CN116311207A - 模糊车牌识别方法、装置、电子设备及存储介质 - Google Patents

模糊车牌识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN116311207A
CN116311207A CN202310265395.7A CN202310265395A CN116311207A CN 116311207 A CN116311207 A CN 116311207A CN 202310265395 A CN202310265395 A CN 202310265395A CN 116311207 A CN116311207 A CN 116311207A
Authority
CN
China
Prior art keywords
license plate
image
original image
stage
fuzzy
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
Application number
CN202310265395.7A
Other languages
English (en)
Inventor
程剑杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Longzhi Digital Technology Service Co Ltd
Original Assignee
Beijing Longzhi Digital Technology Service Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Longzhi Digital Technology Service Co Ltd filed Critical Beijing Longzhi Digital Technology Service Co Ltd
Priority to CN202310265395.7A priority Critical patent/CN116311207A/zh
Publication of CN116311207A publication Critical patent/CN116311207A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/625—License plates
    • 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
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/12—Detection or correction of errors, e.g. by rescanning the pattern
    • G06V30/133—Evaluation of quality of the acquired characters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/16—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/18—Extraction of features or characteristics of the image
    • G06V30/1801—Detecting partial patterns, e.g. edges or contours, or configurations, e.g. loops, corners, strokes or intersections
    • 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)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种模糊车牌识别方法、装置、电子设备及存储介质。该方法包括：利用预定的模糊判别器对包含车牌信息的原始图像进行边界检测，并依据边界检测结果判断原始图像是否为模糊图像；当判断为模糊图像时，利用预定的去模糊网络模块对原始图像进行多阶段的去模糊处理，其中在相邻阶段之间设有监督注意力模块，监督注意力模块用于将目标特征传递到下一阶段；利用车牌检测器对去模糊处理后的图像进行检测，以便将车牌区域图像从去模糊处理后的图像中裁剪出来；利用车牌识别模型对车牌区域图像进行特征提取和预测，得到车牌区域图像对应的文本序列，将文本序列作为车牌信息。本申请提高了运动模糊场景下的车牌识别的准确率和鲁棒性。

