本發(fā)明涉及圖像處理技術(shù)領(lǐng)域,尤其涉及一種車牌超分辨率模型重建方法及裝置。
背景技術(shù):
隨著現(xiàn)代交通技術(shù)以及經(jīng)濟(jì)的快速發(fā)展,汽車已經(jīng)成為人們?nèi)粘I钪幸环N重要的交通工具,這必然對交通管理有一個更高的要求,而隨著對城市交通管理、高速公路收費(fèi)、停車場管理等的自動化,車牌識別技術(shù)的研究成為一個非常重要的發(fā)展方向。
車牌是車輛的唯一身份標(biāo)識,車牌識別技術(shù)(Vehicle License Plate Recognition,VLPR)是指能夠檢測到受監(jiān)控路面的車輛并自動提取車輛牌照信息(含漢字字符、英文字母、阿拉伯?dāng)?shù)字及號牌顏色)進(jìn)行處理的技術(shù),主要以數(shù)字圖像處理、模式識別、計算機(jī)視覺等技術(shù)為基礎(chǔ),對攝像機(jī)所拍攝的車輛圖像或者視頻序列進(jìn)行分析,進(jìn)而得到每一輛汽車唯一的車牌號碼而完成識別過程,可以在汽車不做任何改動的情況下,實(shí)現(xiàn)對汽車身份的自動登記及驗證。車牌識別技術(shù)作為現(xiàn)代智能交通系統(tǒng)中的重要組成部分之一,對于維護(hù)交通安全和城市治安,防止交通堵塞,實(shí)現(xiàn)交通自動化管理有著現(xiàn)實(shí)的意義。
目前,車牌識別設(shè)備已廣泛應(yīng)用于停車場、高速公路、城市道路等區(qū)域進(jìn)行車牌抓拍及識別。其中,車牌識別率隨著圖像識別算法及攝像機(jī)分辨率、寬動態(tài)、對比度等性能的提升,已經(jīng)達(dá)到98%以上的指標(biāo)。但由于光線影響及車牌區(qū)域本身不清晰造成的車牌分割及字符識別錯誤是當(dāng)前車牌識別率指標(biāo)無法繼續(xù)完善的一個重要原因,因此,如何提高車牌區(qū)域的紋理分辨率成為了進(jìn)一步提升車牌識別率的有效方法。
現(xiàn)有技術(shù)中,針對車牌重建的方法主要有基于稀疏表示的字典學(xué)習(xí)方法,該方法可以通過學(xué)習(xí)得到的高、低分辨率字典對來表示先驗信息進(jìn)行圖像超分辨率重建,由于其訓(xùn)練特征的維數(shù)比深度學(xué)習(xí)自學(xué)習(xí)的特征維數(shù)低、運(yùn)算量小,從而其運(yùn)算速度較快,然而,其特征映射能力有限,對多種不同車牌類型的重建能力有限,重建效果不佳,且得到的重構(gòu)圖像邊緣較為平滑,紋理未能較好地恢復(fù),圖像質(zhì)量有待提高,該方法應(yīng)用于諸如停車場環(huán)境中時,難以解決車牌區(qū)域不清晰或光照噪聲影響導(dǎo)致的車牌識別錯誤或漏車的問題。
因此,綜上所述,有必要提供一種改進(jìn)的車牌圖像超分辨率重建方法,以解決現(xiàn)有技術(shù)存在的不足。
技術(shù)實(shí)現(xiàn)要素:
本發(fā)明實(shí)施例提供了一種車牌超分辨率模型重建方法及裝置,通過第一模型訓(xùn)練高分辨率圖像和低分辨率圖像的局部區(qū)域映射關(guān)系,得到目標(biāo)模型后,可以實(shí)現(xiàn)對低分辨率圖像的去模糊和去噪的操作,解決車牌區(qū)域不清晰或光照噪聲影響導(dǎo)致的車牌識別錯誤或漏車的問題,達(dá)到有效提高車牌識別率的目的。
本發(fā)明第一方面提供一種車牌超分辨率模型重建方法,可包括:
(1)獲取車牌的第一圖像,并將第一圖像進(jìn)行低分辨率處理,得到第二圖像,其中,第一圖像和第二圖像包括數(shù)量相同且位置關(guān)系對應(yīng)的至少一個局部圖像;
(2)確定第一局部圖像和第二局部圖像,第二局部圖像為第二圖像的至少一個局部圖像中的任意一個,第一局部圖像為第一圖像的至少一個局部圖像中與第二局部圖像位置關(guān)系對應(yīng)的一個;
(3)按照第一模型的卷積層參數(shù)對第二局部圖像進(jìn)行卷積處理,得到目標(biāo)局部圖像,目標(biāo)局部圖像與第一局部圖像的像素尺寸相同;
(4)確定目標(biāo)局部圖像與第一局部圖像的像素差異;
(5)判斷像素差異是否滿足預(yù)設(shè)條件;
(6)若是,則根據(jù)像素差異調(diào)整第一模型的卷積層參數(shù),得到目標(biāo)模型,若否,則根據(jù)像素差異調(diào)整第一模型的卷積層參數(shù),得到第二模型,將第二模型的卷積層參數(shù)作為第一模型的卷積層參數(shù)并重復(fù)執(zhí)行步驟(2)至(6)。
進(jìn)一步地,判斷像素差異是否滿足預(yù)設(shè)條件包括:
判斷像素差異是否小于第一閾值;或,
判斷像素差異是否小于第一閾值,且判斷像素差異小于第一閾值的次數(shù)是否大于第二閾值;或,
判斷像素差異的確定次數(shù)是否為預(yù)設(shè)次數(shù)的倍數(shù)。
進(jìn)一步地,判斷像素差異的確定次數(shù)是否為預(yù)設(shè)次數(shù)的倍數(shù)包括:
判斷像素差異的確定次數(shù)是否為預(yù)設(shè)次數(shù)的倍數(shù),且判斷確定次數(shù)的像素差異的加權(quán)計算值是否小于第一閾值。
進(jìn)一步地,在獲取車牌的第一圖像,并將第一圖像進(jìn)行低分辨率處理,得到第二圖像之前,該方法還包括:
將第一圖像進(jìn)行灰度處理。
進(jìn)一步地,像素差異為像素均方差,根據(jù)像素差異值調(diào)整第一模型的卷積層參數(shù)包括:
根據(jù)像素均方差調(diào)整第一模型中卷積層的卷積核參數(shù);
根據(jù)像素均方差調(diào)整第一模型中卷積層的卷積核參數(shù)包括:
利用像素均方差確定第N層卷積層的像素?fù)p失,并根據(jù)第N層卷積層的像素?fù)p失調(diào)整第N層卷積層的卷積核參數(shù),第一模型包括N層卷積層,N為大于零的整數(shù);
根據(jù)第N-M層卷積層的像素?fù)p失確定第N-M-1層卷積層的像素?fù)p失,并根據(jù)第N-M-1層卷積層的像素?fù)p失調(diào)整第N-M-1層卷積層的卷積核參數(shù),M為自然數(shù)。
進(jìn)一步地,將第一圖像進(jìn)行低分辨率處理,得到第二圖像包括:
對第一圖像進(jìn)行模糊處理和/或噪聲處理,得到圖像樣本;
對圖像樣本分別進(jìn)行光照不均處理,得到第二圖像。
進(jìn)一步地,噪聲處理包括以下至少一種:
高斯噪聲處理、瑞利噪聲處理、指數(shù)噪聲處理、椒鹽噪聲處理。
進(jìn)一步地,該方法還包括:
獲取待檢測車牌圖像;
按照目標(biāo)模型的卷積層參數(shù)對待檢測車牌圖像進(jìn)行卷積處理,得到目標(biāo)車牌圖像,待檢測車牌圖像與目標(biāo)車牌圖像的像素尺寸相同。
進(jìn)一步地,按照目標(biāo)模型的卷積層參數(shù)對待檢測車牌圖像進(jìn)行卷積處理,得到目標(biāo)車牌圖像包括:
確定待檢測車牌圖像的像素尺寸;
根據(jù)待檢測車牌圖像的像素尺寸以及目標(biāo)模型的卷積層參數(shù),確定填充像素大?。?/p>
按照卷積層參數(shù)和填充像素大小對待檢測車牌圖像進(jìn)行卷積處理,得到目標(biāo)車牌圖像。
進(jìn)一步地,在獲取待檢測車牌圖像之前,該方法還包括:
將待檢測車牌圖像進(jìn)行灰度處理。
本發(fā)明第二方面提供一種車牌超分辨率模型重建裝置,可包括:
獲取單元,用于執(zhí)行:
(1)獲取車牌的第一圖像,將第一圖像進(jìn)行低分辨率處理,得到第二圖像,其中,第一圖像和第二圖像包括數(shù)量相同且位置關(guān)系對應(yīng)的至少一個局部圖像;
