计算机应用

作者：张睿, 惠永科, 张延军, 潘理虎

单位：1.太原科技大学 计算机科学与技术学院，太原 030024；2.太原科技大学 机械工程学院，太原 030024

关键词：低质车牌信息,高质量重建,卷积计算,交通监控

基金：山西省基础研究计划项目(20210302123216);山西省产教融合研究生联合培养示范基地项目(2022JD11);山西省机械产品质量司法鉴定中心企业委托项目(2023254);太原科技大学研究生联合培养示范基地项目(JD2022004)

现有交通监控终端采集到的车辆影像通常存在远景低分辨率现象，并伴随有强噪、模糊、过曝、欠曝等一些不确定性像素影响因素，导致车牌信息智能识别的精度难以保证。针对上述问题，提出基于多维空间卷积信息增强的低质车牌信息超分辨率重建（LL-SR）网络。首先，利用卷积挖掘空间与通道特征点的相关性，聚合浅层特征；其次，从不同感受野和不同维度挖掘特征图之间的关联关系，从而恢复车牌信息的高频细节；最后，对得到的不同尺度特征进行跨通道像素级融合和矫正，以减少无用特征在上下文的传播，实现低质车牌信息的超分辨率重建。在太原车牌（LT）和美国车牌（LU）数据集上的实验结果表明，所提网络的峰值信噪比（PSNR）和结构相似性（SSIM）分别为26.682 4 dB和0.820 3及22.356 7 dB和0.781 3，相较于NGramSwin（N-Gram in Swin transformers）和CARN（CAscading Residual Network）分别提升了0.210 9 dB和1.736 1 dB、0.005 7和0.033 0及0.472 8 dB和1.419 2 dB、0.019 6和0.039 9；且重建后的车牌信息具有更好的视觉效果。

来源：2025年第1期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第1期