CN113379869A - 一种车牌图像生成方法、装置、电子设备及存储介质 - Google Patents
一种车牌图像生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113379869A CN113379869A CN202110837777.3A CN202110837777A CN113379869A CN 113379869 A CN113379869 A CN 113379869A CN 202110837777 A CN202110837777 A CN 202110837777A CN 113379869 A CN113379869 A CN 113379869A
- Authority
- CN
- China
- Prior art keywords
- license plate
- image
- target
- color
- discriminator
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Character Input (AREA)
Abstract
本申请实施例提供了一种车牌图像生成方法、装置、电子设备及存储介质,用于扩充车牌样本,以及提高车牌样本扩充效率。所述方法包括:对待处理车牌图像包含的车牌字符序列中目标序位的字符进行处理,得到参考车牌图像;基于训练后的车牌图像生成模型,对所述参看车牌图像的车牌颜色进行扩展处理,获得扩展车牌图像,所述车牌图像生成模型通过机器学习方法对生成式对抗网络进行训练获得,所述车牌图像生成模型包括至少一个颜色子模型,一个颜色子模型对应一种预设颜色的颜色信息,不同的颜色子模型对应的预设颜色不同。
Description
技术领域
本发明涉及图像生成技术领域,尤其涉及一种车牌图像生成方法、装置、电子设备及存储介质。
背景技术
在车牌识别算法开发过程中,尤其是基于深度学习的车牌识别算法开发过程中,需要基于大量车牌样本进行训练,然而在获取车牌样本时,存在如某些特殊类型的车牌样本较难获取,例如稀有类型车牌(使领馆车牌、军警特殊车牌等),或者由于某些省份地区的车牌缺少,导致获取的车牌样本不均衡等问题。
目前,为了得到大量的车牌样本图像数据,一方面通过人工标注的方法收集车牌图像,另一方面,通过人工合成的方法生成车牌样本图像。然而通过人工标注或者人工合成的方法扩充车牌样本,存在耗时长、成本高等问题。
发明内容
本申请实施例提供了一种车牌图像生成方法、装置、电子设备及存储介质,用于扩充车牌样本,以及提高车牌样本扩充效率。
第一方面,提高一种车牌图像生成方法,所述方法包括:
对待处理车牌图像包含的车牌字符序列中目标序位的字符进行处理,得到参考车牌图像;
基于训练后的车牌图像生成模型,对所述参看车牌图像的车牌颜色进行扩展处理,获得扩展车牌图像,所述车牌图像生成模型通过机器学习方法对生成式对抗网络进行训练获得,所述车牌图像生成模型包括至少一个颜色子模型,一个颜色子模型对应一种预设颜色的颜色信息,不同的颜色子模型对应的预设颜色不同。
可选的,对所述参看车牌图像的车牌颜色进行扩展处理,获得扩展车牌图像,包括:
基于所述至少一个颜色子模型中预设数量的颜色子模型,将所述参考车牌图像的车牌颜色,替换成所述预设数量的颜色子模型分别对应的预设颜色,得到所述预设数量的扩展车牌图像。
可选的,所述车牌图像生成模型通过如下方式获得:
获取车牌样本图像;
对所述车牌样本图像进行预处理,得到目标样本图像;所述目标样本图像中每个图像的尺寸相同,所述目标样本图像为二值化图像;
将所述目标样本图像输入所述生成式对抗网络的目标颜色子模型,得到所述目标样本图像的目标颜色信息,所述目标颜色子模型对应的颜色与所述车牌样本图像的颜色相同;
将带有目标颜色信息的目标样本图像输入所述生成式对抗网络的生成器,通过所述生成器生成对应颜色的RGB图像;
通过所述生成式对抗网络的判别器对输入所述判别器的图像进行判别;所述输入所述判别器的图像包括:所述带有目标颜色信息的目标样本图像和所述生成器生成的对应颜色的RGB图像,或者所述带有目标颜色信息的目标样本图像和所述车牌样本图像,在所述输入所述判别器的图像为所述带有目标颜色信息的目标样本图像和所述RGB图像时,判别所述输入图像为假,在所述输入所述判别器的图像为所述带有目标颜色信息的目标样本图像和所述车牌样本图像时,判别所述输入图像为真;
基于所述判别结果,通过生成器的损失函数对所述生成器进行优化以及通过所述判别器的损失函数对所述判别器进行优化,以使所述生成器生成的RGB图像更接近所述车牌样本图像,以及使所述判别器的判别结果更准确;
直到所述判别器难以判别输入的图像为真还是为假时,停止网络训练,得到所述车牌图像生成模型。
可选的,所述通过生成器的损失函数对所述生成器进行优化,包括:
根据所述判别器的判别结果、所述生成器生成的RGB图像与所述车牌样本图像的欧式距离和所述生成器的损失函数,确定所述生成器的生成损失;
根据所述生成损失,更新所述生成器的参数。
可选的,所述通过所述判别器的损失函数对所述判别器进行优化,包括:
根据所述判别器的判别结果和所述判别器的损失函数,确定所述判别器的判别损失;
根据所述判别损失,更新所述判别器的参数。
可选的,所述对待处理车牌图像包含的车牌字符序列中目标序位的字符进行处理,得到参考车牌图像,包括:
对所述待处理车牌图像进行二值化处理,获得二值化车牌图像;