Description

模糊车牌识别方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种模糊车牌识别方法、装置、电子设备及存储介质。
背景技术
图像去模糊是一个经典的图像复原任务，在车牌识别的多数场景中运动模糊是导致识别率降低的最重要的影响因素之一。造成图像运动模糊的原因主要为：成像过程中相机运动或者场景变化所造成的不同空间位置信息的混叠。
目前已知的车牌识别算法的处理逻辑是：车牌位置定位-车牌的倾斜矫正-车牌字符分割-车牌字符识别。但是现有的车牌识别算法通常无法判断图像是否模糊，因此也不会将模糊图像复原为清晰图像；另外，现有的车牌识别算法在基于字符级别的分割和识别时效率较低，在处理特殊车牌(如港牌、双层车牌等)时容易造成识别率降低。
发明内容
有鉴于此，本申请实施例提供了一种模糊车牌识别方法、装置、电子设备及存储介质，以解决现有技术存在的针对模糊图像无法识别出车牌，车牌识别率低的问题。
本申请实施例的第一方面，提供了一种模糊车牌识别方法，包括：利用预定的模糊判别器对包含车牌信息的原始图像进行边界检测，并依据边界检测结果判断原始图像是否为模糊图像；当判断为模糊图像时，利用预定的去模糊网络模块对原始图像进行多阶段的去模糊处理，其中在相邻阶段之间设有监督注意力模块，监督注意力模块用于将目标特征传递到下一阶段；利用预先训练好的车牌检测器对去模糊处理后的图像进行检测，以便将车牌区域图像从去模糊处理后的图像中裁剪出来；利用预先训练好的车牌识别模型对车牌区域图像进行特征提取和预测，得到车牌区域图像对应的文本序列，将文本序列作为车牌信息。
本申请实施例的第二方面，提供了一种模糊车牌识别装置，包括：边界检测模块，被配置为利用预定的模糊判别器对包含车牌信息的原始图像进行边界检测，并依据边界检测结果判断原始图像是否为模糊图像；去模糊处理模块，被配置为当判断为模糊图像时，利用预定的去模糊网络模块对原始图像进行多阶段的去模糊处理，其中在相邻阶段之间设有监督注意力模块，监督注意力模块用于将目标特征传递到下一阶段；车牌检测模块，被配置为利用预先训练好的车牌检测器对去模糊处理后的图像进行检测，以便将车牌区域图像从去模糊处理后的图像中裁剪出来；车牌识别模块，被配置为利用预先训练好的车牌识别模型对车牌区域图像进行特征提取和预测，得到车牌区域图像对应的文本序列，将文本序列作为车牌信息。
本申请实施例的第三方面，提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述方法的步骤。
本申请实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过利用预定的模糊判别器对包含车牌信息的原始图像进行边界检测，并依据边界检测结果判断原始图像是否为模糊图像；当判断为模糊图像时，利用预定的去模糊网络模块对原始图像进行多阶段的去模糊处理，其中在相邻阶段之间设有监督注意力模块，监督注意力模块用于将目标特征传递到下一阶段；利用预先训练好的车牌检测器对去模糊处理后的图像进行检测，以便将车牌区域图像从去模糊处理后的图像中裁剪出来；利用预先训练好的车牌识别模型对车牌区域图像进行特征提取和预测，得到车牌区域图像对应的文本序列，将文本序列作为车牌信息。本申请能否自动判别图像是否模糊，并对模糊图像进行去模糊处理，利用车牌检测器检测车牌区域图像，并对车牌区域图像进行特征提取和预测，本申请提高了车牌识别的准确率和鲁棒性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本申请实施例提供的模糊车牌识别方法的流程示意图；
图2是本申请实施例提供的编码器-解码器结构示意图；
图3是本申请实施例提供的模糊车牌识别装置的结构示意图；
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
当前车牌识别算法的研究虽然已经有很多，但大多都是相对固定的场景下，并且图像采集设备采集的车牌数据较为理想。但是在智能交通系统或者人工手持手机拍摄的场景下，由于光照影响、车速变化、复杂的背景干扰，使得采集到的图片质量各有不同，经常会由于车辆的快速经过或者相机的抖动导致图像中车体模糊，车牌部位模糊不清导致车牌检测识别失败或准确率降低。因此，亟需提供一种能够在多数场景下解决运动模糊的车牌检测识别算法，这对于智能交通领域的研究和发展有着重要意义。
