申请/专利权人：南京航空航天大学

申请日：2020-12-07

公开（公告）日：2024-04-30

公开（公告）号：CN112598002B

主分类号：G06V20/62

分类号：G06V20/62;G06V10/30;G06V10/22;G06V30/148

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2021.04.23#实质审查的生效;2021.04.02#公开

摘要：针对当前车牌识别应用广泛，但对受复杂化境影响下车牌识别率不高的情况，本发明公开了一种雾气和噪声影响下的车牌识别方法，通过对受复杂环境图像进行去雾及去噪预处理后，使用基于深度学习的车牌识别算法进行车牌识别，最后使用RFID标签辅助车牌识别，可以实现车牌在复杂环境影响下的识别，该方法具有准确性和有效性，为复杂影响下的车牌识别提供了一种有效途径。

主权项：1.一种雾气和噪声影响下的车牌识别方法，其特征在于，包括以下步骤：步骤1，采集受雾气和噪声影响的车辆图像；步骤2，对受雾气和噪声影响的车辆图像分别使用去雾算法和去噪声算法进行预处理；步骤2.1，使用NL-means算法对图像进行去噪处理，NL-means算法噪声模型为：Vi＝Xi+Ni其中，Xi是原始图像，Ni是均值为0，方差为σ2的高斯白噪声，Vi是被噪声污染的图像；对于给定的一个噪声图像V＝{Vi|i∈I}，对于图像坐标范围I中的任何一个像素，NL-means算法使用整个噪声图像中所有像素的加权平均来得到这个像素点的估计，表示为如下形式： 其中权重wi,j的值取决于像素i和j的相似度，并且满足0≤wi,j≤1和∑jwi,j＝1；像素i和j的相似程度由以i和j为中心的矩阵的高斯加权欧式距离di,j来度量： 上式表示邻域矩阵Ni和Nj之间高斯加权欧式距离的L2范数，α是高斯函数的标准差；权重wi,j定义为如下： 其中，ci是归一化常数，参数h是指数函数的衰减系数，控制高斯函数的衰减程度；步骤2.2，采用大气散射模型、使用暗通道去雾算法对图像进行去雾处理，输入图像J的暗通道为： 其中，Jc表示彩色图像的每一个通道，ΩX表示以像素x为中心的一个窗口，r、g、b为红色、绿色、蓝色三个颜色通道；步骤2.2.1，计算大气散射模型的光线透射率tx：采用大气散射模型作为雾气图像模型：Ix＝Jxtx+A[1-tx]其中，Ix是待去雾图像；A是大气光强度，通常情况下假设为全局变量，与空间坐标无关；Jx是需要恢复的无雾图像；针对雾气图像模型进行变形处理： 其中c表示图像中RGB三个颜色通道，J是待求的无雾图像，A是大气光，I是输入的雾气图像，针对模型进行一次最小值运算，取每个通道中的最小值，得到下式： 令在每一个小的局部窗口区域中透射率没有差异，即在该局部窗口区域ΩX中透射率tx是一个常数，定义为对上式进行最小值滤波，取每个局部区域中暗通道的最小值： 根据暗通道先验原理概念定义： 又由统计分析得到无雾图像的暗通道都有很低的值，则：Jdark→0于是： 为防止去雾过度，应引入取值范围为[0,1]的预设的参数ω，将上式修正为： 步骤2.2.2，计算大气散射模型的大气光强度A：通过将暗通道图中的像素点按照亮度大小排序，选取前0.1％分位数处的像素值的亮度作为大气光强度A的值；步骤2.2.2，计算去雾后的图像：考虑到当透射率t值很小时，会导致J值偏大，使整张图向白场过度，预先设置阈值t0，当投射率小于t0时，令t＝t0；把透射率tx，大气光强度A代入Ix＝Jxtx+A[1-tx]，获得无雾图像为： 步骤3，基于深度学习对经过预处理的车辆图像进行车牌定位与车牌识别。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种雾气和噪声影响下的车牌识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD