CN115239602A - 一种基于空洞卷积扩大感受野的车牌图像去模糊方法 - Google Patents
一种基于空洞卷积扩大感受野的车牌图像去模糊方法 Download PDFInfo
- Publication number
- CN115239602A CN115239602A CN202211154274.7A CN202211154274A CN115239602A CN 115239602 A CN115239602 A CN 115239602A CN 202211154274 A CN202211154274 A CN 202211154274A CN 115239602 A CN115239602 A CN 115239602A
- Authority
- CN
- China
- Prior art keywords
- image
- convolution
- license plate
- feature
- features
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 14
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 239000011800 void material Substances 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000010669 acid-base reaction Methods 0.000 claims description 2
- 239000007795 chemical reaction product Substances 0.000 claims description 2
- 238000013434 data augmentation Methods 0.000 claims description 2
- 230000003190 augmentative effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
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
- 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
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域,涉及一种基于空洞卷积扩大感受野的车牌图像去模糊方法,先将原始视频抽取图像序列,将图像序列分成多个间隔,再将从个间隔抽取一张图像组成图像子序列,然后将图像子序列中的图像输入训练好的模型,得到恢复的清晰图像,所采用的多尺度空洞卷积特征提取模块充分提取不同大小分辨率图像所包含的特征信息,同时多尺度注意力模块对来自不同尺度大小的特征图进行融合过滤,减少图像特征的损失,放大重要的特征信息,同时改进了能量损失函数,提升网络模型的整体训练效果,该方法可以但不限于应用在车牌图像去模糊任务中,能够有效的实现车牌图像的去模糊。
Description
技术领域
本发明属于图像处理技术领域,涉及一种基于空洞卷积扩大感受野的车牌图像去模糊方法。
背景技术
图像去模糊是通过深度学习算法将车牌图像中存在的模糊区域消除,该任务属于图像修复任务中的一种。图像修复技术是计算机视觉的底层任务,是图像,视频识别等任务的基础,在计算机视觉领域具有很重要的地位,被广泛应用于交通监控、医学检测和雷达遥感等场景之中。
在对模糊的车牌图像进行修复的过程中,现有的基于卷积神经网络的深度学习方法要点主要如下:(1)通过加深网络层次或者多个网络堆叠,逐步恢复清晰图像;(2)使用特征提取模块提取图像特征,使用同样的卷积核不能很好的处理不同分辨率大小的车牌图像,不能充分提取图像特征信息;(3)网络加深,车牌图像特征在传输的过程中,将会丢失许多信息,不利于恢复清晰的图像,上述方法存在的问题导致其在实际应用场景中无法取得满意的效果,急需更加高效方法进行车牌图像去模糊。
发明内容
本发明的目的在于克服现有技术存在的缺点,设计提供了一种基于空洞卷积扩大感受野的车牌图像去模糊方法,用于解决实际应用场景中拍摄的车牌图像存在模糊导致后续无法识别的情况。
为实现上述目的,本发明先将原始视频抽取图像序列,将图像序列分成多个间隔,再将从个间隔抽取一张图像组成图像子序列,然后将图像子序列中的图像输入训练好的模型,得到恢复的清晰图像,具体步骤如下:
(1)从原始视频中抽取原始图像序列;
(2)将原始图像分成多个间隔,每个间隔抽取一张图像组成子序列,对图像子序列