对所述二值化车牌图像中目标序位的字符进行处理,得到参考车牌图像。
可选的,所述对待处理车牌图像包含的车牌字符序列中目标序位的字符进行处理,得到参考车牌图像,包括:
将待处理车牌图像包含的车牌字符序列中目标序位的字符,替换为预设字符或随机字符,得到所述参考车牌图像。
第二方面,提供一种车牌图像生成装置,所述装置包括:
处理模块,用于对待处理车牌图像包含的车牌字符序列中目标序位的字符进行处理,得到参考车牌图像;
所述处理模块,还用于基于训练后的车牌图像生成模型,对所述参看车牌图像的车牌颜色进行扩展处理,获得扩展车牌图像,所述车牌图像生成模型通过机器学习方法对生成式对抗网络进行训练获得,所述车牌图像生成模型包括至少一个颜色子模型,一个颜色子模型对应一种预设颜色的颜色信息,不同的颜色子模型对应的预设颜色不同。
可选的,所述处理模块,具体用于:
基于所述至少一个颜色子模型中预设数量的颜色子模型,将所述参考车牌图像的车牌颜色,替换成所述预设数量的颜色子模型分别对应的预设颜色,得到所述预设数量的扩展车牌图像。
可选的,所述车牌图像生成装置,还包括模型训练模块,用于:
获取车牌样本图像;
对所述车牌样本图像进行预处理,得到目标样本图像;所述目标样本图像中每个图像的尺寸相同,所述目标样本图像为二值化图像;
将所述目标样本图像输入所述生成式对抗网络的目标颜色子模型,得到所述目标样本图像的目标颜色信息,所述目标颜色子模型对应的颜色与所述车牌样本图像的颜色相同;
将带有目标颜色信息的目标样本图像输入所述生成式对抗网络的生成器,通过所述生成器生成对应颜色的RGB图像;
通过所述生成式对抗网络的判别器对输入所述判别器的图像进行判别;所述输入所述判别器的图像包括:所述带有目标颜色信息的目标样本图像和所述生成器生成的对应颜色的RGB图像,或者所述带有目标颜色信息的目标样本图像和所述车牌样本图像,在所述输入所述判别器的图像为所述带有目标颜色信息的目标样本图像和所述RGB图像时,判别所述输入图像为假,在所述输入所述判别器的图像为所述带有目标颜色信息的目标样本图像和所述车牌样本图像时,判别所述输入图像为真;
基于所述判别结果,通过生成器的损失函数对所述生成器进行优化以及通过所述判别器的损失函数对所述判别器进行优化,以使所述生成器生成的RGB图像更接近所述车牌样本图像,以及使所述判别器的判别结果更准确;
直到所述判别器难以判别输入的图像为真还是为假时,停止网络训练,得到所述车牌图像生成模型。
可选的,所述模型训练模块,具体用于:
根据所述判别器的判别结果、所述生成器生成的RGB图像与所述车牌样本图像的欧式距离和所述生成器的损失函数,确定所述生成器的生成损失;
根据所述生成损失,更新所述生成器的参数。
可选的,所述模型训练模块,具体用于:
根据所述判别器的判别结果和所述判别器的损失函数,确定所述判别器的判别损失;
根据所述判别损失,更新所述判别器的参数。
可选的,所述处理模块,具体用于:
对所述待处理车牌图像进行二值化处理,获得二值化车牌图像;
对所述二值化车牌图像中目标序位的字符进行处理,得到参考车牌图像。
可选的,所述处理模块,具体用于:
将待处理车牌图像包含的车牌字符序列中目标序位的字符,替换为预设字符或随机字符,得到所述参考车牌图像。
第三方面,提供一种电子设备,所述电子设备包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行第一方面中任一所述的方法包括的步骤。
第四方面,提供一种计算可读存储介质,所述计算可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行第一方面中任一所述的方法包括的步骤。
第五方面,提供一种包含指令的计算机程序产品,当所述计算机程序产品在计算机上运行时,使得计算机执行上述各种可能的实现方式中所描述的车牌图像生成方法。
在本申请实施例中,首先对待处理车牌图像包含的车牌字符序列中目标序位的字符进行处理,得到扩充字符后的参考车牌图像,然后基于训练好的车牌图像生成模型对参考车牌图像的车牌颜色进行扩展,得到扩展车牌图像,其中,车牌图像生成模型包括至少一个颜色子模型,一个颜色子模型对应一种预设颜色的颜色信息,不同的颜色子模型对应的预设颜色不同。也就是说,本申请通过对车牌图像的字符进行处理,可以得到多种不同的车牌号,然后又通过车牌图像生成模型的至少一个颜色子模型对得到的多种不同的车牌号进行颜色扩展,使得针对同一个车牌号可以生成多种不同的车牌颜色,从而扩充了车牌样本,同时又由于整个过程中,不需要进行人工合成车牌图像,从而有效提升了车牌样本的扩充效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例。
图1为本申请实施例提供的一种车牌图像生成方法的流程图;
图2为本申请实施例提供的一种网络训练的流程图;
图3为本申请实施例提供的一种车牌图像生成的流程图;
图4为本申请实施例提供的一种车牌图像生成装置的结构框图;
图5为本发明实施例中的计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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他实施例,都属于本申请保护的范围。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象,而非用于描述特定顺序。此外,术语“包括”以及它们任何变形,意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请中的“多个”可以表示至少两个,例如可以是两个、三个或者更多个,本申请实施例不做限制。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,在不做特别说明的情况下,一般表示前后关联对象是一种“或”的关系。
