CN114419612B - 一种用于景区车牌识别的图像超分辨率重建方法及装置 - Google Patents
一种用于景区车牌识别的图像超分辨率重建方法及装置 Download PDFInfo
- Publication number
- CN114419612B CN114419612B CN202210023720.4A CN202210023720A CN114419612B CN 114419612 B CN114419612 B CN 114419612B CN 202210023720 A CN202210023720 A CN 202210023720A CN 114419612 B CN114419612 B CN 114419612B
- Authority
- CN
- China
- Prior art keywords
- image
- module
- convolution
- feature
- feature map
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 239000000284 extract Substances 0.000 claims abstract description 4
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 3
- 238000011176 pooling Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 8
- 238000013178 mathematical model Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- MKYBYDHXWVHEJW-UHFFFAOYSA-N N-[1-oxo-1-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propan-2-yl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(C(C)NC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 MKYBYDHXWVHEJW-UHFFFAOYSA-N 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012956 testing procedure Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于景区车牌识别的图像超分辨率重建方法及装置，重建方法包括模型训练，分割获得车牌图像，利用超分辨率重建网络重建输出高分辨率车牌图像等步骤；图像超分辨率重建网络包括前级卷积层、后级卷积模块、多级融合模块和放大模块，前级卷积层与多个后级卷积模块首尾顺次连接，后级卷积模块同时接收其上游端输出的特征图和初级特征图作为输入，提取并输出图像的次级特征图。本发明利用LSA空间注意力模块对小视野的特征图进行空间校准，并利用GSA空间注意力模块和MSA空间注意力模块同时对所有不同大小视野的特征图进行空间校准，对信息校准更有针对性，模型具有对边缘特征提取效率高，抗噪声能力强等优点。
Description
技术领域
本发明属于人工智能技术领域，具体地说，涉及一种用于景区车牌识别的图像超分辨率重建方法及装置。
背景技术
现代化的智能交通系统中，基于计算机视觉的车牌识别技术已经被广泛地采用，结合云计算和大数据等技术，能够实现自动收费、车辆定位、预防违法犯罪等。准确的车牌识别依赖于清晰的车牌图像输入，但是对于许多景区来说，面积广大，地形复杂，景区中摄像头采集的车牌图像分辨率通常都比较低，导致最终识别精度不高。
发明内容
针对现有技术中上述的不足，本发明提供一种用于景区车牌识别的图像超分辨率重建方法及装置，通过对车牌图像进行超分辨率重建，提高车牌图像分辨率，进而提高车牌识别的正确率。
为了达到上述目的，本发明采用的解决方案是：一种用于景区车牌识别的图像超分辨率重建方法，包括以下步骤：
S1、获取图像超分辨率重建网络，获取训练数据集，利用所述训练数据集训练所述图像超分辨率重建网络；
S2、获取低分辨率车牌图像，所述低分辨率车牌图像从场景图像中分割获得；