模糊处理生成车牌模糊图像子序列;对车牌模糊图像子序列进行特征提取,得到的特征维
度,其中B是批次维度,表示训练时的批次大小;T为时间维度,表示每个
视频选取的序列间隔的数量;C为特征通道数量;W为特征在空间上的宽度;H为特征在空间
上的高度;
(3)设计并建立基于空洞卷积扩大感受野的车牌图像去模糊网络,车牌图像去模糊网络分为两部分逐步恢复清晰的车牌图像,相邻部分间采用多尺度注意力模块连接,将步骤(2)得到的图片子序列的特征维度分别作为车牌图像去模糊网络两部分的输入,采用加入多尺度空洞卷积特征提取模块的多阶段卷积神经网络模型作为学习器,学习用于图像去模糊的模糊核;
(4)训练基于空洞卷积扩大感受野的车牌图像去模糊网络,得到训练好的网络模型;
(5)将模糊车牌图像输入到训练好的网络模型中,输出恢复的清晰图像,实现基于空洞卷积扩大感受野的车牌图像去模糊。
作为本发明的进一步技术方案,步骤(3)的具体过程为:
(32)将重新排列后的特征维度输入采用包含不同膨胀系数空洞卷积的多尺度空洞卷积特征提取模块,利用不同的感受野充分提取图像的空间特征;
(33)将步骤(32)输出的特征输入多尺度注意力模块,提取车牌图像的注意力特征图。
作为本发明的进一步技术方案,步骤(33)所述多尺度空洞卷积特征提取模块由四个多尺度空洞卷积残差块构成,每个多尺度空洞卷积残差块对于输入的图像特征,先经过膨胀系数分别为1、2、3的空洞卷积对图像特征进行处理,再将得到的三个特征图进行拼接操作得到拼接后的特征图,将拼接后的特征图输入由ReLu、3×3卷积和ReLu构成的残差块中对特征进一步处理得到处理后的特征;将输入的图像特征与处理后的特征相加后输入由3×3卷积和ReLu组成的模块进行特征细化得到细化后的特征,最后将第四个多尺度空洞卷积残差块输出的特征与输入的图像特征相加,得到多尺度空洞卷积特征提取模块的输出特征。
作为本发明的进一步技术方案,步骤(32)所述多尺度注意力模块的工作过程为:将来自两个不同多尺度空洞卷积特征提取模块、大小不同的特征图像输入多尺度注意力模块时,先经过卷积层使两个特征图像的大小一致,再依次经过3×3卷积、LeakyReLU、3×3卷积全局平均池化、3×3卷积、LeakyReLU和3×3卷积处理,最后通过Sigmoid激活函数对特征图分配权重生成注意力特征图,使得两个不同尺度之间的特征图融合生成注意力热度图。
作为本发明的进一步技术方案,步骤(4)的具体过程如下:
(41)数据增广:将车牌图像随机裁剪为256×256大小,然后采取90°,180°,270°旋转图像以及对图像进行翻转增广训练数据,得到一对256×256大小、新的清晰车牌图像和模糊车牌图像组成的图像对;
(42)使用恢复的清晰图像与所有阶段生成的真实的清晰图像的均方误差作为损
失函数:;其中I b,i 为输入的第i个模糊图像,I g,i
为第i个模糊图像真实的清晰图像,θ为卷积神经网络中学习的权重参数,为第i
个模糊图像恢复的清晰图像,N为图像样本总数,为第j阶段的损失占比,训练中设置λ 1 为
0.3,λ 2 为0.7;
(43)经过设定次数迭代训练后,保存结果最好的模型参数,作为最终模型训练好的参数,即得到训练好的网络模型。
本发明设计了多尺度空洞卷积特征提取模块,该模块通过使用不同膨胀系数的空洞卷积扩大感受野,这样能够使用比正常卷积更少的参数达到更大的感受野,通过使用多个不同膨胀系数的空洞卷积,能够充分的处理输入网络中不同分辨率的车牌图像,能够很好的提取图像特征信息;同时在两个阶段之间设计了多尺度注意力模块,将来自相邻两个不同尺度的特征图进行融合,能够弥补特征在传输时的损失,同时生成的注意力热度图能够放大更有价值的图像特征,使网络在训练过程中逐渐关注有利于去模糊的特征信息。
与现有技术相比,本发明所采用的多尺度空洞卷积特征提取模块充分提取不同大小分辨率图像所包含的特征信息,同时多尺度注意力模块对来自不同尺度大小的特征图进行融合过滤,减少图像特征的损失,放大重要的特征信息,同时改进了能量损失函数,提升网络模型的整体训练效果,该方法可以但不限于应用在车牌图像去模糊任务中,能够有效的实现车牌图像的去模糊。
附图说明
图1为本发明所述基于空洞卷积扩大感受野的车牌图像去模糊网络的结构框架示意图。
图2为本发明所述多尺度空洞卷积特征提取模块的结构图。
图3为本发明所述多尺度注意力模块的结构图。
图4为本发明所述车牌图像去模糊的流程框图。
具体实施方式
下面结合附图并通过实施例进一步描述本发明,但不以任何方式限制本发明的范围。
实施例:
本实施例采用如图4所示的车牌图像去模糊流程,具体实施包括如下步骤:
(1)从视频抽取原始图像序列:
通过对原始车辆视频抽取出图像序列,作为初始车牌数据形式,抽取时保持原视频图像长宽以及视频帧数不变,根据视频原本的每秒帧数和图像大小,抽取出每个视频的图像序列;