为了便于理解,下面先对本发明实施例的技术背景进行介绍。
如前所述,目前,为了得到大量的车牌样本图像数据,一方面是通过人工标注的方法收集车牌图像,另一方面是通过人工合成的方法生成车牌图像,然而通过人工标注的方法需要耗费大量的人力资源,而通过人工合成的车牌与真实车牌之间的差异较大,因此,有一种方案是通过获取的图像对循环对抗式生成网络进行多次反复训练后,得到最优的目标生成器,将人工合成的车牌输入该最优的目标生成器,生成大量的逼真的车牌,从而提高车牌图像生成的效率和可靠性。也就是说,该方案的目的主要是为了对人工合成的车牌图像进行优化,使得人工合成的图像更接近真实车牌,仍然没有解决扩充车牌时存在耗时长和成本高等问题,且不能够自由控制生成的车牌颜色和字符串内容。
鉴于此,本申请实施例提供了一种车牌图像生成方法,通过对待处理车牌图像包含的车牌字符序列中目标序位的字符进行处理,得到参考车牌图像,从而可以有效控制生成车牌的字符串内容,然后通过训练好的车牌图像生成模型,对参考车牌图像进行颜色扩充,得到扩展车牌图像,从而可以有效控制生成车牌的颜色。其中,通过对真实车牌图像包含的车牌字符序列进行处理,可以得到多种不同的车牌号,然后又通过车牌图像生成模型的至少一个颜色子模型对得到的多种不同的车牌号进行颜色扩展,使得针对同一个车牌号可以生成多种不同的车牌颜色,从而扩充了车牌样本,同时又由于整个过程中,不需要进行人工合成车牌图像,从而有效提升了车牌样本的扩充效率。
在介绍完本申请实施例的设计思想后,下面结合说明书附图对本申请实施例提供的车牌图像生成方法进行介绍。请参见图1所示,本申请实施例中的车牌图像生成方法的流程描述如下:
步骤101:获取待处理车牌图像。
需要说明的是,该待处理车牌图像可以为真实车牌图像,也可以为人工合成的车牌图像,当该待处理车牌图像为人工合成的车牌图像时,该待处理车牌图像为通过训练好的模型对人工合成的车牌图像进行优化之后的图像。
步骤102:对待处理车牌图像包含的车牌字符序列中目标序位的字符进行处理,得到参考车牌图像。
在本申请实施例中,对车牌字符序列中的目标序位的字符进行处理,包括:将指定位置的字符替换为预设字符或者随机字符、通过预设字符替换车牌图像中的所有字符、根据车牌字符序列中每个位置字符不同的含义生成随机字符并通过生成的随机字符将待处理车牌图像的所有字符替换。
例如,待处理车牌图像的车牌字符序列为川A·12345,其中,“川”代表省级行政单位,“A”代表市级行政单位,在对该车牌字符序列中的目标序位的字符进行处理时,可以将代表省级行政单位的“川”替换为预设字符“云”,或者将“川”替换为任意代表省级行政单位的字符(例如“贵”、“粤”、“湘”等),或者还可以通过预设字符(渝B·01234)直接替换川A·12345中的所有字符,或者还可以随机生成车牌字符川B·23456并用随机生成的车牌字符替换川A·12345中的所有字符。需要说明的是,在替换目标序位的字符时,车牌序列中的前两位字符需要替换为具有相同意义的字符。
在一种可能的实施方式中,在获得待处理车牌图像之后,还可以先将待处理车牌图像转换为灰度图像,再对该灰度图像进行二值化处理,得到该待处理车牌图像对应的二值化车牌图像,然后对二值化车牌图像中目标序位的字符进行处理。
在具体的实施过程中,可以仅通过对一张车牌包含的车牌字符序列中目标序位的字符进行处理,即可以得到多个车牌字符序列的车牌图像,可以有效提升车牌样本的扩充效率。
步骤103:基于训练后的车牌图像生成模型,对参考车牌图像的车牌颜色进行扩展处理,获得扩展车牌图像。
其中,由于该车牌图像生成模型是通过机器学习对生成式对抗网络进行训练得到的,因此在通过车牌图像生成模型对参考车牌图像的车牌颜色进行扩展处理之前,还需要对生成式对抗网络进行训练,训练的目的是生成器生成的图像尽可能逼真(即接近真实图像),判别器尽可能判别出生成器生成的图像为假。
需要说明的是,预先构建的生成式对抗网络中包括生成器、判别器和多个颜色子模型,其中,每个颜色子模型对应一种预设颜色,不同的颜色子模型对应的预设颜色不同。
下面针对生成对抗网络的训练过程进行说明。
步骤S10:获取车牌样本图像。
步骤S11:对车牌样本图像进行预处理,得到目标样本图像。
需要说明的是,该车牌样本图像为包含有丰富细节信息、可供进行网络训练的真实车牌样本图像,对车牌样本图像进行预处理可以包括:判断获取的车牌样本图像是否清晰,并将清晰度低于预设阈值的车牌样本图像滤除,然后将过滤之后的车牌样本图像处理成尺寸相同的图像,以及将尺寸相同的车牌样本图像进行二值化处理,从而得到目标样本图像。
步骤S12:通过目标样本图像对预先构建的生成式对抗网络进行训练。
在本申请实施例中,将目标样本图像输入生成式对抗网络的目标颜色子模型,得到目标样本图像对应的目标颜色信息,将带有目标颜色信息的目标样本图像输入生成式对抗网络的生成器,并通过生成器生成对应颜色的RGB图像。其中,目标颜色子模型对应的颜色与车牌样本图像的颜色相同。需要说明的是,生成器生成的对应颜色的车牌图像的尺寸大小与目标样本图像的尺寸大小相同。
当生成器生成对应的颜色的RGB图像之后,需要通过判别器对该RGB图像的真实性进行判别,即需要将带有目标颜色信息的目标样本图像、该RGB图像输入或车牌样本图像输入判别器。其中,在判别器进行判别式输入判别器的图像包括:带有目标颜色信息的目标样本图像和生成器生成的对应颜色的RGB图像,或者带有目标颜色信息的目标样本图像和进行二值化处理之前的车牌样本图像。需要说明的是,带有目标颜色信息的目标样本图像的作用是作为监督信息,用于确定生成器生成的RGB图像或车牌样本图像的车牌字符序列(即车牌号)与目标车牌样本图像的车牌号相同,避免判别器由于车牌字符序列的原因将真实图像误判为假。
例如,请参见图2所示,预先构建的生成式对抗网络中包含黄色、蓝色、新能源绿色、新能源黄绿双拼色、白色、黑色6个颜色的颜色子模型(例如是6个颜色通道),车牌样本图像的颜色为黄色,将目标样本图像输入黄色对应的颜色通道(例如是第2个颜色通道),得到目标样本图像的黄色信息,并将带有黄色信息目标样本图像输入生成器,通过生成器生成黄色的RGB图像。然后分别将带有黄色信息的目标样本图像和生成器生成的黄色的RGB图像,或者带有黄色信息的目标样本图像和车牌样本图像输入判别器进行真实性判别。
具体的,在网络初训练时,若输入判别器的图像为目标样本图像和生成器生成的RGB图像,则判别器判别输入的图像为假,此时判别器可以输出判别为假时对应的标签“0”,若输入判别器的图像为目标样本图像和车牌堂本图像,则判别器判别输入的图像为真,此时判别器可以输出判别为真时对应的标签“1”。
因此,在训练的过程中,还需要对生成器和判别器进行优化,例如,根据判别器的判别结果,通过生成器损失函数对生成器进行优化以及通过判别器损失函数对判别器进行优化,以使生成器生成的图像越接近车牌样本图像(即真实的车牌图像),以及使判别器的判别结果更准确,其中,对生成器和判别器进行优化的具体过程如下:
对生成器进行优化
根据判别器的判别结果、生成器生成的RGB图像与车票样本图像的欧式距离和生成器的损失函数,确定生成器的生成损失,并根据生成损失更新生成器的参数。其中,生成器的损失函数公式如下:
Lfake_G=‖1-D(concat(x,G(x)))‖2
其中,x表示输入的带有目标颜色信息的目标样本图像,G(x)表示生成器生成的与x对应的RGB图像,y表示与所述x对应的车牌样本图像,D(concat(x,G(x)))表示判别器对输入判别器的图像为带有目标颜色信息的目标样本图像和生成器生成的RGB图像的第一判别结果,Lfake_G表示第一判别结果与1之间的欧式距离,表示生成器生成的RGB图像与车牌样本图像之间的欧式距离(例如也可以说是差距),LG是生成器的损失函数。其中,λ可以根据实际需求进行确定。
对判别器进行优化
根据判别器的判别结果和判别器的损失函数,确定判别器的判别损失,并根据判别损失更新判别器的参数。其中,判别器的损失函数公式如下:
Lfake_D=‖D(concat(x,G(x)))‖2
Lreal_D=‖1-D(concat(x,y))‖2
LD=Lfake_D+Lreal_D
其中,x表示输入的带有目标颜色信息的目标样本图像,G(x)表示生成器生成与x对应的RGB图像,y表示与所述x对应的车牌样本图像,D(concat(x,G(x)))表示判别器对输入判别器的图像为带有目标颜色信息的目标样本图像和生成器生成的RGB图像的第一判别结果,D(concat(x,y))表示判别器对输入判别器的图像为带有目标颜色信息的目标样本图像和车牌样本图像的第二判别结果,Lfake_D表示第一判别结果与0之间的欧式距离,Lreal_D表示第二判别结果与1之间的欧式距离,LD是判别器的损失函数。
重复执行对生成器和判别器优化的过程,直到判别器难以判别输入的图像为真还是为假时,停止对生成式对抗网络进行训练,得到训练好的车牌生成模型。
车牌图像生成模型训练完成之后,对参考车牌图像进行颜色扩展。具体的,将参考车牌图像输入车牌图像生成模型的预设数量的子模型,将参考车牌图像的车牌颜色替换成预设数量的颜色子模型对应的预设颜色,得到预设数量的颜色的扩展车牌图像。例如,针对车牌号为川A·12345的参考车牌图像,需要生成3种颜色的车牌(例如,黑色、蓝色和白色),则将车牌号为川A·12345的参考车牌图像分别输入黑色、蓝色和白色对应的颜色子模型,将车牌号为川A·12345的参考车牌图像颜色替换成对应的颜色,得到三种颜色的扩展车牌图像。需要说明的是,输入对应颜色子模型的参考车牌图像的颜色为经过二值化处理之后的图像的颜色。
在具体的实施过程中,可以根据需求生成指定颜色和指定字符序列的车牌图像,且新生成的车牌图像作为车牌识别训练样本时无需重新进行人工标注,有效提升了车牌样本的扩充效率。
下面将结合具体的实施例对本申请提供的确定数据获取频率的方法进行解释说明。
实施例1
请参见图3所示,获取车牌字符序列为川A·12345的待处理车牌图像,将车牌字符序列中第1位“川”替换为“云”,以及将车牌字符序列中第5位“3”替换为“B”,得到的参考车牌图像的字符序列为云A·12B45;然后将该参考车牌图像输入车牌图像生成模型中的黄色和白色对应的颜色子模型,并通过车牌图像生成子模型的生成器生成黄色和白色的车牌图像。
