[發明專利]模糊車牌圖像模糊度評價方法

有效

• 申請號: 201611173013.4
• 申請日: 2016-12-18
• 公開（公告）號: CN106803248B
• 公開（公告）日: 2019-11-05
• 發明（設計）人: 劉峰;李超群;干宗良;竇逸辛
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 江蘇愛信律師事務所 32241
• 代理人: 毛啟程

1.模糊車牌圖像模糊度評價方法，包括：

S1、設計模糊車牌圖像模糊等級標定準則，依據該準則建立帶標簽的訓練庫和測試庫；

S2、基于邏輯回歸引導的判別字典學習模型生成車牌圖像塊的重構誤差向量，設計車牌模糊等級評價特征，并基于該特征建立評價模型；

其特征在于，所述步驟S1，其具體為：

S11、由于沒有公開的用于驗證評價算法的模糊車牌圖像數據集，因此需要從實際的監控視頻中采集模糊車牌圖像，用于建立訓練庫和測試庫；

S12、從監控視頻中采集到的車牌圖像同時包含清晰圖像和模糊圖像，因此需要將模糊車牌圖像篩選處理，采用了一個用于卡口處的車牌檢測算法來進行篩選工作；對于每一幅車牌圖像，使用Photoshop軟件生成它的虛擬背景，并用檢測算法從生成的圖像中檢測車牌；如果車牌能夠被檢測到，那么認為該車牌為清晰車牌，并將它從數據庫中刪除，否則就將其保留下來；

S13、從監控視頻中獲取的車牌圖像是未加標簽的，需要設計了一個加標簽準則，然后依據該準則建立了訓練集和測試集；對于一幅模糊車牌圖像，用人眼去識別它的后五位字符，如果能取得100％的識別率就將該車牌圖像標定為比較模糊的圖像，否則將該車牌標定為嚴重模糊的圖像；依據該準則就可以建立帶標簽的訓練庫和測試庫，標簽共兩類：比較模糊和嚴重模糊；

所述步驟S2，其具體包括：

S21、對于一幅車牌圖像，從它后五位字符所在的區域中提取圖像塊，在得到目標區域后，將該區域平均分割成五個子區域，并將相鄰的兩個子區域結合起來作為一個圖像塊，這樣就從一幅車牌中提取出了四個圖像塊，并且這四個圖像塊具有和該車牌圖像一樣的標簽；

S22、利用提取出的所有的圖像塊進行字典模型的訓練，這里使用的字典學習模型為邏輯回歸引導的判別字典學習模型，用公式描述為：

其中D_j是第j類樣本對應的子字典，X_j是第j類訓練樣本矩陣,A_j是第j類樣本的表示系數矩陣，C是樣本的類別數目，K是樣本的數目，α_i是第i個樣本對應的稀疏表示系數，y_i表示測試樣本集中的第i個測試樣本；公式的第三項為邏輯回歸模型的損失函數，希望訓練樣本的稀疏表示系數能使得邏輯回歸模型的損失函數可以取得極小值，即通過邏輯回歸模型來引導字典模型的學習，使得訓練出的字典既有對車牌圖像塊的表示能力，又有判別分類的能力，損失函數中的h_θ(x)為邏輯回歸模型的預測函數，具體為：

在得到字典D后，對于給定的測試樣本y，用每一類樣本對應的子字典對y進行稀疏表示，以第j類為例：

令代表對應于第j類的字典原子對測試樣本y進行重建得到的重建誤差，并且該重建誤差會用于模糊車牌圖像模糊度分類特征的提?。?/p>

S23、在得到字典D之后，對輸入的訓練車牌圖像I，用D的每一個子字典分別稀疏表示I的每一個圖像塊；車牌圖像的模糊等級共兩類，因此D共有兩個子字典，故得到兩個重建誤差；對于每一個圖像塊p_k，通過如下公式計算它的一個二維重建誤差向量：

E_k＝[e_k,1,e_k,2]^T,k＝1,2,3,4

由于采用的字典學習模型具有判別能力，比較模糊的圖像塊的重建誤差向量與嚴重模糊的圖像塊的重建誤差向量之間有區分性，將比較模糊的圖像看作第一類，那么比較模糊的圖像塊的重建誤差向量的第一個元素的值要比第二個元素的值小，嚴重模糊的圖像塊的重建誤差向量則相反；在得到這四個重建誤差向量之后，需要對它們進行融合來生產車牌圖像I的判別特征；由于車牌圖像的四個圖像塊對車牌的模糊程度有相同的貢獻率，將這四個重建誤差向量進行和池化，將得到的向量作為車牌圖像I的判別特征；

S24、在提取出模糊級別評價特征之后，利用支持向量機對特征進行學習，建立模糊度級別和該特征的映射模型，即模糊度評價模型。