摘 要：在車牌識別算法中，我們針對運動模糊時車牌識別率低下時識別率不高的問題，使用去運動模糊技術(shù)恢復(fù)清晰的車牌，并提高識別率。該方法建立在非盲卷的基礎(chǔ)上，首先獲取汽車的速度，然后計算運動核，再根據(jù)運動核通過非盲卷與盲卷算法恢復(fù)清晰的圖像，在恢復(fù)清晰圖像之后，車牌識別算法可以有效的識別率。此外，我們還分析了盲卷算法中，求取運動核的方法，并就二范數(shù)和一范數(shù)的區(qū)別做出分析，指出了這二種范數(shù)求解運動核的差異性。

關(guān)鍵詞：車牌識別；非盲卷算法；運動模糊；范數(shù)

中圖分類號：TP391.41

圖像的噪音去除和恢復(fù)技術(shù)一直是圖像處理技術(shù)發(fā)展的重點，而去運動模糊由于其有廣泛的實用價值，近年來一直是圖像處理技術(shù)的重要研究方向。例如，在車牌識別中，對于過于高速的汽車，牌照會產(chǎn)生運動模糊，使用去運動模糊技術(shù)將模糊圖像恢復(fù)為清晰圖像，可以大大提高識別率。

去運動模糊的關(guān)鍵在于如何根據(jù)已知模糊圖像恢復(fù)原清晰圖像，由于運動模糊圖像可以理解為原清晰圖像和運動核的卷積，表示為下式：I=B⊕K。

I為模糊圖像，B為清晰圖像，K為運動核算子，I為已知，如果K已知，就可以用反卷積算法獲取原清晰圖像，或使用非盲卷算法求解B。因此去運動模糊技術(shù)的技術(shù)難度主要取決于如何求取運動核，如果運動核未確定，那么不僅需要求取清晰圖像，還需要獲取運動核，此時去模糊問題是一個病態(tài)問題，需使用盲目卷算法求解，難度較大。

由于盲卷算法復(fù)雜，且效果有限，我們在此盡可能通過其它方法求取運動核，并使用非盲卷方法求取清晰圖像。

而非盲卷方法根據(jù)核的性質(zhì)，又可以分為時空不變核和時空變化核的求解問題。時空變化核的特點在于：運動物體在運動過程中，每個點的運動是不同的，例如在旋轉(zhuǎn)情況下，每個點的運動軌跡是不一樣的，因此屬于時空變化核，而空間上的平移，每個點的運動軌跡相同，屬于時空不變核。

在時空變化核中，由于圖像上的每個點的運動軌跡都是變化的，因此每個點對應(yīng)一個運動向量，因此時空變化核的求取和探測都較不變核難度大很多。此外，時空變化核的非盲卷算法復(fù)雜于時空不變核。由于核是時空變化的，因此，反卷積不能用傅立葉變換和反變換求解，因此也加大了求解的難度。

汽車牌照的運動核較為簡單。由于汽車一般都是直線運動的，因此模糊汽車對應(yīng)的運動核一般都是時空不變核，而且汽車的運動速度也可以用測速器求解，因此汽車牌照的去運動模糊問題屬于非盲卷技術(shù)，時空不變核下非盲卷技術(shù)可以通過多種方法求解。

最簡單的方法是使用傅立葉變換，將核函數(shù)和模糊圖像同時變換到頻域，由于清晰圖像的頻域和核函數(shù)頻域的內(nèi)積等于模糊圖像，所以很容易求取出清晰圖像的頻域，從而進一步通過逆變換求解清晰圖像。傅立葉方法反卷積的問題在于抗噪音能力不強，大量的噪音信息夾雜在頻域中，影響了反卷積的效果。

目前常用的反卷積算法有維納反卷積算法、Richardson-Lucy（RL）反卷積算法[1]，RL迭代算法的特點是使用貝葉斯方法對每個需要求解的清晰圖像的像素，使用最大后驗概率估計方法，根據(jù)當前模糊像素和運動核，估計原像素的最大可能的顏色。由于該方法建立貝葉斯概率基礎(chǔ)上，這種方法不僅可用于空間不變核，也可適用于空間可變核，算法更為魯棒，但是此方法沒有定義計算必須的迭代次數(shù)但，過度迭代會通常會使得圖像失真，一般經(jīng)驗上說，迭代20-30次就可以得到較為良好的結(jié)果。

車牌識別分為幾部分，一為車牌的定位，二為車牌噪音的去除，三為車牌字模的提取與識別。我們的算法放在第二部分，也就是噪音去除部分

車牌的定位，主要方法是基于顏色，我國的車牌基本上為藍色，因此藍色集中的區(qū)域為車牌號所在，在確定車牌以后，然后再用霍夫變換檢測直線的方法，檢查車牌在圖片中的角度，在得到角度以后，對車牌進行規(guī)整化，規(guī)整為固定大小的長方形，然后再使用去噪音方法，去除車牌上的污點。

為了得到運動核，我們使用二類方法進行去運動模糊處理。在有測速器的情況下，我們可以根據(jù)測速器的結(jié)果自然的計算出運動核的相關(guān)參數(shù)。在沒有測速器的情況下，我們手工先預(yù)給定一個初始的速度值，再使用RL算法進行去運動模糊處理，然后使用文獻[3]所述方法使用統(tǒng)計的方法對模糊程度進行估計，然后根據(jù)估計結(jié)果動態(tài)調(diào)整運動分量，從而選擇最為清晰的結(jié)果。為了提高算法效率，我們使用快速去運動模糊算法[4]的方法進行高效盲卷求解。

該算法可以根據(jù)能量最小化原理求解核，具體方法如下：

在考慮到噪聲信息后，反卷積問題轉(zhuǎn)變?yōu)橐韵聠栴}：

在上式中，通過能量最小化的方式求取K算子，c|K|是重整項，為快速求解準確的K，在此通常使用二范數(shù)，在此基礎(chǔ)上，將算法中涉及運動模糊卷積的地方，使用快速傅立葉變換和逆變換進行計算，由于快速傅立葉變換的復(fù)雜度為nlog（n），因此極大的提高了算法的效率。

在經(jīng)過實驗后，我們發(fā)現(xiàn)二范數(shù)由于容易易于進行求導(dǎo)運算，因此求解效率高，但該算法魯棒性不高，在噪聲大時候，算法不能收斂到有效的運動核。

通過實驗，我們發(fā)現(xiàn)一范數(shù)求解效率不如二范數(shù)，一范數(shù)下的運動核求解需要使用特殊的方法，將絕對值轉(zhuǎn)化為其它形式進行計算，因此算法更易為復(fù)雜，但魯棒性更高，這其中最根本的原因在于：使用一范數(shù)形式使得求核問題轉(zhuǎn)化為壓縮感知問題求解，壓縮感知要求運動核中的非零項盡可能少，這一點是非常符合時空不變運動核的特點的。時空不變運動核在運動軌跡處才為非零項，其它項為零，因此求解運動核本質(zhì)上就要求算法基于運動感知。

在得到清晰車牌后，再使用模式識別方法識別車牌上的字母和數(shù)字。

我們在加入去運動模糊后，對模糊的車牌，識別率可提高20%左右，但是現(xiàn)有的方法，對于去除特別大的運動模糊，效果不佳，根本原因在于：特別大運動量的模糊，其噪音往往也特別大，而且車牌的定位也容易出現(xiàn)誤差，這些都使得去運動模糊效果不佳，從而影響了車牌的識別。在將來的工作中，我們考慮使用更新的算法實現(xiàn)去運動模糊處理[5]，這些算法效率更高，也更為有效。

參考文獻：

[1]RICHARDSON H W.Bayesian-Based Iterative Method of Image Restoration[J].Journal of the Optical Society of America，1972（01）：55-59.

[2]YUAN L，SUN J，QUAN L.Progressive inter-scale and intra-scale non-blindimage deconvolution[J].ACM Trans.Graph.，2008（03）：1-10.

[3]R.Fergus.Removing camera shake from a single photograph[J].SIGGRAPH，2006.

[4]S.Cho and S.Lee.Fast motion deblurring[J].SIGGRAPHASIA，2009.

[5]S.Cho，J.Wang，and S.Lee.Handling outliers in non-blind image deconvolution[J].In ICCV，2011.

作者簡介：沈洋（1975.02-），男，合肥人，講師，博士，研究方向：數(shù)字媒體、圖形圖像。

作者單位：麗水學院工學院，浙江麗水 323000