S3、获取步骤S1中训练完成的所述图像超分辨率重建网络，将步骤S2中获得的所述低分辨率车牌图像输入所述图像超分辨率重建网络，经过超分辨率重建后，所述图像超分辨率重建网络输出分辨率大于所述低分辨率车牌图像的高分辨率车牌图像；
所述图像超分辨率重建网络包括前级卷积层、后级卷积模块、多级融合模块和放大模块；所述前级卷积层设于所述图像超分辨率重建网络的前端，所述前级卷积层与多个所述后级卷积模块首尾顺次连接，所述前级卷积层用于提取获得图像的初级特征图。所述后级卷积模块同时接收其上游端输出的特征图和所述初级特征图作为输入，提取并输出图像的次级特征图。对于网络中的第一个后级卷积模块，其两个输入端输入的特征图均为初级特征图，而对于后面的后级卷积模块，其左侧输入的特征图来自上一个后级卷积模块的输出，其中间GSA空间注意力模块输入的特征图为初级特征图。
所述多级融合模块接收各个所述后级卷积模块输出的所述次级特征图作为输入，经过特征融合后，输出深层特征图；所述放大模块接收所述深层特征图作为输入，然后输出所述高分辨率车牌图像；
所述后级卷积模块可以用如下数学模型表示：
M1＝σ1(f13(Kn))
M2＝σ2(f15(Kn))
M3＝fLSA([M1,M2])·[M1,M2]
M4＝[M3,σ3(f251(M1)),σ4(f252(M2))]
M5＝(fGSA(K0)·M4)+(fMSA(M4)·M4)
Kn+1＝Kn+σ5(f31(M5))
其中，K0代表所述初级特征图，Kn和K0同时作为输入所述后级卷积模块的特征图，f13表示卷积核大小为3*3的卷积操作，f15、f251和f252均表示卷积核大小为5*5的卷积操作，σ1、σ2、σ3、σ4和σ5均表示非线性激活函数ReLU，f31表示卷积核大小为1*1的卷积操作，[·]表示对其中的特征图进行拼接操作，fLSA()表示LSA空间注意力模块，fLSA([M1,M2])表示将[M1,M2]特征图输入LSA空间注意力模块后，LSA空间注意力模块输出的空间校准图，该校准图与M1、M2拼接后的特征图相乘，对M1、M2拼接后的特征图空间上不同位置分配不同大小的权重参数。fGSA()表示GSA空间注意力模块，fMSA()表示MSA空间注意力模块，Kn+1为所述后级卷积模块输出的特征图。
进一步地，在步骤S1中，利用所述训练数据集训练所述图像超分辨率重建网络过程中，采用的损失函数为L1损失函数。
进一步地，所述前级卷积层的卷积核大小为3*3。
进一步地，所述LSA空间注意力模块可以用如下数学模型表示：
JF＝[LCaxP(A),LCenP(A),LCvaP(A),LCaxP(A)-LCvaP(A)]LA＝δL(fL(JF))
其中，A代表输入所述LSA空间注意力模块的特征图，LA代表所述LSA空间注意力模块输出的空间校准图，LCenP()表示对特征图做全局平均池化操作，LCaxP()表示对特征图的做全局最大池化操作，LCvaP()表示对特征图做全局方差池化操作(也就是求通道方向的方差值)，全局平均池化操作、全局最大池化操作和全局方差池化操作的方向均为通道方向，[·]表示将其中的校准图进行拼接操作，fL表示卷积操作，其卷积核大小为1*1，δL表示sigmoid激活函数。
进一步地，所述GSA空间注意力模块可以用如下数学模型表示：
G＝δG(fG([GCenP(K0),GCaxP(K0)]))
其中，K0表示所述初级特征图，K0作为输入所述GSA空间注意力模块的特征图，G代表所述GSA空间注意力模块输出的空间校准图，GCenP()表示对特征图做全局平均池化操作，GCaxP()表示对特征图的做全局最大池化操作，全局平均池化操作和全局最大池化操作的方向均为通道方向，[·]表示对其中的特征图进行拼接操作，fG表示卷积核大小为5*5的卷积操作，δG表示sigmoid激活函数。
进一步地，所述MSA空间注意力模块的数学模型为：
MA＝δM(fM([MCenP(M4),MCaxP(M4),MCmeP(M4)]))
其中，M4表示输入所述MSA空间注意力模块的特征图，MA表示所述MSA空间注意力模块输出的空间校准图，MCenP()表示对特征图做全局平均池化操作，MCaxP()表示对特征图的做全局最大池化操作，MCmeP()表示对特征图做全局中值池化操作(也就是求通道方向的中位数)，全局平均池化操作、全局最大池化操作和全局中值池化操作的方向均为通道方向，[·]表示对其中的特征图在通道方向上进行拼接操作，fM表示卷积核大小为5*5的卷积操作，δM表示sigmoid激活函数。
