【技术实现步骤摘要】
本专利技术属于人工智能和计算机视觉领域，具体涉及一种车牌图像超分辨率重建模型构建方法及车牌图像重建方法。
技术介绍
1、随着车辆普及率的增加，车牌识别技术在交通管理、安防监控和智能停车等领域有着广泛的应用。然而现实生活中因车牌图像在采集过程中受到成像环境、成像距离、传感器形状和大小、光学系统误差、空气扰动以及镜头散焦等诸多因素影响，导致可能会得到肉眼无法辨认或计算机无法识别的模糊车牌图像，这些车牌图像的分辨率较低，会影响车牌识别效果。
2、通常对这种低分辨率车牌图像利用车牌图像超分辨率重建技术恢复原有分辨率，再进行车牌识别。目前，车牌图像超分辨率重建技术主要有传统图像处理方法和基于深度学习的方法。
3、传统图像处理方法主要包括插值法和滤波法。插值法包括最近邻插值、双线性插值、双三次插值等，通过对像素之间的插值计算，将低分辨率图像放大到高分辨率。尽管这些方法简单且计算效率高，但这些方法不能充分利用图像的高层次特征，容易导致图像锐化效果不佳，出现马赛克和伪影等问题。滤波法例如使用图像边缘增强滤波器，如sobel、prewitt等滤波器，尝试提取图像的边缘信息，从而增强图像的清晰度。但这些方法对于复杂场景和车牌图像的复杂纹理处理效果较差，无法完全恢复车牌图像的细节信息。
4、基于深度学习的方法通过卷积神经网络(cnn)等模型，学习图像的高级特征，从而实现对模糊车牌图像的超分辨率重建。其中，主要包括以下几种。
5、srcnn：是超分辨率卷积神经网络，能够实现高效的图像超分辨率重建。通过多层
6、srgan：是超分辨率生成对抗网络，通过引入对抗训练的思想，实现更加真实和细致的图像超分辨率重建。
7、esrgan(enhanced super-resolution generative adversarial networks)利用gan框架进行超分辨率重建，通过生成对抗网络改善图像细节和质量。
8、基于attention mechanism的方法：这些方法利用注意力机制来使模型更加关注图像中的重要区域和细节，有助于提高车牌图像的重建质量和准确性。
9、联合优化模型的方法：一些方法结合了超分辨率重建和其他图像处理任务，例如目标检测、图像去噪等，通过联合优化来改善车牌图像的质量和识别效果。
10、目前的车牌图像超分辨率重建技术主要存在以下缺点：
11、传统图像处理方法在处理复杂的车牌图像时效果较差，不能很好地恢复图像的细节信息。且传统方法依赖于手工设计的特征和规则，对于复杂场景的适应性较弱。
12、部分基于深度学习的方法在处理边缘和细节时，可能会产生伪影和不真实的效果。
13、因此，亟需一种新的车牌图像超分辨率重建方法以解决上述问题。
技术实现思路
1、为了解决现有技术中存在的上述问题，本专利技术提供了一种车牌图像超分辨率重建模型构建方法、车牌图像重建方法和一种车牌图像识别方法。本专利技术要解决的技术问题通过以下技术方案实现：
2、第一方面，本专利技术实施例提供了一种车牌图像超分辨率重建模型构建方法，所述车牌图像超分辨率重建模型构建方法包括：
3、获取车牌图像数据集并进行预处理，得到训练集；
4、将所述训练集利用预先构建的车牌图像退化模型进行图像分辨率降低处理，得到退化训练集；
5、基于esrgan架构确定生成网络，并通过引入u-net网络和谱归一化正则化构建鉴别网络，由所述生成网络和所述鉴别网络构成原始模型；
6、基于所述退化训练集、所述训练集以及预设的损失函数，训练所述原始模型，得到训练完成的车牌图像超分辨率重建模型；其中，所述预设的损失函数结合l1损失、感知损失和gan损失得到。
7、在本专利技术的一个实施例中，所述预处理，包括：
8、去噪和直方图均衡化。
9、在本专利技术的一个实施例中，将所述训练集利用预先构建的车牌图像退化模型进行图像分辨率降低处理，得到退化训练集，包括：
10、针对所述训练集中的每个车牌图像，将该车牌图像输入所述预先构建的车牌图像退化模型中，选择所述车牌图像退化模型设置的多种退化方式中的任一种进行随机退化处理，得到一次退化结果，并重复执行多次随机退化处理，得到该车牌图像对应的退化图像；
11、由所述训练集得到的所有退化图像构成退化训练集。
12、在本专利技术的一个实施例中，所述多种退化方式包括模糊处理、下采样处理、压缩处理、加噪处理和扭曲处理。
