一种车牌图像的模糊图像生成方法技术

本发明专利技术提供一种车牌图像的模糊图像生成方法，包括以下步骤：建立非真实场景的清晰

【技术实现步骤摘要】
一种车牌图像的模糊图像生成方法


[0001]本专利技术属于计算机视觉、深度学习
，具体涉及一种车牌图像的模糊图像生成方法。

技术介绍

[0002]使用深度学习方法进行图像去模糊时，需要使用大量图像内容相同的清晰
‑
模糊配对图像数据进行模型的训练和测试，但是，大批量收集真实场景下的清晰
‑
模糊配对图像数据难度大，或者现实中无法大批量收集。现有清晰
‑
模糊配对图像数据获取方法主要是：通过单一模糊算法，将清晰图像生成模糊图像。此种方法形成的配对模糊图像的模式过于单一，无法模拟真实环境中复杂的模糊图像，由此种数据训练的模型在真实场景中图像去模糊效果不理想。

技术实现思路

[0003]针对现有技术存在的缺陷，本专利技术提供一种车牌图像的模糊图像生成方法，可有效解决上述问题。
[0004]本专利技术采用的技术方案如下：
[0005]本专利技术提供一种车牌图像的模糊图像生成方法，包括以下步骤：
[0006]步骤1，建立非真实场景的清晰
‑
模糊图像对样本集合S；
[0007]所述非真实场景的清晰
‑
模糊图像对样本集合S表示为：S＝{(s
01
,s
11
),(s
02
,s
12
),....(s
0n
,s
1n
)}；其中，n代表样本集合S中的清晰
‑
模糊图像对的数量；令i＝1,2,...,n，第i个清晰
‑
模糊图像对(s
0i
,s
1i
)含义为：s
0i
代表第i个清晰
‑
模糊图像对中的清晰图像样本，s
1i
代表第i个清晰
‑
模糊图像对中的模糊图像样本，并且，清晰图像样本s
0i
和模糊图像样本s
1i
为配对图像，图像内容相同，仅清晰度不相同；模糊图像样本s
1i
获取方法为：通过模糊算法对清晰图像样本s
0i
进行模糊处理后生成的模糊图像；
[0008]步骤2，构建模糊图像生成器模型；
[0009]所述模糊图像生成器模型包括：生成器、鉴别器、鉴别器优化器和生成器优化器；
[0010]步骤3，采用步骤1建立的非真实场景的清晰
‑
模糊图像对样本集合S，预训练所述模糊图像生成器模型，得到预训练后的模糊图像生成器模型；
[0011]对所述模糊图像生成器模型进行预训练的训练方法为：
[0012]步骤3.1，令k＝1；
[0013]步骤3.2，将清晰图像样本s
0k
输入生成器；所述生成器对所述清晰图像样本s
0k
进行特征提取，输出与清晰图像样本s
0k
相同尺寸的生成图像U
0k
；
[0014]步骤3.3，将所述生成图像U
0k
输入鉴别器；所述鉴别器对所述生成图像U
0k
进行多次下采样，并进一步提取所述生成图像U
0k
的抽象特征信息，输出特征向量W
0k
；
[0015]将所述模糊图像样本s
1k
输入鉴别器；所述鉴别器对所述模糊图像样本s
1k
进行多次下采样，并进一步提取所述模糊图像样本s
1k
的抽象特征信息，输出特征向量W
1k
；
[0016]步骤3.4，令k＝k+1，判断k是否大于n；如果不大于，则返回步骤3.2；如此不断循环，直到当k大于n时，执行步骤3.5；
[0017]步骤3.5，由此得到n组特征向量，分别为：(W
01
,W
11
),(W
02
,W
12
),...,(W
0n
,W
1n
)；
[0018]步骤3.6，计算每组特征向量的偏差，并求和，得到总偏差；根据总偏差，分别得到鉴别器损失函数D_loss和生成器损失函数G_loss；
[0019]步骤3.7，鉴别器损失函数D_loss经过鉴别器优化器计算，得到对鉴别器网络参数的更新值，进而更新鉴别器网络参数，得到本轮优化后的鉴别器；
[0020]生成器损失函数G_loss经过生成器优化器计算，得到对生成器网络参数的更新值，进而更新生成器网络参数，得到本轮优化后的生成器；
[0021]步骤3.8，判断生成器网络是否收敛，如果没有收敛，返回步骤3.1，进行下一轮的预训练；如果收敛，则停止训练，得到预训练后的模糊图像生成器模型；
[0022]步骤4，建立真实场景的清晰
‑