本发明还提供了一种用于景区车牌识别的图像超分辨率重建装置，包括处理器和存储器，所述存储器储存有计算机程序，所述处理器通过加载所述计算机程序，用于执行如上所述的用于景区车牌识别的图像超分辨率重建方法。
本发明的有益效果是：
(1)在后级卷积模块中，先利用视野范围较小的3*3卷积和5*5卷积进行卷积操作，通过LSA空间注意力模块对小视野的特征图进行空间校准，然后再将5*5卷积与前面的3*3卷积和5*5卷积分别串联，形成相当于7*7和9*9的大视野范围，并利用GSA空间注意力模块和MSA空间注意力模块同时对所有不同大小视野的特征图进行空间校准，这样最终大视野特征图和小视野特征图的校准方式不同，两次校准配合起来，使得对不同信息校准更有针对性；
(2)研究发现，采用本发明所提供的GSA空间注意力模块和MSA空间注意力模块对大视野特征图具有很好的校准效果，而且GSA空间注意力模块和MSA空间注意力模块与LSA空间注意力模块配合，对小视野特征图同样具有高效的调制校准能力；
(3)由于最终的目的是对车牌信息进行分类识别，需要获取的是汉子、字母和数字信息，与其他超分辨率重建目标有所不同，清晰地重建出字体的边缘信息，对于提高后续车牌识别准确率具有重要的促进作用，所以在MSA空间注意力模块中设置了中值池化，使得网络重点学习提取边缘特征，提高最终车牌识别准确率；
(4)实验还表明，将初级特征图输入GSA空间注意力模块，GSA空间注意力模块调制后的特征图与MSA空间注意力模块调制后的特征图相加，使得网络的抗噪声能力显著提高，这同样能够降低车牌识别的误判概率。
附图说明
图1为本发明的图像超分辨率重建网络整体架构的结构示意图；
图2为图1所示图像超分辨率重建网络中后级卷积模块的内部结构示意图；
图3为图2所示后级卷积模块中LSA空间注意力模块的内部结构示意图；
图4为图2所示后级卷积模块中GSA空间注意力模块的内部结构示意图；
图5为图2所示后级卷积模块中MSA空间注意力模块的内部结构示意图；
附图中：
1-低分辨率车牌图像，2-前级卷积层，3-后级卷积模块，31-LSA空间注意力模块，32-GSA空间注意力模块，33-MSA空间注意力模块，34-残差连接，4-多级融合模块，5-放大模块，6-高分辨率车牌图像。
具体实施方式
以下结合附图对本发明作进一步描述：
实施例1：
在本实施例中，超分辨率重建网络整体的架构如图1所示，模型中所有卷积操作的步长均为1，卷积前后特征图长宽尺寸保持不变。训练过程中，损失函数为L1损失函数，学习率固定设置。先利用公共的数据集预训练模型，然后利用车牌图像数据集进一步训练模型。
前级卷积层2的卷积核大小为3*3，低分辨率车牌图像1经过前级卷积层2后，输出得到通道数量为48的初级特征图。为了在模型性能和复杂度之间取得平衡，后级卷积模块3设置为六个，后级卷积模块3的内部结构如图2所示。为了避免特征消失，以及网络训练过程中产生梯度爆炸，后级卷积模块3中设置了残差连接34。当特征图输入后级卷积模块3后，先是前端的3*3卷积和5*5卷积提取小视野特征，均输出通道数量为48的特征图，拼接并经过LSA空间注意力模块31校准后，得到通道数量为96的特征图M3。另一方面，前端的3*3卷积和5*5卷积输出的特征图还经过后面的5*5卷积操作，在更大的视野上提取特征，得到的特征图一起拼接起来，得到通道数量为192的特征图M4。经过GSA空间注意力模块32和MSA空间注意力模块33校准后，利用1*1卷积层将通道数量降为48。
在LSA空间注意力模块31内部，对特征图的每个通道进行全局最大池化、全局方差池化和全局平均池化操作，实验过程中，发明人发现，添加全局最大池化后校准图与全局方差池化后校准图作差分支，最终得到的校准图配合GSA空间注意力模块32和MSA空间注意力模块33，具有更好的校准效果。GSA空间注意力模块32和MSA空间注意力模块33内部的操作过程与LSA空间注意力模块31相似。
多级融合模块4和放大模块5均采用现有的技术实现，具体在本实施例中，多级融合模块4采用卷积核大小为1*1的卷积层，输入的特征图通道数量为6*48，经过特征融合后，输出特征图的通道数量为48。放大模块5包括两个3*3卷积层和一个pixelshuffle层，pixelshuffle层设置在两个3*3卷积层的中间，放大模块5最终输出通道数量为3的高分辨率车牌图像6。
