System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理,特别涉及一种基于超分辨率实现低分辨率车牌识别方法和系统。
技术介绍
1、在停车场卡口,商场入口等等场景下,车牌识别技术大量应用。
2、存在的弊端:
3、在实际车牌识别算法落地的项目场景中,例如小区内部主道、高速公路,城际公路等,由于采集设备和车辆之间的距离不可控,从而导致了采集到的图像大小不一,图像的清晰度存在差异,当出现图像出现模糊的情况时,从而导致在对采集图像上的信息进行读取时,无法读取图片上的信息。
技术实现思路
1、本专利技术的目的在于提供一种基于超分辨率实现低分辨率车牌识别方法和系统,以解决上述
技术介绍
中提出的问题。
2、为实现上述目的,本专利技术提供如下技术方案:一种基于超分辨率实现低分辨率车牌识别系统,所述识别系统包括数据采集单元、传输单元、数据分析单元和监控单元;
3、所述车牌采集单元通过摄像头来采集车牌信息;
4、所述传输单元用于将采集的车牌信息进行传输;
5、所述数据分析单元用于对车牌图片进行分析评价,再通过改进的srcnn图像超分辨率算法来对低分辨率的车牌照片进行识别;
6、所述监控单元用于客户端部分显示实时视频流画面,点位选择以及管理员登录记录,该点位历史出入的五辆车图像,以及超分前后的画质对比图。
7、优选的,所述数据采集单元包括拍摄模块和车牌定位模块,所述拍摄模块用于拍摄带有车牌信息的图片,所述车牌定位模块用于将拍摄模块采集的车牌照片除
8、优选的,所述数据分析单元包括流媒体服务模块和车牌识别模块,所述流媒体服务模块用于接入管理视频流信息,所述车牌识别模块用于对图像进行处理并识别图像中的内容。
9、一种基于超分辨率实现低分辨率车牌识别方法,所述识别方法包括以下几个步骤:
10、第一步,进行数据的收集,使用摄像头来拍摄并收集车牌照片;
11、第二步,进行数据的传输,使用交换机将通过第一步收集的车牌照片信息进行传输;
12、第三步,进行图像质量评价,将得到的车牌进行图像质量判定,当符合设定的图片进行保留,不符合设定的将重新通过第一步进行重新采集;
13、第四步,进行图像超分,使用改进的srcnn超分辨率算法处理来提高图像的分辨率;
14、第五步,进行车牌识别,使用图片信息读取方法来读取图片中的内容;
15、第六步,进行后台数据的储存和更新,通过信息处理设备将第五步中得到的车牌信息进行储存,并不断地根据第五步中得到的信息不断地进行更新;
16、第七步,进行客户端展示,用于显示实时视频画面、对管理员的登录记录、该点位历史出入的五辆车图像和对超分前后的画质对比图
17、优选的,所述车牌质量评价包括分辨率评估、清晰度评估、亮度评估和对比度评估。
18、优选的,所述分辨率评估的计算公式为:
19、p=w*h (1);
20、其中p表示分辨率评估因子,w表示图像的宽度,h表示图像的高度;
21、所述清晰度评估使用梯度算法及灰度差分算法;
22、所述梯度算法包括brenner梯度算子、tenengrad函数和方差函数,
23、所述brenner梯度算子是采用图像像素的垂直方向的梯度差值和来表示清晰度,计算值与图像的清晰度成正比,其计算公式为:
24、d(f)=∑y∑x|f(x+2,y)-f(x,y)|2 (2);
25、其中f(x,y)表示图像f对应像素点(x,y)的灰度值,d(f)为图像清晰度计算结果;
26、所述tenengrad函数是基于sobel算子来计算水平和竖直方向两个方向的梯度值的清晰度评估函数,其计算公式为:
27、
28、
29、其中gx和gy为sobel卷积核,i(x,y)为点(x,y)的梯度,式中,n为图像像素总数;
30、所述方差函数为质量评估函数,其计算公式为;
31、d(f)=∑y∑x|f(x,y)-υ|2 (5);
32、所述灰度插分法算法计算公式为:
33、d(f)=∑y∑x(|f(x,y)-f(x,y-1)|+|f(x,y)-f(x+1,y)|) (6);
34、其中υ为整幅图像的平均灰度值;
35、所述灰度差分法用于计算得到车牌图像灰度差分绝对值求和,其计算公式为:
36、d(f)=∑y∑x(|f(x,y)-f(x,y-1)|+|f(x,y)-f(x+1,y)|) (7);
37、其中f(x,y)表示图像f对应像素点(x,y)的灰度值,d(f)为图像清晰度计算结果;
38、所述亮度评估的计算公式为:
39、
40、其中mn为车牌区域大小,i(x,y)为车牌区域图像;
41、所述对比度评估计算公式为:
42、c=∑δδ(i,j)2pδ(i,j) (9);