(2)生成车牌图像数据
根据步骤(1)中抽取出的图像序列,将每个不同时间长短的视频分成相同大小的T
个时间序列间隔(segments),T可以是任意合适的大小,通常取8至32,从这些序列间隔中抽
取包含车牌的图像组成图像子序列,对图像子序列模糊处理后进行特征提取,得到的特征
维度,其中B是批次维度,表示训练时的批次大小;T为时间维度,表示每
个视频选取的序列间隔的数量;C为特征通道数量;W为特征在空间上的宽度;H为特征在空
间上的高度;
(3)设计并建立去模糊网络:
将步骤(2)得到的特征维度作为网络模型的输入,采用加入多尺度空洞卷积特征提取模块的多阶段卷积神经网络模型作为学习器,学习用于图像去模糊的模糊核,具体包括如下操作:
(32)对于输入特征,采用包含不同膨胀系数空洞卷积的多尺度空洞卷积特征提取
模块,利用不同的感受野充分提取图像的空间特征,所述多尺度空洞卷积特征提取模块依
次由四个多尺度空洞卷积残差块构成,输入的图像特征Fin分别经过膨胀系数分别为1、2、3
的空洞卷积对特征图像进行处理,再将得到的三个特征图进行拼接操作得到特征Fdc,拼接
后的特征图Fdc输入由ReLu、3×3卷积和ReLu构成的残差块中对进一步处理得到Fdc1;然后将
输入的图像特征Fin与Fdc1相加后输入由3×3卷积和ReLu组成的部分进行特征细化得到输出
特征FDC1,最后将第四个多尺度空洞卷积残差块的最终输出与输入特征Fin相加,得到多
尺度空洞卷积特征提取模块的输出特征;
(33)将输入多尺度注意力模块,提取车牌图像的注意力特征图,为提高恢复效
果,整个模型分为两个部分逐步恢复清晰的车牌图像,相邻部分间采用多尺度注意力模块
连接,具体过程为:来自两个不同模块的、大小不同的特征图像Fa,Fb在输入到注意力模块
时,先经过卷积层使Fa,Fb的大小一致,方便后续操作进行,再依次经过3×3卷积、
LeakyReLU、3×3卷积全局平均池化、3×3卷积、LeakyReLU和3×3卷积处理,最后通过
Sigmoid激活函数对特征图分配权重生成注意力特征图,通过上述操作,可以使得两个不同
尺度之间的特征图融合生成注意力热度图,相比于来自相同尺度特征图生成的注意力热度
图而言,该方法可以在获得更多不同尺度特征信息的同时生成注意力热度图,兼顾了特征
融合和注意力机制两种功能;
(4)训练去模糊网络:
(41)先将图片随机裁剪为256×256大小,然后采取90°,180°,270°旋转图像,以及对图像进行翻转等方式增广训练数据,最终得到一对256×256大小的,新的清晰车牌图像和模糊车牌图像组成的图像对;
(42)使用恢复的清晰图像与所有阶段生成的真实的清晰图像的均方误差作为损
失函数:;其中I b,i 为输入的第i个模糊图像,I g,i
为第i个模糊图像真实的清晰图像,θ为卷积神经网络中学习的权重参数,为第i
个模糊图像恢复的清晰图像,N为图像样本总数,为第j阶段的损失占比,训练中设置λ 1 为
0.3,λ 2 为0.7;
(43)训练时输入图像批处理大小为 8,使用 Adam 优化器,其参数设置分别为β1=0.9 和β2=0.999,训练共 1.5×105次迭代,初始学习率为 1×10-4,每经过 2.5×104次迭代学习率衰减为原来的一半,得到训练好的网络模型;
(5)测试车牌图像去模糊网络:
将分辨率大小为1280×720的模糊车牌图像输入到训练好的网络模型中,模型输出即为恢复的清晰图像。
本文中未详细说明的网络结构和算法均为本领域通用技术。
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的精神和范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (5)
1.一种基于空洞卷积扩大感受野的车牌图像去模糊方法,其特征在于,具体包括以下过程:
(1)从原始视频中抽取原始图像序列;
(2)将原始图像分成多个间隔,每个间隔抽取一张图像组成子序列,对图像子序列模糊
处理生成车牌模糊图像子序列;对车牌模糊图像子序列进行特征提取,得到的特征维度,其中B是批次维度,表示训练时的批次大小;T为时间维度,表示每个视
频选取的序列间隔的数量;C为特征通道数量;W为特征在空间上的宽度;H为特征在空间上
的高度;
(3)设计并建立基于空洞卷积扩大感受野的车牌图像去模糊网络,车牌图像去模糊网络分为两部分逐步恢复清晰的车牌图像,相邻部分间采用多尺度注意力模块连接,将步骤(2)得到的图片子序列的特征维度分别作为车牌图像去模糊网络两部分的输入,采用加入多尺度空洞卷积特征提取模块的多阶段卷积神经网络模型作为学习器,学习用于图像去模糊的模糊核;
(4)训练基于空洞卷积扩大感受野的车牌图像去模糊网络,得到训练好的网络模型;
(5)将模糊车牌图像输入到训练好的网络模型中,输出恢复的清晰图像,实现基于空洞卷积扩大感受野的车牌图像去模糊。
3.根据权利要求2所述基于空洞卷积扩大感受野的车牌图像去模糊方法,其特征在于,步骤(33)所述多尺度空洞卷积特征提取模块由四个多尺度空洞卷积残差块构成,每个多尺度空洞卷积残差块对于输入的图像特征,先经过膨胀系数分别为1、2、3的空洞卷积对图像特征进行处理,再将得到的三个特征图进行拼接操作得到拼接后的特征图,将拼接后的特征图输入由ReLu、3×3卷积和ReLu构成的残差块中对特征进一步处理得到处理后的特征;将输入的图像特征与处理后的特征相加后输入由3×3卷积和ReLu组成的模块进行特征细化得到细化后的特征,最后将第四个多尺度空洞卷积残差块输出的特征与输入的图像特征相加,得到多尺度空洞卷积特征提取模块的输出特征。
4.根据权利要求3所述基于空洞卷积扩大感受野的车牌图像去模糊方法,其特征在于,步骤(32)所述多尺度注意力模块的工作过程为:将来自两个不同多尺度空洞卷积特征提取模块、大小不同的特征图像输入多尺度注意力模块时,先经过卷积层使两个特征图像的大小一致,再依次经过3×3卷积、LeakyReLU、3×3卷积全局平均池化、3×3卷积、LeakyReLU和3×3卷积处理,最后通过Sigmoid激活函数对特征图分配权重生成注意力特征图,使得两个不同尺度之间的特征图融合生成注意力热度图。
5.根据权利要求4所述基于空洞卷积扩大感受野的车牌图像去模糊方法,其特征在于,步骤(4)的具体过程如下:
(41)数据增广:将车牌图像随机裁剪为256×256大小,然后采取90°,180°,270°旋转图像以及对图像进行翻转增广训练数据,得到一对256×256大小、新的清晰车牌图像和模糊车牌图像组成的图像对;
(42)使用恢复的清晰图像与所有阶段生成的真实的清晰图像的均方误差作为损失函
数:;其中I b,i 为输入的第i个模糊图像,I g,i 为第i
个模糊图像真实的清晰图像,θ为卷积神经网络中学习的权重参数,为第i个模
糊图像恢复的清晰图像,N为图像样本总数,为第j阶段的损失占比,训练中设置λ 1 为0.3,λ 2 为0.7;
(43)经过设定次数迭代训练后,保存结果最好的模型参数,作为最终模型训练好的参数,即得到训练好的网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211154274.7A CN115239602A (zh) | 2022-09-22 | 2022-09-22 | 一种基于空洞卷积扩大感受野的车牌图像去模糊方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211154274.7A CN115239602A (zh) | 2022-09-22 | 2022-09-22 | 一种基于空洞卷积扩大感受野的车牌图像去模糊方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115239602A true CN115239602A (zh) | 2022-10-25 |
Family
ID=83667608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211154274.7A Pending CN115239602A (zh) | 2022-09-22 | 2022-09-22 | 一种基于空洞卷积扩大感受野的车牌图像去模糊方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115239602A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386023A (zh) * | 2023-05-29 | 2023-07-04 | 松立控股集团股份有限公司 | 基于时空扩散的高位相机车牌识别方法、系统及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310615A (zh) * | 2020-01-23 | 2020-06-19 | 天津大学 | 基于多尺度信息和残差网络的小目标交通标志检测方法 |
CN114708170A (zh) * | 2022-06-06 | 2022-07-05 | 松立控股集团股份有限公司 | 一种基于增强多尺度特征的车牌图像去模糊方法 |
CN114821449A (zh) * | 2022-06-27 | 2022-07-29 | 松立控股集团股份有限公司 | 一种基于注意力机制的车牌图像处理方法 |