采用完全相同的训练和测试过程(数据集等条件也完全相同)，将本发明与现有的先进网络SAN(出自文章Second-order Attention Network for Single Image Super-Resolution)和CSAR(出自文章Channel-wise and Spatial Feature Modulation Networkfor Single Image Super-Resolution)进行对比实验，其结果如下表所示：
| 模型 | 放大倍数 | PSNR | SSIM | 识别率 |
| SAN | 4 | 26.53 | 0.8013 | 83.59％ |
| CSAR | 4 | 26.78 | 0.8054 | 86.72％ |
| 实施例1 | 4 | 27.15 | 0.8096 | 92.44％ |
测试过程中采用的分类识别网络，为训练好的同一个网络。从上面的结果可以看出，本发明所提供的方法与现有技术相比，具有明显的进步。
实施例2：
为了证明本发明所提供的整体网络架构和后级卷积模块3结构的高效性，实施例2将LSA空间注意力模块31的内部结构和MSA空间注意力模块33的内部结构均改为图4所示的GSA空间注意力模块32结构。采用与实施例1完全相同的实验方式和实验过程，对比结果如下表所示：
| 模型 | 放大倍数 | PSNR | SSIM | 识别率 |
| 实施例1 | 4 | 27.15 | 0.8096 | 92.44％ |
| 实施例2 | 4 | 26.91 | 0.8079 | 89.23％ |
从结果可以看出，当后级卷积模块3中各个空间注意力模块采用不同的内部结构，图像超分辨率重建网络依然具有相对优秀的超分辨率重建能力，说明本发明所提供的整体网络架构和后级卷积模块3结构与现有技术相比，具有很好的特征提取能力。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (4)
1.一种用于景区车牌识别的图像超分辨率重建方法，其特征是：包括以下步骤：
S1、获取图像超分辨率重建网络，获取训练数据集，利用所述训练数据集训练所述图像超分辨率重建网络；
S2、获取低分辨率车牌图像，所述低分辨率车牌图像从场景图像中分割获得；
S3、获取步骤S1中训练完成的所述图像超分辨率重建网络，将步骤S2中获得的所述低分辨率车牌图像输入所述图像超分辨率重建网络，经过超分辨率重建后，所述图像超分辨率重建网络输出分辨率大于所述低分辨率车牌图像的高分辨率车牌图像；
所述图像超分辨率重建网络包括前级卷积层、后级卷积模块、多级融合模块和放大模块；所述前级卷积层设于所述图像超分辨率重建网络的前端，所述前级卷积层与多个所述后级卷积模块首尾顺次连接，所述前级卷积层用于提取获得图像的初级特征图；所述后级卷积模块同时接收其上游端输出的特征图和所述初级特征图作为输入，提取并输出图像的次级特征图；所述多级融合模块接收各个所述后级卷积模块输出的所述次级特征图作为输入，经过特征融合后，输出深层特征图；所述放大模块接收所述深层特征图作为输入，然后输出所述高分辨率车牌图像；
所述后级卷积模块可以用如下数学模型表示：
M1＝σ1(f13(Kn))
M2＝σ2(f15(Kn))
M3＝fLSA([M1,M2])·[M1,M2]
M4＝[M3,σ3(f251(M1)),σ4(f252(M2))]
M5＝(fGSA(K0)·M4)+(fMSA(M4)·M4)
Kn+1＝Kn+σ5(f31(M5))
其中，K0代表所述初级特征图，Kn和K0同时作为输入所述后级卷积模块的特征图，f13表示卷积核大小为3*3的卷积操作，f15、f251和f252均表示卷积核大小为5*5的卷积操作，σ1、σ2、σ3、σ4和σ5均表示非线性激活函数ReLU，f31表示卷积核大小为1*1的卷积操作，[·]表示对其中的特征图进行拼接操作，fLSA()表示LSA空间注意力模块，fGSA()表示GSA空间注意力模块，fMSA()表示MSA空间注意力模块，Kn+1为所述后级卷积模块输出的特征图；
所述LSA空间注意力模块可以用如下数学模型表示：
JF＝[LCaxP(A),LCenP(A),LCvaP(A),LCaxP(A)-LCvaP(A)]LA＝δL(fL(JF))
其中，A代表输入所述LSA空间注意力模块的特征图，LA代表所述LSA空间注意力模块输出的空间校准图，LCenP()表示对特征图做全局平均池化操作，LCaxP()表示对特征图的做全局最大池化操作，LCvaP()表示对特征图做全局方差池化操作，全局平均池化操作、全局最大池化操作和全局方差池化操作的方向均为通道方向，[·]表示将其中的校准图进行拼接操作，fL表示卷积操作，其卷积核大小为1*1，δL表示sigmoid激活函数；