基于同一发明构思,本申请实施例提供了一种车牌图像生成装置,该车牌图像生成装置能够实现前述的车牌图像生成方法对应的功能。该车牌图像生成装置可以是硬件结构、软件模块、或硬件结构加软件模块。该车牌图像生成装置可以由芯片系统实现,芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。请参见图4所示,该车牌图像生成装置包括处理模块401和模型训练模块402。其中:
处理模块401,用于对待处理车牌图像包含的车牌字符序列中目标序位的字符进行处理,得到参考车牌图像;
所述处理模块401,还用于基于训练后的车牌图像生成模型,对所述参看车牌图像的车牌颜色进行扩展处理,获得扩展车牌图像,所述车牌图像生成模型通过机器学习方法对生成式对抗网络进行训练获得。
在一种可能的实施方式中,所述车牌图像生成模型包括至少一个颜色子模型,一个颜色子模型对应一种预设颜色,不同的颜色子模型对应的预设颜色不同,所述处理模块401,具体用于:
基于所述至少一个颜色子模型中预设数量的颜色子模型,将所述参考车牌图像的车牌颜色,替换成所述预设数量的颜色子模型分别对应的预设颜色的颜色信息,得到所述预设数量的扩展车牌图像。
在一种可能的实施方式中,所述车牌图像生成装置,还包括模型训练模块402,用于:
获取车牌样本图像;
对所述车牌样本图像进行预处理,得到目标样本图像;所述目标样本图像中每个图像的尺寸相同,所述目标样本图像为二值化图像;
将所述目标样本图像输入所述生成式对抗网络的目标颜色子模型,得到所述目标样本图像的目标颜色信息,所述目标颜色子模型对应的颜色与所述车牌样本图像的颜色相同;
将带有目标颜色信息的目标样本图像输入所述生成式对抗网络的生成器,通过所述生成器生成对应颜色的RGB图像;
通过所述生成式对抗网络的判别器对输入所述判别器的图像进行判别;所述输入所述判别器的图像包括:所述带有目标颜色信息的目标样本图像和所述生成器生成的对应颜色的RGB图像,或者所述带有目标颜色信息的目标样本图像和所述车牌样本图像,在所述输入所述判别器的图像为所述带有目标颜色信息的目标样本图像和所述RGB图像时,判别所述输入图像为假,在所述输入所述判别器的图像为所述带有目标颜色信息的目标样本图像和所述车牌样本图像时,判别所述输入图像为真;
基于所述判别结果,通过生成器的损失函数对所述生成器进行优化以及通过所述判别器的损失函数对所述判别器进行优化,以使所述生成器生成的RGB图像更接近所述车牌样本图像,以及使所述判别器的判别结果更准确;
直到所述判别器难以判别输入的图像为真还是为假时,停止网络训练,得到所述车牌图像生成模型。
在一种可能的实施方式中,所述模型训练模块402,具体用于:
根据所述判别器的判别结果、所述生成器生成的RGB图像与所述车牌样本图像的欧式距离和所述生成器的损失函数,确定所述生成器的生成损失;
根据所述生成损失,更新所述生成器的参数。
在一种可能的实施方式中,所述模型训练模块402,具体用于:
根据所述判别器的判别结果和所述判别器的损失函数,确定所述判别器的判别损失;
根据所述判别损失,更新所述判别器的参数。
在一种可能的实施方式中,所述处理模块401,具体用于:
对所述待处理车牌图像进行二值化处理,获得二值化车牌图像;
对所述二值化车牌图像中目标序位的字符进行处理,得到参考车牌图像。
在一种可能的实施方式中,所述处理模块401,具体用于:
将待处理车牌图像包含的车牌字符序列中目标序位的字符,替换为预设字符或随机字符,得到所述参考车牌图像。
前述的车牌图像生成方法的实施例涉及的各步骤的所有相关内容均可援引到本申请施例中的车牌图像生成装置所对应的功能模块的功能描述,在此不再赘述。
本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,另外,在本申请各个实施例中的各功能模块可以集成在一个处理器中,也可以是单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
基于同一发明构思,本申请实施例提供一种电子设备。请参见图5所示,该电子设备包括至少一个处理器501,以及与至少一个处理器连接的存储器502,本申请实施例中不限定处理器501与存储器502之间的具体连接介质,图5中是以处理器501和存储器502之间通过总线500连接为例,总线500在图5中以粗线表示,其它部件之间的连接方式,仅是进行示意性说明,并不引以为限。总线500可以分为地址总线、数据总线、控制总线等,为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
在本申请实施例中,存储器502存储有可被至少一个处理器501执行的指令,至少一个处理器501通过执行存储器502存储的指令,可以执行前述的车牌图像生成方法中所包括的步骤。
其中,处理器501是电子设备的控制中心,可以利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器502内的指令以及调用存储在存储器502内的数据,电子设备的各种功能和处理数据,从而对电子设备进行整体监控。可选的,处理器501可包括一个或多个处理单元,处理器501可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器501中。