[发明专利]一种基于特征学习的模糊车牌重建方法

说明书

技术领域

本发明涉及图像处理领域，特别涉及一种基于特征学习的模糊车牌重建方法。

背景技术

车牌信息是视频监控领域中非常重要的信息之一，常常成为案件侦破的关键因素。然而实际场景中采集的监控视频，经常会因为各种复杂原因导致车牌图像信息丢失，人眼难以识别车牌信息，对案件侦破等产生巨大阻碍。因此车牌图像超分辨率重建已经成为视频监控场景中亟需解决的一个问题。

通常的车牌图像恢复方法，一般使用去模糊、对比度增强等针对性图像恢复方法，这些方法对于恶劣复杂的实际监控场景的实用性较低，因为真实的监控视频往往包含光照、距离、模糊、监控设备清晰度及编码方式等多种问题的混合，而其中模糊现象又包含运动模糊、散焦模糊、衍射模糊等，情况非常复杂，目前的图像复原方法往往效果不佳，无法清晰、准确地对车牌图像进行复原。

发明内容

为了解决上述的技术问题，本发明的目的是提供一种基于特征学习的模糊车牌重建方法。

本发明解决其技术问题所采用的技术方案是：

一种基于特征学习的模糊车牌重建方法，包括：

S1、获取覆盖所有车牌字符类型的大量清晰字符样本并获得其对应的模糊字符样本，进而建立模糊字符样本库后，对模糊字符样本库进行特征训练；

S2、获取模糊车牌图像并标定其后五位字符的四个角点，进行几何校正并进行字符分割后，获得五个分割字符；

S3、分别计算每个分割字符与每个清晰字符样本之间的相关度，并判断该分割字符与某一清晰字符样本的相关度是否高于其它清晰字符样本的相关度的0.5倍，若是，则判断该分割字符为清晰字符并获取对应的清晰字符样本和模糊字符样本后直接执行步骤S5，否则，执行步骤S4；

S4、结合特征训练结果获取每个分割字符对应的清晰字符样本和模糊字符样本；

S5、根据每个分割字符所对应的清晰字符样本和模糊字符样本对该分割字符进行字符重建后获得重建结果，并对重建结果进行直方图处理。

进一步，所述步骤S1，其具体为：

获取覆盖所有车牌字符类型的大量清晰字符样本后，将每个清晰字符样本卷积各种模拟现实场景的降质函数后生成对应的模糊字符样本，进而将所有模糊字符样本建立模糊字符样本库后，对模糊字符样本库进行特征训练。

进一步，所述步骤S1中所述对模糊字符样本库进行特征训练的步骤，其具体为：

根据下式分别对模糊字符样本库的每类模糊字符样本进行训练：

上式中，k表示该类模糊字符样本的标签，X_k表示该类模糊字符样本的列向量组成的矩阵，M_k表示该类模糊字符样本的训练结果。

进一步，所述步骤S2，其具体为：

获取模糊车牌图像并标定其后五位字符的角点后，利用几何变换，将四个角点内的图像转化为一个标准矩阵，根据几何比例及垂直投影采用下式五等分地进行字符分割后，获得五个分割字符：

上式中，P*表示进行五等分的任一分隔线的横坐标，hei表示标准矩阵的高度，p₀表示利用几何比例五等分找到的该分割线的理论分割位置，range表示预设的搜索范围，row表示行数，p表示列数，x(row,p)表示标准矩阵的第row行第p列的点。

进一步，所述步骤S3中所述分别计算每个分割字符与每个清晰字符样本之间的相关度的步骤，其具体为：

根据下式，分别计算每个分割字符与每个清晰字符样本的经过平移、伸缩后形成的模板图像集合之间的最大相关值，将该最大相关值作为该分割字符与该清晰字符样本之间的相关度：

上式中，x表示分割字符，n表示该分割字符的维数，char_km表示第k类清晰字符样本经过第m种平移、伸缩后的模板图像。

进一步，所述步骤S4，其具体为：

将每个分割字符逐一与每类模糊字符样本的训练结果进行匹配后获得该分割字符的分类结果，进而获取对应的清晰字符样本和模糊字符样本。

进一步，所述将每个分割字符逐一与每类模糊字符样本的训练结果进行匹配后获得该分割字符的分类结果的步骤，其具体为：

根据下式，将每个分割字符的列向量逐一与每类模糊字符样本的训练结果相乘，并将稀疏度最高的结果向量作为该分割字符的分类结果：

上式中，k*表示该分割字符的分类结果，M_k表示该类模糊字符样本的训练结果，X表示该分割字符的列向量。