The present invention proposes a method for reconstructing a license plate based on a double-layer convolution neural network, which obscures a clear license plate image based on a random fuzzy kernel and generates a corresponding fuzzy license plate image. De-blurred image feature layer; input the same blurred license plate image block into the pre-designed image enhancement convolution neural network to obtain the image enhancement mask set; combine the de-blurred image feature layer and image enhancement mask set into a two-layer aggregation feature set, and train the model to obtain the reconstruction convolution parameters; and obtain the actual scene in the image enhancement convolution. The blurred license plate image is input into the double-layer convolution neural network and convolution calculation of the reconstructed convolution parameters, and the reconstructed license plate image is obtained. The invention can improve the quality of blurred and degraded images, improve the contrast of images, improve the definition of images, and enhance the edge and texture details of images.
【技术实现步骤摘要】
一种基于双层卷积神经网络的重建车牌的方法
本专利技术属于图像处理
,具体涉及一种基于双层卷积神经网络的重建车牌的方法。
技术介绍
随着智能化和自动化管理的不但发展,人们越来越重视,其中车牌的自动识别是其中一项重要的基本功能。实际场景下车牌检测识别系统需要面对诸多特殊环境,例如,下雨,下雪和雾霾等。这些实际场景下的光线不足导致所需要检测和识别的车牌不够清晰,模糊一片的情况。相机失焦或晃动导致拍摄得到的车牌图像字符模糊不清的问题。所以重建模糊的车牌图像,复原真实信息越来越受到技术人员的重视。现有技术中的图像去模糊方法有较多种。比如Wiener滤波算法和ConstraintLeastSquare算法,虽然计算速度很快,但是去模糊结果图像会受到噪声的较大干扰。目前常用的RL算法和TotalVariation算法虽然能够获得比较好的图像去模糊结果,但是由于需要循环迭代处理,算法计算复杂度高,计算速度慢。现有图像复原的方法会导致重建后的图像存在振铃现象和过曝光斑问题。
技术实现思路
针对现有技术的不足,本专利技术提供一种基于双层卷积神经网络的重建车牌的方法,通过学习模糊图像中的图像全局特征信息和局部特征信息,有效处理图像对比度低的模糊场景图像,同时运行速度快,适应性更强。本专利技术可处理对比度低同时存在模糊现象的车牌图像,有效降低车牌识别中应用场景多样导致的识别错误率。为了解决上述技术问题,本专利技术提供一种基于双层卷积神经网络的重建车牌的方法,包括以下步骤:S1:读取清晰的车牌图像,对固定数目的清晰车牌图像基于随机模糊核做模糊处理,生成对应模糊车牌图像;S2:从模 ...
【技术保护点】
1.一种基于双层卷积神经网络的重建车牌的方法,其特征在于,包括以下步骤:S1:读取清晰的车牌图像,对固定数目的清晰车牌图像基于随机模糊核做模糊处理,生成对应模糊车牌图像;S2:从模糊车牌图像中截取固定尺寸的模糊图像块输入到预先设计好的去模糊卷积神经网络中,得到去模糊图像特征层;S3:将同一块模糊车牌图像块输入到预先设计好的图像增强卷积神经网络中,得到图像增强掩码集;S4:将去模糊图像特征层和图像增强掩码集合并成双层聚合特征集,训练模型获得重建卷积参数;S5:将实际场景中的模糊车牌图像输入到双层卷积神经网络中与重建卷积参数卷积计算,得到重建后的车牌图像。
【技术特征摘要】
1.一种基于双层卷积神经网络的重建车牌的方法,其特征在于,包括以下步骤:S1:读取清晰的车牌图像,对固定数目的清晰车牌图像基于随机模糊核做模糊处理,生成对应模糊车牌图像;S2:从模糊车牌图像中截取固定尺寸的模糊图像块输入到预先设计好的去模糊卷积神经网络中,得到去模糊图像特征层;S3:将同一块模糊车牌图像块输入到预先设计好的图像增强卷积神经网络中,得到图像增强掩码集;S4:将去模糊图像特征层和图像增强掩码集合并成双层聚合特征集,训练模型获得重建卷积参数;S5:将实际场景中的模糊车牌图像输入到双层卷积神经网络中与重建卷积参数卷积计算,得到重建后的车牌图像。2.如权利要求1所述的一种基于双层卷积神经网络的重建车牌的方法,其特征在于,所述的S1步骤对固定数目的清晰的车牌图像基于随机模糊核做模糊处理,其中固定数目是100-2000张车牌图像。3.如权利要求1所述的一种基于双层卷积神经网络的重建车牌的方法,其特征在于,所述S1步骤生成对应的模糊车牌图像块作为训练样本,同时保留对应位置上的原始清晰图像块作为标准对比图,具体训练步骤包括:选取车牌字符清晰的车牌图像样本集;将清晰车牌样本图像集中的图像进行模糊处理;随机选取1至8之间的数值,作为高斯模糊核大小,对清晰车牌样本图像集中所有车牌图像做高斯模糊;随机选取1至8之间的数值做运动模糊核长度的大小,随机选取0至360度之间的数值做运动模糊核角度的大小,对高斯模糊后的车牌样本图像集中所有车牌图像做运动模糊,得到与清晰车牌图像集对应的模糊车牌图像集;截取45x45大小的模糊图像块作为训练样本,以相同中心点位置的33x33大小的原始清晰图像块做标准对比图。4.如权利要求1所述的一种基于双层卷积神经网络的重建车牌的方法,其特征在于,所述的S2和S3步骤提到的去模糊卷积神经网络和图像增强卷积神经网络构成双层卷积神经网络,两个卷积神经网络模块共有同一个输入层;构建图像去模糊卷积神经网络模块,卷积神经网络设置为3层结构,包括1个输入层,2个卷积层;构建图像增强卷积神经网络模块,卷积神经网络设置为9层结构,包括1个输入层,5个卷积层,3个全连接层;初始化后,采用随机梯度下降法对构建的卷积神经网络进行迭代训练,每迭代一次计算一次损失函数的值,以获得最优卷积神经网络结构中各权重值W和偏置值b,迭代多次后得到本次训练最优卷积神经网络;所述的训练双层卷积神经网络包括以下步骤:从模糊图像集中抽取128张图像,按图像宽高截取45*45尺寸的图像块组成小样本集,输入到初始图像增强卷积神经网络中,初始各权重值W和偏置值b随机设定,进行前向传播,获得该小样本图像集每一张模糊车牌图像块对应的图像增强掩码特征集;将输入到图像增强卷积神经网络模块的同一块模糊图像块输入到初始去模糊卷积神经网络模块中,初始各权重值W和偏置值b随机设定,进行前向传播,获得该小样本图像集每一张模糊车牌...
【专利技术属性】
技术研发人员:庞星,
申请(专利权)人:杭州雄迈集成电路技术有限公司,
类型:发明
国别省市:浙江,33
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。