图像去模糊是一个经典的图像复原任务，在车牌识别的多数场景中运动模糊是导致识别率降低的最重要的影响因素之一，停车场固定杆拍摄识别的场景除外。造成图像运动模糊的原因主要为：成像过程中相机运动或者场景变化所造成的不同空间位置信息的混叠。
目前已知的车牌识别算法的处理逻辑是：车牌位置定位-车牌的倾斜矫正-车牌字符分割-车牌字符识别。但是现有的车牌识别算法通常无法定位图片是否模糊，也无法处理运动模糊并将图片恢复至清晰图片。而且，现有的车牌识别算法在基于字符级别的分割和识别时效率较低，在处理特殊车牌(如港牌、双层车牌等)时容易造成识别率降低的情况。
有鉴于此，本申请实施例为解决上述问题，提供了一种针对运动模糊的车牌识别方法。本申请着重于解决运动模糊场景下的车牌识别算法，处理逻辑为：定位图片是否发生模糊-运动模糊恢复-车牌定位-车牌不定长文本序列识别；本申请实施例利用模糊判别器对采集到的原始图像进行边界检测，根据边界检测结果判断图像是否模糊，利用训练的去模糊网络对原始图像进行多阶段的去模糊处理，以及利用车牌检测器对去模糊处理后的图像中的车牌区域图像进行检测，最后利用车牌识别模型对车牌区域图像进行特征提取和预测，得到车牌区域图像对应的文本序列(即车牌号)。本申请能够解决智能交通监控图像出现运动模糊情况下的车牌识别，提高车牌识别的准确率和鲁棒性。
下面结合附图以及具体实施例对本申请技术方案的内容进行详细描述。
图1是本申请实施例提供的模糊车牌识别方法的流程示意图。图1的模糊车牌识别方法可以由服务器执行。如图1所示，该模糊车牌识别方法具体可以包括：
S101，利用预定的模糊判别器对包含车牌信息的原始图像进行边界检测，并依据边界检测结果判断原始图像是否为模糊图像；
S102，当判断为模糊图像时，利用预定的去模糊网络模块对原始图像进行多阶段的去模糊处理，其中在相邻阶段之间设有监督注意力模块，监督注意力模块用于将目标特征传递到下一阶段；
S103，利用预先训练好的车牌检测器对去模糊处理后的图像进行检测，以便将车牌区域图像从去模糊处理后的图像中裁剪出来；
S104，利用预先训练好的车牌识别模型对车牌区域图像进行特征提取和预测，得到车牌区域图像对应的文本序列，将文本序列作为车牌信息。
具体地，本申请为了解决运动模糊场景下的车牌识别问题，提出基于模糊判别器、去模糊网络模块、车牌检测器和车牌识别模型的整体算法框架，在本申请算法整体框架中的第一个分支为：输入的原始图像首先经过一个模糊判别器进行边界检测，如果判别模糊程度低于模糊阈值则判断图像为模糊图像，然后将模糊图像输入到去模糊网络模块进行处理得到清晰图像，然后将清晰图像输入到车牌检测器进行车牌位置检测，最后将车牌区域图像裁剪出来并输入到车牌识别模型，最终输出车牌信息。第二个分支为：输入的原始图像经过模糊判别器判断为清晰图像时，则直接将原始图像依次经过车牌检测器和车牌识别模型，最终输出车牌信息。
在一些实施例中，利用预定的模糊判别器对包含车牌信息的原始图像进行边界检测，并依据边界检测结果判断原始图像是否为模糊图像，包括：利用拉普拉斯边缘检测算法对包含车牌信息的原始图像进行边界检测，以便根据原始图像的边界信息计算方差，将方差与预设的方差阈值进行比较，当方差小于方差阈值时，判断原始图像为模糊图像，其中，方差用于表征原始图像的模糊程度。
具体地，本申请实施例提供的模糊判别器采用Laplacian算法(拉普拉斯边缘检测算法)来判断图片的模糊程度，Laplacian算子是一种二阶导数算子，其具有旋转不变性，可以满足不同方向的图像边缘锐化(边缘检测)的要求，通常情况下，其算子的系数之和需要为零。Laplacian算子具有各方向同性的特点，能够对任意方向的边缘进行提取，具有无方向性的优点，因此使用Laplacian算子提取边缘不需要分别检测X方向的边缘和Y方向的边缘，只需要一次边缘检测即可。
本申请利用Laplacian算子来衡量原始输入图片的二阶导，能够强调图片中密度快速变化的区域，也就是边界，故常用于边界检测。在正常图片中边界比较清晰因此方差会比较大，而在模糊图片中包含的边界信息很少，所以方差会较小。因此，本申请通过计算方差与预设的方差阈值进行比较，从而判断原始图像是否为模糊图像，在实际应用中，本申请将基于运动模糊的数据调试出一个方差阈值来判断图片是否存在运动模糊。
在一些实施例中，去模糊网络模块包含三个阶段，利用预定的去模糊网络模块对原始图像进行多阶段的去模糊处理，包括：将原始图像分割为不重叠的多个第一图像区域，利用第一阶段的编码器对第一图像区域进行特征提取，并利用第一阶段的解码器对提取的特征进行恢复；将原始图像分割为不重叠的多个第二图像区域，利用第二阶段的编码器对第二图像区域进行特征提取，并利用第二阶段的解码器对提取的特征进行恢复；将原始图像作为第三阶段的输入，利用第三阶段对原始图像进行分辨率计算，得到包含细节纹理的图像。
