一种基于卷积神经网络的低照度车牌图像增强识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111325283A(43)申请公布日2020.06.23(21)申请号202010148814.5(22)申请日2020.03.05(71)申请人山东交通职业学院地址261000山东省潍坊市高新技术开发区潍县中路8号(72)发明人董雪(74)专利代理机构北京睿智保诚专利代理事务所(普通合伙)11732代理人周新楣(51)Int.Cl.G06K9/62(2006.01)G06T5/00(2006.01)G06T5/10(2006.01)G06T5/20(2006.01)G06N3/04(2006.01)权利要求书2页说明书6页附图1页(54)发明名称一种基于卷积神经网络的低照度车牌图像增强识别方法(57)摘要本发明公开了一种基于卷积神经网络的低照度车牌图像增强识别方法，属于交通信息识别技术领域，其包括以下步骤：S10、基于卷积神经网络构建图像增强网络和车辆牌照识别网络；S20、使用训练样本对图像增强网络进行训练；S30、使用训练样本对车辆牌照识别网络进行训练；S40、将低照度车辆号码图像输入训练完成的图像增强网络，获得增强图像；S50、将增强图像输入训练完成的车辆牌照识别网络，获得车辆牌照号。本发明提供了一种能保持照度图像空间平滑度，又能保证照度图像的边缘结构得以保留的低照度车牌图像增强方法；增强处理后的图像无光晕现象，细节更突出，达到了良好的视觉效果，再结合车辆牌照识别神经网络系统，能够准确得到车辆牌照信息。CN111325283ACN111325283A权利要求书1/2页1.一种基于卷积神经网络的低照度车牌图像增强识别方法，其特征在于，包括以下步骤：S10、基于卷积神经网络构建图像增强网络和车辆牌照识别网络；S20、使用图像增强训练样本对所述图像增强网络进行训练；所述图像增强网络对所述图像增强训练样本中的原始图像进行图像增强；S30、使用车辆牌照图像训练样本对所述车辆牌照识别网络进行训练，得到所述车辆牌照图像训练样本中的车辆牌照号；S40、将低照度车辆号码图像输入训练完成的所述图像增强网络，获得增强后的车辆号码图像；S50、将所述增强后的车辆号码图像输入训练完成的所述车辆牌照识别网络，获得所述增强后的车辆号码图像中的车辆牌照号。2.根据权利要求1所述的低照度车牌图像增强识别方法，其特征在于，步骤S20中图像增强步骤如下：S21、将所述图像增强训练样本中的原始图像分解为RGB三通道图像；S22、在所述RGB三通道图像中找到每个像素的最大灰度值作为约束图像照射分量Lorg；S23、将所述RGB三通道图像通过亮通道模型构造亮通道图像照射分量Lmax；S24、基于所述亮通道图像照射分量Lmax和所述约束图像照射分量Lorg，构建一个基于变分模型的结构滤波器，用于估算精炼亮度图照射分量L；S25、对所述精炼亮度图照射分量L进行线性变换，得到线性映射的照射分量Lr；S26、基于亮通道模型得到原始图像R、G、B三个通道照射分量，将所述线性映射的照射分量Lr从原始图像各通道照射分量中去除，得到R、G、B各通道的复原图像；S27、将R、G、B各通道的复原图像进行同态滤波和线性拉伸后进行图像合并，得到所述增强图像。3.根据权利要求2所述的低照度图像增强方法，其特征在于，步骤S23中所述亮通道图像照射分量Lmax构造步骤为：对步骤S23中原始图像选取领域内最大滤波，得到更加平滑的图像，即得到亮通道图像照射分量Lmax，其滤波公式如下：其中，Lmax(x，y)为经过最大值滤波得到的照射分量，即亮通道图像照射分量Lmax；Ω(x，y)是以像素(x，y)为中心的领域，为最大值滤波，滤波模板尺寸为7，(x，y)为像素坐标。4.根据权利要求3所述的低照度图像增强方法，其特征在于，所述变分模型的结构滤波器的构建表达式为：其中，L为精炼亮度图照射分量，Lmax为亮通道图像照射分量，表示估算的精炼亮度图照射分量与亮通道图像的相似性，Lorg为约束图像照射分量，2CN111325283A权利要求书2/2页为估算的精炼亮度图照射分量的梯度值与约束图像照射分量的梯度值之间的相似性，λ为避免产生光晕效应的加权系数，为梯度算子。5.根据权利要求1所述的低照度车牌图像增强识别方法，其特征在于，所述卷积神经网络包括输入层、卷积层、池化层，所述卷积层层数为16、卷积核大小为3*3的卷积层和层数为5的最大池化层。6.根据权利要求5所述的低照度车牌图像增强识别方法，其特征在于，所述卷积层使用的激活函数均为ReLU函数。7.根据权利要求1所述的低照度车牌图像增强识别方法，其特征在于，所述图像增强训练样本和所述车辆牌照图像训练样本为三通道(RGB)彩色图像。8.根据权利要求7所述的低照度车牌图像增强识别方法