處理單元,用于執(zhí)行:
(2)確定第一局部圖像和第二局部圖像,第二局部圖像為第二圖像的至少一個局部圖像中的任意一個,第一局部圖像為第一圖像的至少一個局部圖像中與第二局部圖像位置關(guān)系對應(yīng)的一個;
(3)按照第一模型的卷積層參數(shù)對第二局部圖像進(jìn)行卷積處理,得到目標(biāo)局部圖像,目標(biāo)局部圖像與第一局部圖像的像素尺寸相同;
(4)確定目標(biāo)局部圖像與第一局部圖像的像素差異;
(5)判斷像素差異是否滿足預(yù)設(shè)條件;
(6)若是,則根據(jù)像素差異調(diào)整第一模型的卷積層參數(shù),得到目標(biāo)模型,若否,則根據(jù)像素差異調(diào)整第一模型的卷積層參數(shù),得到第二模型,將第二模型的卷積層參數(shù)作為第一模型的卷積層參數(shù)并重復(fù)執(zhí)行步驟(2)至(6)。
進(jìn)一步地,處理單元,具體用于執(zhí)行:
判斷像素差異是否小于第一閾值;或,
判斷像素差異是否小于第一閾值,且判斷像素差異小于第一閾值的次數(shù)是否大于第二閾值;或,
判斷像素差異的確定次數(shù)是否為預(yù)設(shè)次數(shù)的倍數(shù)。
進(jìn)一步地,處理單元,還具體用于執(zhí)行:
判斷像素差異的確定次數(shù)是否為預(yù)設(shè)次數(shù)的倍數(shù),且判斷確定次數(shù)的像素差異的加權(quán)計算值是否小于第一閾值。
進(jìn)一步地,獲取單元,還具體用于執(zhí)行:
將第一圖像進(jìn)行灰度處理。
進(jìn)一步地,像素差異為像素均方差,處理單元,具體用于執(zhí)行:
根據(jù)像素均方差調(diào)整第一模型中卷積層的卷積核參數(shù);
根據(jù)像素均方差調(diào)整第一模型中卷積層的卷積核參數(shù)包括:
利用像素均方差確定第N層卷積層的像素?fù)p失,并根據(jù)第N層卷積層的像素?fù)p失調(diào)整第N層卷積層的卷積核參數(shù),第一模型包括N層卷積層,N為大于零的整數(shù);
根據(jù)第N-M層卷積層的像素?fù)p失確定第N-M-1層卷積層的像素?fù)p失,并根據(jù)第N-M-1層卷積層的像素?fù)p失調(diào)整第N-M-1層卷積層的卷積核參數(shù),M為自然數(shù)。
進(jìn)一步地,獲取單元,具體用于執(zhí)行:
對第一圖像進(jìn)行模糊處理和/或噪聲處理,得到圖像樣本;
對圖像樣本分別進(jìn)行光照不均處理,得到第二圖像。
進(jìn)一步地,噪聲處理包括以下至少一種:
高斯噪聲處理、瑞利噪聲處理、指數(shù)噪聲處理、椒鹽噪聲處理。
進(jìn)一步地,獲取單元,還具體用于執(zhí)行:
獲取待檢測車牌圖像;
處理單元,還具體用于執(zhí)行:
按照目標(biāo)模型的卷積層參數(shù)對待檢測車牌圖像進(jìn)行卷積處理,得到目標(biāo)車牌圖像,待檢測車牌圖像與目標(biāo)車牌圖像的像素尺寸相同。
進(jìn)一步地,處理單元,還具體用于執(zhí)行:
確定待檢測車牌圖像的像素尺寸;
根據(jù)待檢測車牌圖像的像素尺寸以及目標(biāo)模型的卷積層參數(shù),確定填充像素大?。?/p>
按照卷積層參數(shù)和填充像素大小對待檢測車牌圖像進(jìn)行卷積處理,得到目標(biāo)車牌圖像。
進(jìn)一步地,獲取單元,還具體用于執(zhí)行:
將待檢測車牌圖像進(jìn)行灰度處理。
從以上技術(shù)方案可以看出,本發(fā)明實(shí)施例具有以下優(yōu)點(diǎn):
本實(shí)施例中,提供了一種車頭超分辨率模型重建方法,該方法通過對獲取的車牌的第一圖像進(jìn)行相應(yīng)的處理,得到第二圖像后,可以采用像素級別的訓(xùn)練方法訓(xùn)練第一模型,通過訓(xùn)練第一模型內(nèi)的卷積層參數(shù),得到目標(biāo)模型后,可以對低分辨率的待檢測車牌圖像進(jìn)行諸如模糊及噪聲去除,達(dá)到獲得高分辨率的目標(biāo)車牌圖像的目的。提高待檢測車牌圖像中車牌區(qū)域的紋理清晰度,可以解決車牌區(qū)域不清晰造成的字符分割識別錯誤等問題,從而可以間接提高車牌識別率。
附圖說明
圖1為本發(fā)明實(shí)施例中車牌超分辨率模型重建方法一個實(shí)施例示意圖;
圖2為本發(fā)明實(shí)施例中車牌超分辨率模型重建方法的卷積處理示意圖;
圖3為本發(fā)明實(shí)施例中車牌超分辨率模型重建方法另一實(shí)施例示意圖;
圖4為本發(fā)明實(shí)施例中車牌超分辨率模型重建方法另一實(shí)施例示意圖;
圖5為本發(fā)明實(shí)施例中車牌超分辨率模型重建方法另一實(shí)施例示意圖;
圖6為本發(fā)明實(shí)施例中基于目標(biāo)模型的車牌檢測方法一個實(shí)施例示意圖;
圖7為本發(fā)明實(shí)施例中基于目標(biāo)模型的車牌檢測方法另一實(shí)施例示意圖;
圖8為本發(fā)明實(shí)施例中車牌超分辨率模型重建裝置一個實(shí)施例示意圖;
具體實(shí)施方式
本發(fā)明實(shí)施例提供了一種車牌超分辨率模型重建方法及裝置,通過第一模型訓(xùn)練高分辨率圖像和低分辨率圖像的局部區(qū)域映射關(guān)系,得到目標(biāo)模型后,可以實(shí)現(xiàn)對低分辨率圖像的去模糊和去噪的操作,解決車牌區(qū)域不清晰或光照噪聲影響導(dǎo)致的車牌識別錯誤或漏車的問題,達(dá)到有效提高車牌識別率的目的。
為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案,下面將結(jié)合本發(fā)明實(shí)施例中的附圖,對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述,顯然,所描述的實(shí)施例僅僅是本發(fā)明一部分的實(shí)施例,而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例,本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例,都應(yīng)當(dāng)屬于本發(fā)明保護(hù)的范圍。
本發(fā)明的說明書和權(quán)利要求書及上述附圖中的術(shù)語“第一”、“第二”、“第三”、“第四”等(如果存在)是用于區(qū)別類似的對象,而不必用于描述特定的順序或先后次序。應(yīng)該理解這樣使用的數(shù)據(jù)在適當(dāng)情況下可以互換,以便這里描述的實(shí)施例能夠以除了在這里圖示或描述的內(nèi)容以外的順序?qū)嵤?。此外,術(shù)語“包括”和“具有”以及他們的任何變形,意圖在于覆蓋不排他的包含,例如,包含了一系列步驟或單元的過程、方法、系統(tǒng)、產(chǎn)品或設(shè)備不必限于清楚地列出的那些步驟或單元,而是可包括沒有清楚地列出的或?qū)τ谶@些過程、方法、產(chǎn)品或設(shè)備固有的其它步驟或單元。
為便于理解,下面對本發(fā)明實(shí)施例中的具體流程進(jìn)行描述,請參閱圖1,本發(fā)明實(shí)施例中車牌超分辨率模型重建方法一個實(shí)施例包括:
101、獲取車牌的第一圖像,并將第一圖像進(jìn)行低分辨率處理,得到第二圖像;
本實(shí)施例中,為了可以對待檢測車牌圖像進(jìn)行準(zhǔn)確識別,可以利用大量的車牌圖像作為得到目標(biāo)模型的訓(xùn)練集樣本,選取的過程可以通過人工的方式進(jìn)行選取,例如選取1萬張清晰的不同車輛壓地感那一幀的車牌圖像,之后可以對每一個車牌圖像進(jìn)行相應(yīng)的處理,得到車牌的第一圖像,并可以獲取車牌的第一圖像,進(jìn)而可以將第一圖像進(jìn)行低分辨率處理,得到第二圖像。其中,第一圖像和第二圖像可以包括數(shù)量相同且位置關(guān)系對應(yīng)的至少一個局部圖像。
具體的,在選取大量的車牌圖像后,可以根據(jù)車牌邊緣信息粗定位車牌圖像中的車牌區(qū)域,車牌圖像中車牌區(qū)域的獲取可以如下方式:
1、使用HOG模型對車牌圖像進(jìn)行多尺度檢測,并提取通過HOG模型檢測的方框區(qū)域;
使用HOG(Histogram oforiented gradients)梯度方向直方圖特征對每一幅正(車牌圖像)、負(fù)(非車牌圖像)樣本進(jìn)行表征,形成HOG特征向量。HOG刻畫圖像的局部梯度幅值和方向特征,基于梯度特征對塊的特征向量進(jìn)行歸一化處理。HOG允許塊之間相互重疊,因此對光照變化和小量的偏移并不敏感,能有效地刻畫出邊緣特征。對于角度大的車牌圖像檢測效果好,之后通過形成的HOG特征向量建立HOG模型,通過HOG模型進(jìn)行多尺度檢測,對車牌圖像中每個能通過HOG驗證的區(qū)域,都用一個方框區(qū)域顯示,提取通過HOG模型檢測的方框區(qū)域。
2、對車牌圖像進(jìn)行邊緣計算,并計算經(jīng)過邊緣計算后的車牌圖像的積分圖,獲取得到車牌圖像的邊緣積分圖;
根據(jù)經(jīng)驗,車牌一般都處在邊緣比較密集且分布均勻的區(qū)域,計算車牌圖像全圖的邊緣,為了搜索的方便,再計算經(jīng)過邊緣計算后的全圖的積分圖,這里稱為邊緣積分圖,獲取得到車牌圖像的邊緣積分圖。
3、在邊緣積分圖上獲取通過HOG模型檢測的方框區(qū)域,計算通過HOG模型檢測的方框區(qū)域的邊緣密度,提取邊緣密度大于等于閾值的方框;
使用獲得的方框區(qū)域在邊緣積分圖上框出疑似車牌區(qū)域,再通過積分圖計算這些區(qū)域的邊緣密度,刪除灰度圖中邊緣密度小于閾值的方框,提取邊緣密度大于等于閾值的方框。
4、通過Haar模型對邊緣密度大于等于閾值的方框進(jìn)行檢測,檢測得到精確的車牌區(qū)域。
檢測結(jié)束后對剩下的方框進(jìn)行聚類操作,將每一類所有方框所占面積連起來形成塊,之后通過Haar模型對剩下的塊進(jìn)行檢測獲得精確的車牌區(qū)域。
進(jìn)一步的,粗定位車牌圖像中的車牌區(qū)域后,可以對車牌區(qū)域的左右邊界外擴(kuò)0.5個車牌粗定位寬度,上下邊界外擴(kuò)0.5個車牌粗定位高度,可以得到車牌的第一圖像,并可以獲取車牌的第一圖像。
更進(jìn)一步的,可以對第一圖像進(jìn)行低分辨處理,獲取分辨率比第一圖像低的第二圖像,且第一圖像與第二圖像的像素尺寸相同??梢岳斫獾氖?,在實(shí)際應(yīng)用中,第一圖像可以為一張,也可以為多張,同時,一張第一圖像可以對應(yīng)一張或多張第二圖像,即高分辨率圖像(第一圖像)經(jīng)過處理后,可以得到一張或多張低分辨圖像(第二圖像),具體此處不做限定。
再進(jìn)一步的,得到第二圖像后,可以將一張第二圖像和對應(yīng)的一張第一圖像組成圖像對,對該第二圖像和第一圖像進(jìn)行裁剪處理,得到局部紋理區(qū)域圖像對,即使得第一圖像和第二圖像可以包括數(shù)量相同且位置關(guān)系對應(yīng)的至少一個局部圖像,例如,可以將第二圖像裁剪為像素尺寸33*33的多個局部圖像,長寬方向步長均為14個像素,將第一圖像裁剪為像素尺寸21*21的多個局部圖像,長寬方向步長也均為14個像素,其中,21*21的局部圖像位于33*33的局部圖像的中央位置,即21*21的局部圖像與33*33的局部圖像的上下左右間隔6個像素。
可以理解的是,為了提高對第二圖像的局部紋理區(qū)域的識別率,第一圖像以及第二圖像中相鄰的局部圖像之間可以有部分重疊,以第二圖像中的局部圖像為例進(jìn)行說明,即一個局部圖像向右平移一個像素可得到另一局部圖像。此外,在實(shí)際應(yīng)用中,若第一圖像以及第二圖像的像素尺寸分別與裁剪的像素尺寸之間不為倍數(shù)關(guān)系,那么可以舍棄第一圖像以及第二圖像裁剪后的邊緣部分,此處不做限定。
102、確定第一局部圖像和第二局部圖像;
本實(shí)施例中,獲取車牌的第一圖像,并將第一圖像進(jìn)行低分辨率處理,得到第二圖像后,可以確定第一局部圖像和第二局部圖像,其中,第二局部圖像可以為第二圖像的至少一個局部圖像中的任意一個,第一局部圖像可以為第一圖像的至少一個局部圖像中與第二局部圖像位置關(guān)系對應(yīng)的一個。
具體的,沿用步驟101說明的裁剪處理,第二圖像可以包括像素尺寸33*33的多個局部圖像,第一圖像可以包括像素尺寸21*21的多個局部圖像,在對應(yīng)的圖像對中,可以隨機(jī)確定一局部紋理區(qū)域圖像對,即在第二圖像的至少一個局部圖像中選取任意一個局部圖像作為第二局部圖像,并可以在第一圖像的至少一個局部圖像中選取與第二局部圖像位置關(guān)系對應(yīng)的一個局部圖像作為第一局部圖像。
103、按照第一模型的卷積層參數(shù)對第二局部圖像進(jìn)行卷積處理,得到目標(biāo)局部圖像;
本實(shí)施例中,確定第一局部圖像和第二局部圖像后,可以按照第一模型的卷積層參數(shù)對第二局部圖像進(jìn)行卷積處理,得到目標(biāo)局部圖像,其中,目標(biāo)局部圖像與第一局部圖像的像素尺寸相同。
具體的,第一模型即卷積神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)可以包括有預(yù)設(shè)次數(shù)的卷積處理,每一次卷積處理可以包括有預(yù)設(shè)數(shù)量的卷積層,每一個卷積層可以對應(yīng)有預(yù)設(shè)大小的卷積核,在實(shí)際應(yīng)用中,可以將第一局部圖像和第二局部圖像生成HDF5格式的數(shù)據(jù)用于訓(xùn)練第一模型,即卷積神經(jīng)網(wǎng)絡(luò)。本實(shí)施例中,可以將第二局部圖像輸入第一模型中,按照第一模型的卷積層參數(shù)對第二局部圖像進(jìn)行一次迭代操作,第二局部圖像進(jìn)過卷積處理后,可以得到與第一局部圖像的像素尺寸相同的目標(biāo)局部圖像。
沿用步驟102說明的內(nèi)容,假設(shè)輸入的第二局部圖像的像素尺寸為33*33,那么得到的目標(biāo)局部圖像的像素尺寸為21*21,如圖2所示,具體可如下方式進(jìn)行卷積處理:
1、在卷積神經(jīng)網(wǎng)絡(luò)中輸入33*33的第二局部圖像(輸入圖像),將第二局部圖像進(jìn)行第一層卷積處理,得到第一卷積處理結(jié)果(C1)。該第一層卷積處理可以由64個卷積層組成,每個卷積層的卷積核大小為9*9,在第一層卷積處理后,可以輸出64個25*25大小的輸出圖像;
2、將輸出的64個25*25大小的輸出圖像進(jìn)行第二層卷積處理,得到第二卷積處理結(jié)果(C2)。該第二層卷積處理可以由32個卷積層組成,每個卷積層的卷積核大小為1*1,在第二層卷積處理后,可以輸出32個25*25大小的輸出圖像;
3、將輸出的32個25*25大小的輸出圖像進(jìn)行第三層卷積處理,得到第三卷積處理結(jié)果(C3)。該第三層卷積處理可以由1個卷積層組成,每個卷積層的卷積核大小為5*5,在第三層卷積處理后,可以輸出1個21*21大小的輸出圖像(輸出圖像),即目標(biāo)局部圖像。
可以理解的是,本實(shí)施例僅以上述內(nèi)容對第二局部圖像的卷積處理過程,進(jìn)行舉例說明,在實(shí)際應(yīng)用中,卷積神經(jīng)網(wǎng)絡(luò)中的卷積層參數(shù),即預(yù)設(shè)次數(shù)、預(yù)設(shè)數(shù)量、預(yù)設(shè)大小可以根據(jù)需要進(jìn)行設(shè)置,具體此處不做限定。
104、確定目標(biāo)局部圖像與第一局部圖像的像素差異;
本實(shí)施例中,按照第一模型的卷積層參數(shù)對第二局部圖像進(jìn)行卷積處理,得到目標(biāo)局部圖像后,可以采用預(yù)設(shè)計算方式計算目標(biāo)局部圖像與第一局部圖像之間的像素差異,從而可以確定目標(biāo)局部圖像與第一局部圖像的像素差異。
105、判斷像素差異是否滿足預(yù)設(shè)條件,若是,則執(zhí)行步驟106,若否,則執(zhí)行步驟102;
本實(shí)施例中,確定目標(biāo)局部圖像與第一局部圖像的像素差異后,可以判斷像素差異是否滿足預(yù)設(shè)條件。
可以理解的是,本實(shí)施例中的預(yù)設(shè)條件可以預(yù)先設(shè)置,可以是根據(jù)數(shù)據(jù)統(tǒng)計進(jìn)行設(shè)置,也可以是用戶自定義設(shè)置,具體此處不做限定。
106、根據(jù)像素差異調(diào)整第一模型的卷積層參數(shù),得到目標(biāo)模型。
本實(shí)施例中,若判斷目標(biāo)局部圖像與第一圖像的像素差異滿足預(yù)設(shè)條件,則可以根據(jù)像素差異調(diào)整第一模型的卷積層參數(shù),得到目標(biāo)模型。
具體的,當(dāng)目標(biāo)局部圖像與第一圖像的像素差異滿足預(yù)設(shè)條件時,說明第一模型的卷積層參數(shù)較為合適,將該第一模型用于車牌檢測中,車牌的識別率較高,但為了加強(qiáng)第一模型對車牌的識別率,可以將確定的像素差異作為損失函數(shù)在卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行反向傳播而調(diào)整卷積層參數(shù),并可以將卷積層參數(shù)得到調(diào)整后的第一模型作為目標(biāo)模型,以在實(shí)際應(yīng)用中實(shí)現(xiàn)對待檢測車牌圖像的識別。
進(jìn)一步的,本實(shí)施例中,若判斷目標(biāo)局部圖像與第一圖像的像素差異不滿足預(yù)設(shè)條件,那么為了得到目標(biāo)模型,也可以根據(jù)像素差異調(diào)整第一模型的卷積層參數(shù)得到第二模型后,將第二模型的卷積層參數(shù)作為第一模型的卷積層參數(shù)并重復(fù)執(zhí)行步驟102至步驟106。可以理解的是,在重復(fù)執(zhí)行步驟102至步驟106的過程中,第一模型的卷積層參數(shù)可以不斷得到調(diào)整,而第二局部圖像不會在卷積神經(jīng)網(wǎng)絡(luò)中重復(fù)進(jìn)行迭代操作,直到所有第一圖像的所有局部圖像全部進(jìn)行一次迭代操作后仍未獲得目標(biāo)模型的情況下才會重復(fù),即在該情況下,第一局部圖像和第二局部圖像的確定是隨機(jī)但不重復(fù)的。
可以理解的是,本實(shí)施例中,目標(biāo)模型的確定方式基于預(yù)設(shè)條件的設(shè)立可以不同,下面以像素差異為像素均方差為例分別進(jìn)行說明:
請參閱圖2,本發(fā)明實(shí)施例中車頭超分辨率模型重建方法另一實(shí)施例包括:
301、將第一圖像進(jìn)行灰度處理;
本實(shí)施例中,諸如選取1萬張清晰的不同車輛壓地感那一幀的車牌圖像后,基于圖1所示實(shí)施例中步驟101說明的內(nèi)容,在對車牌圖像進(jìn)行相應(yīng)的處理得到車牌的第一圖像后,為了減少圖像處理的計算量,可以對第一圖像進(jìn)行灰度處理,使得第一圖像可以為灰度圖像。
302、獲取車牌的第一圖像,并將第一圖像進(jìn)行低分辨率處理,得到第二圖像;
本實(shí)施例中,對第一圖像進(jìn)行灰度處理后,可以獲取灰度處理后的車牌的第一圖像,并可以將該第一進(jìn)行低分辨率處理,得到第二圖像。其中,第一圖像和第二圖像可以包括數(shù)量相同且位置關(guān)系對應(yīng)的至少一個局部圖像。
基于圖1所示實(shí)施例中步驟101說明的內(nèi)容,本實(shí)施例中對車牌的第一圖像的低分辨率處理進(jìn)行詳細(xì)說明。具體的,可以對第一圖像進(jìn)行模糊處理和/或噪聲處理,得到圖像樣本,并可以對圖像樣本分別進(jìn)行光照不均處理,得到第二圖像。其中,噪聲處理可以包括高斯噪聲處理、瑞利噪聲處理、指數(shù)噪聲處理、椒鹽噪聲處理中的一種或多種。
例如,以一張第一圖像為例進(jìn)行說明,可以將同一個第一圖像分別縮小2倍、3倍,再對應(yīng)地分別放大2倍、3倍、4倍,將縮小后的第一圖像還原到與原圖相同大小,實(shí)現(xiàn)不同尺度的模糊圖像樣本的生成,即同一個第一圖像可以分別對應(yīng)三張不同程度的模糊圖像樣本,也可以在同一個第一圖像中分別加入高斯噪聲、瑞利噪聲、指數(shù)噪聲、椒鹽噪聲,實(shí)現(xiàn)不同環(huán)境下的噪聲圖像樣本的生成,即同一個第一圖像還可以分別對應(yīng)四張不同程度的噪聲圖像樣本,進(jìn)一步的,可以將模糊圖像樣本和噪聲圖像樣本分別進(jìn)行明暗光照處理,得到第二圖像。那么,同一個第一圖像在模糊處理以及噪聲處理,可以對應(yīng)7個圖像樣本,7個第二圖像進(jìn)行明暗光照處理后,可以得到21個第二圖像,該21個第二圖像中包括7個未進(jìn)行明暗光照處理的第二圖像、7個進(jìn)行明光照處理后的第二圖像、7個進(jìn)行暗光好處理的第二圖像。
可以理解的是,本實(shí)施例中第一圖像的分辨率處理除了上述說明的內(nèi)容,在實(shí)際應(yīng)用中,還可以采用其它方式,目的在于獲得較多不同類型的低于第一圖像的分辨率的第二圖像,以較好地實(shí)現(xiàn)第一模型的訓(xùn)練而得到目標(biāo)模塊,具體此處不做限定。
本實(shí)施例中的步驟303至步驟304與圖1中的步驟102至步驟103相同,此處不再贅述。
305、確定目標(biāo)局部圖像與第一局部圖像的像素均方差;
本實(shí)施例中,按照第一模型的卷積層參數(shù)對第二局部圖像進(jìn)行卷積處理,得到目標(biāo)局部圖像后,可以采用預(yù)設(shè)計算方式計算目標(biāo)局部圖像與第一局部圖像之間的像素均方差,從而可以確定目標(biāo)局部圖像與第一局部圖像的像素均方差。
具體的,將第二局部圖像在第一模型中進(jìn)行卷積處理獲得目標(biāo)局部圖像后,可以采用歐式距離計算目標(biāo)局部圖像中每個像素對應(yīng)的損失,即均方差作為損失函數(shù),在第一模型中,計算最后一層卷積處理中卷積層的損失(目標(biāo)局部圖像與第一局部圖像的像素均方差)可以采用如下公式:
其中,第二局部圖像的標(biāo)簽為Yi,目標(biāo)局部圖像的標(biāo)簽為F(Y;θ)第二局部圖像Yi對應(yīng)的第一局部圖像標(biāo)簽為Xi,n表示每次隨機(jī)選取的n個第二局部圖像。
需要說明的是,本實(shí)施例中的n為1。
306、判斷像素均方差是否小于第一閾值,若是,則執(zhí)行步驟307,若否,則執(zhí)行步驟303;
本實(shí)施例中,確定目標(biāo)局部圖像與第一局部圖像的像素均方差后,可以判斷像素均方差是否小于第一閾值。
具體的,本實(shí)施例中,可以設(shè)置第一閾值,以作為第一模型的判斷標(biāo)準(zhǔn),在實(shí)際應(yīng)用中,可以一次對一個第二局部圖像在第一模型中進(jìn)行迭代操作,在卷積處理得到目標(biāo)局部圖像后,即可對目標(biāo)局部圖像與第一局部圖像的像素均方差進(jìn)行一次判斷操作。
