRDi*α
其中,x为低分辨率数字图像的任意小块;F为特征提取因子;Dl为低分辨率字典;λ为正则项参数;ω表示两个重建出的高分辨率图像块的重叠区域;HRDi为数字i的高分辨率字典;yi为高分辨率特征块;Yi为经过高分辨率字典重建后的特征图像。
优选地,所述步骤4中的神经网络为子像素卷积神经网络;
所述的子像素卷积神经网络包括:
特征提取层,用于完成特征提取和联系操作;
特征映射层,用于完成对低分辨率到高分辨率的映射;
子像素卷积层,用于获取最终的超分辨率图像。
更加优选地,所述的子像素卷积层的卷积函数为:
Fn(y)=max(λ*(Wn*Fn-1(y)+Bn),(Wn*Fn-1(y)+Bn))
Fn(y)=PS(Wn*Fn-1(y)+Bn)
其中,n为当前网络层;Wn为卷积核大小;Bn为偏置量;λ为激活函数参数; PS为周期性像素清洗。
更加优选地,所述的子像素卷积神经网络的损失函数为MSE损失函数,激活函数为PReLU损失函数。
一种车牌超分辨率识别系统,所述的识别系统包括图像采集设备和数据处理终端;所述的图像采集设备与数据处理终端相连;所述的数据处理终端用于执行上述任一项所述的车牌超分辨率识别方法。
一种计算机可读介质,所述的计算机可读介质内存储有上述任一项所述的车牌超分辨率识别方法。
与现有技术相比,本发明具有以下有益效果:
一、识别准确率高:本发明中的车牌超分辨率识别方法从填补特征信息出发,结合了稀疏表示与神经网络,可以通过对模糊数字叠加每种数字特征使其向原始数字靠近,能够有效提高识别准确率。
二、识别速度快:本发明中的车牌超分辨率识别方法无须使用多张同一车牌作为基础,通过构建高分辨率字典,可以直接对单张车牌进行识别,有效提高识别速度。
三、实用性好:本发明中的车牌超分辨率识别方法可以用于识别模糊车牌,模糊数字等具有固定特征制式的图片,利用少量的高分辨率图像即可完成对模糊图片的特征填补从而达到提升辨识度的目的,实用性好。
附图说明
图1为本发明中车牌超分辨率识别方法的流程示意图;
图2为本发明实施例中数字9的高分辨率字典模型;
图3为本发明实施例中神经网络模型的结构示意图;
图4为本发明实施例中神经网络模型训练时的流程示意图;
图5为本发明实施例中测试结果示意图;
图5(a)为重建前的示意图;图5(b)为本发明中算法重建后;图5(c)为传统算法重建后。
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,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
一种车牌超分辨率识别方法,其流程如图1所示,包括:
步骤1:利用图像采集设备采集高清车牌数字信息;
步骤2:利用采集的高清车牌数字信息进行训练,获得10种车牌数字的高分辨率字典;
步骤2-1:构建低分辨率字典模型;
低分辨率字典模型具体为:
步骤2-2:构建高分辨率字典模型;
高分辨率字典模型具体为:
步骤2-3:获取待重建的低分辨率数字,使其在低分辨率字典模型中进行稀疏表示,获得稀疏系数,通过高分辨率字典模型和得到的稀疏系数重建出对应字典下的高分辨率特征图像;
具体为:
yi=HRDi*α
其中,x为低分辨率数字图像的任意小块;F为特征提取因子;Dl为低分辨率字典;λ为正则项参数;ω表示两个重建出的高分辨率图像块的重叠区域;HRDi为数字i的高分辨率字典;yi为高分辨率特征块;β用于控制低分辨率图像块和高分辨率图像块之间的相似性与高分辨率图像相邻块之间的兼容性的平衡;Yi为经过高分辨率字典重建后的特征图像;
步骤3:通过不同数字高分辨率字典分别对低分辨率车牌数字进行重建;
步骤4:将重建的特征图像作为神经网络输入,训练学习每个图像权重,根据权重输出其叠加重建图像;
神经网络为子像素卷积神经网络;
所述的子像素卷积神经网络包括:
特征提取层,用于完成特征提取和联系操作;
特征映射层,用于完成对低分辨率到高分辨率的映射;
子像素卷积层,用于获取最终的超分辨率图像;
子像素卷积层的卷积函数为:
Fn(y)=max(λ*(Wn*Fn-1(y)+Bn),(Wn*Fn-1(y)+Bn))
Fn(y)=PS(Wn*Fn-1(y)+Bn)
其中,n为当前网络层;Wn为卷积核大小;Bn为偏置量;λ为激活函数参数; PS为周期性像素清洗;
损失函数选用MSE损失函数,激活函数选用PReLU激活函数。
步骤5:使用训练好的神经网络完成对车牌的超分辨率识别。
