一种改进的运动模糊车牌复原技术

肖尧，易凯

（四川警察学院 四川泸州 646000）

现代科学技术的发展，带动了公安部门查案办案技术和方式的改变。随着公安机关视频监控系统以及民用、商用监控设备的完善和普及，图像为公安侦破各类案件的过程中带来了极大便利。由图像记录的重要信息常被收集作为案件证据，还原案件事实的重要突破口。图像中复原的运动模糊车牌图像能够使公安机关快速锁定嫌疑车辆，快速分析嫌疑人行动轨迹，快速侦破案件。

当前，复原运动模糊车牌图像的技术有很多，例如：朱一帆运用逆滤波算法和维纳滤波算法复原运动模糊图像，逆滤波算法需要在不存在噪声干扰情况下才有较好的复原效果，而维纳滤波算法能够有效地抑制噪声，在有先验信息的情况下也有很好的复原效果[1]；Richardson 和Lucy 二人基于贝叶斯理论提出的Richardson-Lucy（简称RL）算法[2][3]，该算法利用最大似然估计对模糊图像进行迭代求解；也有最小二乘方算法[4]和刘湘武改进最小二乘方算法复原运动模糊图像[5]；周志强等人提出的使用Butterworth 带通滤波器对模糊图像频谱图进行预处理的方法，也能够较好地求出重建模糊核参数[6]；陈娟提出的基于MAP 的多尺度复原运动模糊图像算法[7]能够提高运动去模糊的效果，但振铃效应仍然无法完全消除；李桐提出的基于图像中奇异值的复原模糊图像算法[8]能够避免的以往算法中所带来的振铃效应，去模糊的效果也相对较好，但是算法任过于复杂。

目前公安机关复原运动模糊车牌主要使用一些专业图像处理软件，但这些软件大多数都存在使用费用高、专业性强，普及率等问题，不能满足公安一线的实际需求[9]。所以本文提出将人工估计运动模糊核及点扩散函数PSF[10]与Matlab 软件中基于维纳滤波、正则化滤波、Richardson-Lucy、盲反褶积的四种算法相结合的方法来解决公安领域运动模糊车牌的复原问题。

一、运动模糊车牌复原的原理

（一）运动模糊车牌的物理形成原因

运动模糊车牌形成的原因有二：一种是成像设备每秒帧数的原因；另一种是监控系统在拍摄时车辆运动速度的原因。车辆在道路上短时间内的运动可以视为直线运动，在每帧的曝光时间内，车辆因快速运动在成像设备的传感器上留下一段位移图像，从而形成了运动模糊的车牌[11]。

图1 是成像设备形成运动模糊的简单原理图。由图1 我们知道，当拍被摄物体在成像设备曝光时间内有多次位移的情况下，成像设备的传感器上也会相应的留下多重影像，最终导致成像设备输出图像是产生运动模糊。

（二）运动模糊车牌的数字退化过程

将运动模糊车牌的物理形成过程转化为数字退化过程（如图2所示）。

图1 成像设备形成运动模糊的简单原理

图2 物理形成过程转化为数字退化过程

在数字退化过程中监控设备受到天气、温度、磁场等因素干扰，使数字图像存在噪声[11]。复原运动模糊车牌是指根据运动模糊核以及加入车牌图像中的噪声，尽可能的还原原始车牌中的有用信息。

其中：f（x，y）为理想的无运动模糊原始车牌，b（x，y）为运动模糊形成的模糊核，h（x，y）为无噪声的运动模糊车牌，N（x，y）为加入各种因素所引起的噪声，g（x，y）为加入噪声待复原的车牌Matlab中运动模糊图像复原算法。

本节主要介绍本课题用于研究运动模糊车牌复原的四种算法，具体如下：

基于维纳滤波的算法：J=deconvwnr（I，psf，nsr），其中运动模糊图像I 利用维纳滤波算法复原为去运动模糊图像J，psf是点扩散函数及模糊核，nsr是加性噪声与信号功率的比值。

基于正则化滤波的算法：J=deconvreg（I，psf，np），其中模糊图像I利用正则化滤波算法复原为去模糊图像J；psf是指点扩散函数及模糊核；np是指定噪声的功率。

基于Richardson-Lucy 的算法：J=deconvlucy（I，psf，iter），其中模糊图像I利用R-L 算法复原为去模糊图像J；psf是指点扩散函数及模糊核；iter是指迭代次数。

基于盲反褶积的算法：[J，psfr]=deconvblind（I，psf，iter），其中模糊图像I 利用盲反褶积的算法复原为去模糊图像J；psf是指点扩散函数及模糊核；iter是指迭代次数。

二、运动模糊车牌复原算法仿真实验

（一）不加噪复原运动模糊车牌算法比较

本组实验中，为原始车牌（图3）添加长度60 像素，方向角45 度的点扩散函数在未添加噪声干扰的情况下模拟无加噪运动模糊车牌（图4），将已知的点扩散函数（L=60，α=45°）与Matlab 中基于维纳滤波（图5）、正则化滤波（图6）、Richardson-Lucy（图7）、盲反褶积（图8）的四种算法相结合复原运动模糊车牌。

图3 原始车牌

图4 无加噪运动模糊车牌

图6 正则化滤波复原

图7 R-L算法复原

图8 盲反褶积算法复原

从实验结果可以看出基于维纳滤波的算法（图5），基于正则化滤波的算法（图6），基于Rich⁃ardson-Lucy 的算法（图7）能够在已知点扩散函数的情况下较好的复原运动模糊车牌，基于盲反褶积的算法（图8）虽然也能复原图像但是其效果不如前三种算法。

