M分類器的訓(xùn)練過程。
[0021] 圖4為本發(fā)明超分辨率重建效果圖；
[0022] 圖中：(a)為低分辨率圖像中其中四幀圖像，（b)為U范式超分辨率重建效果圖， (c)為L2范式超分辨率重建效果圖，（d)SLdPL2范式相結(jié)合的超分辨率重建效果圖，其 信噪比相比于單獨(dú)利用一個(gè)范式重建后圖像要高很多。
[0023] 圖5為圖4中各圖的車牌部位的截圖；
[0024] 圖中：（e) (f) (g) (h)分別對應(yīng)圖4中的（a) (b) (c) (d)的車牌部位的截圖。
[0025] 圖6本發(fā)明定位和識別效果圖。
【具體實(shí)施方式】
[0026] 下面對本發(fā)明的實(shí)施例作詳細(xì)說明，本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行 實(shí)施，給出了詳細(xì)的實(shí)施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于下述的實(shí)施 例。 實(shí)施例1
[0027] 如圖1所示，本實(shí)施例包括以下步驟：
[0028] 第一步：從小區(qū)內(nèi)監(jiān)控設(shè)備，交通路口設(shè)備，鄉(xiāng)村街道出入口等處采集獲取低分辨 率視頻，從中選取合適的模擬低分辨率圖像，然后采用混合范式結(jié)合BTV正則化算法對模 擬低分辨率圖像進(jìn)行重建。
[0029] 所述的混合范式是指：基于LdP L 2混合范式，其中：Li范式的BTV正則化函數(shù)f : 以及L2范式的BTV正則化函數(shù)f 2為：
【主權(quán)項(xiàng)】
1. 一種基于結(jié)合序列圖像超分辨率重建的車牌識別方法，其特征在于，包括以下步 驟： 第一步、對視頻圖像采用基于LdPL2混合范式的超分辨率重建算法對視頻進(jìn)行預(yù)處 理，重建出清晰可辨的高分辨率圖像； 第二步、對高分辨率圖像進(jìn)行車牌定位：首先利用HSV顏色空間上結(jié)合大津法對車牌 進(jìn)行定位，然后利用垂直投影法對定位出的車牌進(jìn)行字符分割，得到單個(gè)字符； 第三步、利用字符的HOG特征信息生成訓(xùn)練集，采用SVM方式對分割出的字符進(jìn)行識 另IJ，得出車牌字符串。
2. 根據(jù)權(quán)利要求1所述的方法，其特征是，所述的重建是指：基于h范式的BTV 正則化函數(shù)以及L2范式的BTV正則化函數(shù)f2對模擬低分辨率圖像進(jìn)行重建，
，其中： DBMkX為模擬低分辨率圖像，其中的D代表降采樣矩陣，B代表模糊矩陣，Mk代表運(yùn)動(dòng)變形矩 陣，入為正則化系數(shù)，用于平衡保真項(xiàng)和正則項(xiàng)；yk為采用到的第k幀低分辨率圖像，X為待 估計(jì)高分辨率圖像；K為序列圖像的總幀數(shù)，RBTV(X)為雙邊全變分正則化核函數(shù)，具體為：
，其中：1和m為圖像X在水平和垂直方向的位移，q為在水 平和垂直方向上的最大位移，次、W為平移后的變換矩陣，a為調(diào)節(jié)雙邊濾波算子的權(quán)重 參數(shù)； 基于上述混合范式的BTV正則化函數(shù)為：
C中：4為 重建后圖像；u為1^范式和1^2范式的調(diào)節(jié)參數(shù)，通過采用迭代算法選取調(diào)節(jié)參數(shù)y，使得 上式的第一項(xiàng)最小，即原始低分辨圖像yk與模擬低分辨率圖像DBMkX之間的差最小。
3. 根據(jù)權(quán)利要求2所述的方法，其特征是，所述的迭代算法是指梯度下降法，即最速下 降法，具體為：在圖像重建迭代過程，沿著負(fù)梯度的方向收斂到目標(biāo)函數(shù)的極小值。
4. 根據(jù)權(quán)利要求1所述的方法，其特征是，所述的第二步具體是指： 2. 1)對得到的高分辨率圖像進(jìn)行高斯濾波去除部分噪聲干擾，然后對其進(jìn)行RGB到HSV顏色空間的轉(zhuǎn)換； 2. 2)根據(jù)HSV顏色空間中藍(lán)色的H值范圍對HSV圖像進(jìn)行前景背景的區(qū)分，提取前景 區(qū)域圖像，即車牌候選區(qū)域，利用S分量把圖像中符合藍(lán)色色調(diào)不符合車牌飽和度的區(qū)域 設(shè)置為背景區(qū)域； 2. 3)對前景區(qū)域圖像進(jìn)行HSV到RGB的顏色空間轉(zhuǎn)換，再對車牌候選區(qū)域進(jìn)行灰度化 處理。利用大津分割算法對圖像進(jìn)行分割，并經(jīng)定位核對得到精細(xì)車牌區(qū)域； 2. 4)對精細(xì)車牌區(qū)域進(jìn)行水平投影以去除上下邊界多余區(qū)域，然后進(jìn)行垂直投影以去 除左右邊界多余區(qū)域，再對每個(gè)字符進(jìn)行分割，得到單個(gè)字符。
5. 根據(jù)權(quán)利要求4所述的方法，其特征是，所述的分割，通過離散度矩陣的跡作為背景 和目標(biāo)類的距離測度函數(shù)求解出最大時(shí)的分割閾值完成對車牌圖像的最優(yōu)分割。
6. 根據(jù)權(quán)利要求4所述的方法，其特征是，所述的定位核對是指：根據(jù)車牌的經(jīng)驗(yàn)信 息，車牌區(qū)域的二值化圖像的橫向（水平）跳變數(shù)目大于15 ;且定位出的車牌矩形區(qū)域長 寬比約為3:1 ;判定分割得到的二值圖像是否滿足該條件，滿足則定位成功；否則重新定 位，直至定位成功后得到精細(xì)車牌區(qū)域。
7. 根據(jù)權(quán)利要求1所述的方法，其特征是，所述的HOG特征信息通過以下方式得到： 1) 對單個(gè)模板字符標(biāo)準(zhǔn)化Ga_a空間和顏色空間，Ga_a壓縮公式為： I(X，y)=I(X，y)Camma，其中：Gamma= 1/2; 2) 計(jì)算單個(gè)字符圖像梯度，計(jì)算圖像橫坐標(biāo)和縱坐標(biāo)方向的梯度，并據(jù)此計(jì)算每個(gè)像 素的梯度方向值； 3) 計(jì)算水平和垂直方向梯度Gh(X，y)和Gv(X，y)及其梯度強(qiáng)度M(X，y)和方向 0 (x,y)：
0 (x，y) =arctan(Gh(x,y)/Gv(x,y))； 4) 根據(jù)待測字符為24個(gè)不同的字母和10個(gè)不同的數(shù)字，共34個(gè)不同字符，單個(gè) 字符的訓(xùn)練字符數(shù)為100個(gè)，選取3400個(gè)訓(xùn)練字符進(jìn)行梯度方向直方圖信息的提取作 為SVM訓(xùn)練集，具體為：設(shè)置單元大小為8X8,塊大小為16X16,每個(gè)單元梯度方向數(shù)設(shè) 定為9,單個(gè)字符包含的塊數(shù)：（(32-16)/8+1)X((16-16)/8+1) = 3 ;每個(gè)塊所含胞元數(shù)： (16/8)X(16/8) = 4 ;每個(gè)胞元的梯度方向數(shù)為9 ;總的維度：3X4X9 = 108。
8. 根據(jù)權(quán)利要求1所述的方法，其特征是，第三步中所述的識別，具體是指：以訓(xùn)練集 對SVM中進(jìn)行訓(xùn)練，在實(shí)時(shí)檢測時(shí)，將分割后字符歸一化為訓(xùn)練字符大小16X32大小，計(jì)算 其梯度方向直方圖信息，利用訓(xùn)練后的SVM模型進(jìn)行識別得到對應(yīng)字符信息，順序輸出得 到車牌字符串信息。
9. 一種實(shí)現(xiàn)上述任一權(quán)利要求所述方法的系統(tǒng)，其特征在于，包括：超分辨率模塊、車 牌字符提取模塊、梯度SVM分類模塊，其中：超分辨率重建模塊與低分辨率圖像采集裝置相 連并傳輸視頻圖像信息，車牌字符提取模塊與超分辨率重建模塊相連并傳輸重建得到的高 分辨率圖像信息，梯度SVM分類模塊與車牌字符提取模塊相連并傳輸字符圖像信息。
【專利摘要】一種圖像處理領(lǐng)域的結(jié)合序列圖像超分辨率重建的車牌識別方法及系統(tǒng)，首先對視頻圖像采用基于L1和L2混合范式的超分辨率重建算法對視頻進(jìn)行預(yù)處理，重建出清晰可辨的高分辨率圖像；然后對高分辨率圖像進(jìn)行車牌定位：首先利用HSV顏色空間上結(jié)合大津法對車牌進(jìn)行定位，然后利用垂直投影法對定位出的車牌進(jìn)行字符分割，得到單個(gè)字符；再利用字符的HOG特征信息生成訓(xùn)練集，采用SVM方式對分割出的字符進(jìn)行識別，得出車牌字符串。本發(fā)明可以在低分辨率視頻中準(zhǔn)確識別車牌；解決了視頻中分辨率低情況下字符識別率低的問題。
【IPC分類】G06K9-32, G06K9-62, G06K9-34
【公開號】CN104809461
【申請?zhí)枴緾N201510230680
【發(fā)明人】呂曉琪, 張奇, 任國印, 李銀輝, 谷宇, 張明
【申請人】內(nèi)蒙古科技大學(xué)
【公開日】2015年7月29日
【申請日】2015年5月8日