本实施例重建模糊车牌数字图像的基本思路是:采集设备采集多张十种车牌数字的高清图像用于提取特征从而训练高分辨率字典,针对同一张模糊数字图像分别使用十种数字的高分辨率字典进行重建。将得到的十张数字图像通过神经网络训练每张特征图的权重并将其融合叠加生成最终的超分辨率图像。
由于车牌制式有统一规定,故同一数字具有相对固定的特征,利用相同数字的高分辨率特征信息填补模糊数字的信息在该应用场景下具有可行性。对于无法识别的模糊数字使用传统的单一的神经网络学习的方法重建的图像效果有限。故设计相应算法结合字典学习和神经网络提高模糊数字识别度。
算法原理:统一制式的不同数字之间有其共同的数字特征,故提出方法:对于无法辨识的模糊数字利用十种数字的高分辨率字典分别对其稀疏表示从而添加各个数字的特征,重建过程中模糊数字本身的特征会因特征的填补使其向原始数字靠近从而提高其可识别度。
字典学习过程:以数字9为例,选取多张高分辨率的图像进行特征提取得到如图2所示的高分辨率字典“9”。通过学习得出稀疏矩阵从而使用高分辨率数字图像块重建模糊数字图像。
为实现上述过程首先需要进行稀疏字典的学习,对于每一种数字和低分辨率数字需要各自训练建立过完备字典,使得高分辨率图像块和低分辨率数字块的稀疏表示系数相同。该过程可用K-VSD算法实现。
低分辨率字典模型如下:
每种数字的高分辨率字典模型具体为:
对于待输入的低分辨率数字,使其在低分辨率字典下进行稀疏表示,得到稀疏系数α,通过高分辨率字典HRDi和得到的稀疏系数αi重建出对应字典下的高分辨率特征图像,具体过程为:
yi=HRDi*α
其中,x为低分辨率数字图像的任意小块;F为特征提取因子;Dl为低分辨率字典;λ为正则项参数;ω表示两个重建出的高分辨率图像块的重叠区域;HRDi为数字i的高分辨率字典;yi为高分辨率特征块;Yi为经过高分辨率字典重建后的特征图像。
将得到的Yi输入神经网络,网络模型采用子像素卷积神经网络,其主要完成对十张特征填补图像进行特征提取,像素清洗等操作将其融合获得最终的超分辨率图像F,网络结构如图3所示。神经网络共有三层,融合过程如下:
特征提取层:使用一层36个1*1的卷积核,一层36个1*1的卷积核和一层 36个3*3的卷积核完成特征提取和联系操作。
特征映射层:使用一层72个3*3的卷积核对76个特征图进行深度可分离卷积操作,完成对应低分辨率到高分辨率的映射。
子像素卷积层:用3*3的卷积核对72个特征图进行子像素卷积操作,得到最终的超分辨率图像。卷积函数如下:
Fn(y)=max(λ*(Wn*Fn-1(y)+Bn),(Wn*Fn-1(y)+Bn))
Fn(y)=PS(Wn*Fn-1(y)+Bn)
其中,n为当前网络层;Wn为卷积核大小;Bn为偏置量;λ为激活函数参数; PS为周期性像素清洗。算法采用MSE作为损失函数,PReLU作为激活函数。上述神经网络的训练过程如图4所示。
利用训练好的识别器计算得出测试模糊数字的置信度,并将使用本算法重建后的超分辨率图片输入同样获得其置信度,重建前图像的置信度为0.02,使用本实施例中的识别方法重建后的置信度为0.31,而使用传统算法重建后的置信度为0.01,如图5所示。从图中可看出,对于单张模糊的车牌数字在经过重建后置信度有所提高,而单一的传统超分辨重建出的图像却没有提升。
本实施例还涉及一种车牌超分辨率识别系统,包括图像采集设备和数据处理终端,图像采集设备与数据处理终端相连,数据处理终端用于执行上述任一项车牌超分辨率识别方法。
本实施例还涉及一种计算机可读介质,该计算机可读介质内存储有上述任一项车牌超分辨率识别方法。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种车牌超分辨率识别方法,其特征在于,所述的识别方法包括:
步骤1:利用图像采集设备采集高清车牌数字信息;
步骤2:利用采集的高清车牌数字信息进行训练,获得10种车牌数字的高分辨率字典;
步骤3:通过不同数字高分辨率字典分别对低分辨率车牌数字进行重建;
步骤4:将重建的特征图像作为神经网络输入,训练学习每个图像权重,根据权重输出其叠加重建图像;
步骤5:使用训练好的神经网络完成对车牌的超分辨率识别;
所述的步骤2具体为:
步骤2-1:构建低分辨率字典模型;
步骤2-2:构建高分辨率字典模型;
步骤2-3:获取待重建的低分辨率数字,使其在低分辨率字典模型中进行稀疏表示,获得稀疏系数,通过高分辨率字典模型和得到的稀疏系数重建出对应字典下的高分辨率特征图像;
所述的步骤2-3具体为:
