Skip to content

本研究针对实际交通监控场景中车牌图像因运动模糊与部分遮挡导致的质量退化问题,提出一种基于深度学习的多阶段车牌模糊图像复原方案。该方案创新性地融合U-Net与多尺度Vision Transformer (ViT)架构,构建了高效的端到端车牌图像复原网络。同时,设计了一种基于车牌边缘轮廓特征学习的训练策略,通过强化网络对车牌结构信息的提取能力,显著提升了网络在复杂场景下的图像复原效果。实验结果表明,该方法能够有效恢复车牌细节,为交通监控系统的车牌识别准确率提升提供了重要技术支持。

Notifications You must be signed in to change notification settings

zxx1218/plateDeblur

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

5 Commits
 
 

Repository files navigation

PlateDeblur--基于深度学习(U-Net与多尺度ViT)的车牌模糊图像修复算法模型

介绍:本课题构建了一个多阶段车牌模糊图像复原网络,并运用基于车牌图像边缘轮廓的无监督修复方法,能够卓有成效地应对车牌图像在实际交通监控场景中,因运动模糊和部分遮挡所引发的质量下降难题

提示: 模型训练完毕不久,代码正在整理阶段,近期忙碌,一个月内会上传

作者联系方式:

  • VX:Accddvva
  • QQ:1144968929

CSDN博客演示与模型在线体验链接:https://blog.csdn.net/qq_45566099/article/details/147233773?spm=1011.2415.3001.5331

About

本研究针对实际交通监控场景中车牌图像因运动模糊与部分遮挡导致的质量退化问题,提出一种基于深度学习的多阶段车牌模糊图像复原方案。该方案创新性地融合U-Net与多尺度Vision Transformer (ViT)架构,构建了高效的端到端车牌图像复原网络。同时,设计了一种基于车牌边缘轮廓特征学习的训练策略,通过强化网络对车牌结构信息的提取能力,显著提升了网络在复杂场景下的图像复原效果。实验结果表明,该方法能够有效恢复车牌细节,为交通监控系统的车牌识别准确率提升提供了重要技术支持。

Topics

Resources

Stars

Watchers

Forks