[发明专利]车牌图像清晰度模型训练方法、清晰度检测方法及装置

说明书

本申请涉及一种车牌图像清晰度模型训练方法、清晰度检测方法及装置，其中模型训练方法通过获取多个清晰度等级分别对应的车牌样本图像集，将多个清晰度等级在0至1之间均匀分布，得对应的清晰度值，根据清晰度等级和对应的清晰度值标注各样本图像的清晰度值，采用标注后的车牌样本图像集，利用平滑损失函数训练深度学习网络模型。由于在训练时车牌样本图像集的清晰度值是按车牌图像的清晰程度进行分类并排序后映射的，因此，在利用平滑损失函数对模型进行训练后，模型学习到的特征更具有鲁棒性，进而在利用模型进行实际检测时，可以根据学习到的特征输出一个能够反应车牌区域清晰程度的标量值，从而可以较为精确的对车牌区域的图像质量进行评价。

技术领域

本申请涉及图像识别技术领域，特别是涉及一种车牌图像清晰度模型训练方法、清晰度检测方法及装置。

背景技术

通常在车牌检测与识别的应用场景中，一般是先采用检测模型定位到检测图像中的车牌，再将定位到的车牌局部图片送入车牌识别网络识别车牌号。但在实际使用场景中，车辆远近不一，无法避免会有较远处的车辆进入到摄像头的视野中，从而导致采集的检测图像中车牌较模糊，此时如果将车牌局部图像定位出来，并且送到车牌识别网络中去的话，会预测出来一个错误的车牌号，从而引起后续任务的错误。

目前常用的解决方案是引用图像清晰度评价方法，包括传统图像处理方法和深度学习方法。传统图像处理方法因本身的鲁棒性差，并且不够灵活，在车牌清晰度场景中表现一般。而深度学习方法一般采用分类的方法，比如分为清晰与不清晰两类，但由于该种分类方式不具有连续性，从而导致分类结果不够精确。

发明内容

基于此，有必要针对上述传统的图像清晰度评价不够精确的问题，提供一种车牌图像清晰度模型训练方法、清晰度检测方法及装置。

为了实现上述目的，一方面，本申请实施例提供了一种车牌图像清晰度模型训练方法，包括：

获取多个清晰度等级分别对应的车牌样本图像集，车牌样本图像集中包括若干个样本图像；

将多个清晰度等级在0至1之间均匀分布，以得到与清晰度等级分别对应的清晰度值；

根据与清晰度等级分别对应的清晰度值标注车牌样本图像集中各样本图像的清晰度值；

采用标注了清晰度值的多个清晰度等级分别对应的车牌样本图像集，利用平滑损失函数训练深度学习网络模型，直到平滑损失函数达到最小值。

在其中一个实施例中，深度学习网络模型的生成方法，包括：使用多个卷积层构成特征提取网络；在特征提取网络之后接入全连接层，其中，全连接层具有一维的输出；在全连接层之后通过激活函数将输出映射到0至1之间，并与标注的清晰度值对应，以得到深度学习网络模型。

在其中一个实施例中，利用平滑损失函数训练深度学习网络模型，包括：在利用平滑损失函数训练深度学习网络模型的过程中，通过随机梯度下降法对平滑损失函数进行优化，直到平滑损失函数达到最小值。

在其中一个实施例中，平滑损失函数为：其中，x是指训练时模型输出的清晰度值和标注的清晰度值之间的差值。

另一方面，本申请实施例还提供了车牌图像清晰度检测方法，所述方法包括：

对待检测图像中的车牌区域进行检测，以定位车牌区域；

利用通过上述车牌图像清晰度模型训练方法训练后的深度学习网络模型对车牌区域的清晰度进行检测，以得到车牌区域的清晰度值。

在其中一个实施例中，上述方法还包括：当清晰度值达到预设的清晰度阈值时，则识别车牌区域中的车牌号。

第三方面，本申请实施例还提供了一种车牌图像清晰度模型训练装置，包括：