43、其中δ(i,j)=|i-j|表示图像相邻像素之间的灰度差值,pδ(i,j)为图像相邻像素点之间的灰度差值δ的像素分布概率值。
44、优选的,所述图像超分包括输入图像预处理、提高图像分辨率和srcnn超分辨率算法的改进。
45、优选的,所述输入图像预处理是将输入的低分辨率图像使用bicubic算法处理放大到目标大小,所述提高图像分辨率通过卷积神经网络对图像进行处理,最终得到高分辨率的图像。
46、优选的,所述卷积神经网络对图像进行处理的步骤为:
47、s1,进行提取特征,从低分辨率原始图像中提取得到多个patch图像块,每个图像块经过卷积后最终得到一个多维向量,并且得到的所有的特征向量l,组成特征向量矩阵feature maps;
48、s2,进行非线性映射,将第一步得到的n1维特征矩阵,经过卷积处理后,非线性映射,得到另外一个n2维的特征向量矩阵feature maps;
49、s3,进行重构图像,相当于反卷积过程,目的是将n2维的特征向量矩阵复原为超分辨图像输出。
50、优选的,所述srcnn超分辨率算法的改进包括训练过程的改进、卷积层的改进和池化层的改进。
51、本专利技术的技术效果和优点:
52、该基于超分辨率实现低分辨率车牌识别方法和系统,在使用时,先对车牌根据质量评估方法,筛选出质量高的车牌图像送入识别系统从而提高识别准确率,通过改进后的,通过改进srcnn超分辨率算法处理来提高图像的分辨率,两者相互结合来的提高车牌识别算法的精准度。
本文档来自技高网...【技术保护点】
1.一种基于超分辨率实现低分辨率车牌识别系统,其特征在于,所述识别系统包括数据采集单元、传输单元、数据分析单元和监控单元;
2.根据权利要求1所述的一种基于超分辨率实现低分辨率车牌识别系统,其特征在于,所述数据采集单元包括拍摄模块和车牌定位模块,所述拍摄模块用于拍摄带有车牌信息的图片,所述车牌定位模块用于将拍摄模块采集的车牌照片除车牌的部分进行删除,保留车牌部分。
3.根据权利要求1所述的一种基于超分辨率实现低分辨率车牌识别系统,其特征在于,所述数据分析单元包括流媒体服务模块和车牌识别模块,所述流媒体服务模块用于接入管理视频流信息,所述车牌识别模块用于对图像进行处理并识别图像中的内容。
4.一种基于超分辨率实现低分辨率车牌识别方法,其特征在于,采用如权利要求1-3任意一项所述的识别系统,所述识别方法包括以下几个步骤:
5.根据权利要求4所述的一种基于超分辨率实现低分辨率车牌识别方法,其特征在于,所述车牌质量评价包括分辨率评估、清晰度评估、亮度评估和对比度评估。
6.根据权利要求5所述的一种基于超分辨率实现低分辨率车牌识别
7.根据权利要求4所述的一种基于超分辨率实现低分辨率车牌识别方法,其特征在于,所述图像超分包括输入图像预处理、提高图像分辨率和SRCNN超分辨率算法的改进。
8.根据权利要求7所述的一种基于超分辨率实现低分辨率车牌识别方法,其特征在于,所述输入图像预处理是将输入的低分辨率图像使用bicubic算法处理放大到目标大小,所述提高图像分辨率通过卷积神经网络对图像进行处理,最终得到高分辨率的图像。
9.根据权利要求7所述的一种基于超分辨率实现低分辨率车牌识别方法,其特征在于,所述卷积神经网络对图像进行处理的步骤为:
10.根据权利要求5所述的一种基于超分辨率实现低分辨率车牌识别方法,其特征在于,所述SRCNN超分辨率算法的改进包括训练过程的改进、卷积层的改进和池化层的改进。
...【技术特征摘要】
1.一种基于超分辨率实现低分辨率车牌识别系统,其特征在于,所述识别系统包括数据采集单元、传输单元、数据分析单元和监控单元;
2.根据权利要求1所述的一种基于超分辨率实现低分辨率车牌识别系统,其特征在于,所述数据采集单元包括拍摄模块和车牌定位模块,所述拍摄模块用于拍摄带有车牌信息的图片,所述车牌定位模块用于将拍摄模块采集的车牌照片除车牌的部分进行删除,保留车牌部分。
3.根据权利要求1所述的一种基于超分辨率实现低分辨率车牌识别系统,其特征在于,所述数据分析单元包括流媒体服务模块和车牌识别模块,所述流媒体服务模块用于接入管理视频流信息,所述车牌识别模块用于对图像进行处理并识别图像中的内容。
4.一种基于超分辨率实现低分辨率车牌识别方法,其特征在于,采用如权利要求1-3任意一项所述的识别系统,所述识别方法包括以下几个步骤:
5.根据权利要求4所述的一种基于超分辨率实现低分辨率车牌识别方法,其特征在于,所述车牌质量评价包括分辨率评...
【专利技术属性】
技术研发人员:常书林,李媛秀,应业敏,翟留芳,高祥瑞,
申请(专利权)人:天翼云科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。