一種車牌圖像去模糊的方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明公開了一種車牌圖像去模糊的方法及系統(tǒng)，其中，該方法包括：基于稀疏表達(dá)系數(shù)和角度之間的函數(shù)關(guān)系依次進(jìn)行粗粒度角度估計(jì)與精細(xì)角度估計(jì)，獲得卷積核角度參數(shù)；根據(jù)所述卷積核角度參數(shù)，并基于頻譜特性來進(jìn)行長(zhǎng)度估計(jì)，獲得卷積核長(zhǎng)度參數(shù)；利用卷積核角度與長(zhǎng)度參數(shù)構(gòu)造出卷積核，再利用圖像去模糊算法獲得清晰圖像。通過采用本發(fā)明公開的方法及系統(tǒng)提高了圖像的去模糊效果，減少了計(jì)算復(fù)雜度，且具有較高魯棒性。
【專利說明】
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理【技術(shù)領(lǐng)域】，尤其涉及一種車牌圖像去模糊的方法及系統(tǒng)。 一種車牌圖像去模糊的方法及系統(tǒng)

【背景技術(shù)】
[0002] 近年來，隨著城市主干道和高速公路的車輛監(jiān)控系統(tǒng)越來越普及，監(jiān)控?cái)z像頭的 取證為超速等違法行車行為提供了證據(jù)。然而對(duì)于超速行駛的車輛，很多時(shí)候拍攝到的車 牌遭受嚴(yán)重的模糊影響，甚至人眼無法識(shí)別出確切的車牌，這為法律的取證造成了障礙，對(duì) 于高速運(yùn)動(dòng)的車牌去模糊有著很迫切的實(shí)際需求和重大意義。
[0003] 快速發(fā)展的盲去圖像卷積（BID)技術(shù)為去除由于運(yùn)動(dòng)造成的模糊帶來了機(jī)遇。對(duì) 于圖像模糊的問題，一般分為兩類：1)由空間不變的卷積核引起的模糊；2)由空間變化的 卷積核引起的模糊。超速運(yùn)動(dòng)的車牌適用于第一類情況。在數(shù)學(xué)上，卷積核造成的模糊的 模型可以描述為：
[0004]

【權(quán)利要求】
1. 一種車牌圖像去模糊的方法，其特征在于，該方法包括： 基于稀疏表達(dá)系數(shù)和卷積核角度參數(shù)之間的函數(shù)關(guān)系具有凸函數(shù)性質(zhì)，以及在期望的 卷積核角度參數(shù)上具有最小的稀疏表達(dá)系數(shù)的基礎(chǔ)上，依次進(jìn)行粗粒度角度估計(jì)與精細(xì)角 度估計(jì)，獲得卷積核角度參數(shù)； 根據(jù)所述卷積核角度參數(shù)，并基于線型卷積核具有類辛格SINC函數(shù)頻譜特性和自然 圖像的頻譜衰減特性來進(jìn)行卷積核的長(zhǎng)度估計(jì)，獲得卷積核長(zhǎng)度參數(shù)； 利用卷積核角度與長(zhǎng)度參數(shù)構(gòu)造出卷積核，再利用圖像去模糊算法獲得清晰圖像。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述粗粒度角度估計(jì)的步驟包括： 獲取初始模糊圖像Y、預(yù)設(shè)的步長(zhǎng)△及預(yù)設(shè)的卷積核長(zhǎng)度1、初始角度，循環(huán)進(jìn)行下 述步驟，直至收斂： 生成該初始模糊圖像的卷積核
其中，m表示循環(huán)次數(shù)； 將所述卷積核
帶入下式替代參數(shù)k :
其中，I表示希望恢復(fù)的清晰圖像，Y為觀測(cè)到的模糊圖像，11 |τν表示變量I的總變分 差和；
.表示k*I-Y的弗羅貝尼烏斯范數(shù)Frobenius范數(shù)，λ表示平衡因子，*代表 卷積算子； 計(jì)算得到
，并帶入下式替代變量I :
其中，Ω」表示抽取圖像中一個(gè)小塊patch的操作，D表示事先訓(xùn)練得到的字典，α』表 示圖像中的一個(gè)小塊在字典上的稀疏表示； 計(jì)算得到
，其中，
若所述
i中的最小值為.