具体地，本申请的第一阶段和第二阶段分别对原始图像进行分割处理，将原始图像分割成不重叠的多个区域，换言之，本申请在输入原始图像上使用多切片形式，将图像分割为不重叠的切片，其中，在第一阶段中使用4个切片，在第二阶段中使用2个切片，在最后的阶段中使用原始图像。
进一步地，本申请提出基于密集连接卷积和注意力机制的多阶段去模糊网络模块，整体的网络结构由三个阶段组成，以逐步恢复图像。其中，第一阶段和第二阶段均采用编码器-解码器的结构来提取多尺度的上下文特征，而第三阶段中对原始输入图像分辨率进行计算(不进行任何下采样操作)，从而在最终输出图像中保留了更多的细节纹理。
进一步地，在任意阶段S中，本申请实施例将模糊图像的恢复过程定义为：
XS＝+RS
其中，XS为输出的恢复图像，I为输入的模糊图像，RS为预测残差图像，本申请将损失函数定义为：
Figure BDA0004134383650000071
其中，Y代表真实图像，Lc为Charbonnier损失，Lc定义为：
Figure BDA0004134383650000072
ε设置为10-3，Le为边缘损失，定义为：
Figure BDA0004134383650000073
其中，Δ为拉欧拉斯算子，λ用于调整两个损失函数的重要程度，设置为0.05。
上述实施例对去模糊网络模块的整体结构做了描述，下面结合具体实施例详细介绍基于密集连接卷积和注意力机制的多阶段去模糊网络中的编码器-解码器结构以及监督注意力模块。
图2是本申请实施例提供的编码器-解码器结构示意图。如图2所示，该编码器-解码器结构具体可以包括：
编码器采用特征聚合密集卷积模块以及最大池化层进行特征提取，解码器采用特征密集卷积模块以及最大上采样池化层进行特征恢复和细节补充；其中，在特征聚合密集卷积模块中采用膨胀卷积进行特征提取，并采用不同的膨胀卷积来聚合不同尺度的特征信息。
具体地，编码器-解码器采用整体对称结构，编码阶段采用特征聚合密集卷积模块加最大池化层完成特征提取，解码阶段采用特征密集卷积模块加最大上采样池化层完成特征的恢复和细节补充，从而能够计算长期的空间特征依赖关系。在编码器-解码器结构中采用了池化索引(Pooling Indices)来记录下采样阶段和上采样阶段的细节丢失和补充，编码阶段的每一个池化(Pooling)层都对应一个上采样(Upsampling)，并由下采样通过池化索引来指导上采样，这样就能够在上采样阶段恢复更多的图像细节。
进一步地，编码器-解码器结构中的特征聚合密集卷积模块(FJDB)中采用了膨胀卷积来作为该网络模块的特征提取的第一部分，采用三种不同的膨胀卷积来聚合不同尺度的特征信息，卷积核大小均为3*3。将三个不同尺度的特征聚合后连接一个密集卷积网络模块，之后通过Concat层将所有特征聚合，这样能够在编码器阶段得到更加细节的特征，并能够在解码器阶段恢复更多的细节特征，减少细节丢失。
在一些实施例中，监督注意力模块对每个阶段的渐进式图像恢复真实监督信号，并对前一阶段的特征图进行缩放，生成注意力图传递到下一阶段。
具体地，本申请实施例的基于密集连接卷积和注意力机制的多阶段去模糊网络模块中相邻两个阶段之间并非简单的级联关系，本申请通过在每两个阶段之间添加一个监督注意力模块(SAM)，实现在真实图像的监督下，该模块对前一阶段的特征图进行缩放，然后将其传递到下一个阶段。
在一些实施例中，车牌检测器的训练过程包括：获取公开车牌数据集以及自采车牌数据集，对公开车牌数据集进行数据清洗和数据整理，利用公开车牌数据集以及自采车牌数据集组成训练数据集，利用训练数据集对预先配置的车牌检测器进行训练；其中，自采车牌数据集中包含实际场景中采集到的包含车牌信息的模糊图像。
具体地，本申请实施例的车牌检测模型(即车牌检测器)可以采用基于Y olov5的车牌检测网络，Yolov5可以达到比较优秀的检测效果。在数据准备阶段，本申请实施例使用CCPD公开的车牌数据集和自采的车牌数据集共同组成的车牌数据集，CCPD2019车牌数据集是采集人员在停车场采集、手工标注得到的数据，采集时间为早7:30到晚10:00之间，且拍摄车牌照片的环境复杂多变，包括雨天、雪天、倾斜、模糊等。本申请对CCPD数据集进行数据清洗和数据整理与自采的车牌数据集整合为一个训练数据集进行模型训练和测试。
在一些实施例中，利用预先训练好的车牌识别模型对车牌区域图像进行特征提取和预测，得到车牌区域图像对应的文本序列，包括：利用车牌识别模型的主干网络对车牌区域图像进行特征提取得到特征向量，利用双向长短期记忆网络对特征向量进行融合，以提取字符序列的上下文特征，得到每列特征的概率分布，利用转录层对概率分布进行预测得到文本序列。
具体地，本申请实施例采用基于CRNN的车牌识别模型，例如可以选择ResNet34_vd为backbone的CRNN模型作为车牌识别模型进行训练和推理。推理阶段先使用ResNet34_vd的backbone网络提取文本图像的特征，再利用BLSTM将特征向量进行融合以提取字符序列的上下文特征，然后得到每列特征的概率分布，最后通过转录层(CTC)进行预测得到文本序列。本申请实施例利用BLSTM和CTC学习到文本图像中的上下文关系，从而有效提升文本识别准确率，使得模型更加鲁棒。
进一步地，在车牌识别模型的训练阶段，CRNN将训练图像统一缩放为160×32(w×h)。在测试阶段，针对字符拉伸会导致识别率降低的问题，CRN N保持输入图像尺寸比例，但是图像高度依然统一为32个像素，卷积特征图的尺寸动态决定LSTM的时序长度。
根据本申请实施例提供的技术方案，本申请实施例提出基于密集连接卷积和注意力机制的多阶段去模糊网络，实现端到端的图像去模糊；本申请针对运动模糊的场景，使用GoPro采集到的运动模糊数据集进行训练，实现汽车运动场景下的去模糊；本申请提出在多阶段的去模糊网络中，各阶段之间采用监督注意力模块来串联，实现更好的特征传递结构；本申请实现模糊判别、去模糊、车牌检测、车牌识别的整体技术方案。由于采用上述技术方案，本申请能够解决各个场景下的车牌识别，手机固定拍摄静止车辆的车牌识别、手机固定拍摄运动车辆的车牌识别、摄像头监控下的静止车辆的车牌识别、摄像头监控下的运动车辆的车牌识别，在多个场景下的鲁棒性和准确性都有保障。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图3是本申请实施例提供的模糊车牌识别装置的结构示意图。如图3所示，该模糊车牌识别装置包括：
边界检测模块301，被配置为利用预定的模糊判别器对包含车牌信息的原始图像进行边界检测，并依据边界检测结果判断原始图像是否为模糊图像；
去模糊处理模块302，被配置为当判断为模糊图像时，利用预定的去模糊网络模块对原始图像进行多阶段的去模糊处理，其中在相邻阶段之间设有监督注意力模块，监督注意力模块用于将目标特征传递到下一阶段；
车牌检测模块303，被配置为利用预先训练好的车牌检测器对去模糊处理后的图像进行检测，以便将车牌区域图像从去模糊处理后的图像中裁剪出来；
车牌识别模块304，被配置为利用预先训练好的车牌识别模型对车牌区域图像进行特征提取和预测，得到车牌区域图像对应的文本序列，将文本序列作为车牌信息。
在一些实施例中，图3的边界检测模块301利用拉普拉斯边缘检测算法对包含车牌信息的原始图像进行边界检测，以便根据原始图像的边界信息计算方差，将方差与预设的方差阈值进行比较，当方差小于方差阈值时，判断原始图像为模糊图像，其中，方差用于表征原始图像的模糊程度。
在一些实施例中，去模糊网络模块包含三个阶段，图3的去模糊处理模块302将原始图像分割为不重叠的多个第一图像区域，利用第一阶段的编码器对第一图像区域进行特征提取，并利用第一阶段的解码器对提取的特征进行恢复；将原始图像分割为不重叠的多个第二图像区域，利用第二阶段的编码器对第二图像区域进行特征提取，并利用第二阶段的解码器对提取的特征进行恢复；将原始图像作为第三阶段的输入，利用第三阶段对原始图像进行分辨率计算，得到包含细节纹理的图像。
在一些实施例中，监督注意力模块对每个阶段的渐进式图像恢复真实监督信号，并对前一阶段的特征图进行缩放，生成注意力图传递到下一阶段。
在一些实施例中，编码器采用特征聚合密集卷积模块以及最大池化层进行特征提取，解码器采用特征密集卷积模块以及最大上采样池化层进行特征恢复和细节补充；其中，在特征聚合密集卷积模块中采用膨胀卷积进行特征提取，并采用不同的膨胀卷积来聚合不同尺度的特征信息。
在一些实施例中，图3的模型训练模块305获取公开车牌数据集以及自采车牌数据集，对公开车牌数据集进行数据清洗和数据整理，利用公开车牌数据集以及自采车牌数据集组成训练数据集，利用训练数据集对预先配置的车牌检测器进行训练；其中，自采车牌数据集中包含实际场景中采集到的包含车牌信息的模糊图像。
在一些实施例中，图3的车牌识别模块304利用车牌识别模型的主干网络对车牌区域图像进行特征提取得到特征向量，利用双向长短期记忆网络对特征向量进行融合，以提取字符序列的上下文特征，得到每列特征的概率分布，利用转录层对概率分布进行预测得到文本序列。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