yi=HRDi*α
其中,x为低分辨率数字图像的任意小块;F为特征提取因子;Dl为低分辨率字典;λ为正则项参数;ω表示两个重建出的高分辨率图像块的重叠区域;HRDi为数字i的高分辨率字典;yi为高分辨率特征块;Yi为经过高分辨率字典重建后的特征图像。
4.根据权利要求1所述的一种车牌超分辨率识别方法,其特征在于,所述步骤4中的神经网络为子像素卷积神经网络;
所述的子像素卷积神经网络包括:
特征提取层,用于完成特征提取和联系操作;
特征映射层,用于完成对低分辨率到高分辨率的映射;
子像素卷积层,用于获取最终的超分辨率图像。
5.根据权利要求4所述的一种车牌超分辨率识别方法,其特征在于,所述的子像素卷积层的卷积函数为:
Fn(y)=max(λ*(Wn*Fn-1(y)+Bn),(Wn*Fn-1(y)+Bn))
Fn(y)=PS(Wn*Fn-1(y)+Bn)
其中,n为当前网络层;Wn为卷积核大小;Bn为偏置量;λ为激活函数参数;PS为周期性像素清洗。
6.根据权利要求4所述的一种车牌超分辨率识别方法,其特征在于,所述的子像素卷积神经网络的损失函数为MSE损失函数,激活函数为PReLU损失函数。
7.一种车牌超分辨率识别系统,其特征在于,所述的识别系统包括图像采集设备和数据处理终端;所述的图像采集设备与数据处理终端相连;所述的数据处理终端用于执行如权利要求1~6中任一项所述的车牌超分辨率识别方法。
8.一种计算机可读介质,其特征在于,所述的计算机可读介质内存储有如权利要求1~6中任一项所述的车牌超分辨率识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110345371.3A CN112949636B (zh) | 2021-03-31 | 2021-03-31 | 一种车牌超分辨率识别方法、系统及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110345371.3A CN112949636B (zh) | 2021-03-31 | 2021-03-31 | 一种车牌超分辨率识别方法、系统及计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949636A CN112949636A (zh) | 2021-06-11 |
CN112949636B true CN112949636B (zh) | 2023-05-30 |
Family
ID=76231212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110345371.3A Active CN112949636B (zh) | 2021-03-31 | 2021-03-31 | 一种车牌超分辨率识别方法、系统及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949636B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113628108B (zh) * | 2021-07-05 | 2023-10-27 | 上海交通大学 | 基于离散表示学习的图像超分辨率方法和系统、终端 |
CN113628109B (zh) * | 2021-07-16 | 2023-11-28 | 上海交通大学 | 基于可学习字典的人脸五官超分辨率方法和系统、介质 |
CN115063294B (zh) * | 2022-05-31 | 2024-06-25 | 北京航空航天大学 | 一种能够估计结果置信度的超分辨率重建方法 |
CN115294284B (zh) * | 2022-10-09 | 2022-12-20 | 南京纯白矩阵科技有限公司 | 一种保障生成模型唯一性的高分辨率三维模型生成方法 |
CN117351439B (zh) * | 2023-12-06 | 2024-02-20 | 山东博安智能科技股份有限公司 | 智慧高速公路超限车辆动态监控管理系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931179A (zh) * | 2016-04-08 | 2016-09-07 | 武汉大学 | 一种联合稀疏表示与深度学习的图像超分辨率方法及系统 |