，則表示已收斂； 若所述
中的最小值為
，則
若所述
中的最小值為
則
獲得粗粒度角度估計(jì)結(jié)果θπ。
3. 根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述精細(xì)角度估計(jì)的步驟包括： 獲取初始模糊圖像、粗粒度角度估計(jì)結(jié)果θπ#及預(yù)設(shè)的長(zhǎng)度1' ； 以所述初始模糊圖像的（θπ，1'）為中心，生成一系列的參數(shù)對(duì)（0^1/)對(duì)應(yīng)生成的 卷積核記為&; 將所述卷積核h帶入下式替代變量k :
計(jì)算得到Ii，并帶入下式替代變量I:
計(jì)算得到Ai，其中，
對(duì)所述Ai按照大小順序進(jìn)行排序，并選出最小的η個(gè)Ai對(duì)應(yīng)的角度Θ i ; 計(jì)算所述最小的η個(gè)化對(duì)應(yīng)的角度平均值Θ，并將該平均值Θ作為精細(xì)角度 估計(jì)結(jié)果。
4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲得卷積核長(zhǎng)度參數(shù)的步驟包括： 獲取初始模糊圖像以及精細(xì)角度估計(jì)結(jié)果Θ ; 將所述初始模糊圖像擴(kuò)展到NXN的大小，并計(jì)算其傅里葉變換的幅度，并在此之上計(jì) 算對(duì)數(shù)記做
； 在精細(xì)角度估計(jì)結(jié)果Θ上，做Radon變換，結(jié)果記做
其中，P表示頻率； 使用最小二乘方法對(duì)所述
進(jìn)行多項(xiàng)式擬合，擬合結(jié)果記為.
并 得到所述
與所述
相減之差的連續(xù)極小值之間的距離d ; 從而獲得卷積核長(zhǎng)度參數(shù)：
5. 根據(jù)權(quán)利要求4所述的方法，其特征在于，計(jì)算距離d的步驟包括： 在計(jì)算擴(kuò)展到NXN大小初始模糊圖像的傅里葉變換的幅度時(shí)，對(duì)應(yīng)的卷積核傅里葉 變換的幅度記為Fk，且依次對(duì)所述Fk做對(duì)數(shù)運(yùn)算及Radon變換，結(jié)果記為
當(dāng)趨近所述Fk的零點(diǎn)時(shí)，所述
和.
之間的誤差最大，則通過下式 的局部極值來檢測(cè)Fk的零點(diǎn)：
通過檢測(cè)
的局部極小值，得到Fk兩個(gè)連續(xù)零點(diǎn)之間的距離d。
6. 根據(jù)權(quán)利要求1、2、4或5所述的方法，其特征在于，該方法還包括： 根據(jù)清晰的圖像進(jìn)行訓(xùn)練，獲得清晰圖像的先驗(yàn)知識(shí)；具體的：采用稀疏表達(dá)算法來 訓(xùn)練得到一個(gè)可以稀疏地表達(dá)清晰圖像的字典，該訓(xùn)練為針對(duì)圖像中的每一小塊patch所 進(jìn)行。
7. -種車牌圖像去模糊的系統(tǒng)，其特征在于，該系統(tǒng)包括： 卷積核角度估計(jì)模塊，用于基于稀疏表達(dá)系數(shù)和卷積核角度參數(shù)中之間的函數(shù)關(guān)系具 有凸函數(shù)性質(zhì)，以及在期望的卷積核角度參數(shù)上具有最小的稀疏表達(dá)系數(shù)的基礎(chǔ)上，依次 進(jìn)行粗粒度角度估計(jì)與精細(xì)角度估計(jì)，獲得卷積核角度參數(shù)； 卷積核長(zhǎng)度估計(jì)模塊，用于根據(jù)所述卷積核角度參數(shù)，并基于線型卷積核具有類辛格 SINC函數(shù)頻譜特性和自然圖像的頻譜衰減特性來進(jìn)行卷積核的長(zhǎng)度估計(jì)，獲得卷積核長(zhǎng)度 參數(shù)； 去卷積模糊模塊，用于利用卷積核角度與長(zhǎng)度參數(shù)構(gòu)造出卷積核，再利用圖像去模糊 算法獲得清晰圖像。
8. 根據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于，所述卷積核角度估計(jì)模塊包括：粗粒度角 度估計(jì)模塊，用于粗粒度角度估計(jì)；所述粗粒度角度估計(jì)的步驟包括： 獲取初始模糊圖像Y、預(yù)設(shè)的步長(zhǎng)△及預(yù)設(shè)的卷積核長(zhǎng)度1、初始角度，循環(huán)進(jìn)行下 述步驟，直至收斂： 生成該初始模糊圖像的卷積核
