一种车牌去模糊方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种车牌去模糊方法、装置、电子设备及存储介质，方法包括实时获取车牌图像；判断车牌图像是否模糊，若是进入一级去模糊模式，若否输出所述车牌图像；在一级去模糊模式下，将车牌图像输入预置的循环生成对抗网络模型中，得到优化车牌图像；判断优化车牌图像是否清晰，若是输出优化车牌图像，若否进入二级去模糊模式；在二级去模糊模式下，将优化车牌图像输入预置的超分辨率重构网络模型中，得到清晰车牌图像；输出清晰车牌图像。本发明专利技术实施例提供的车牌去模糊方法、装置、电子设备及存储介质，能够针对不同模糊程度的车牌执行对应的有效的处理，从而降低了车牌去模糊所需要的资源与时间，推进了对车牌去模糊处理的智能化进程。能化进程。能化进程。

【技术实现步骤摘要】
一种车牌去模糊方法、装置、电子设备及存储介质


[0001]本专利技术涉及图像处理
，尤其是涉及一种车牌去模糊方法、装置、电子设备及存储介质。

技术介绍

[0002]随着生活水平的不断提升，车辆逐渐成为人们出行必不可少的交通工具之一，而车牌作为车辆重要的识别凭证，对于信息的识别有着十分重要的作用，因此能否有效识别车牌是近年来交管部门重点研究的领域之一。
[0003]在实际应用中，由于车辆的高速运动，道路摄像头采集到的车辆图像往往会出现运动模糊现象，这种运动模糊现象会给交通管理带来诸多不便，例如车牌的定位和识别。但现如今对于模糊车牌的处理方法是直接将采集到的多个车牌逐一输入算法模型中进行处理，而相关的算法模型对每个车牌的处理过程均需要消耗大量的内存、资源以及时间，导致数据处理缓慢、智能优化不足、获取信息滞后，不利于交通执法的有效开展。