图4是本申请实施例提供的电子设备4的结构示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。
示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403在电子设备4中的执行过程。
电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。
处理器401可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，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，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种模糊车牌识别方法，其特征在于，包括：
利用预定的模糊判别器对包含车牌信息的原始图像进行边界检测，并依据边界检测结果判断所述原始图像是否为模糊图像；
当判断为模糊图像时，利用预定的去模糊网络模块对所述原始图像进行多阶段的去模糊处理，其中在相邻阶段之间设有监督注意力模块，所述监督注意力模块用于将目标特征传递到下一阶段；
利用预先训练好的车牌检测器对去模糊处理后的图像进行检测，以便将车牌区域图像从所述去模糊处理后的图像中裁剪出来；
利用预先训练好的车牌识别模型对所述车牌区域图像进行特征提取和预测，得到所述车牌区域图像对应的文本序列，将所述文本序列作为车牌信息。
2.根据权利要求1所述的方法，其特征在于，所述利用预定的模糊判别器对包含车牌信息的原始图像进行边界检测，并依据边界检测结果判断所述原始图像是否为模糊图像，包括：
利用拉普拉斯边缘检测算法对包含车牌信息的所述原始图像进行边界检测，以便根据所述原始图像的边界信息计算方差，将所述方差与预设的方差阈值进行比较，当所述方差小于所述方差阈值时，判断所述原始图像为模糊图像，其中，所述方差用于表征所述原始图像的模糊程度。
3.根据权利要求1所述的方法，其特征在于，所述去模糊网络模块包含三个阶段，所述利用预定的去模糊网络模块对所述原始图像进行多阶段的去模糊处理，包括：
将所述原始图像分割为不重叠的多个第一图像区域，利用第一阶段的编码器对所述第一图像区域进行特征提取，并利用第一阶段的解码器对提取的特征进行恢复；
将所述原始图像分割为不重叠的多个第二图像区域，利用第二阶段的编码器对所述第二图像区域进行特征提取，并利用第二阶段的解码器对提取的特征进行恢复；
将所述原始图像作为第三阶段的输入，利用所述第三阶段对所述原始图像进行分辨率计算，得到包含细节纹理的图像。
4.根据权利要求3所述的方法，其特征在于，所述监督注意力模块对每个阶段的渐进式图像恢复真实监督信号，并对前一阶段的特征图进行缩放，生成注意力图传递到下一阶段。
5.根据权利要求3所述的方法，其特征在于，所述编码器采用特征聚合密集卷积模块以及最大池化层进行特征提取，所述解码器采用特征密集卷积模块以及最大上采样池化层进行特征恢复和细节补充；
其中，在所述特征聚合密集卷积模块中采用膨胀卷积进行特征提取，并采用不同的膨胀卷积来聚合不同尺度的特征信息。
6.根据权利要求1所述的方法，其特征在于，所述车牌检测器的训练过程包括：
获取公开车牌数据集以及自采车牌数据集，对所述公开车牌数据集进行数据清洗和数据整理，利用所述公开车牌数据集以及自采车牌数据集组成训练数据集，利用所述训练数据集对预先配置的车牌检测器进行训练；
其中，所述自采车牌数据集中包含实际场景中采集到的包含车牌信息的模糊图像。
7.根据权利要求1所述的方法，其特征在于，所述利用预先训练好的车牌识别模型对所述车牌区域图像进行特征提取和预测，得到所述车牌区域图像对应的文本序列，包括：
利用所述车牌识别模型的主干网络对所述车牌区域图像进行特征提取得到特征向量，利用双向长短期记忆网络对所述特征向量进行融合，以提取字符序列的上下文特征，得到每列特征的概率分布，利用转录层对概率分布进行预测得到所述文本序列。
8.一种模糊车牌识别装置，其特征在于，包括：
边界检测模块，被配置为利用预定的模糊判别器对包含车牌信息的原始图像进行边界检测，并依据边界检测结果判断所述原始图像是否为模糊图像；
去模糊处理模块，被配置为当判断为模糊图像时，利用预定的去模糊网络模块对所述原始图像进行多阶段的去模糊处理，其中在相邻阶段之间设有监督注意力模块，所述监督注意力模块用于将目标特征传递到下一阶段；