所述GSA空间注意力模块可以用如下数学模型表示：
G＝δG(fG([GCenP(K0),GCaxP(K0)]))
其中，K0表示所述初级特征图，K0作为输入所述GSA空间注意力模块的特征图，G代表所述GSA空间注意力模块输出的空间校准图，GCenP()表示对特征图做全局平均池化操作，GCaxP()表示对特征图的做全局最大池化操作，全局平均池化操作和全局最大池化操作的方向均为通道方向，[·]表示对其中的特征图进行拼接操作，fG表示卷积核大小为5*5的卷积操作，δG表示sigmoid激活函数；
所述MSA空间注意力模块的数学模型为：
MA＝δM(fM([MCenP(M4),MCaxP(M4),MCmeP(M4)]))
其中，M4表示输入所述MSA空间注意力模块的特征图，MA表示所述MSA空间注意力模块输出的空间校准图，MCenP()表示对特征图做全局平均池化操作，MCaxP()表示对特征图的做全局最大池化操作，MCmeP()表示对特征图做全局中值池化操作，全局平均池化操作、全局最大池化操作和全局中值池化操作的方向均为通道方向，[·]表示对其中的特征图在通道方向上进行拼接操作，fM表示卷积核大小为5*5的卷积操作，δM表示sigmoid激活函数。
2.根据权利要求1所述的用于景区车牌识别的图像超分辨率重建方法，其特征是：在步骤S1中，利用所述训练数据集训练所述图像超分辨率重建网络过程中，采用的损失函数为L1损失函数。
3.根据权利要求1所述的用于景区车牌识别的图像超分辨率重建方法，其特征是：所述前级卷积层的卷积核大小为3*3。
4.一种用于景区车牌识别的图像超分辨率重建装置，包括处理器和存储器，所述存储器储存有计算机程序，其特征是：所述处理器通过加载所述计算机程序，用于执行如权利要求1至3任一项所述的用于景区车牌识别的图像超分辨率重建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210023720.4A CN114419612B (zh) | 2022-01-10 | 2022-01-10 | 一种用于景区车牌识别的图像超分辨率重建方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210023720.4A CN114419612B (zh) | 2022-01-10 | 2022-01-10 | 一种用于景区车牌识别的图像超分辨率重建方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114419612A CN114419612A (zh) | 2022-04-29 |
| CN114419612B true CN114419612B (zh) | 2024-11-08 |
Family
ID=81272196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210023720.4A Active CN114419612B (zh) | 2022-01-10 | 2022-01-10 | 一种用于景区车牌识别的图像超分辨率重建方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114419612B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114882203B (zh) * | 2022-05-20 | 2024-05-28 | 江阴萃合智能装备有限公司 | 一种用于电力电网巡检机器人的图像超分辨率重建方法 |
| CN115018711B (zh) * | 2022-07-15 | 2022-10-25 | 成都运荔枝科技有限公司 | 一种用于仓库调度的图像超分辨率重建方法 |
| CN115546779B (zh) * | 2022-11-26 | 2023-02-07 | 成都运荔枝科技有限公司 | 一种物流货车车牌识别方法及设备 |
| CN118279641A (zh) * | 2024-02-28 | 2024-07-02 | 中国水利水电科学研究院 | 一种用于河流生态健康评估的鱼类目标识别方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
