[发明专利]一种基于卷积神经网络的车牌图像清晰化方法

权利要求书

1.一种基于卷积神经网络的车牌图像清晰化方法，其特征在于，该方法包括以下步骤：

(1)搭建卷积神经网络模型；

(2)拍摄高清车牌图片；

(3)人工标定车牌位置并归一化车牌图像；

(4)人工模糊车牌图像；

(5)裁剪车牌图像，制作训练集；

(6)网络结构参数设定和训练参数初始化；

(7)训练卷积神经网络，得到网络权重；

(8)将预处理后的监控设备拍摄的图像输入网络，得到清晰化的车牌图像；

所述步骤(4)中，人工模糊车牌图像方法如下：对步骤(3)得到的归一化图像使用模糊核进行模糊滤波操作，模糊核的长度和角度设置在预定范围之内；

图像模糊方法如下：设卷积模糊核的矩阵行数为rows，列数为cols，卷积模糊核为w_n(u,v)，使用卷积模糊核对清晰车牌图像进行人工运动模糊操作：

其中，f表示灰度化的单通道清晰车牌图像，以二维矩阵的方式存储；f_blur表示人工运动模糊之后得到的模糊车牌图像，x,y表示像素的横坐标和纵坐标，n₁,n₂表示中间变量；

所述卷积模糊核w_n(u,v)的生成步骤如下：

(4.1)构造一个理想的线段segment，中点位于卷积模糊核的中心位置；线段的长度len和角度θ由给定的运动模糊长度p1，单位为像素与角度p2，单位为度决定，具体关系如下：

len＝p1

θ＝p2％180/180*π

其中‘％’为取模运算；

(4.2)计算模糊核参数矩阵的大小，设模糊核参数矩阵的行数是rows，列数是cols，rows和cols的计算公式如下：

rows＝ceil(len*sinθ)

cols＝ceil(len*cosθ)

其中ceil是向上取整函数；

(4.3)对于卷积模糊核参数矩阵中的坐标(u,v)，其中u表示列序号，v表示行序号，计算该坐标到理想线段的最短距离，(u,v)到线段segment所在直线line的距离为：

d_l(u,v)＝abs(v*cosθ-u*sinθ)

若(u,v)到线段segment的距离为(u,v)到线段segment端点(Ep_x,Ep_y)的距离：

若(u,v)到线段segment的距离d(u,v)＝d_l(u,v)；

(4.4)计算卷积模糊核参数矩阵中的所有的参数：w(u,v)＝max{1-d(u,v),0}；

(4.5)对整个滤波器的参数归一化：其中∑w(u,v)为对模糊核参数矩阵的所有参数求和。

2.根据权利要求1所述的一种基于卷积神经网络的车牌图像清晰化方法，其特征在于，所述步骤(1)中，卷积神经网络结构如下：

第一层卷积层的卷积核大小(kernel size)为34，输出特征图的个数(num_output)为64，输出经过ReLU函数；

第二层卷积层的卷积核大小(kernelsize)为1，输出特征图的个数(num_output)为32，输出经过ReLU函数；

第三层卷积层的卷积核大小(kernel size)为18，输出特征图的个数(num_output)为1，输出经过ReLU函数。

3.根据权利要求1所述的一种基于卷积神经网络的车牌图像清晰化方法，其特征在于：所述步骤(3)中，人工标定车牌位置方法如下：人工对车牌四角在图片中的位置进行标定，通过透视变换将车牌区域拉伸到图片正中间固定的区域，并将图片大小归一化。