在一些实施例中,处理器501和存储器502可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器501可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的车牌图像生成方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器502可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(Static Random Access Memory,SRAM)、可编程只读存储器(Programmable Read Only Memory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器502是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器502还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
通过对处理器501进行设计编程,可以将前述实施例中介绍的车牌图像生成方法所对应的代码固化到芯片内,从而使芯片在运行时能够执行前述的车牌图像生成方法的步骤,如何对处理器501进行设计编程为本领域技术人员所公知的技术,这里不再赘述。
基于同一发明构思,本申请实施例还提供一种计算可读存储介质,该计算可读存储介质存储有计算机指令,当该计算机指令在计算机上运行时,使得计算机执行如前述的车牌图像生成方法的步骤。
在一些可能的实施方式中,本申请提供的车牌图像生成方法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,当程序产品在电子设备上运行时,程序代码用于使该检测设备执行本说明书上述描述的根据本申请各种示例性实施方式的车牌图像生成方法中的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种车牌图像生成方法,其特征在于,所述方法包括:
对待处理车牌图像包含的车牌字符序列中目标序位的字符进行处理,得到参考车牌图像;
基于训练后的车牌图像生成模型,对所述参考车牌图像的车牌颜色进行扩展处理,获得扩展车牌图像,所述车牌图像生成模型通过机器学习方法对生成式对抗网络进行训练获得,所述车牌图像生成模型包括至少一个颜色子模型,一个颜色子模型对应一种预设颜色的颜色信息,不同的颜色子模型对应的预设颜色不同。
2.如权利要求1所述的方法,其特征在于,所述基于训练后的车牌图像生成模型,对所述参看车牌图像的车牌颜色进行扩展处理,获得扩展车牌图像,包括:
基于所述至少一个颜色子模型中预设数量的颜色子模型,将所述参考车牌图像的车牌颜色,替换成所述预设数量的颜色子模型分别对应的预设颜色,得到所述预设数量的扩展车牌图像。
3.如权利要求1所述的方法,其特征在于,所述车牌图像生成模型通过如下方式获得:
获取车牌样本图像;
对所述车牌样本图像进行预处理,得到目标样本图像;所述目标样本图像中每个图像的尺寸相同,所述目标样本图像为二值化图像;
将所述目标样本图像输入所述生成式对抗网络的目标颜色子模型,得到所述目标样本图像的目标颜色信息,所述目标颜色子模型对应的颜色与所述车牌样本图像的颜色相同;
将带有目标颜色信息的目标样本图像输入所述生成式对抗网络的生成器,通过所述生成器生成对应颜色的RGB图像;
通过所述生成式对抗网络的判别器对输入所述判别器的图像进行判别;所述输入所述判别器的图像包括:所述带有目标颜色信息的目标样本图像和所述生成器生成的对应颜色的RGB图像,或者所述带有目标颜色信息的目标样本图像和所述车牌样本图像,在所述输入所述判别器的图像为所述带有目标颜色信息的目标样本图像和所述RGB图像时,判别所述输入图像为假,在所述输入所述判别器的图像为所述带有目标颜色信息的目标样本图像和所述车牌样本图像时,判别所述输入图像为真;
基于所述判别结果,通过生成器的损失函数对所述生成器进行优化以及通过所述判别器的损失函数对所述判别器进行优化,以使所述生成器生成的RGB图像更接近所述车牌样本图像,以及使所述判别器的判别结果更准确;
直到所述判别器难以判别输入的图像为真还是为假时,停止网络训练,得到所述车牌图像生成模型。
4.如权利要求3所述的方法,其特征在于,所述通过生成器的损失函数对所述生成器进行优化,包括:
根据所述判别器的判别结果、所述生成器生成的RGB图像与所述车牌样本图像的欧式距离和所述生成器的损失函数,确定所述生成器的生成损失;
根据所述生成损失,更新所述生成器的参数。
5.如权利要求3所述的方法,其特征在于,所述通过所述判别器的损失函数对所述判别器进行优化,包括:
根据所述判别器的判别结果和所述判别器的损失函数,确定所述判别器的判别损失;
根据所述判别损失,更新所述判别器的参数。
6.如权利要求1所述的方法,其特征在于,所述对待处理车牌图像包含的车牌字符序列中目标序位的字符进行处理,得到参考车牌图像,包括:
对所述待处理车牌图像进行二值化处理,获得二值化车牌图像;
对所述二值化车牌图像中目标序位的字符进行处理,得到参考车牌图像。
7.如权利要求1所述的方法,其特征在于,所述对待处理车牌图像包含的车牌字符序列中目标序位的字符进行处理,得到参考车牌图像,包括:
将待处理车牌图像包含的车牌字符序列中目标序位的字符,替换为预设字符或随机字符,得到所述参考车牌图像。
8.一种车牌图像生成装置,其特征在于,所述装置包括:
处理模块,用于对待处理车牌图像包含的车牌字符序列中目标序位的字符进行处理,得到参考车牌图像;
