本發(fā)明涉及圖像處理領(lǐng)域的圖像質(zhì)量評價(jià)，尤其涉及一種模糊車牌圖像模糊度評價(jià)的方法。

背景技術(shù)：
：

車牌圖像是監(jiān)控視頻中重要的信息來源，并且車牌識別是用于從車牌圖像中提取信息的最有效、最便捷的手段。但是，由于自然光照的晝夜變化、雨雪霧等惡劣天氣的影響、車輛自身的運(yùn)動(dòng)、采集設(shè)備本身分辨率較低等因素，監(jiān)控?cái)z像頭采集到的車牌圖像往往會(huì)變得模糊，并且不同的車牌圖像會(huì)有不同的模糊等級。

為了獲得最好的識別結(jié)果，對于不同模糊程度的車牌圖像，應(yīng)當(dāng)采用不同的預(yù)處理和識別方法。因此，有必要進(jìn)行車牌的模糊度評價(jià)來確定這些模糊等級之間的界線，那么對于一幅已知模糊級別的車牌圖像，就可以選擇出最合適的識別方法。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述的技術(shù)問題，本發(fā)明的目的是提供一種模糊車牌圖像模糊度評價(jià)的方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

模糊車牌模糊度評價(jià)的方法，包括：

S1、設(shè)計(jì)模糊車牌圖像模糊等級標(biāo)定準(zhǔn)則，依據(jù)該準(zhǔn)則建立帶標(biāo)簽的訓(xùn)練庫和測試庫；

S2、基于邏輯回歸引導(dǎo)的判別字典學(xué)習(xí)模型對車牌圖像塊的重構(gòu)誤差向量，設(shè)計(jì)車牌模糊等級評價(jià)特征，并基于該特征建立評價(jià)模型；

進(jìn)一步，所述步驟S1，其具體為：

S11、由于沒有公開的用于驗(yàn)證評價(jià)算法的模糊車牌圖像數(shù)據(jù)集，因此需要從實(shí)際的監(jiān)控視頻中采集模糊車牌圖像，用于建立訓(xùn)練庫和測試庫。

S12、從監(jiān)控視頻中采集到的車牌圖像同時(shí)包含清晰圖像和模糊圖像，因此需要將模糊車牌圖像篩選處理，采用了一個(gè)用于卡口處的車牌檢測算法來進(jìn)行篩選工作。對于每一幅車牌圖像，使用Photoshop軟件生成它的虛擬背景，并用檢測算法從生成的圖像中檢測車牌。如果車牌能夠被檢測到，那么就認(rèn)為該車牌為清晰車牌，并將它從數(shù)據(jù)庫中刪除，否則就將其保留下來。

S13、由于從監(jiān)控視頻中獲取的車牌圖像是未加標(biāo)簽的，需要設(shè)計(jì)了一個(gè)加標(biāo)簽準(zhǔn)則，然后依據(jù)該準(zhǔn)則建立了訓(xùn)練集和測試集。對于一幅模糊車牌圖像，用人眼去識別它的后五位字符，如果能取得100％的識別率就將該車牌圖像標(biāo)定為比較模糊的圖像，否則將該車牌標(biāo)定為嚴(yán)重模糊的圖像。依據(jù)該準(zhǔn)則就可以建立帶標(biāo)簽的訓(xùn)練庫和測試庫，標(biāo)簽共兩類：比較模糊和嚴(yán)重模糊。

進(jìn)一步，所述步驟S2，其具體意義為：

S21、對于一幅車牌圖像，從它后五位字符所在的區(qū)域中提取圖像塊。這樣做的原因是，所設(shè)計(jì)的打標(biāo)簽機(jī)制只涉及到車牌的后五位字符。依據(jù)中國大陸車牌制定標(biāo)準(zhǔn)，定位到車牌后五位字符所在區(qū)域。在得到目標(biāo)區(qū)域后，將該區(qū)域平均分割成五個(gè)子區(qū)域，并將相鄰的兩個(gè)子區(qū)域結(jié)合起來作為一個(gè)圖像塊，這樣就從一幅車牌中提取出了四個(gè)圖像塊。并且這四個(gè)圖像塊具有和該車牌圖像一樣的標(biāo)簽。

S22、利用提取出的所有的圖像塊進(jìn)行字典模型的訓(xùn)練，這里使用的字典學(xué)習(xí)模型為邏輯回歸引導(dǎo)的判別字典學(xué)習(xí)模型，用公式描述為：

其中D_j是第j類樣本對應(yīng)的子字典，X_j是第j類訓(xùn)練樣本矩陣,A_j是第j類樣本的表示系數(shù)矩陣，C是樣本的類別數(shù)目，K是樣本的數(shù)目，α_i是第i個(gè)樣本對應(yīng)的稀疏表示系數(shù)，公式的第三項(xiàng)為邏輯回歸模型的損失函數(shù)，希望訓(xùn)練樣本的稀疏表示系數(shù)能使得邏輯回歸模型的損失函數(shù)可以取得極小值，即通過邏輯回歸模型來引導(dǎo)字典模型的學(xué)習(xí)，使得訓(xùn)練出的字典既有對車牌圖像塊的表示能力，又有判別分類的能力，損失函數(shù)中的h_θ(x)為邏輯回歸模型的預(yù)測函數(shù)，具體為：