可以理解的是,本實(shí)施例中的第一閾值可以預(yù)先設(shè)置,可以是根據(jù)數(shù)據(jù)統(tǒng)計進(jìn)行設(shè)置,也可以是用戶自定義設(shè)置,具體此處不做限定。
307、根據(jù)像素均方差調(diào)整第一模型中卷積層的卷積核參數(shù),得到目標(biāo)模型。
本實(shí)施例中,若判斷像素均方差小于第一閾值,則可以根據(jù)像素均方差調(diào)整第一模型中卷積層的卷積核參數(shù),得到目標(biāo)模型。
本實(shí)施例中,根據(jù)像素均方差調(diào)整第一模型中卷積層的卷積核參數(shù)的具體方式可以為:
利用像素均方差確定第N層卷積層的像素?fù)p失,并根據(jù)第N層卷積層的像素?fù)p失調(diào)整第N層卷積層的卷積核參數(shù),第一模型包括N層卷積層,N為大于零的整數(shù);
根據(jù)第N-M層卷積層的像素?fù)p失確定第N-M-1層卷積層的像素?fù)p失,并根據(jù)第N-M-1層卷積層的像素?fù)p失調(diào)整第N-M-1層卷積層的卷積核參數(shù),M為自然數(shù)。
具體的,確定目標(biāo)局部圖像與第一圖像的像素均方差后,可以利用該像素均方差在第一模型中反向傳播,由第一模型的最底層的卷積處理一層一層向頂層的卷積處理傳播,即根據(jù)像素均方差計算第一模型最后一層的卷積處理中卷積層的像素?fù)p失,以該像素?fù)p失調(diào)整倒數(shù)第一層的卷積處理中卷積層的卷積核參數(shù),同時,若N大于1,則倒數(shù)第一層的卷積處理中卷積層的像素?fù)p失可以用來確定倒數(shù)第二層的卷積處理中卷積層的像素?fù)p失,倒數(shù)第二層的卷積處理中卷積層的像素?fù)p失則可以用來調(diào)整自身的卷積核參數(shù),以此類推,直到第一模型所有層的卷積處理中卷積層的卷積核參數(shù)得到調(diào)整后反向傳播結(jié)束。
以圖2為例對反向傳播過程加以說明:輸出圖像(目標(biāo)局部圖像)和第一局部圖像根據(jù)歐式距離計算輸出圖像對應(yīng)的像素?fù)p失(像素均方差)后,可以根據(jù)該像素均方差,計算第三層卷積處理中卷積層的像素?fù)p失。具體過程可如下說明:
1、由于第二局部圖像在第一模型的前向傳播過程中,第三層卷積處理中卷積層卷積結(jié)束后,會使用sigmoid激活函數(shù)進(jìn)行非線性處理,所以可以由輸出圖像向第三層卷積處理進(jìn)行反向傳播。由于第三層卷積處理中卷積層只有一個5*5大小的卷積核,那么輸出圖像即為一個目標(biāo)局部圖像,像素大小為21*21,利用該目標(biāo)局部圖像與第一局部圖像的像素?fù)p失可以得到第三層卷積處理中卷積層的像素?fù)p失;
2、根據(jù)第三層卷積處理中卷積層的像素?fù)p失,可以修改第三層卷積處理中5*5大小的卷積核的網(wǎng)絡(luò)權(quán)重,同時,由于第三層卷積處理輸入的圖像即第二層卷積處理輸出的32個25*25大小的圖像,那么可以對32個25*25大小的圖像進(jìn)行21*21大小的卷積處理,得到32個5*5大小的卷積核權(quán)重調(diào)整差值,利用該卷積核權(quán)重調(diào)整差值即可調(diào)整第三層卷積處理中卷積層的卷積核的值,由此得到第三層卷積處理中卷積層的卷積核參數(shù)的調(diào)整信息,而后可以依次對第二層、第一層卷積處理中卷積層的卷積核參數(shù)進(jìn)行調(diào)整,其它層的反向傳播過程類似。
基于上述說明,本實(shí)施例中,在調(diào)整第三層卷積處理中卷積層的卷積核的值時,可以設(shè)置卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率,可以設(shè)置為諸如0.0001,學(xué)習(xí)速率的設(shè)置目的是為了防止卷積核參數(shù)調(diào)整的過快,陷入無限循環(huán)的震蕩??梢岳斫獾氖牵瑢W(xué)習(xí)速率的數(shù)值不能設(shè)置的過小,不然增加陷入局部極小值的風(fēng)險。
進(jìn)一步的,基于圖1所示實(shí)施例中步驟106說明的內(nèi)容,本實(shí)施例中,若判斷目標(biāo)局部圖像與第一圖像的像素均方差不小于第一閾值,那么為了得到目標(biāo)模型,也可以根據(jù)像素均方差調(diào)整第一模型的卷積層參數(shù)得到第二模型后,將第二模型的卷積層參數(shù)作為第一模型中卷積層的卷積核參數(shù)并重復(fù)執(zhí)行步驟303至步驟307??梢岳斫獾氖牵谥貜?fù)執(zhí)行步驟303至步驟307的過程中,第一模型中卷積層的卷積核參數(shù)可以不斷得到調(diào)整,而第二局部圖像不會在卷積神經(jīng)網(wǎng)絡(luò)中重復(fù)進(jìn)行迭代操作,直到所有第一圖像的所有局部圖像全部進(jìn)行一次迭代操作后仍未獲得目標(biāo)模型的情況下才會重復(fù),即在該情況下,第一局部圖像和第二局部圖像的確定是隨機(jī)但不重復(fù)的。
請參參閱圖4,本發(fā)明實(shí)施例中車牌超分辨率模型重建方法另一實(shí)施例包括:
本實(shí)施例中的步驟401至步驟405與圖3所示實(shí)施例中的步驟301至步驟305相同,此處不再贅述。
可以理解的是,在像素均方差的確定過程中,本實(shí)施例中的n可以為1,也可以大于1,可根據(jù)具體情況進(jìn)行設(shè)置,此處不做限定。
406、判斷像素均方差是否小于第一閾值,若是,則執(zhí)行步驟407,若否,則執(zhí)行步驟403;
本實(shí)施例中,確定目標(biāo)局部圖像與第一局部圖像的像素均方差后,可以判斷像素均方差是否小于第一閾值。
具體的,本實(shí)施例中,可以設(shè)置第一閾值,以作為第一模型的判斷標(biāo)準(zhǔn),在實(shí)際應(yīng)用中,可以一次對一個第二局部圖像在第一模型中進(jìn)行迭代操作,在卷積處理得到目標(biāo)局部圖像后,即可對目標(biāo)局部圖像與第一局部圖像的像素均方差進(jìn)行一次判斷操作。
可以理解的是,本實(shí)施例中的第一閾值可以預(yù)先設(shè)置,可以是根據(jù)數(shù)據(jù)統(tǒng)計進(jìn)行設(shè)置,也可以是用戶自定義設(shè)置,具體此處不做限定。
407、判斷像素均方差小于第一閾值的次數(shù)是否大于第二閾值,若是,則執(zhí)行步驟408,若否,則執(zhí)行步驟403;
本實(shí)施中,若目標(biāo)局部圖像與第一局部圖像的像素均方差小于第一閾值,可以進(jìn)一步判斷像素均方差小于第一閾值的次數(shù)是否大于第二閾值。
具體的,可以一次對一個第二局部圖像在第一模型中進(jìn)行迭代操作,在卷積處理得到目標(biāo)局部圖像后,即可在目標(biāo)局部圖像與第一局部圖像的像素均方差小于第一閾值的情況下,判斷像素均方差小于第一閾值的次數(shù)是否大于第二閾值。例如,第二閾值為50次,前面在第一模型中進(jìn)行了30次迭代操作,有25次迭代操作后確定的像素均方差小于第一閾值,當(dāng)在第一模型中進(jìn)行第31次迭代操作后,若第31次迭代操作后確定的像素均方差小于第一閾值,則意味著像素均方差小于第一閾值的次數(shù)為26次,進(jìn)而可以判斷基于第31次迭代操作的26次是否大于50次。
可以理解的是,本實(shí)施例中的第二閾值可以預(yù)先設(shè)置,可以是根據(jù)數(shù)據(jù)統(tǒng)計進(jìn)行設(shè)置,也可以是用戶自定義設(shè)置,具體此處不做限定。
本實(shí)施例中的步驟408與圖3所示實(shí)施例中的步驟307相同,此處不再贅述。
可以理解的是,基于步驟407說明的內(nèi)容,本實(shí)施例中,若一次對一個第二局部圖像在第一模型中進(jìn)行迭代操作后,若在判斷像素均方差小于第一閾值的情況下,且像素均方差小于第一閾值的次數(shù)大于第二閾值,則可以以像素均方差小于第一閾值的次數(shù)大于第二閾值時的最后一次的像素均方差對第一模型中卷積層的卷積核參數(shù)進(jìn)行調(diào)整,得到目標(biāo)模型。例如,假設(shè)第二閾值為50次,那么在第80次迭代操作后,若判斷第80次迭代操作的像素均方差小于第一閾值,且第80次迭代操作后得到的像素均方差小于第一閾值的次數(shù)為51次,則可以將第80次迭代操作得到的像素均方差對第一模型中卷積層的卷積核參數(shù)進(jìn)行調(diào)整,得到目標(biāo)模型??梢岳斫獾氖?,以第80次對第一模型調(diào)整得到的目標(biāo)模型為例,該第一模型中卷積層的卷積核參數(shù)在前79次的迭代操作中已經(jīng)經(jīng)過了不斷地調(diào)整。
進(jìn)一步的,基于圖1所示實(shí)施例中步驟106和圖3所示實(shí)施例中步驟307說明的內(nèi)容,本實(shí)施例中,若判斷目標(biāo)局部圖像與第一圖像的像素均方差不小于第一閾值,或像素均方差小于第一閾值的次數(shù)不大于第二閾值,那么為了得到目標(biāo)模型,也可以根據(jù)像素均方差調(diào)整第一模型的卷積層參數(shù)得到第二模型后,將第二模型的卷積層參數(shù)作為第一模型中卷積層的卷積核參數(shù)并重復(fù)執(zhí)行步驟403至步驟408。可以理解的是,在重復(fù)執(zhí)行步驟403至步驟408的過程中,第一模型中卷積層的卷積核參數(shù)可以不斷得到調(diào)整,而第二局部圖像不會在卷積神經(jīng)網(wǎng)絡(luò)中重復(fù)進(jìn)行迭代操作,直到所有第一圖像的所有局部圖像全部進(jìn)行一次迭代操作后仍未獲得目標(biāo)模型的情況下才會重復(fù),即在該情況下,第一局部圖像和第二局部圖像的確定是隨機(jī)但不重復(fù)的。
請參參閱圖5,本發(fā)明實(shí)施例中車牌超分辨率模型重建方法另一實(shí)施例包括:
本實(shí)施例中的步驟501至步驟505與圖3所示實(shí)施例中的步驟301至步驟305相同,此處不再贅述。
可以理解的是,在像素均方差的確定過程中,本實(shí)施例中的n可以為1,也可以大于1,可根據(jù)具體情況進(jìn)行設(shè)置,此處不做限定。
506、判斷像素均方差的確定次數(shù)是否為預(yù)設(shè)次數(shù)的倍數(shù),若是,則執(zhí)行步驟507,若否,則執(zhí)行步驟503;
本實(shí)施例中,確定目標(biāo)局部圖像與第一局部圖像的像素均方差后,可以判斷像素均方差的確定次數(shù)是否為預(yù)設(shè)次數(shù)的倍數(shù)。
具體的,一方面,可以一次對一個第二局部圖像在第一模型中進(jìn)行迭代操作,在卷積處理得到目標(biāo)局部圖像后,即可確定目標(biāo)局部圖像與第一局部圖像的像素均方差,并可以對像素均方差的確定次數(shù)進(jìn)行判斷操作。
另一方面,為了減少第一模型訓(xùn)練的偶然性,增加訓(xùn)練的第一模型的魯棒性,能更快使像素均方差收斂,可以依次對預(yù)設(shè)數(shù)量的第二局部圖像在第一模型中進(jìn)行迭代操作,在卷積處理得到預(yù)設(shè)數(shù)量的目標(biāo)局部圖像,并可以在得到預(yù)設(shè)數(shù)量的目標(biāo)局部圖像與對應(yīng)的第一局部圖像的像素均方差后,對像素均方差的確定次數(shù)進(jìn)行判斷操作。其中,預(yù)設(shè)數(shù)量可以即為預(yù)設(shè)次數(shù)。
進(jìn)一步的,本實(shí)施例中,在依次對預(yù)設(shè)數(shù)量的第二局部圖像在第一模型中進(jìn)行迭代操作的基礎(chǔ)上,將得到的預(yù)設(shè)數(shù)量的像素均方差再進(jìn)行加權(quán)計算,得到諸如平均值后,可以判斷該平均值是否小于第一閾值,若小于,則可以執(zhí)行步驟507,若不小于,則執(zhí)行步驟503。例如,在第一模型中對50個第二局部圖像進(jìn)行迭代操作,得到50個像素均方差后,可以判斷50個像素均方差的平均值是否小于第一閾值。
可以理解的是,本實(shí)施例中的預(yù)設(shè)次數(shù)可以預(yù)先設(shè)置,可以是根據(jù)數(shù)據(jù)統(tǒng)計進(jìn)行設(shè)置,也可以是用戶自定義設(shè)置,具體此處不做限定。
本實(shí)施例中的步驟507與圖3所示實(shí)施例中的步驟307相同,此處不再贅述。
可以理解的是,基于步驟506說明的內(nèi)容,本實(shí)施例中,一方面,若一次對一個第二局部圖像在第一模型中進(jìn)行迭代操作后,判斷像素均方差的確定次數(shù)為預(yù)設(shè)次數(shù)的倍數(shù),則可以在確定次數(shù)為預(yù)設(shè)次數(shù)的倍數(shù)時,以該確定次數(shù)中最后一次的像素均方差對第一模型中卷積層的卷積核參數(shù)進(jìn)行調(diào)整,得到目標(biāo)模型。例如,假設(shè)預(yù)設(shè)次數(shù)為1萬次,那么可以將第1萬次迭代操作得到的像素均方差對第一模型中卷積層的卷積核參數(shù)進(jìn)行調(diào)整,得到目標(biāo)模型,也可以將第2萬次得到的像素均方差對第一模型中卷積層的卷積核參數(shù)進(jìn)行調(diào)整,得到目標(biāo)模型,即可以將第A萬次調(diào)整得到的目標(biāo)模型進(jìn)行存儲,由此可以得到多個目標(biāo)模型,具體在實(shí)際應(yīng)用中目標(biāo)模型的選取可由用戶決定??梢岳斫獾氖?,以第1萬次對第一模型調(diào)整得到的目標(biāo)模型為例,該第一模型中卷積層的卷積核參數(shù)在前9999次的迭代操作中已經(jīng)經(jīng)過了不斷地調(diào)整。其中,A為大于零的自然數(shù)。
另一方面,若依次對預(yù)設(shè)數(shù)量的第二局部圖像在第一模型中進(jìn)行迭代操作后,判斷像素均方差的確定次數(shù)為預(yù)設(shè)次數(shù)的倍數(shù),則可以在確定次數(shù)為預(yù)設(shè)次數(shù)的倍數(shù)時,即在第一模型中進(jìn)行預(yù)設(shè)數(shù)量的迭代操作后,可以將得到的預(yù)設(shè)數(shù)量的像素均方差再進(jìn)行加權(quán)計算,得到諸如平均值,再可以以該諸如平均值對第一模型中卷積層的卷積核參數(shù)進(jìn)行調(diào)整,得到目標(biāo)模型。例如,假設(shè)預(yù)設(shè)次數(shù)為50次,則可以將進(jìn)行50次迭代操作后確定的50個像素均方差加權(quán)計算,得到諸如50個像素均方差的平均值,并可以以該平均值對第一模型中卷積層的卷積核參數(shù)進(jìn)行調(diào)整,得到目標(biāo)模型。
進(jìn)一步的,在依次對預(yù)設(shè)數(shù)量的第二局部圖像在第一模型中進(jìn)行迭代操作的基礎(chǔ)上,將得到的預(yù)設(shè)數(shù)量的像素均方差再進(jìn)行加權(quán)計算,得到諸如平均值后,若判斷該平均值小于第一閾值,則可以以平均值對第一模型中卷積層的卷積核參數(shù)進(jìn)行調(diào)整,得到目標(biāo)模型。例如,假設(shè)預(yù)設(shè)次數(shù)為50次,則可以將進(jìn)行50次迭代操作后確定的50個像素均方差加權(quán)計算,得到諸如50個像素均方差的平均值,并可以在該平均值小于第一閾值時,以該第一閾值對第一模型中卷積層的卷積核參數(shù)進(jìn)行調(diào)整,得到目標(biāo)模型。