13、在本专利技术的一个实施例中，所述生成网络，包括：
14、9×9大小的第一卷积层、多个残差密集块rrdb、3×3大小的第二卷积层、上采样层、第三卷积层和第四卷积层。
15、在本专利技术的一个实施例中，所述鉴别网络，包括：
16、一层卷积输入层、下采样子网络、上采样子网络、带有谱归一化正则化的两层卷积层以及一层卷积输出层；
17、其中，所述下采样子网络包括三层带有谱归一化正则化的卷积层，各层的通道数依次翻倍，输出的特征图的宽高依次减半；所述上采样子网络使用nearest插值做两倍上采样，所述上采样子网络包括三层带有谱归一化正则化的卷积层，各层的通道数依次减半，输出的特征图的宽高依次翻倍；所述一层卷积输入层与所述带有谱归一化正则化的两层卷积层中第一层之间，以及所述下采样子网络、所述上采样子网络的同层卷积层之间，均具有跳过连接的u-net设计。
18、在本专利技术的一个实施例中，基于所述退化训练集、所述训练集以及预设的损失函数，训练所述原始模型，得到训练完成的车牌图像超分辨率重建模型，包括：
19、针对每次迭代，将所述退化训练集中的车牌图像作为输入样本，输入所述原始模型中的生成网络，输出超分辨率车牌图像；
20、将所述超分辨率车牌图像输入所述原始模型中的鉴别网络，输出与所述退化训练集中车牌图像尺寸一致的输出图像，将所述输出图像与所述输入样本在所述训练集中对应的原始图像进行对比判别，计算所述损失函数的数值并进行模型参数更新；
21、通过多次迭代，在所述损失函数达到收敛时停止训练，得到训练完成的车牌图像超分辨率重建模型。
22、在本专利技术的一个实施例中，将所述退化训练集中的车牌图像作为输入样本，输入所述原始模型中的生成网络，输出超分辨率车牌图像，包括：
23、利用所述9×9大小的第一卷积层对所述输入样本进行低级特征提取，输出低级特征图；
24、对所述低级特征图利用所述多个残差密集块rrdb进行高级特征提取，并利用所述3×3大小的第二卷积层输出高级特征图；
25、利用所述上采样层对所述高级特征图进行上采样处理，输出分辨率放大图像；
26、利用所述第三卷积层和所述第四卷积层细化所述分辨率放大图像中的细节，输出超分辨率车牌本文档来自技高网...
【技术保护点】
1.一种车牌图像超分辨率重建模型构建方法，其特征在于，包括：
2.根据权利要求1所述的车牌图像超分辨率重建模型构建方法，其特征在于，所述预处理，包括：
3.根据权利要求1所述的车牌图像超分辨率重建模型构建方法，其特征在于，将所述训练集利用预先构建的车牌图像退化模型进行图像分辨率降低处理，得到退化训练集，包括：
4.根据权利要求3所述的车牌图像超分辨率重建模型构建方法，其特征在于，所述多种退化方式包括模糊处理、下采样处理、压缩处理、加噪处理和扭曲处理。
5.根据权利要求1所述的车牌图像超分辨率重建模型构建方法，其特征在于，所述生成网络，包括：
6.根据权利要求1所述的车牌图像超分辨率重建模型构建方法，其特征在于，所述鉴别网络，包括：
7.根据权利要求1、5或6所述的车牌图像超分辨率重建模型构建方法，其特征在于，基于所述退化训练集、所述训练集以及预设的损失函数，训练所述原始模型，得到训练完成的车牌图像超分辨率重建模型，包括：
8.根据权利要求7所述的车牌图像超分辨率重建模型构建方法，其特征在于，将所述
9.一种车牌图像重建方法，其特征在于，包括：
10.一种车牌图像识别方法，其特征在于，包括：
...【技术特征摘要】
1.一种车牌图像超分辨率重建模型构建方法，其特征在于，包括：
2.根据权利要求1所述的车牌图像超分辨率重建模型构建方法，其特征在于，所述预处理，包括：
3.根据权利要求1所述的车牌图像超分辨率重建模型构建方法，其特征在于，将所述训练集利用预先构建的车牌图像退化模型进行图像分辨率降低处理，得到退化训练集，包括：
4.根据权利要求3所述的车牌图像超分辨率重建模型构建方法，其特征在于，所述多种退化方式包括模糊处理、下采样处理、压缩处理、加噪处理和扭曲处理。
5.根据权利要求1所述的车牌图像超分辨率重建模型构建方法，其特征在于，所述生成网络，包括：
<...【专利技术属性】
技术研发人员：赵小明，解培月，呼跃阳，高苗，
申请(专利权)人：西安电子科技大学，
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。