[发明专利]一种基于对抗生成网络的车牌去模糊方法

说明书

本发明公开了一种基于对抗生成网络的车牌去模糊方法。本发明改变了BEGAN网络中生成网络的结构，使该网络能够以图片作为输入，并且输出同样大小的图片。同时在BEGAN网络结构中新增加一个车牌识别网络，将生成网络恢复出的图片输入该网络得到识别损失值，用于生成网络的训练。通过对BEGAN网络的网络结构进行改进，并经过训练，使网络可以实现在一定尺度范围内直接输入模糊车牌，得到其清晰车牌，并且视觉效果和真实车牌十分接近。另外，对BEGAN网络结构进行改进，加入车牌号码识别网络，使生成的清晰车牌号码识别率高。

技术领域

本发明属于视频监控技术领域，涉及一种基于对抗生成网络的车牌去模糊方法。

背景技术

在现实世界中，图像采集设备和目标物之间如果存在相对运动，采集到的图像会有运动模糊现象。这种运动模糊会给交通管理带来诸多不便，例如车牌的定位和识别，当违章车辆的速度较快，采集到的车牌图像一般是模糊的，无法准确判断车辆信息，为交通执法提供依据。为了能够看清楚车牌图像，从而便于识别超速、闯红灯等违法行为，对模糊车牌进行去运动模糊处理、同时提高车牌图像质量具有十分重要的现实意义。

目前常用方法为通过估计模糊核尺寸进行估计，再通过逆卷积实现去模糊：

1.例如专利CN201710316939.2：一种应用于车牌检测的图像去模糊方法及系统，其通过点传输函数对模糊核进行估计，然后实现对车牌的去模糊。

2.例如专利CN201611194120.5：模糊核获取以及图像去模糊方法及装置，通过将模糊图像映射到倒谱域，根据倒谱图像估计模糊类别，在对模糊核进行估计。

3.例如专利CN201710159744.1基于L0正则化和模糊核后处理的图像盲去模糊的方法，在图像复原的最优化模型中引入关于图像梯度、模糊核像素以及模糊核梯度稀疏性的先验信息，对最优化计算得到的模糊核进行后处理，提高图像复原质量。

以上方法都通过估计模糊核对图像进行复原，如果应用于视频中的运动模糊车牌，图像另外还有噪声及图像编解码的影响，恢复出的车牌会产生振铃效应，视觉效果差，并且在噪声很大等极端情况下，难以恢复出可辨的号码。

发明内容

本发明针对现有技术的不足，提供了一种基于对抗生成网络的车牌去模糊方法。

本发明解决技术问题所采取的技术方案为：

一种基于对抗生成网络的车牌去模糊方法，所述的对抗生成网络包括：

生成网络，即G网络，其输入为模糊车牌图片，输出去模糊后同样大小的图片；

判别网络，即D网络，其输入分别来自于生成网络G的输出和清晰车牌图片；

车牌识别网络，即R网络, 其输入分别来自于生成网络G的输出,输出损失函数值R-loss；

该方法包括如下步骤：

先对上述对抗生成网络进行训练，包括：

（1）将运动模糊的车牌图片X输入G网络，输出G(x)，然后将G(x)和其相对应的清晰车牌图片X_real分别输入D网络，由对抗生成网络的损失函数计算方法得到损失函数值G-loss和D-loss，分别用于更新G网络和D网络。

（2）将G(x)输入车牌识别网络进行车牌识别，得到损失函数值R-loss；然后将损失函数值G-loss和R-loss相加，一起去更新G网络，用损失函数值D-loss更新D网络。

（3）通过不断输入(X,X_real)图片对，更新G网络和D网络，使得G网络收敛。

依据上述训练好的抗生成网络，将模糊车牌从视频中截取出来，缩放到规定尺寸，然后输入G网络，便可直接得到清晰的车牌G(x)。