所述处理模块,还用于基于训练后的车牌图像生成模型,对所述参看车牌图像的车牌颜色进行扩展处理,获得扩展车牌图像,所述车牌图像生成模型通过机器学习方法对生成式对抗网络进行训练获得,所述车牌图像生成模型包括至少一个颜色子模型,一个颜色子模型对应一种预设颜色的颜色信息,不同的颜色子模型对应的预设颜色不同。
9.一种电子设备,其特征在于,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行权利要求1-7任一项所述的方法包括的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被计算机执行时,使所述计算机执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837777.3A CN113379869B (zh) | 2021-07-23 | 2021-07-23 | 一种车牌图像生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837777.3A CN113379869B (zh) | 2021-07-23 | 2021-07-23 | 一种车牌图像生成方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379869A true CN113379869A (zh) | 2021-09-10 |
CN113379869B CN113379869B (zh) | 2023-03-24 |
Family
ID=77582802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110837777.3A Active CN113379869B (zh) | 2021-07-23 | 2021-07-23 | 一种车牌图像生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379869B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114764444A (zh) * | 2022-04-06 | 2022-07-19 | 云从科技集团股份有限公司 | 图像生成及样本图像扩充方法、装置及计算机存储介质 |
CN115019297A (zh) * | 2022-08-04 | 2022-09-06 | 之江实验室 | 一种基于颜色增广的实时车牌检测识别方法和装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150032580A1 (en) * | 2013-07-25 | 2015-01-29 | The Crawford Group, Inc. | Method and Apparatus for Integrated Image Capture for Vehicles to Track Damage |
WO2018170393A2 (en) * | 2017-03-17 | 2018-09-20 | Portland State University | Frame interpolation via adaptive convolution and adaptive separable convolution |
CN109325989A (zh) * | 2018-08-27 | 2019-02-12 | 平安科技(深圳)有限公司 | 车牌图像生成方法、装置、设备及介质 |
CN110781976A (zh) * | 2019-10-31 | 2020-02-11 | 重庆紫光华山智安科技有限公司 | 训练图像的扩充方法、训练方法及相关装置 |
CN110969176A (zh) * | 2018-09-29 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 一种车牌样本扩增方法、装置和计算机设备 |
CN111383343A (zh) * | 2018-12-29 | 2020-07-07 | 江苏赞奇科技股份有限公司 | 一种面向家装设计的基于生成对抗网络技术的增强现实图像渲染上色方法 |
CN111754440A (zh) * | 2020-06-29 | 2020-10-09 | 苏州科达科技股份有限公司 | 车牌图像增强方法、系统、设备及存储介质 |
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 |
CN112101349A (zh) * | 2020-09-01 | 2020-12-18 | 北京智芯原动科技有限公司 | 一种车牌样本生成方法及装置 |
-
2021
- 2021-07-23 CN CN202110837777.3A patent/CN113379869B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150032580A1 (en) * | 2013-07-25 | 2015-01-29 | The Crawford Group, Inc. | Method and Apparatus for Integrated Image Capture for Vehicles to Track Damage |