在得到字典D后，對于給定的測試樣本y，用每一類樣本對應(yīng)的子字典對y進(jìn)行稀疏表示，以第j類為例：

令代表對應(yīng)于第j類的字典原子對測試樣本y進(jìn)行重建得到的重建誤差，并且該重建誤差會(huì)用于模糊車牌圖像模糊度分類特征的提取。

S23、在得到字典D之后，對輸入的訓(xùn)練車牌圖像I，用D的每一個(gè)子字典分別稀疏表示I的每一個(gè)圖像塊。由于車牌圖像的模糊等級共兩類，因此D共有兩個(gè)子字典，故可以得到兩個(gè)重建誤差。對于每一個(gè)圖像塊p_k，通過如下公式計(jì)算它的一個(gè)二維重建誤差向量：

E_k＝[e_k,1,e_k,2]^T,k＝1,2,3,4

由于采用的字典學(xué)習(xí)模型具有判別能力，比較模糊的圖像塊的重建誤差向量與嚴(yán)重模糊的圖像塊的重建誤差向量之間有區(qū)分性。將比較模糊的圖像看作第一類，那么比較模糊的圖像塊的重建誤差向量的第一個(gè)元素的值要比第二個(gè)元素的值小，嚴(yán)重模糊的圖像塊的重建誤差向量則相反。在得到這四個(gè)重建誤差向量之后，需要對它們進(jìn)行融合來生產(chǎn)車牌圖像I的判別特征。由于車牌圖像的四個(gè)圖像塊對車牌的模糊程度有相同的貢獻(xiàn)率，將這四個(gè)重建誤差向量進(jìn)行和池化，將得到的向量作為車牌圖像I的判別特征。

S24、在提取出模糊級別評價(jià)特征之后，利用支持向量機(jī)對特征進(jìn)行學(xué)習(xí)，建立模糊度級別和該特征的映射模型，即模糊度評價(jià)模型。

本發(fā)明的有益效果是：本發(fā)明的模糊車牌圖像模糊度評價(jià)的方法，包括：基于人眼對車牌圖像的識別能力設(shè)計(jì)了模糊車牌圖像模糊等級標(biāo)定準(zhǔn)則，并依據(jù)該準(zhǔn)則建立了帶標(biāo)簽的訓(xùn)練庫和測試庫；基于邏輯回歸引導(dǎo)的判別字典學(xué)習(xí)模型對車牌圖像塊的重構(gòu)誤差向量，設(shè)計(jì)車牌模糊等級評價(jià)特征；基于所設(shè)計(jì)的特征建立了評價(jià)模型。本方法提供了一種有效的模糊車牌圖像模糊度評價(jià)的方法，可用于將模糊車牌劃分為比較模糊的車牌或嚴(yán)重模糊的車牌。

附圖說明

圖1是本發(fā)明的模糊車牌模糊度評價(jià)方法的流程示意圖；

圖2是特征提取階段框圖；

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明作進(jìn)一步說明。

參照圖1和圖2，本發(fā)明提供了模糊車牌圖像模糊度評價(jià)的方法，包括：

S1、設(shè)計(jì)模糊車牌圖像模糊等級標(biāo)定準(zhǔn)則，依據(jù)該準(zhǔn)則建立帶標(biāo)簽的訓(xùn)練庫和測試庫；

S2、基于邏輯回歸引導(dǎo)的判別字典學(xué)習(xí)模型對車牌圖像塊的重構(gòu)誤差向量，設(shè)計(jì)車牌模糊等級評價(jià)特征，并基于該特征建立評價(jià)模型；

進(jìn)一步，所述步驟S1，其具體為：

S11、由于沒有公開的用于驗(yàn)證評價(jià)算法的模糊車牌圖像數(shù)據(jù)集，因此需要從實(shí)際的監(jiān)控視頻中采集模糊車牌圖像，用于建立訓(xùn)練庫和測試庫。

S12、從監(jiān)控視頻中采集到的車牌圖像同時(shí)包含清晰圖像和模糊圖像，因此需要將模糊車牌圖像篩選處理，采用了一個(gè)用于卡口處的車牌檢測算法來進(jìn)行篩選工作。對于每一幅車牌圖像，使用Photoshop軟件生成它的虛擬背景，并用檢測算法從生成的圖像中檢測車牌。如果車牌能夠被檢測到，那么就認(rèn)為該車牌為清晰車牌，并將它從數(shù)據(jù)庫中刪除，否則就將其保留下來。

