[发明专利]一种基于卷积神经网络的车牌图像清晰化方法

说明书

本发明公开了一种基于卷积神经网络的车牌图像清晰化方法，能够对受到运动模糊影响的车牌图像进行清晰化，该方法包括以下步骤：建立一种轻量级的卷积神经网络模型，设置网络的结构和训练参数；制作卷积神经网络的训练集；训练卷积神经网络，得到网络的权重；基于卷积神经网络的训练模型，即可以对道路监控设备拍摄到的模糊车牌图像进行清晰化。本发明应用于刑侦和OCR识别等方面，针对一处道路监控设备，由于车辆的运动速度和出现位置不同，车牌图像的模糊程度和模糊角度在一定范围内变化，传统的去运动模糊方法无法有效处理，通过卷积神经网络的方法可以对车牌图像一定范围内的运动模糊进行清晰化，且具有较快的处理速度。

技术领域

本发明属于图像复原和机器学习领域，尤其涉及一种基于卷积神经网络的车牌图像清晰化方法。

背景技术

在用车牌号码辨识车辆的过程中，道路监控设备的成像受运动、光线、温度等各种因素的影响，拍摄到的车牌号码容易出现各种类型的模糊现象。模糊图像的清晰化在刑侦和OCR等方面有着重大应用。为了解决受运动模糊影响的车牌图像的清晰化问题，目前已有一些基于概率统计和数字图像处理的去模糊方法，比如基于L0范数先验的图像清晰化方法、基于Lucy‐Richardson算法的盲去卷积方法等，这些方法对于不同模糊程度的图像需要人工调节参数才能得到较好的效果。针对道路监控设备拍摄到的车辆图像，由于车辆的运动速度和车辆在监控设备视野中的位置不确定，会使拍摄到的车牌图像受到不同程度的运动模糊，且模糊核的角度在一定范围之内变化，传统的图像清晰化方法难以有效处理这种图像模糊。

发明内容

发明目的：针对现有技术存在的以上问题，本发明旨在提供一种基于卷积神经网络的车牌图像清晰化方法，通过构建和训练一种轻量级的卷积神经网络，将道路监控设备拍摄的车牌图像经过一定处理后输入该网络，就能得到清晰化的车牌图像。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于卷积神经网络的车牌图像清晰化方法，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。

其中，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(kernel size)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。

其中，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。

其中，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。

其中，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(x,y)，使用卷积模糊核对清晰车牌图像进行人工运动模糊操作：