【技術實現步驟摘要】
本專利技術屬于車牌識別的，特別是涉及一種霧霾天氣狀況下的道路車輛車牌識別方法。
技術介紹
1、在車輛信息多源化的復雜環境下，車牌識別是道路交通安全監管中的關鍵。隨著計算機視覺技術的發展和傳感器硬件的日益成熟，良好天氣下的車牌檢測技術已基本滿足實際使用需要。然而，霧霾等惡劣天氣捕獲的車輛圖像存在大量噪聲，對比度低、白化程度高等問題為車輛識別的準確性和魯棒性帶來了一定的挑戰。雖然基于深度學習的車輛識別技術已經探索了許多不同的網絡架構，但是仍存在上下文信息利用有限的問題，難以去除非均勻霧霾，恢復圖像的細節和顏色。因此，本專利技術通過利用二維圖推理捕獲具有相似結構的不同區域、不同維度的相互作用，有效消除了非均勻霧霾，解決了霧霾天氣狀況下道路車輛車牌識別的問題。
技術實現思路
1、為了解決霧霾天氣下車牌識別中上下文信息利用有限的問題，本專利技術提出了一種霧霾天氣狀況下的道路車輛車牌識別方法，其具體技術方案如下。
2、第一方面，本專利技術提供一種霧霾天氣狀況下的道路車輛車牌識別方法，包括以下步驟：
3、步驟一、圖像去霧處理。
4、步驟1-1：檢測被處理圖像中包含車輛信息的區域，得到車輛圖像塊。
5、步驟1-2：對車輛圖像塊進行卷積，獲取特征編碼x。
6、步驟1-3：對特征編碼x依次進行圖投影、圖推理、圖重投影處理。圖投影中將特征編碼x投影至空間圖和通道圖，分別得到空間圖和通道圖的節點特征vi。圖推理對不同節點特征進行交互，獲得特征圖重
7、步驟1-4：將空間圖和通道圖對應的重投影特征fi依次進行池化、殘差連接、標準化、激活函數、多層卷積堆積、全局池化后進行解碼，得到去霧后的圖像
8、步驟二、檢測步驟一得到的圖像中的車牌位置，得到車牌圖像塊。
9、步驟三、對步驟二得到的車牌圖像塊進行識別，得到車牌信息。
10、作為優選，步驟一中被處理的圖像通過道路上的攝像頭采集影像分幀處理得到。
11、作為優選，步驟1-1中得到車輛圖像塊的具體過程為：對多種交通場景現場先驗知識進行聚合，轉化為非線性不等式約束，構建多重先驗知識神經網絡模型；將被處理圖像輸入多重先驗知識神經網絡模型，獲取車輛合理出現的區域，得到車輛圖像塊。
12、作為優選，步驟1-3中，將特征編碼x投影至空間圖和通道圖的節點特征vi的表達式為：
13、
14、根據節點特征vi構造連通矩陣ai如下：
15、
16、其中，ai(p,q)為連通矩陣ai第p行第q列的元素，表示從第p個節點的特征vi(p)到第q個的節點特征vi(q)的連通性；n表示圖節點總數；θ(·)和θ'(·)表示不同參數的兩個線性嵌入。
17、作為優選，步驟1-3中，不同節點特征交互得到的特征的表達式如下：
18、
19、其中，σ(·)表示激活函數，wi屬于圖卷積的權重。
20、作為優選，步驟二的具體過程為：
21、步驟2-1：以步驟一得到的圖像的角點作為特征點；利用基于盧卡斯-柯乃德約束法的光流計算預測下一幀圖像中特征點的位置；描述運動矢量并生成光流圖；以速度為閾值篩選有效特征點，消除噪聲特征點，獲得車輛的位置信息及外形輪廓，確定存在車牌的范圍區間。
22、步驟2-1：將圖像轉換至gray色彩空間；對圖像進行中值濾波與邊緣檢測，腐蝕干擾特征；對步驟2-1確定的存在車牌的范圍區間進行哈弗變換，得到線特征，劃定車牌范圍并裁剪圖像，得到車牌圖像塊。
23、作為優選，步驟三的具體過程為：
24、將步驟二得到的車牌圖像塊輸入空間轉換器，獲取平直的車牌圖像；將平直的車牌圖像輸入車牌推理模型識別出車牌信息。
25、作為優選，推理模型的訓練過程為：利用骨干卷積神經網絡提取車牌的卷積特征，之后利用注意力分類器的交叉熵損失訓練空間轉換器、骨干卷積神經網絡和注意力分支，利用連接時序分類器訓練聯接時間分支，融合多種文本特征的表達，得到訓練完成的車牌推理模型；對車牌推理模型進行裁剪優化。最終得到的車牌推理模型僅保留連接時序分類器對平直的車牌圖像進行識別。
26、第二方面，本專利技術提供一種用于執行前述道路車輛車牌識別方法的識別系統，其包括圖像去霧模塊、車牌檢測模塊和車牌識別模塊。所述的圖像去霧模塊包括多重先驗知識神經網絡模型、編碼器和解碼器。編碼器包括卷積層、二維圖推理模塊、池化層、殘差連接層、標準化層、激活函數、多層卷積堆積層和全局池化層。所述的車牌檢測模塊用于在圖像去霧模塊處理后的圖像中檢測出車牌的位置，并框選出包含車牌號的圖像塊。車牌識別模塊用于對車牌檢測模塊檢測得到的圖像塊進行識別，獲取車牌號文本信息。
