2024年06月13日
您是否遇到过车牌识别摄像头无法识别车牌，需要返回重新识别的情况？
车牌图像识别技术虽然已经广泛应用于交通管理领域，如交通违法识别、停车场管理、高速公路收费管理等，但由于高速运动、恶劣天气、摄像头抖动等多种原因，实现去模糊、准确识别的挑战依然存在。
近日，人工智能与先进计算学院研究团队开发了一个名为LPBlur的大规模车牌去模糊数据集和一个基于多尺度输入和输出的车牌去模糊模型——LPDGAN，大大提高了对极端环境下车牌识别的准确性。
该研究成果被2024年第33届国际人工智能联合会议会议(International Joint Conference on Artificial Intelligence) 收录。IJCAI会议（International Joint Conference on Artificial Intelligence)是人工智能领域最重要的国际顶级学术会议之一，被中国计算机学会（CCF）推荐为计算机学科领域A类国际会议。
论文的第一作者博士生宫昊言介绍道，在采集数据的时候，我们使用了一种创新的方法，即同时使用两个摄像头进行拍摄成对的图像。
“其中一个摄像头配备了快速的曝光时间，这样就能够捕捉到清晰的移动车辆图像。而另一个摄像头则被设置了较长的曝光时间，在车辆运动的情况下，它们在图像上会形成拖影效果，形成模糊的影像，来模拟现实场景中极端环境下的影像模糊。”
（图片说明：LPBlur数据集采集）
“LPBlur数据集最终由10,288对图像组成，其中包括在正常光线和低光线条件下捕获的图像，以及在雨天环境下采集的图像，确保了数据的多样性和真实性。”宫昊言介绍说，“在避免数据对齐问题的同时，我们还通过后期处理流程来消除了颜色偏差。”宫昊言说。
为了更加贴近实际应用，比如车辆识别，车辆可能在不同的距离被拍摄，研究团队还采用了多尺度学习的方法，让模型学习到车辆在不同尺度下的特征、识别出不同尺度下的车辆，从而提高识别的准确性。
实验结果显示，LPDGAN模型在正常光线和低光线条件下的去模糊性能均优于当前最先进的去模糊算法。特别是在低光线条件下，LPDGAN模型展现出卓越的性能，提供了更加清晰和详细的车牌图像。这一成果不仅推动了车牌识别技术的发展，也为智能交通系统的实现提供了强有力的技术支持。
（图片说明：LPDGAN车牌去模糊模型）
论文第一作者宫昊言的指导老师刘洪斌博士（下图右）介绍，车牌识别技术在公共安全领域中也扮演着重要角色，例如在交通违规监控、车辆追踪等方面。去模糊技术也可以提高监控图像的清晰度，从而帮助执法部门更准确地识别和追踪车辆。
（左：宫昊言 右：刘洪斌）
未来，团队计划继续扩大数据集，以增加数据的多样性和提升模型的准确性，并尝试与企业、政府合作加速科研成果的转化和落地。
博士生宫昊言（上图左）说，西浦创业家学院（太仓）的学术创新氛围，以及学校和老师提供的设备及资源支持对他有很大帮助。“每周老师都会询问进度，并且提供一些想法去指导我们，研究小组内外关于学术创新的讨论也非常多。学校给每个学生都提供了用于模型训练的计算资源，这些都让我受益良多。”
论文的指导老师刘洪斌博士还提到，科研不仅仅是理论上的探索，更是要将研究成果应用于日常生活中解决实际的问题，不同领域的知识和方法相互结合，才可以产生新的视角和解决方案。
研究论文《A Dataset and Model for Realistic License Plate Deblurring》可在此处阅读。
（记者：王诗槐 编辑：王诗槐 纪虹羽 图片提供：宫昊言 邱博群）
2024年06月13日