WO2018170393A2 (en) * | 2017-03-17 | 2018-09-20 | Portland State University | Frame interpolation via adaptive convolution and adaptive separable convolution |
CN109325989A (zh) * | 2018-08-27 | 2019-02-12 | 平安科技(深圳)有限公司 | 车牌图像生成方法、装置、设备及介质 |
CN110969176A (zh) * | 2018-09-29 | 2020-04-07 | 杭州海康威视数字技术股份有限公司 | 一种车牌样本扩增方法、装置和计算机设备 |
CN111383343A (zh) * | 2018-12-29 | 2020-07-07 | 江苏赞奇科技股份有限公司 | 一种面向家装设计的基于生成对抗网络技术的增强现实图像渲染上色方法 |
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 |
CN110781976A (zh) * | 2019-10-31 | 2020-02-11 | 重庆紫光华山智安科技有限公司 | 训练图像的扩充方法、训练方法及相关装置 |
CN111754440A (zh) * | 2020-06-29 | 2020-10-09 | 苏州科达科技股份有限公司 | 车牌图像增强方法、系统、设备及存储介质 |
CN112101349A (zh) * | 2020-09-01 | 2020-12-18 | 北京智芯原动科技有限公司 | 一种车牌样本生成方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114764444A (zh) * | 2022-04-06 | 2022-07-19 | 云从科技集团股份有限公司 | 图像生成及样本图像扩充方法、装置及计算机存储介质 |
CN115019297A (zh) * | 2022-08-04 | 2022-09-06 | 之江实验室 | 一种基于颜色增广的实时车牌检测识别方法和装置 |
CN115019297B (zh) * | 2022-08-04 | 2022-12-09 | 之江实验室 | 一种基于颜色增广的实时车牌检测识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113379869B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113379869B (zh) | 一种车牌图像生成方法、装置、电子设备及存储介质 | |
Yang et al. | Constrained R-CNN: A general image manipulation detection model | |
CN112580643B (zh) | 一种基于深度学习的车牌识别方法、装置及存储介质 | |
CN108229474A (zh) | 车牌识别方法、装置及电子设备 | |
CN108073928A (zh) | 一种车牌识别方法及装置 | |
CN106529380A (zh) | 图像的识别方法及装置 | |
CN111160140B (zh) | 一种图像检测方法及装置 | |
CN105069774B (zh) | 基于多示例学习与图割优化的目标分割方法 | |
CN111951154B (zh) | 包含背景和介质的图片的生成方法及装置 | |
CN107704797B (zh) | 基于安防视频中行人和车辆的实时检测方法和系统及设备 | |
CN109583299A (zh) | 电子装置、证件识别方法及存储介质 | |
CN109492640A (zh) | 车牌识别方法、装置及计算机可读存储介质 | |
CN106326895A (zh) | 图像处理装置和图像处理方法 | |
CN110969104B (zh) | 基于二值化网络检测可行驶区域的方法、系统及存储介质 | |
CN110443328B (zh) | 基于led防伪标签的识别验伪方法、装置、设备及介质 | |
CN110532938B (zh) | 基于Faster-RCNN的纸质作业页码识别方法 | |
CN111784555A (zh) | 图像处理方法、装置及设备 | |
CN114913321A (zh) | 基于局部到全局知识迁移的物体注意力挖掘方法及系统 | |
CN114495060A (zh) | 一种道路交通标线识别方法及装置 | |
CN113361567A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN115713669B (zh) | 一种基于类间关系的图像分类方法、装置、存储介质及终端 | |
CN110428264A (zh) | 基于点阵屏防伪标签的识别验伪方法、装置、设备及介质 | |
CN111753926B (zh) | 一种用于智慧城市的数据共享方法及系统 | |
CN107358716B (zh) | 黑水印识别方法、装置及终端设备 | |
CN113344042A (zh) | 基于辅助驾驶的路况图像模型训练方法、系统和智能终端 |
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 |