[發明專利]一種基于深度學習的車牌圖像去運動模糊方法

有效

• 申請號: 201810205661.6
• 申請日: 2018-03-13
• 公開（公告）號: CN109035149B
• 公開（公告）日: 2021-07-09
• 發明（設計）人: 陳華華;毛勇;葉學義
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06K9/20;G06K9/34;G06K9/62
• 代理公司: 杭州君度專利代理事務所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發明提出一種基于深度學習的車牌圖像去運動模糊方法。本發明分為數據集預處理階段、訓練階段以及測試階段。在數據集預處理階段，確定圖像中的車牌區域，分割車牌字符并規范化圖像尺寸，添加高斯噪聲，得到訓練集。在訓練階段，采用生成對抗網絡學習圖像去運動模糊模型，以網絡復原結果的均方誤差、梯度誤差及判別誤差三者的線性和作為網絡損失交替訓練判別器和生成器。在測試階段，分割車牌字符并依次作為生成器的輸入，將去模糊結果按照車牌字符原次序組合得到去模糊車牌圖像。本發明所提出的模型有效地約束了車牌圖像的邊緣，從而提高車牌圖像去運動模糊的質量，同時縮短了復原的時間。

技術領域

本發明屬于圖像處理技術領域，涉及一種對有運動模糊的車牌圖像去模糊方法，具體是一種基于深度學習的車牌圖像去運動模糊方法。

背景技術

由于車速過快、抓拍設備硬件限制和光照環境等因素的影響，抓拍圖像存在一定的運動模糊，影響了車牌號碼的準確獲取，給城市交通的管理帶來了不利的影響。車牌去運動模糊是指利用計算機的高效運算性能，通過智能算法對存在運動模糊的車牌圖像進行復原，得到清晰的車牌圖像。車牌識別作為交通執法的一個重要環節，車牌的去運動模糊有利于提高車牌的辨識度。

傳統的車牌去運動模糊技術主要分為兩個過程：估計運動模糊核和非盲去模糊。估計運動模糊核是指從模糊圖像中估計得到運動模糊的核函數，這個過程在整個去運動模糊過程中非常重要，模糊核的好壞直接決定了能否有效還原清晰圖像。非盲去模糊是指根據已知的模糊核對模糊圖像進行去模糊，該方法經過近五十年的研究，有多篇技術文獻被提出。

近幾年，國內外學者針對運動模糊核的估計進行深入的研究和探討，Pan等人提出l₀正則化約束中間估計圖像自身及其梯度，但當圖像存在較少的零值像素時，圖像自身的稀疏約束不起作用，致使在車牌去模糊中復原質量不高；Fang等人提出l₁正則項約束圖像的稀疏性，提升了車牌去模糊的質量，但是復原圖像時存在部分像素失真；Song等人則提出采用分析字典的l₁稀疏正則化約束圖像，并引入車牌識別算法優化去模糊效果，但是車牌去模糊與車牌識別的循環過程使得整個車牌復原過程耗時過長。

近年來，深度學習的快速發展和計算機視覺領域上的廣泛應用，圖像的去運動模糊問題得到廣泛研究，Svobode等人提出采用卷積神經網絡模型訓練車牌圖像復原的模型，該方法受限于小范圍內的汽車運動方向和長度，不適于復雜情況下的車牌去運動模糊；Nah等人則提出應用生成對抗網絡處理動態場景下的運動模糊，但是復原的圖像邊緣特征并不明顯，仍然存在運動模糊。

深度學習的方法省去了估計模糊核的過程，且復原速度相對較快，具有明顯優勢，因此本發明將深度學習應用到車牌圖像去模糊研究中，以獲得更好的復原效果。

發明內容

本發明的目的是提供一種有效的車牌圖像去運動模糊的方法，以更好地提取圖像特征，從而提高圖像去運動模糊質量，同時縮短了復原時間。

本發明步驟分為數據集預處理、訓練階段和測試階段，其具體細節說明如下。

步驟1、數據集預處理：

1-1、數據集包含清晰圖像模糊圖像對，用于標定清晰的車輛圖像中車牌的位置；從清晰的車輛圖像和對應的模糊車輛圖像中摳出完整的車牌區域，得到車牌區域的清晰圖像和模糊圖像對；

1-2、將車牌按照字符寬度分割得到34類單個字符數據集(0和I劃歸為0和1)，并統一歸范化到16*48*3大小，其中16、48和3分別表示圖像的寬度、高度和顏色通道數；

1-3、將所有的模糊車牌字符圖像添加均值為μ，標準差為σ的高斯噪聲，將清晰車牌字符圖像和模糊車牌字符圖像的像素值均映射到[0,1]中；

1-4、從34類字符數據集中的每一類數據中隨機抽取N₁對作為訓練數據集T，N₂對作為驗證數據集V；