需要說明的是,基于圖1所示實(shí)施例中步驟106以及圖3所示實(shí)施例中步驟307說明的內(nèi)容,本實(shí)施例中,若判斷像素均方差的確定次數(shù)不為預(yù)設(shè)次數(shù)的倍數(shù),那么為了得到目標(biāo)模型,也可以根據(jù)每一次得到的像素均方差調(diào)整第一模型的卷積層參數(shù)得到第二模型后,將第二模型的卷積層參數(shù)作為第一模型中卷積層的卷積核參數(shù)并重復(fù)執(zhí)行步驟503至步驟507。同時,若判斷上述說明的平均值不小于第一閾值,也可以以該平均值調(diào)整第一模型的卷積層參數(shù)得到第二模型后,將第二模型的卷積層參數(shù)作為第一模型中卷積層的卷積核參數(shù)并重復(fù)執(zhí)行步驟503至步驟507??梢岳斫獾氖牵谥貜?fù)執(zhí)行步驟503至步驟507的過程中,第一模型中卷積層的卷積核參數(shù)可以不斷得到調(diào)整,而第二局部圖像不會在卷積神經(jīng)網(wǎng)絡(luò)中重復(fù)進(jìn)行迭代操作,直到所有第一圖像的所有局部圖像全部進(jìn)行一次迭代操作后仍未獲得目標(biāo)模型的情況下才會重復(fù),即在該情況下,第一局部圖像和第二局部圖像的確定是隨機(jī)但不重復(fù)的。
上面對如何得到目標(biāo)模型進(jìn)行了說明,下面基于目標(biāo)模型,對如何進(jìn)行車牌檢測進(jìn)行說明,請參閱圖6,本發(fā)明實(shí)施例中基于目標(biāo)模型的車牌檢測方法一個實(shí)施例包括:
601、獲取待檢測車牌圖像;
本實(shí)施例中,在獲取到待測車輛壓地感那一幀的車牌圖像后,可以根據(jù)車牌邊緣信息粗定位車牌圖像中的車牌區(qū)域,得到待檢測車牌圖像,并可以獲取該待檢測車牌圖像,具體方法可以參照圖1所示實(shí)施例中的步驟101說明的內(nèi)容,此處不再贅述。
602、按照目標(biāo)模型的卷積層參數(shù)對待檢測車牌圖像進(jìn)行卷積處理,得到目標(biāo)車牌圖像。
本實(shí)施例中,基于上述說明的車牌超分辨率模型重建方法中確定的目標(biāo)模型,該目標(biāo)模型建立了說明的第一圖像與第二圖像的局部區(qū)域映射關(guān)系,可以實(shí)現(xiàn)對分辨率低于第一圖像的第二圖像的去模糊和去噪的操作,因此,可以將進(jìn)行車牌粗定位的待檢測車牌圖像輸入目標(biāo)模型直接進(jìn)行卷積處理,以得到去模糊和去噪的目標(biāo)車牌圖像,達(dá)到提高待檢測車牌圖像的車牌識別率的目的。
具體的,獲取待檢測車牌圖像后,可以不對該待檢測車牌圖像進(jìn)行裁剪處理,而是直接將該待檢測車牌圖像輸入目標(biāo)模型中,即調(diào)整后的神經(jīng)卷積網(wǎng)絡(luò),按照卷積神經(jīng)網(wǎng)絡(luò)的卷積層參數(shù)對待檢測車牌圖像進(jìn)行卷積處理,得到分辨率提高的目標(biāo)車牌圖像,其中,待檢測車牌圖像與目標(biāo)車牌圖像的像素尺寸相同。例如,假設(shè)待檢測車牌圖像的像素尺寸為224*224,目標(biāo)車牌圖像的像素尺寸也為224*224。
本實(shí)施例中,待檢測車牌圖像的卷積處理過程可參照圖1所示實(shí)施例中步驟103說明的內(nèi)容,此處不再贅述。
可以理解的是,在實(shí)際應(yīng)用中,由于待檢測車牌圖像的像素尺寸不一,但目標(biāo)模型的卷積層參數(shù)是確定的,為了提高目標(biāo)模型檢測的準(zhǔn)確性,可以在目標(biāo)模型中對待檢測車牌圖像做像素填充處理,請參閱圖7,本發(fā)明實(shí)施例中基于目標(biāo)模型的車牌檢測方法另一實(shí)施例包括:
701、將待檢測車牌圖像進(jìn)行灰度處理。
本實(shí)施例中,在對目標(biāo)模型的實(shí)際測試中,可以獲取待檢測車牌圖像,并可以對待檢測車牌圖像進(jìn)行灰度處理。
具體的,在獲取到待測車輛壓地感那一幀的車牌圖像后,可以根據(jù)車牌邊緣信息粗定位車牌圖像中的車牌區(qū)域,得到待檢測車牌圖像,具體方法可以參照圖1所示實(shí)施例中的步驟101說明的內(nèi)容,此處不再贅述。
本實(shí)施例中,在得到待檢測車牌圖像后,為了減少圖像處理的計算量,可以對待檢測車牌圖像進(jìn)行灰度處理。
702、獲取待檢測車牌圖像;
本實(shí)施例中,對待檢測車牌圖像進(jìn)行灰度處理后,可以獲取灰度處理后的待檢測車牌圖像。
703、確定待檢測車牌圖像的像素尺寸;
本實(shí)施例中,獲取待檢測車牌圖像后,可以確定待檢測車牌圖像的像素尺寸。例如,可以確定待檢測車牌圖像的像素尺寸為M*N。
704、根據(jù)待檢測車牌圖像的像素尺寸以及目標(biāo)模型的卷積層參數(shù),確定填充像素大小;
本實(shí)施例中,確定待檢測車牌圖像的像素尺寸后,可以根據(jù)待檢測車牌圖像的像素尺寸以及目標(biāo)模型的卷積層參數(shù),確定填充像素大小。
具體的,本實(shí)施例中的卷積層參數(shù)即卷積核大小,在上述車牌超分辨率模型重建方法說明的第一模型訓(xùn)練的過程中,訓(xùn)練好的目標(biāo)模型的卷積層的卷積核具有輸入33*33的圖像重建出21*21的高分辨率圖像的能力,但是卷積的過程中會減小原圖的大小,例如將33*33的圖重建成21*21。因此,在測試階段,即待檢測車牌的卷積處理,假如一張像素尺寸為M*N的圖像,在目標(biāo)模型中經(jīng)過第一層卷積處理中卷積層的5*5大小的卷積核卷積后,可以輸出像素尺寸為(M-5+1)*(N-5+1)的圖像,但為了使得待檢測車牌圖像在卷積處理后可以得到像素尺寸相同的輸出圖像,從而需要對待檢測車牌圖像卷積前,可以在待檢測車牌圖像的上下左右分別加入2個像素的填充,填充像素為2,然后再進(jìn)行卷積,則可以得到像素尺寸為M*N的輸出圖像。
可以理解的是,本實(shí)施例中,為了保證輸出圖像與待檢測車牌圖像的像素尺寸相同,目標(biāo)模型中的每個卷積層都做相應(yīng)的像素填充處理,此處說明之后,在后面即不再重復(fù)進(jìn)行說明。
705、按照卷積層參數(shù)和填充像素大小對待檢測車牌圖像進(jìn)行卷積處理,得到目標(biāo)車牌圖像。
基于圖6所示實(shí)施例中步驟602說明的內(nèi)容,本實(shí)施例中,根據(jù)待檢測車牌圖像的像素尺寸以及目標(biāo)模型的卷積層參數(shù),確定填充像素大小后,可以按照卷積層參數(shù)和填充像素大小對待檢測車牌圖像進(jìn)行卷積處理,得到目標(biāo)車牌圖像。
本實(shí)施例中,待檢測車牌圖像的卷積處理過程可參照圖1所示實(shí)施例中步驟103說明的內(nèi)容,此處不再贅述。但是,在待檢測車牌圖像進(jìn)行卷積處理前,可以根據(jù)像素填充大小與目標(biāo)模型確定的卷積核參數(shù)對實(shí)際進(jìn)行的卷積處理進(jìn)行相應(yīng)的調(diào)整,以確保待檢測車牌圖像與目標(biāo)模型輸出的目標(biāo)車牌圖像的像素尺寸相同。
上面對本發(fā)明實(shí)施例中的車牌超分辨率模型重建方法進(jìn)行了描述,下面分別對本發(fā)明實(shí)施例中的車牌超分辨率模型重建裝置進(jìn)行描述,請參閱圖8,本發(fā)明實(shí)施例中車牌超分辨率模型重建裝置一個實(shí)施例包括:
獲取單元801,可以用于執(zhí)行:
(1)獲取車牌的第一圖像,將第一圖像進(jìn)行低分辨率處理,得到第二圖像,其中,第一圖像和第二圖像包括數(shù)量相同且位置關(guān)系對應(yīng)的至少一個局部圖像;
處理單元802,可以用于執(zhí)行:
(2)確定第一局部圖像和第二局部圖像,第二局部圖像為第二圖像的至少一個局部圖像中的任意一個,第一局部圖像為第一圖像的至少一個局部圖像中與第二局部圖像位置關(guān)系對應(yīng)的一個;
(3)按照第一模型的卷積層參數(shù)對第二局部圖像進(jìn)行卷積處理,得到目標(biāo)局部圖像,目標(biāo)局部圖像與第一局部圖像的像素尺寸相同;
(4)確定目標(biāo)局部圖像與第一局部圖像的像素差異;
(5)判斷像素差異是否滿足預(yù)設(shè)條件;
(6)若是,則根據(jù)像素差異調(diào)整第一模型的卷積層參數(shù),得到目標(biāo)模型,若否,則根據(jù)像素差異調(diào)整第一模型的卷積層參數(shù),得到第二模型,將第二模型的卷積層參數(shù)作為第一模型的卷積層參數(shù)并重復(fù)執(zhí)行步驟(2)至(6)。
可選的,在本發(fā)明的一些實(shí)施例中,處理單元802,可以具體用于執(zhí)行:
判斷像素差異是否小于第一閾值;或,
判斷像素差異是否小于第一閾值,且判斷像素差異小于第一閾值的次數(shù)是否大于第二閾值;或,
判斷像素差異的確定次數(shù)是否為預(yù)設(shè)次數(shù)的倍數(shù)。
可選的,在本發(fā)明的一些實(shí)施例中,處理單元802,還具體用于執(zhí)行:
判斷像素差異的確定次數(shù)是否為預(yù)設(shè)次數(shù)的倍數(shù),且判斷確定次數(shù)的像素差異的加權(quán)計算值是否小于第一閾值。
可選的,在本發(fā)明的一些實(shí)施例中,獲取單元801,還可以具體用于執(zhí)行:
將第一圖像進(jìn)行灰度處理。
可選的,在本發(fā)明的一些實(shí)施例中,像素差異為像素均方差,處理單元802,可以具體用于執(zhí)行:
根據(jù)像素均方差調(diào)整第一模型中卷積層的卷積核參數(shù);
根據(jù)像素均方差調(diào)整第一模型中卷積層的卷積核參數(shù)包括:
利用像素均方差確定第N層卷積層的像素?fù)p失,并根據(jù)第N層卷積層的像素?fù)p失調(diào)整第N層卷積層的卷積核參數(shù),第一模型包括N層卷積層,N為大于零的整數(shù);
根據(jù)第N-M層卷積層的像素?fù)p失確定第N-M-1層卷積層的像素?fù)p失,并根據(jù)第N-M-1層卷積層的像素?fù)p失調(diào)整第N-M-1層卷積層的卷積核參數(shù),M為自然數(shù)。
可選的,在本發(fā)明的一些實(shí)施例中,獲取單元801,可以具體用于執(zhí)行:
對第一圖像進(jìn)行模糊處理和/或噪聲處理,得到圖像樣本;
對圖像樣本分別進(jìn)行光照不均處理,得到第二圖像。
可選的,在本發(fā)明的一些實(shí)施例中,噪聲處理包括以下至少一種:
高斯噪聲處理、瑞利噪聲處理、指數(shù)噪聲處理、椒鹽噪聲處理。
可選的,在本發(fā)明的一些實(shí)施例中,獲取單元801,還可以具體用于執(zhí)行:
獲取待檢測車牌圖像;
處理單元802,還可以具體用于執(zhí)行:
按照目標(biāo)模型的卷積層參數(shù)對待檢測車牌圖像進(jìn)行卷積處理,得到目標(biāo)車牌圖像,待檢測車牌圖像與目標(biāo)車牌圖像的像素尺寸相同。
可選的,在本發(fā)明的一些實(shí)施例中,處理單元802,可以具體用于執(zhí)行:
確定待檢測車牌圖像的像素尺寸;
根據(jù)待檢測車牌圖像的像素尺寸以及目標(biāo)模型的卷積層參數(shù),確定填充像素大?。?/p>
按照卷積層參數(shù)和填充像素大小對待檢測車牌圖像進(jìn)行卷積處理,得到目標(biāo)車牌圖像。
可選的,在本發(fā)明的一些實(shí)施例中,獲取單元801,還可以具體用于執(zhí)行:
將待檢測車牌圖像進(jìn)行灰度處理。
所屬領(lǐng)域的技術(shù)人員可以清楚地了解到,為描述的方便和簡潔,上述描述的系統(tǒng),裝置和單元的具體工作過程,可以參考前述方法實(shí)施例中的對應(yīng)過程,在此不再贅述。
在本申請所提供的幾個實(shí)施例中,應(yīng)該理解到,所揭露的系統(tǒng),裝置和方法,可以通過其它的方式實(shí)現(xiàn)。例如,以上所描述的裝置實(shí)施例僅僅是示意性的,例如,所述單元的劃分,僅僅為一種邏輯功能劃分,實(shí)際實(shí)現(xiàn)時可以有另外的劃分方式,例如多個單元或組件可以結(jié)合或者可以集成到另一個系統(tǒng),或一些特征可以忽略,或不執(zhí)行。另一點(diǎn),所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口,裝置或單元的間接耦合或通信連接,可以是電性,機(jī)械或其它的形式。
所述作為分離部件說明的單元可以是或者也可以不是物理上分開的,作為單元顯示的部件可以是或者也可以不是物理單元,即可以位于一個地方,或者也可以分布到多個網(wǎng)絡(luò)單元上??梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部單元來實(shí)現(xiàn)本實(shí)施例方案的目的。
另外,在本發(fā)明各個實(shí)施例中的各功能單元可以集成在一個處理單元中,也可以是各個單元單獨(dú)物理存在,也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以采用硬件的形式實(shí)現(xiàn),也可以采用軟件功能單元的形式實(shí)現(xiàn)。
所述集成的單元如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用時,可以存儲在一個計算機(jī)可讀取存儲介質(zhì)中?;谶@樣的理解,本發(fā)明的技術(shù)方案本質(zhì)上或者說對現(xiàn)有技術(shù)做出貢獻(xiàn)的部分或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形式體現(xiàn)出來,該計算機(jī)軟件產(chǎn)品存儲在一個存儲介質(zhì)中,包括若干指令用以使得一臺計算機(jī)設(shè)備(可以是個人計算機(jī),服務(wù)器,或者網(wǎng)絡(luò)設(shè)備等)執(zhí)行本發(fā)明各個實(shí)施例所述方法的全部或部分步驟。而前述的存儲介質(zhì)包括:U盤、移動硬盤、只讀存儲器(ROM,Read-Only Memory)、隨機(jī)存取存儲器(RAM,Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。
以上所述,以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案,而非對其限制;盡管參照前述實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)的說明,本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解:其依然可以對前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改,或者對其中部分技術(shù)特征進(jìn)行等同替換;而這些修改或者替換,并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。