模糊图像对样本集合P；
[0023]所述真实场景的清晰
‑
模糊图像对样本集合P表示为：P＝{(p
01
,p
11
),(p
02
,p
12
),....(p
0m
,p
1m
)}；其中，m代表样本集合P中的清晰
‑
模糊图像对的数量；令j＝1,2,...,m，第j个清晰
‑
模糊图像对(p
0j
,p
1j
)含义为：p
0j
代表第j个清晰
‑
模糊图像对中的清晰图像样本，p
1j
代表第j个清晰
‑
模糊图像对中的模糊图像样本，并且，清晰图像样本p
0j
和模糊图像样本p
1j
为配对图像，图像内容相同，仅清晰度不相同；模糊图像样本p
1j
和清晰图像样本p
0j
均为真实场景下直接拍摄得到的图像；
[0024]步骤5，迁移学习训练：
[0025]将步骤3预训练后的模糊图像生成器模型，迁移到步骤4建立的真实场景的清晰
‑
模糊图像对样本集合P中进行进一步训练，得到最终训练完成的模糊图像生成器模型；
[0026]步骤6，从步骤5训练完成的模糊图像生成器模型中，提取出生成器，为训练完成的生成器；
[0027]当需要得到一张清晰图像Tu(0)的模糊图像时，将所述清晰图像Tu(0)输入所述训练完成的生成器中，所述训练完成的生成器输出与所述清晰图像Tu(0)配对的模糊图像Tu(1)，所述模糊图像Tu(1)为模拟真实场景，对清晰图像Tu(0)进行模糊处理后生成的图像。
[0028]优选的，步骤1中，模糊图像样本s
1i
获取方法为：通过模糊算法对清晰图像样本s
0i
进行模糊处理后生成的模糊图像，具体为：
[0029]对于每张清晰图像样本s
0i<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车牌图像的模糊图像生成方法，其特征在于，包括以下步骤：步骤1，建立非真实场景的清晰
‑
模糊图像对样本集合S；所述非真实场景的清晰
‑
模糊图像对样本集合S表示为：S＝{(s
01
,s
11
),(s
02
,s
12
),....(s
0n
,s
1n
)}；其中，n代表样本集合S中的清晰
‑
模糊图像对的数量；令i＝1,2,...,n，第i个清晰
‑
模糊图像对(s
0i
,s
1i
)含义为：s
0i
代表第i个清晰
‑
模糊图像对中的清晰图像样本，s
1i
代表第i个清晰
‑
模糊图像对中的模糊图像样本，并且，清晰图像样本s
0i
和模糊图像样本s
1i
为配对图像，图像内容相同，仅清晰度不相同；模糊图像样本s
1i
获取方法为：通过模糊算法对清晰图像样本s
0i
进行模糊处理后生成的模糊图像；步骤2，构建模糊图像生成器模型；所述模糊图像生成器模型包括：生成器、鉴别器、鉴别器优化器和生成器优化器；步骤3，采用步骤1建立的非真实场景的清晰
‑
模糊图像对样本集合S，预训练所述模糊图像生成器模型，得到预训练后的模糊图像生成器模型；对所述模糊图像生成器模型进行预训练的训练方法为：步骤3.1，令k＝1；步骤3.2，将清晰图像样本s
0k
输入生成器；所述生成器对所述清晰图像样本s
0k
进行特征提取，输出与清晰图像样本s
0k
相同尺寸的生成图像U
0k
；步骤3.3，将所述生成图像U
0k
输入鉴别器；所述鉴别器对所述生成图像U
0k
进行多次下采样，并进一步提取所述生成图像U
0k
的抽象特征信息，输出特征向量W
0k
；将所述模糊图像样本s
1k
输入鉴别器；所述鉴别器对所述模糊图像样本s
1k
进行多次下采样，并进一步提取所述模糊图像样本s
1k
的抽象特征信息，输出特征向量W
1k
；步骤3.4，令k＝k+1，判断k是否大于n；如果不大于，则返回步骤3.2；如此不断循环，直到当k大于n时，执行步骤3.5；步骤3.5，由此得到n组特征向量，分别为：(W
01
,W
11
),(W
02
,W
12
),...,(W
0n
,W
1n
)；步骤3.6，计算每组特征向量的偏差，并求和，得到总偏差；根据总偏差，分别得到鉴别器损失函数D_loss和生成器损失函数...

【专利技术属性】
技术研发人员：杨一明，瞿洪桂，隋煜，
申请(专利权)人：北京中电兴发科技有限公司，
类型：发明
国别省市：