S13、由于從監(jiān)控視頻中獲取的車牌圖像是未加標(biāo)簽的，需要設(shè)計(jì)了一個(gè)加標(biāo)簽準(zhǔn)則，然后依據(jù)該準(zhǔn)則建立了訓(xùn)練集和測試集。對于一幅模糊車牌圖像，用人眼去識別它的后五位字符，如果能取得100％的識別率就將該車牌圖像標(biāo)定為比較模糊的圖像，否則將該車牌標(biāo)定為嚴(yán)重模糊的圖像。為了確保加標(biāo)簽的結(jié)果有很高的準(zhǔn)確率，選擇了五位有半年以上模糊車牌識別經(jīng)驗(yàn)的研究生來為采集到的車牌加標(biāo)簽。對于一幅車牌圖像，如果有超過3個(gè)人能取得100％的識別率，那么就將該車牌圖像標(biāo)定為比較模糊的圖像，否則就將該圖像標(biāo)定為嚴(yán)重模糊的圖像。依據(jù)該準(zhǔn)則就可以建立帶標(biāo)簽的訓(xùn)練庫和測試庫，標(biāo)簽共兩類：比較模糊和嚴(yán)重模糊。

進(jìn)一步，所述步驟S2，其具體意義為：

S21、對于一幅車牌圖像，從它后五位字符所在的區(qū)域中提取圖像塊。這樣做的原因是，所設(shè)計(jì)的打標(biāo)簽機(jī)制只涉及到車牌的后五位字符。依據(jù)中國大陸車牌制定標(biāo)準(zhǔn)，定位到車牌后五位字符所在區(qū)域。在得到目標(biāo)區(qū)域后，將該區(qū)域平均分割成五個(gè)子區(qū)域，并將相鄰的兩個(gè)子區(qū)域結(jié)合起來作為一個(gè)圖像塊，這樣就從一幅車牌中提取出了四個(gè)圖像塊。并且這四個(gè)圖像塊具有和該車牌圖像一樣的標(biāo)簽。

S22、利用提取出的所有的圖像塊進(jìn)行字典模型的訓(xùn)練，這里使用的字典學(xué)習(xí)模型為邏輯回歸引導(dǎo)的判別字典學(xué)習(xí)模型，用公式描述為：

其中D_j是第j類樣本對應(yīng)的子字典，X_j是第j類訓(xùn)練樣本矩陣,A_j是第j類樣本的表示系數(shù)矩陣，C是樣本的類別數(shù)目，K是樣本的數(shù)目，α_i是第i個(gè)樣本對應(yīng)的稀疏表示系數(shù)，公式的第三項(xiàng)為邏輯回歸模型的損失函數(shù)，希望訓(xùn)練樣本的稀疏表示系數(shù)能使得邏輯回歸模型的損失函數(shù)可以取得極小值，即通過邏輯回歸模型來引導(dǎo)字典模型的學(xué)習(xí)，使得訓(xùn)練出的字典既有對車牌圖像塊的表示能力，又有判別分類的能力，損失函數(shù)中的h_θ(x)為邏輯回歸模型的預(yù)測函數(shù)，具體為：

在得到字典D后，對于給定的測試樣本y，用每一類樣本對應(yīng)的子字典對y進(jìn)行稀疏表示，以第j類為例：

令代表對應(yīng)于第j類的字典原子對測試樣本y進(jìn)行重建得到的重建誤差，并且該重建誤差會(huì)用于模糊車牌圖像模糊度分類特征的提取。

S23、在得到字典D之后，對輸入的訓(xùn)練車牌圖像I，用D的每一個(gè)子字典分別稀疏表示I的每一個(gè)圖像塊。由于車牌圖像的模糊等級共兩類，因此D共有兩個(gè)子字典，故可以得到兩個(gè)重建誤差。對于每一個(gè)圖像塊p_k，通過如下公式計(jì)算它的一個(gè)二維重建誤差向量：

E_k＝[e_k,1,e_k,2]^T,k＝1,2,3,4

由于采用的字典學(xué)習(xí)模型具有判別能力，比較模糊的圖像塊的重建誤差向量與嚴(yán)重模糊的圖像塊的重建誤差向量之間有區(qū)分性。將比較模糊的圖像看作第一類，那么比較模糊的圖像塊的重建誤差向量的第一個(gè)元素的值要比第二個(gè)元素的值小，嚴(yán)重模糊的圖像塊的重建誤差向量則相反。在得到這四個(gè)重建誤差向量之后，需要對它們進(jìn)行融合來生產(chǎn)車牌圖像I的判別特征。由于車牌圖像的四個(gè)圖像塊對車牌的模糊程度有相同的貢獻(xiàn)率，將這四個(gè)重建誤差向量進(jìn)行和池化，將得到的向量作為車牌圖像I的判別特征。

S24、在提取出模糊級別評價(jià)特征之后，利用支持向量機(jī)對特征進(jìn)行學(xué)習(xí)，建立模糊度級別和該特征的映射模型，即模糊度評價(jià)模型。

以上是對本發(fā)明的較佳實(shí)施進(jìn)行了具體說明，但本發(fā)明創(chuàng)造并不限于所述實(shí)施例，熟悉本領(lǐng)域的技術(shù)人員在不違背本發(fā)明精神的前提下還可做出種種的等同變形或替換，這些等同的變型或替換均包含在本申請權(quán)利要求所限定的范圍內(nèi)。