27、本專利技術具體有益效果如下：
28、1、本專利技術對交通道路上的攝像頭拍攝到的車輛圖像通過卷積提取特征編碼，再利用二維的圖推理模塊對特征編碼進行圖投影，再對所得空間圖、通道圖的節點各自進行圖推理、圖重投影處理，解決霧霾環境導致的圖像模糊問題，相較于傳統的道路車輛車牌識別方法，可以識別更多模糊的復雜場景，有效地應對了霧霾等惡劣天氣。
29、2、本專利技術引入圖推理模塊消除霧霾對圖像的污染，通過圖數據結構將非局部均值濾波器的像素相似性簡化為更緊湊的節點相似性，提高了計算效率。
30、3、本專利技術通過空間推理模塊和通道推理模塊建立并捕獲具有相似結構的不同區域、不同維度的相互作用，消除了非均勻霧霾，很好地保留了圖像的紋理和顏色，解決了霧霾天氣下車牌識別中上下文信息利用有限的問題。
本文檔來自技高網...【技術保護點】
1.一種霧霾天氣狀況下的道路車輛車牌識別方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種霧霾天氣狀況下的道路車輛車牌識別方法，其特征在于：步驟一中被處理的圖像通過道路上的攝像頭采集影像分幀處理得到。
3.根據權利要求1所述的一種霧霾天氣狀況下的道路車輛車牌識別方法，其特征在于：步驟1-1中得到車輛圖像塊的具體過程為：對多種交通場景現場先驗知識進行聚合，轉化為非線性不等式約束，構建多重先驗知識神經網絡模型；將被處理圖像輸入多重先驗知識神經網絡模型，獲取車輛合理出現的區域，得到車輛圖像塊。
4.根據權利要求1所述的一種霧霾天氣狀況下的道路車輛車牌識別方法，其特征在于：步驟1-3中，將特征編碼X投影至空間圖和通道圖的節點特征Vi的表達式為：
5.根據權利要求4所述的一種霧霾天氣狀況下的道路車輛車牌識別方法，其特征在于：步驟1-3中，不同節點特征交互得到的特征的表達式如下：
6.根據權利要求1所述的一種霧霾天氣狀況下的道路車輛車牌識別方法，其特征在于：步驟二的具體過程為：
7.根據權利要求1所述的一種霧
8.根據權利要求1所述的一種霧霾天氣狀況下的道路車輛車牌識別方法，其特征在于：推理模型的訓練過程為：利用骨干卷積神經網絡提取車牌的卷積特征，之后利用注意力分類器的交叉熵損失訓練空間轉換器、骨干卷積神經網絡和注意力分支，利用連接時序分類器訓練聯接時間分支，融合多種文本特征的表達，得到訓練完成的車牌推理模型；對車牌推理模型進行裁剪優化；最終得到的車牌推理模型僅保留連接時序分類器對平直的車牌圖像進行識別。
9.一種道路車輛車牌識別系統，其特征在于：如權利要求1所述的道路車輛車牌識別方法；該道路車輛車牌識別系統包括圖像去霧模塊、車牌檢測模塊和車牌識別模塊；所述的圖像去霧模塊包括多重先驗知識神經網絡模型、編碼器和解碼器；編碼器包括卷積層、二維圖推理模塊、池化層、殘差連接層、標準化層、激活函數、多層卷積堆積層和全局池化層；所述的車牌檢測模塊用于在圖像去霧模塊處理后的圖像中檢測出車牌的位置，并框選出包含車牌號的圖像塊；車牌識別模塊用于對車牌檢測模塊檢測得到的圖像塊進行識別，獲取車牌號文本信息。
...【技術特征摘要】
1.一種霧霾天氣狀況下的道路車輛車牌識別方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種霧霾天氣狀況下的道路車輛車牌識別方法，其特征在于：步驟一中被處理的圖像通過道路上的攝像頭采集影像分幀處理得到。
3.根據權利要求1所述的一種霧霾天氣狀況下的道路車輛車牌識別方法，其特征在于：步驟1-1中得到車輛圖像塊的具體過程為：對多種交通場景現場先驗知識進行聚合，轉化為非線性不等式約束，構建多重先驗知識神經網絡模型；將被處理圖像輸入多重先驗知識神經網絡模型，獲取車輛合理出現的區域，得到車輛圖像塊。
4.根據權利要求1所述的一種霧霾天氣狀況下的道路車輛車牌識別方法，其特征在于：步驟1-3中，將特征編碼x投影至空間圖和通道圖的節點特征vi的表達式為：
5.根據權利要求4所述的一種霧霾天氣狀況下的道路車輛車牌識別方法，其特征在于：步驟1-3中，不同節點特征交互得到的特征的表達式如下：
6.根據權利要求1所述的一種霧霾天氣狀況下的道路車輛車牌識別方法，其特征在于：步驟二的具體過程為：
7.根據權利要求1所述的一...
【專利技術屬性】
技術研發人員：孫勇，
申請(專利權)人：浙江交通職業技術學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。