-
2022
- 2022-09-22 CN CN202211154274.7A patent/CN115239602A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310615A (zh) * | 2020-01-23 | 2020-06-19 | 天津大学 | 基于多尺度信息和残差网络的小目标交通标志检测方法 |
CN114708170A (zh) * | 2022-06-06 | 2022-07-05 | 松立控股集团股份有限公司 | 一种基于增强多尺度特征的车牌图像去模糊方法 |
CN114821449A (zh) * | 2022-06-27 | 2022-07-29 | 松立控股集团股份有限公司 | 一种基于注意力机制的车牌图像处理方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386023A (zh) * | 2023-05-29 | 2023-07-04 | 松立控股集团股份有限公司 | 基于时空扩散的高位相机车牌识别方法、系统及电子设备 |
CN116386023B (zh) * | 2023-05-29 | 2023-08-25 | 松立控股集团股份有限公司 | 基于时空扩散的高位相机车牌识别方法、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110232394B (zh) | 一种多尺度图像语义分割方法 | |
CN111028177B (zh) | 一种基于边缘的深度学习图像去运动模糊方法 | |
CN112634276B (zh) | 一种基于多尺度视觉特征提取的轻量级语义分割方法 | |
CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
CN109523470B (zh) | 一种深度图像超分辨率重建方法及系统 | |
CN109523482B (zh) | 一种基于深度神经网络的对含纹理退化图像的复原方法 | |
CN111223062A (zh) | 基于生成对抗网络的图像去模糊方法 | |
CN112233129B (zh) | 基于深度学习的并行多尺度注意力机制语义分割方法及装置 | |
CN114708170A (zh) | 一种基于增强多尺度特征的车牌图像去模糊方法 | |
CN114821449B (zh) | 一种基于注意力机制的车牌图像处理方法 | |
CN109034198B (zh) | 基于特征图恢复的场景分割方法和系统 | |
CN111652812A (zh) | 基于选择性注意力机制的图像去雾和去雨算法 | |
CN110189260B (zh) | 一种基于多尺度并行门控神经网络的图像降噪方法 | |
CN114511786B (zh) | 融合多时相信息和分通道密集卷积的遥感图像去云方法 | |
US20220366682A1 (en) | Computer-implemented arrangements for processing image having article of interest | |
CN111861886B (zh) | 一种基于多尺度反馈网络的图像超分辨率重建方法 | |
CN111062329B (zh) | 基于增广网络的无监督行人重识别方法 | |
CN112767280B (zh) | 一种基于循环迭代机制的单幅图像雨滴去除方法 | |
CN115239602A (zh) | 一种基于空洞卷积扩大感受野的车牌图像去模糊方法 | |
CN112991199A (zh) | 一种基于残差密集网络的图像高低频分解噪声去除方法 | |
CN115345791A (zh) | 一种基于注意力机制残差网络模型的红外图像去模糊算法 | |
CN113888426B (zh) | 一种基于深度可分离残差网络的电力监控视频去模糊方法 | |
CN116434039B (zh) | 一种基于多尺度拆分注意力机制的目标检测方法 | |
CN117350927A (zh) | 一种基于深度学习的图像去雨方法 | |
CN113096032A (zh) | 一种基于图像区域划分的非均匀一致模糊去除方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221025 |
|
RJ01 | Rejection of invention patent application after publication |