车牌检测模块，被配置为利用预先训练好的车牌检测器对去模糊处理后的图像进行检测，以便将车牌区域图像从所述去模糊处理后的图像中裁剪出来；
车牌识别模块，被配置为利用预先训练好的车牌识别模型对所述车牌区域图像进行特征提取和预测，得到所述车牌区域图像对应的文本序列，将所述文本序列作为车牌信息。
9.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
CN202310265395.7A 2023-03-13 2023-03-13 模糊车牌识别方法、装置、电子设备及存储介质 Pending CN116311207A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310265395.7A CN116311207A (zh) 2023-03-13 2023-03-13 模糊车牌识别方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310265395.7A CN116311207A (zh) 2023-03-13 2023-03-13 模糊车牌识别方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN116311207A true CN116311207A (zh) 2023-06-23

Family

ID=86812843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310265395.7A Pending CN116311207A (zh) 2023-03-13 2023-03-13 模糊车牌识别方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN116311207A (zh)

Similar Documents

Publication Publication Date Title
CN108961180B (zh) 红外图像增强方法及系统
CN111968095B (zh) 一种产品表面缺陷检测方法及系统及装置及介质
CN111723773B (zh) 遗留物检测方法、装置、电子设备及可读存储介质
CN112329702B (zh) 一种快速人脸密度预测和人脸检测方法、装置、电子设备及存储介质
CN111079764A (zh) 一种基于深度学习的低照度车牌图像识别方法及装置
CN110781980B (zh) 目标检测模型的训练方法、目标检测方法及装置
CN110991310B (zh) 人像检测方法、装置、电子设备及计算机可读介质
CN115937794B (zh) 小目标对象检测方法、装置、电子设备及存储介质
EP4432215A1 (en) Image processing method and device
CN111079539A (zh) 一种基于异常追踪的视频异常行为检测方法
CN113269722A (zh) 生成对抗网络的训练方法、及高分辨率图像重建方法
CN114627150A (zh) 基于事件相机的数据处理及运动估计方法及装置
CN113393385B (zh) 基于多尺度融合的无监督去雨方法、系统、装置及介质
CN118196640A (zh) 一种改进rt-detr算法的遥感图像目标检测方法及系统
CN116883986B (zh) 水表数据的识别方法、装置、设备及计算机可读介质
CN116386023B (zh) 基于时空扩散的高位相机车牌识别方法、系统及电子设备
CN116229336B (zh) 视频移动目标识别方法、系统、存储介质及计算机
CN115358962B (zh) 一种端到端视觉里程计方法及装置
CN117274355A (zh) 一种基于加速引导区域卷积神经网络和并行多尺度统一网络的排水管道流量智能测量方法
CN116721473A (zh) 基于频域多尺度的人脸伪造检测方法、系统、设备及介质
CN116311207A (zh) 模糊车牌识别方法、装置、电子设备及存储介质
CN116188294A (zh) 用于医学图像的数据增强方法、系统、智能终端及介质
CN114898301A (zh) 基于检测和分割的人群密度统计方法、装置、设备及介质
CN111275045B (zh) 图像的主体识别方法、装置、电子设备和介质
CN112348044A (zh) 车牌检测方法、装置及设备

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