CN106651774A (zh) * | 2016-12-27 | 2017-05-10 | 深圳市捷顺科技实业股份有限公司 | 一种车牌超分辨率模型重建方法及装置 |
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 |
CN106971410A (zh) * | 2017-03-27 | 2017-07-21 | 华南理工大学 | 一种基于深度学习的白质纤维束重建方法 |
CN107610194A (zh) * | 2017-08-14 | 2018-01-19 | 成都大学 | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 |
CN108830789A (zh) * | 2018-05-03 | 2018-11-16 | 哈尔滨理工大学 | 基于稀疏表示的汽车主动安全图像处理方法 |
CN109035149A (zh) * | 2018-03-13 | 2018-12-18 | 杭州电子科技大学 | 一种基于深度学习的车牌图像去运动模糊方法 |
CN109544462A (zh) * | 2018-09-28 | 2019-03-29 | 北京交通大学 | 基于自适应选择模糊核的车牌图像去模糊方法 |
CN109741256A (zh) * | 2018-12-13 | 2019-05-10 | 西安电子科技大学 | 基于稀疏表示和深度学习的图像超分辨率重建方法 |
CN110070486A (zh) * | 2018-01-24 | 2019-07-30 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法、装置及电子设备 |
CN111444938A (zh) * | 2020-02-06 | 2020-07-24 | 安信通科技(澳门)有限公司 | 基于宽度学习算法的煤气表字符识别方法和系统 |
CN111523404A (zh) * | 2020-04-08 | 2020-08-11 | 华东师范大学 | 一种基于卷积神经网络和稀疏表示的部分人脸识别方法 |
CN111915490A (zh) * | 2020-08-14 | 2020-11-10 | 深圳清研智城科技有限公司 | 一种基于多尺度特征的车牌图像超分辨率重建模型及方法 |
-
2021
- 2021-03-31 CN CN202110345371.3A patent/CN112949636B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105931179A (zh) * | 2016-04-08 | 2016-09-07 | 武汉大学 | 一种联合稀疏表示与深度学习的图像超分辨率方法及系统 |
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 |
CN106651774A (zh) * | 2016-12-27 | 2017-05-10 | 深圳市捷顺科技实业股份有限公司 | 一种车牌超分辨率模型重建方法及装置 |
CN106971410A (zh) * | 2017-03-27 | 2017-07-21 | 华南理工大学 | 一种基于深度学习的白质纤维束重建方法 |
CN107610194A (zh) * | 2017-08-14 | 2018-01-19 | 成都大学 | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 |
CN110070486A (zh) * | 2018-01-24 | 2019-07-30 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法、装置及电子设备 |
CN109035149A (zh) * | 2018-03-13 | 2018-12-18 | 杭州电子科技大学 | 一种基于深度学习的车牌图像去运动模糊方法 |
CN108830789A (zh) * | 2018-05-03 | 2018-11-16 | 哈尔滨理工大学 | 基于稀疏表示的汽车主动安全图像处理方法 |
CN109544462A (zh) * | 2018-09-28 | 2019-03-29 | 北京交通大学 | 基于自适应选择模糊核的车牌图像去模糊方法 |
CN109741256A (zh) * | 2018-12-13 | 2019-05-10 | 西安电子科技大学 | 基于稀疏表示和深度学习的图像超分辨率重建方法 |
CN111444938A (zh) * | 2020-02-06 | 2020-07-24 | 安信通科技(澳门)有限公司 | 基于宽度学习算法的煤气表字符识别方法和系统 |
CN111523404A (zh) * | 2020-04-08 | 2020-08-11 | 华东师范大学 | 一种基于卷积神经网络和稀疏表示的部分人脸识别方法 |
CN111915490A (zh) * | 2020-08-14 | 2020-11-10 | 深圳清研智城科技有限公司 | 一种基于多尺度特征的车牌图像超分辨率重建模型及方法 |
Non-Patent Citations (1)
Title |
---|
"基于卷积神经网络的模糊车牌图像超分辨率重建方法";田煜等;《计算机应用与软件》;20201130;第37卷(第11期);第159-164页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112949636A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949636B (zh) | 一种车牌超分辨率识别方法、系统及计算机可读介质 | |
CN110033410B (zh) | 图像重建模型训练方法、图像超分辨率重建方法及装置 | |
CN112507997B (zh) | 一种基于多尺度卷积和感受野特征融合的人脸超分辨系统 | |
CN112001847A (zh) | 相对生成对抗超分辨率重建模型生成高质量图像的方法 | |
CN110136062B (zh) | 一种联合语义分割的超分辨率重建方法 | |
CN112037131A (zh) | 一种基于生成对抗网络的单图像超分辨率重建方法 | |
CN111709895A (zh) | 基于注意力机制的图像盲去模糊方法及系统 | |
CN111598778B (zh) | 一种绝缘子图像超分辨率重建方法 | |
CN112396645A (zh) | 一种基于卷积残差学习的单目图像深度估计方法和系统 | |
CN113298718A (zh) | 一种单幅图像超分辨率重建方法及系统 | |
Wei et al. | Improving resolution of medical images with deep dense convolutional neural network | |
CN113379606B (zh) | 一种基于预训练生成模型的人脸超分辨方法 | |
CN112699844A (zh) | 一种基于多尺度残差层级密连接网络的图像超分辨率方法 | |
Thawakar et al. | Image and video super resolution using recurrent generative adversarial network | |
CN113554047B (zh) | 图像处理模型的训练方法、图像处理方法及对应的装置 | |
CN108335265B (zh) | 一种基于样本学习的快速图像超分辨率重建方法及装置 | |
CN108401104B (zh) | 基于频带修复和超分辨的双焦相机数字变焦方法 | |
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 | |
CN115526779A (zh) | 一种基于动态注意力机制的红外图像超分辨率重建方法 | |
CN113674154B (zh) | 一种基于生成对抗网络的单幅图像超分辨率重建方法及系统 | |
CN117036171A (zh) | 单幅图像的蓝图可分离残差平衡蒸馏超分辨率重建模型及方法 | |
CN115909088A (zh) | 基于超分辨特征聚合的光学遥感图像目标检测方法 | |
Li | Image super-resolution algorithm based on RRDB model | |
CN114627293A (zh) | 基于多任务学习的人像抠图方法 | |
CN114219738A (zh) | 单幅图像多尺度超分辨重建网络结构及方法 |
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 |