，其中，m表示循環(huán)次數(shù)； 將所述卷積核
帶入下式替代參數(shù)k :
其中，I表示希望恢復(fù)的清晰圖像，Y為觀測(cè)到的模糊圖像，11 |τν表示變量I的總變分 差和；
表示k*I-Y的弗羅貝尼烏斯范數(shù)Frobenius范數(shù)，λ表示平衡因子，*代表 卷積算子； 計(jì)算得到
，并帶入下式替代變量I :
其中，Ω」表示抽取圖像中一個(gè)小塊patch的操作，D表示事先訓(xùn)練得到的字典，α』表 示圖像中的一個(gè)小塊在字典上的稀疏表示； 計(jì)算得到2
，其中，
若所述>
中的最小值為_
，則表示已收斂； 若所述
中的最小值為^
，則
若所述
中的最小值為
，則
獲得粗粒度角度估計(jì)結(jié)果θπ。
9. 根據(jù)權(quán)利要求7或8所述的系統(tǒng)，其特征在于，所述卷積核角度估計(jì)模塊包括：精細(xì) 角度估計(jì)模塊，用于精細(xì)角度估計(jì)；所述精細(xì)角度估計(jì)的步驟包括： 獲取初始模糊圖像、粗粒度角度估計(jì)結(jié)果θπ#及預(yù)設(shè)的長(zhǎng)度1' ； 以所述初始模糊圖像的（θπ，1'）為中心，生成一系列的參數(shù)對(duì)（0^1/)對(duì)應(yīng)生成的 卷積核記為&; 將所述卷積核h帶入下式替代變量k :
計(jì)算得到Ii，并帶入下式替代變量I :
計(jì)算得到Αρ其中，
； 對(duì)所述Ai按照大小順序進(jìn)行排序，并選出最小的η個(gè)Ai對(duì)應(yīng)的角度Θ i ; 計(jì)算所述最小的η個(gè)化對(duì)應(yīng)的角度平均值Θ，并將該平均值Θ作為精細(xì)角度 估計(jì)結(jié)果。
10. 根據(jù)權(quán)利要求7所述的系統(tǒng)，其特征在于，所述卷積核長(zhǎng)度估計(jì)模塊獲得卷積核長(zhǎng) 度參數(shù)的步驟包括： 獲取初始模糊圖像以及精細(xì)角度估計(jì)結(jié)果Θ ; 將所述初始模糊圖像擴(kuò)展到NXN的大小，并計(jì)算其傅里葉變換的幅度，并在此之上計(jì) 算對(duì)數(shù)記做l〇g(|FB|); 在精細(xì)角度估計(jì)結(jié)果Θ上，做Radon變換，結(jié)果記做
; 使用最小二乘方法對(duì)所述
進(jìn)行多項(xiàng)式擬合，擬合結(jié)果記為
，并 得到所述
與所述j
相減之差的連續(xù)極小值之間的距離d ; 從而獲得卷積核長(zhǎng)度參數(shù)：
11. 根據(jù)權(quán)利要求10所述的系統(tǒng)，其特征在于，計(jì)算距離d的步驟包括： 在計(jì)算擴(kuò)展到NXN大小初始模糊圖像的傅里葉變換的幅度時(shí)，對(duì)應(yīng)的卷積核傅里葉 變換的幅度記為Fk，且依次對(duì)所述Fk做對(duì)數(shù)運(yùn)算及Radon變換，結(jié)果記為
; 當(dāng)趨近所述Fk的零點(diǎn)時(shí)，所述
和
之間的誤差最大，則通過下式 的局部極值來檢測(cè)Fk的零點(diǎn)：
通過檢測(cè)，
^的局部極小值，得到Fk兩個(gè)連續(xù)零點(diǎn)之間的距離d。
12. 根據(jù)權(quán)利要求7、8、10或11所述的系統(tǒng)，其特征在于，該系統(tǒng)還包括： 訓(xùn)練模塊，用于根據(jù)清晰的圖像進(jìn)行訓(xùn)練，獲得清晰圖像的先驗(yàn)知識(shí)；具體的：采用稀 疏表達(dá)算法來訓(xùn)練得到一個(gè)可以稀疏地表達(dá)清晰圖像的字典，該訓(xùn)練為針對(duì)圖像中的每一 小塊patch所進(jìn)行。
【文檔編號(hào)】G06T5/00GK104091315SQ201410355699
【公開日】2014年10月8日 申請(qǐng)日期:2014年7月22日 優(yōu)先權(quán)日:2014年7月22日
【發(fā)明者】李厚強(qiáng), 盧慶博, 周文罡 申請(qǐng)人:中國(guó)科學(xué)技術(shù)大學(xué)