一种基于特征学习的模糊车牌重建方法技术

本发明专利技术公开了一种基于特征学习的模糊车牌重建方法，包括：获取覆盖所有车牌字符类型的大量清晰字符样本并获得其对应的模糊字符样本，建立模糊字符样本库并进行特征训练；获取模糊车牌图像并标定其后五位字符的四个角点，进行几何校正并进行字符分割，获得五个分割字符；获取每个分割字符对应的清晰字符样本和模糊字符样本；根据每个分割字符对应的清晰字符样本和模糊字符样本，对该分割字符进行字符重建后获得重建结果，并对重建结果进行直方图处理。本发明专利技术极大地提升了重建结果的可识别性，重建效果较好，可以较为清晰、准确地对车牌图像进行复原，可广泛应用于车牌号码识别领域中。

【技术实现步骤摘要】

本专利技术涉及图像处理领域，特别涉及。
技术介绍
车牌信息是视频监控领域中非常重要的信息之一，常常成为案件侦破的关键因 素。然而实际场景中采集的监控视频，经常会因为各种复杂原因导致车牌图像信息丢失，人 眼难以识别车牌信息，对案件侦破等产生巨大阻碍。因此车牌图像超分辨率重建已经成为 视频监控场景中亟需解决的一个问题。 通常的车牌图像恢复方法，一般使用去模糊、对比度增强等针对性图像恢复方法， 这些方法对于恶劣复杂的实际监控场景的实用性较低，因为真实的监控视频往往包含光 照、距离、模糊、监控设备清晰度及编码方式等多种问题的混合，而其中模糊现象又包含运 动模糊、散焦模糊、衍射模糊等，情况非常复杂，目前的图像复原方法往往效果不佳，无法清 晰、准确地对车牌图像进行复原。
技术实现思路
为了解决上述的技术问题，本专利技术的目的是提供一种基于特征学习的模糊车牌重 建方法。 本专利技术解决其技术问题所采用的技术方案是： -种基于特征学习的模糊车牌重建方法，包括： S1、获取覆盖所有车牌字符类型的大量清晰字符样本并获得其对应的模糊字符样 本，进而建立模糊字符样本库后，对模糊字符样本库进行特征训练； S2、获取模糊车牌图像并标定其后五位字符的四个角点，进行几何校正并进行字 符分割后，获得五个分割字符； S3、分别计算每个分割字符与每个清晰字符样本之间的相关度，并判断该分割字 符与某一清晰字符样本的相关度是否高于其它清晰字符样本的相关度的〇. 5倍，若是，则 判断该分割字符为清晰字符并获取对应的清晰字符样本和模糊字符样本后直接执行步骤 S5,否则，执行步骤S4; S4、结合特征训练结果获取每个分割字符对应的清晰字符样本和模糊字符样本； S5、根据每个分割字符所对应的清晰字符样本和模糊字符样本对该分割字符进行 字符重建后获得重建结果，并对重建结果进行直方图处理。 进一步，所述步骤S1，其具体为： 获取覆盖所有车牌字符类型的大量清晰字符样本后，将每个清晰字符样本卷积各 种模拟现实场景的降质函数后生成对应的模糊字符样本，进而将所有模糊字符样本建立模 糊字符样本库后，对模糊字符样本库进行特征训练。 进一步，所述步骤Sl中所述对模糊字符样本库进行特征训练的步骤，其具体为： 根据下式分别对模糊字符样本库的每类模糊字符样本进行训练： 上式中，k表示该类模糊字符样本的标签，\表示该类模糊字符样本的列向量组成 的矩阵，1,表示该类模糊字符样本的训练结果。 进一步，所述步骤S2,其具体为： 获取模糊车牌图像并标定其后五位字符的角点后，利用几何变换，将四个角点内 的图像转化为一个标准矩阵，根据几何比例及垂直投影采用下式五等分地进行字符分割 后，获得五个分割字符： 上式中，P*表示进行五等分的任一分隔线的横坐标，hei表示标准矩阵的高度，p。 表示利用几何比例五等分找到的该分割线的理论分割位置，range表示预设的搜索范围， row表示行数，p表示列数，X(row,p)表示标准矩阵的第row行第p列的点。 进一步，所述步骤S3中所述分别计算每个分割字符与每个清晰字符样本之间的 相关度的步骤，其具体为： 根据下式，分别计算每个分割字符与每个清晰字符样本的经过平移、伸缩后形成 的模板图像集合之间的最大相关值，将该最大相关值作为该分割字符与该清晰字符样本之 间的相关度： 上式中，X表示分割字符，n表示该分割字符的维数，Charkni表示第k类清晰字符样 本经过第m种平移、伸缩后的模板图像。 进一步，所述步骤S4,其具体为： 将每个分割字符逐一与每类模糊字符样本的训练结果进行匹配后获得该分割字 符的分类结果，进而获取对应的清晰字符样本和模糊字符样本。 进一步，所述将每个分割字符逐一与每类模糊字符样本的训练结果进行匹配后获 得该分割字符的分类结果的步骤，其具体为： 根据下式，将每个分割字符的列向量逐一与每类模糊字符样本的训练结果相乘， 并将稀疏度最高的结果向量作为该分割字符的分类结果： 上式中，k*表示该分割字符的分类结果，1^表示该类模糊字符样本的训练结果，X 表不该分割字符的列向量。 进一步，所述步骤S4,包括： S41、将每个分割字符分割为均匀的六小块，并将每一小块逐一与每类模糊字符样 本的对应小块进行匹配后，获得最可能的前三种分类； S42、根据各相邻小块间的连通性先验条件判断该六小块分别取何种分类时整体 可能性最大，确定每小块的分类结果； S43、获得每个分割字符的六小块的分类结果后，分别获取每小块的分类结果相对 应的清晰字符样本和模糊字符样本的对应小块后，拼接成该分割字符对应的清晰字符样本 和模糊字符样本。 进一步，所述步骤S42,其具体为： 根据下式，判断该六小块分别取何种分类时整体可能性最大，进而确定每小块的 分类结果： 上式中，Ic1*,k2*，…，k6*依次表示六小块的分类结果，setl,set2,…，set6依次表 不六小块最可能的前三种分类的分类集合，K1,K2,…，K6依次表不六小块在各自的分类集 合中的选择，P表示相邻两小块分别取当前分类时的综合概率。 进一步，所述步骤S5中所述重建结果为： 上式中，1"表不该分割字符的重建结果，w表不编码向量，YH、Yt依次表不该分割字 符所对应的清晰字符样本和模糊字符样本，k表示该分割字符的原始图像，D表示该分割字 符的模糊字符样本序列与该分割字符的原始图像之间的欧氏距离组成的对角阵，A、q分别 表示预设的计算参数。 本专利技术的有益效果是：本专利技术的，包括： 获取覆盖所有车牌字符类型的大量清晰字符样本并获得其对应的模糊字符样本，进而建立 模糊字符样本库后，对模糊字符样本库进行特征训练；获取模糊车牌图像并标定其后五位 字符的四个角点，进行几何校正并进行字符分割后，获得五个分割字符；分别计算每个分割 字符与每个清晰字符样本之间的相关度，并判断该分割字符与某一清晰字符样本的相关度 是否高于其它清晰字符样本的相关度的〇. 5倍，若是，则判断该分割字符为清晰字符并获 取对应的清晰字符样本和模糊字符样本后直接进行字符重建，否则，结合特征训练结果获 取每个分割字符对应的清晰字符样本和模糊字符样本；根据每个分割字符所对应的清晰字 符样本和模糊字符样本对该分割字符进行字符重建后获得重建结果，并对重建结果进行直 方图处理。本方法极大地提升了重建结果的可识别性，重建效果较好，可以较为清晰、准确 地对车牌图像进行复原。【附图说明】 下面结合附图和实施例对本专利技术作进一步说明。 图1是本专利技术的的流程示意图；[0当前第1页1 2 3 4 本文档来自技高网...

【技术保护点】
一种基于特征学习的模糊车牌重建方法，其特征在于，包括：S1、获取覆盖所有车牌字符类型的大量清晰字符样本并获得其对应的模糊字符样本，进而建立模糊字符样本库后，对模糊字符样本库进行特征训练；S2、获取模糊车牌图像并标定其后五位字符的四个角点，进行几何校正并进行字符分割后，获得五个分割字符；S3、分别计算每个分割字符与每个清晰字符样本之间的相关度，并判断该分割字符与某一清晰字符样本的相关度是否高于其它清晰字符样本的相关度的0.5倍，若是，则判断该分割字符为清晰字符并获取对应的清晰字符样本和模糊字符样本后直接执行步骤S5，否则，执行步骤S4；S4、结合特征训练结果获取每个分割字符对应的清晰字符样本和模糊字符样本；S5、根据每个分割字符所对应的清晰字符样本和模糊字符样本对该分割字符进行字符重建后获得重建结果，并对重建结果进行直方图处理。

【技术特征摘要】

【专利技术属性】
技术研发人员：窦逸辛，
申请(专利权)人：广东迅通科技股份有限公司，
类型：发明
国别省市：广东;44