技术实现思路

[0004]本专利技术提供一种车牌去模糊方法、装置、电子设备及存储介质，以解决现有的车牌去模糊方法会导致资源浪费的技术问题，通过配置多级的模糊判断与模糊处理的方法策略，能够针对不同类型的车牌执行对应的有效的处理，从而降低了车牌去模糊所需要的资源与时间，推进了对车牌去模糊处理的智能化进程。
[0005]为了解决上述技术问题，本专利技术实施例提供了一种车牌去模糊方法，包括：
[0006]实时获取车牌图像；
[0007]判断所述车牌图像是否模糊，若是，则进入一级去模糊模式，若否，则输出所述车牌图像；
[0008]在所述一级去模糊模式下，将所述车牌图像输入预置的循环生成对抗网络模型中，得到优化车牌图像；
[0009]判断所述优化车牌图像是否清晰，若是，则输出所述优化车牌图像，若否，则进入二级去模糊模式；
[0010]在所述二级去模糊模式下，将所述优化车牌图像输入预置的超分辨率重构网络模型中，得到清晰车牌图像；
[0011]输出所述清晰车牌图像。
[0012]作为其中一种优选方案，所述判断所述车牌图像是否模糊，具体为：
[0013]基于卷积神经网络技术，构建车牌模糊分类模型；
[0014]将所述车牌图像输入训练好的所述车牌模糊分类模型中，得到初分类结果；
[0015]当所述初分类结果为运动模糊和虚焦模糊时，判断所述车牌图像模糊，否则，判断所述车牌图像不模糊。
[0016]作为其中一种优选方案，所述判断所述优化车牌图像是否清晰，具体为：
[0017]将所述优化车牌图像输入训练好的所述车牌模糊分类模型中，得到二分类结果；
[0018]当所述二分类结果为运动模糊和虚焦模糊时，判断所述优化车牌图像不清晰，否则，判断所述优化车牌图像清晰。
[0019]作为其中一种优选方案，所述方法还包括：
[0020]分别基于所述车牌模糊分类模型的损失函数计算方法得到初分类损失函数值和二分类损失函数值；
[0021]以所述初分类损失函数值更新所述循环生成对抗网络模型；
[0022]以所述二分类损失函数值更新所述超分辨率重构网络模型。
[0023]作为其中一种优选方案，所述分别基于所述车牌模糊分类模型的损失函数计算方法得到初分类损失函数值和二分类损失函数值，具体为：
[0024]分别提取所述车牌图像和所述优化车牌图像中的各个字符；
[0025]将所述车牌图像中的各个字符输入R网络，计算得到各个字符对应的loss，基于所述车牌图像中的各个字符的loss的和确定所述初分类损失函数值；
[0026]将所述优化车牌图像中的各个字符输入R网络，计算得到各个字符对应的loss，基于所述优化车牌图像中的各个字符的loss的和确定所述二分类损失函数值。
[0027]作为其中一种优选方案，所述R网络的结构为Lenet5网络。
[0028]作为其中一种优选方案，在所述二级去模糊模式下，所述将所述优化车牌图像输入预置的超分辨率重构网络模型中之前，所述方法还包括：
[0029]对所述优化车牌图像进行预处理，其中，所述预处理包括剪裁和旋转变换。
[0030]本专利技术另一实施例提供了一种车牌去模糊装置，包括：
[0031]获取模块，用于实时获取车牌图像；
[0032]一级判断模块，用于判断所述车牌图像是否模糊，若是，则进入一级去模糊模式，若否，则输出所述车牌图像；
[0033]优化模块，用于在所述一级去模糊模式下，将所述车牌图像输入预置的循环生成对抗网络模型中，得到优化车牌图像；
[0034]二级判断模块，用于判断所述优化车牌图像是否清晰，若是，则输出所述优化车牌图像，若否，则进入二级去模糊模式；
[0035]重构模块，用于在所述二级去模糊模式下，将所述优化车牌图像输入预置的超分辨率重构网络模型中，得到清晰车牌图像；
[0036]输出模块，用于输出所述清晰车牌图像。
[0037]本专利技术又一实施例提供了一种电子设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的车牌去模糊方法。
[0038]本专利技术再一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的车牌去模糊方法。
[0039]相比于现有技术，本专利技术实施例的有益效果在于以下所述中的至少一点：配置相互配合的多级模糊判断与模糊处理的方法策略，通过引入判断步骤对车牌是否需要进行去模糊处理进行了有效判断，当判断出输入的车牌图像无需进行模糊处理时直接输出车牌图
像，无需调用相关的算法模型进行处理，从而节约了大量的内存、资源以及时间，且通过多级的模糊识别策略对输入的车牌图像进行模糊判断，分别结合循环生成对抗网络模型和超分辨率重构网络模型，分步骤对车牌图像进行处理，从而优化了对车牌图像的去模糊程度，实现更好地去模糊效果，推进了对车牌去模糊处理的智能化进程。
附图说明
[0040]图1是本专利技术其中一种实施例中的车牌去模糊方法的流程示意图；
[0041]图2是本专利技术其中一种实施例中的车牌去模糊方法的逻辑框图；
[0042]图3是本专利技术其中一种实施例中的车牌去模糊装置的结构示意图；
[0043]图4是本专利技术其中一种实施例中的电子设备的结构示意图。
具体实施方式
[0044]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0045]在本申请描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车牌去模糊方法，其特征在于，包括：实时获取车牌图像；判断所述车牌图像是否模糊，若是，则进入一级去模糊模式，若否，则输出所述车牌图像；在所述一级去模糊模式下，将所述车牌图像输入预置的循环生成对抗网络模型中，得到优化车牌图像；判断所述优化车牌图像是否清晰，若是，则输出所述优化车牌图像，若否，则进入二级去模糊模式；在所述二级去模糊模式下，将所述优化车牌图像输入预置的超分辨率重构网络模型中，得到清晰车牌图像；输出所述清晰车牌图像。2.如权利要求1所述的车牌去模糊方法，其特征在于，所述判断所述车牌图像是否模糊，具体为：基于卷积神经网络技术，构建车牌模糊分类模型；将所述车牌图像输入训练好的所述车牌模糊分类模型中，得到初分类结果；当所述初分类结果为运动模糊和虚焦模糊时，判断所述车牌图像模糊，否则，判断所述车牌图像不模糊。3.如权利要求2所述的车牌去模糊方法，其特征在于，所述判断所述优化车牌图像是否清晰，具体为：将所述优化车牌图像输入训练好的所述车牌模糊分类模型中，得到二分类结果；当所述二分类结果为运动模糊和虚焦模糊时，判断所述优化车牌图像不清晰，否则，判断所述优化车牌图像清晰。4.如权利要求3所述的车牌去模糊方法，其特征在于，所述方法还包括：分别基于所述车牌模糊分类模型的损失函数计算方法得到初分类损失函数值和二分类损失函数值；以所述初分类损失函数值更新所述循环生成对抗网络模型；以所述二分类损失函数值更新所述超分辨率重构网络模型。5.如权利要求4所述的车牌去模糊方法，其特征在于，所述分别基于所述车牌模糊分类模型的损失函数计算方法得到初分类损失函数值和二分类损失函数值，具体为：分别提取所述车牌图像和所述优化车牌图像中的各个字符；将所述车牌图像中的各个字符输入R网络，...

【专利技术属性】
技术研发人员：夏长得，陈利军，林焕凯，洪曙光，刘双广，
申请(专利权)人：高新兴科技集团股份有限公司，
类型：发明
国别省市：