| CN113888412A (zh) * | 2021-11-23 | 2022-01-04 | 钟家兴 | 一种用于糖尿病视网膜病变分类的图像超分辨率重建方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160297B (zh) * | 2019-12-31 | 2022-05-13 | 武汉大学 | 基于残差注意机制时空联合模型的行人重识别方法及装置 |
-
2022
- 2022-01-10 CN CN202210023720.4A patent/CN114419612B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
| CN113888412A (zh) * | 2021-11-23 | 2022-01-04 | 钟家兴 | 一种用于糖尿病视网膜病变分类的图像超分辨率重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114419612A (zh) | 2022-04-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114419612B (zh) | 一种用于景区车牌识别的图像超分辨率重建方法及装置 | |
| CN109035149B (zh) | 一种基于深度学习的车牌图像去运动模糊方法 | |
| CN111222396B (zh) | 一种全天候多光谱行人检测方法 | |
| CN105335716B (zh) | 一种基于改进udn提取联合特征的行人检测方法 | |
| CN111696038B (zh) | 图像超分辨率方法、装置、设备及计算机可读存储介质 | |
| CN105512660A (zh) | 车牌号码识别方法及装置 | |
| CN112132844A (zh) | 基于轻量级的递归式非局部自注意力的图像分割方法 | |
| CN111985451A (zh) | 一种基于YOLOv4的无人机场景检测方法 | |
| CN111062381B (zh) | 一种基于深度学习的车牌位置检测方法 | |
| CN109543546B (zh) | 基于深度序分布回归的步态年龄估计方法 | |
| CN116580195A (zh) | 基于ConvNeXt卷积的遥感图像语义分割方法及系统 | |
| CN114119621A (zh) | 基于深度编解码融合网络的sar遥感图像水域分割方法 | |
| CN113052057A (zh) | 一种基于改进卷积神经网络的交通标志识别方法 | |
| CN115861799A (zh) | 基于注意力梯度的轻量化空对地目标检测方法 | |
| CN111461129A (zh) | 一种基于上下文先验的场景分割方法和系统 | |
| CN111126401A (zh) | 一种基于上下文信息的车牌字符识别方法 | |
| CN116051534A (zh) | 一种基于人工智能的仓库顶棚太阳能板缺陷检测方法 | |
| CN115330839A (zh) | 基于无锚孪生神经网络的多目标检测跟踪一体化方法 | |
| CN115115973A (zh) | 一种基于多感受野与深度特征的弱小目标检测方法 | |
| CN115346068A (zh) | 一种铁路货运列车螺栓丢失故障图像自动生成方法 | |
| Sun et al. | Deep learning based pedestrian detection | |
| Prabhakar et al. | Cdnet++: Improved change detection with deep neural network feature correlation | |
| CN111881914B (zh) | 一种基于自学习阈值的车牌字符分割方法及系统 | |
| CN113205078B (zh) | 基于多分支递进强化注意力人群计数方法 | |
| CN113688783B (zh) | 人脸特征提取方法、低分辨率人脸识别方法及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |