一种基于深度学习的车牌图像去运动模糊方法技术

本发明专利技术提出一种基于深度学习的车牌图像去运动模糊方法。本发明专利技术分为数据集预处理阶段、训练阶段以及测试阶段。在数据集预处理阶段，确定图像中的车牌区域，分割车牌字符并规范化图像尺寸，添加高斯噪声，得到训练集。在训练阶段，采用生成对抗网络学习图像去运动模糊模型，以网络复原结果的均方误差、梯度误差及判别误差三者的线性和作为网络损失交替训练判别器和生成器。在测试阶段，分割车牌字符并依次作为生成器的输入，将去模糊结果按照车牌字符原次序组合得到去模糊车牌图像。本发明专利技术所提出的模型有效地约束了车牌图像的边缘，从而提高车牌图像去运动模糊的质量，同时缩短了复原的时间。

【技术实现步骤摘要】
一种基于深度学习的车牌图像去运动模糊方法
本专利技术属于图像处理
，涉及一种对有运动模糊的车牌图像去模糊方法，具体是一种基于深度学习的车牌图像去运动模糊方法。
技术介绍
由于车速过快、抓拍设备硬件限制和光照环境等因素的影响，抓拍图像存在一定的运动模糊，影响了车牌号码的准确获取，给城市交通的管理带来了不利的影响。车牌去运动模糊是指利用计算机的高效运算性能，通过智能算法对存在运动模糊的车牌图像进行复原，得到清晰的车牌图像。车牌识别作为交通执法的一个重要环节，车牌的去运动模糊有利于提高车牌的辨识度。传统的车牌去运动模糊技术主要分为两个过程：估计运动模糊核和非盲去模糊。估计运动模糊核是指从模糊图像中估计得到运动模糊的核函数，这个过程在整个去运动模糊过程中非常重要，模糊核的好坏直接决定了能否有效还原清晰图像。非盲去模糊是指根据已知的模糊核对模糊图像进行去模糊，该方法经过近五十年的研究，有多篇技术文献被提出。近几年，国内外学者针对运动模糊核的估计进行深入的研究和探讨，Pan等人提出l0正则化约束中间估计图像自身及其梯度，但当图像存在较少的零值像素时，图像自身的稀疏约束不起作用，致使在车牌去本文档来自技高网...

【技术保护点】
1.一种基于深度学习的车牌图像去运动模糊方法，其特征在于包括以下操作：步骤1、数据集预处理：1‑1、数据集包含清晰图像模糊图像对，用于标定清晰的车辆图像中车牌的位置；从清晰的车辆图像和对应的模糊车辆图像中抠出完整的车牌区域，得到车牌区域的清晰图像和模糊图像对；1‑2、将车牌按照字符宽度分割得到34类单个字符数据集(O和I划归为0和1)，并统一归范化到16*48*3大小，其中16、48和3分别表示图像的宽度、高度和通道数；1‑3、将所有的模糊车牌字符图像添加均值为μ，标准差为σ的高斯噪声，将清晰车牌字符图像和模糊车牌字符图像的像素值均映射到[0,1]中；1‑4、从34类字符数据集中的每一类数据中...

【技术特征摘要】
1.一种基于深度学习的车牌图像去运动模糊方法，其特征在于包括以下操作：步骤1、数据集预处理：1-1、数据集包含清晰图像模糊图像对，用于标定清晰的车辆图像中车牌的位置；从清晰的车辆图像和对应的模糊车辆图像中抠出完整的车牌区域，得到车牌区域的清晰图像和模糊图像对；1-2、将车牌按照字符宽度分割得到34类单个字符数据集(O和I划归为0和1)，并统一归范化到16*48*3大小，其中16、48和3分别表示图像的宽度、高度和通道数；1-3、将所有的模糊车牌字符图像添加均值为μ，标准差为σ的高斯噪声，将清晰车牌字符图像和模糊车牌字符图像的像素值均映射到[0,1]中；1-4、从34类字符数据集中的每一类数据中随机抽取N1对作为训练数据集T，N2对作为验证数据集V；步骤2、训练阶段的操作：2-1、从训练数据集T中随机抽取minibatch张模糊图像和对应的清晰图像，并随机裁剪16*16方形区域作为训练模糊图像集B和清晰图像集S，此时的训练模糊图像集B和清晰图像集S均为minibatch*3*16*16，minibatch表示图像的数量，3表示图像的颜色通道数，16*16为图像的大小；将模糊图像集B输入生成器，得到生成器输出的minibatch*3*16*16的图像集L；2-2、将生成器的输出图像集L和对应的清晰图像集S依次作为判别器的输入，判别器依次输出两组置信度结果，每组置信度包含minibatch个概率值，以此判定每张输入的图像是清晰图像还是生成的图像，若概率值大于0.5，则判为清晰图像；否则，判为生成图像；2-3、计算生成图像集L和清晰图像集S之间的均方误差lmse，即：其中，ck、wk、hk分别表示多尺度生成器中每个尺度图像的颜色通道数、宽度以及高度，K表示尺度级数,Lk是多尺度生成器生成的第k个尺度图像，Sk是对应的第k个尺度清晰图像；多尺度通过对图像多次降采样得到尺寸缩小的图像，同一幅图像不同尺寸的数量表示尺度的级数，其中第一级尺度为原尺寸大小的图像，从第二级开始，每一级图像的尺寸为上一级图像尺寸的宽度、高度各一半，即为上一级图像大小四分之一；2-4、计算生成图像集L和清晰图像集S的梯度图像▽L和▽S，并计算梯度图像之间的梯度误差lgrad，即：其中，梯度图像分别通过计算水平方向梯度值dx和垂直方向的梯度值dy绝对值之和得到，即：▽＝|dx|+|dy|(3)2-5、计算生成图像集L和清晰图像集S的判别误差ladv，即：式中，s～p(S)表示清晰图像s取自于清晰图像集S，其中p(S)表示清晰图像集S的概率分布，b～p(B)表示模糊图像b取自于模糊图像集B，p(B)表示模糊图像集B的概率分布，G(im)表示输入图像im经生成器生成的结果图像，D(im)表示判别器对输入图像im的判别概率，E(x)表示对x取期望；2-6、计算总的损失函数ldb大小，即：ldb＝lmse+α1lgrad+α2ladv(5)其中α1、α2为大于0的正则项系数；2-7、根据步骤2-5所述的式(4)判别误差ladv优化判别器；2-8、根据步骤2-6所述的式(5)总损失函数ldb优化生成器；2-9、从训练数据集T中随机抽取minibatch张模糊图像和对应的清晰图像重新组成模糊图像集B和清晰图像集S，通过步骤2-1到步骤2-8重复训练；2-10、当训练的总数据量达到训练集T的图像数量时，将验证集V的模糊图像依次输入当前训练完的生成器和判别器，计算验证集的平均总损失ldb，优化判别器和生成器；2-11、通过步骤2-1到步骤2-10进行重...

【专利技术属性】
技术研发人员：陈华华，毛勇，叶学义，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33