加噪复原运动模糊车牌算法比较：本组实验研究噪声对上述四类算法的影响，噪声采用高斯噪声，噪声添加值为：0.01。

图9 维纳滤波复原

图10 正则化滤波复原

图11 R-L算法复原

图12 盲反褶积算法复原

由实验结果可以看出，在加入噪声后，基于维纳滤波的算法（图9）和基于正则化滤波的算法（图10）受噪声的影响较强，而后两种算法（图11、12）受噪声的影响较弱。下面对基于维纳滤波的算法和基于正则化滤波的算法添加预估噪声值0.01。如图13、14 所示，两种算法都能较好的通过抑制噪声复原运动模糊车牌，并且可以通过人员无阻力的识别车牌信息，较图9、10 对应的两种算法的复原效果图有很大提升。

图13 维纳滤波复原

图14 正则化滤波复原

三、运功模糊车牌复原算法实验

（一）人工估计运动模糊PSF的数学模型

数字图像是由一个一个像素点紧密排列形成，运动模糊是由于像素点发生位移而形成。因为当车辆快速从监控设备下通过时，可以将车辆看作在做直线运动，所以运动模糊车牌的运动轨迹也可以视为直线。因此估计运动模糊长度的数学模型就可以理解为以1像素为长度单位的直角三角形求解斜边。

创建一个大小为50 像素*50 像素的白色背景，输入字母A，通过Matlab 模拟运动模糊，其运动模糊长度为8像素，运动模糊方向为36度。如图15所示：

图15 运动模糊像素位移

图11最右侧的图像是运动模糊后图像的局部放大图，放大软件为Windows电脑自带的绘图软件，使用此软件的原因：一是因为每台Windows 电脑都自带，便于以后公安一线直接使用；二是因为用此软件放大图像可以放到的单位像素级别，便于运动模糊车牌的运动模糊长度（l）以及运动模糊角度（α）的计算。

通过使用Windows自带绘图软件进行估计运动模糊长度（l）及角度（α），其具体的计算公式为：

将人工估计的运动模糊长度l 和角度α 代入基于维纳滤波、正则化滤波、Richardson-Lucy、盲反褶积的四种算法中，根据结果（如图16 所示）可以看出，人工估计的运动模糊长度及角度对于复原运动模糊图像有一定的效果，此种方法效率高，简单易学能够广泛适用于公安一线，从而避免了繁杂的自动识别运动模糊长度及角度的算法，降低了算法使用的难度。

图16 像素位移复原

复原运动模糊车牌的方法步骤：

第一步：使用Windows绘图软件打开待复原图图像，勾选标尺和网格线。

第二步：放大图像至最大及每方格大小为1 像素。使用形状工具选择直角三角形并调整粗细为1像素。

第三部：根据待复原图像的模糊长度和方向调整直角三角形使三角形斜边方向与模糊方向平行，与模糊长度大致一致。

第五步：将求出的模糊长度l 和模糊角度α 代入Matlab 软件中的四种经典的运动模糊复原算法，复原运动模糊图像。

估计待原车牌的运动模糊核待复原的三幅运动模糊车牌（如图17）。

图17 待复原车牌（从左至右：a、b、c）

将三幅待运动模糊复原的车牌使用Windows 自带的绘图软件打开，并估算出其运动模糊长度以及运动模糊角度（如图18、19、20）。

图18 待复原车牌a运动模糊长度和角度

图19 待复原车牌b运动模糊长度和角度

图20 待复原车牌c运动模糊长度和角度

图18 中估计的角度为运动模糊的相对角度，其相对的是垂直参考线，而在Matlab 的运算中角度参考线为水平参考线，所以最左侧图中的真实的运动模糊估计角度应为106°。人工估计运动模糊噪声在视频监控系统采集图像，采集图像往往会受到外界诸多因素形成噪声点，形成噪声的原因有很多，每幅图像噪声点的数量也各不相同，这导致了人工无法估计噪声值，在复原运动模糊图像时，经验性的输入预估噪声值如0.001，0.005，0.01等等，具体值根据算法复原运动模糊车牌具体效果而定。

基于人工估计PSF复原运动模糊车牌将人工估计的运动模糊长度l1、l2、l3和角度α1、α2、α3代入基于维纳滤波、正则化滤波、Richardson-Lucy、盲反褶积的四种算法中。如图21、22、23 所示，实验证明通过人工估计点扩散函数（PSF）是行之有效的，这样以来，避免了大量且复杂的自动估计运动模糊模糊核的算法，通过简单易学的数学知识即可完成点扩散函数的估计。

图21 真实运动模糊车牌复原结果之一

图22 真实运动模糊车牌复原结果之二

图23 真实运动模糊车牌复原结果之三

基于公安专业图像处理软件复原运动模糊车牌将图17 待复原的三幅车牌图像使用专业图像处理软件Amped FIVE 打开，使用去运动模糊功能将三幅车牌图像复原，复原效果和复原参数如图24所示。

图24 Amped FIVE复原运动模糊车牌

复原结果比较运动模糊参数比较如表1 所示，人工估计的运动模糊参数与专业图像处理软件处理时提供的参数相差不大，可见人工估计运动模糊参数方法可行。

表1 运动模糊参数比较

复原结果比较如图25所示，表中选取本文四种复原算法中效果较好的两种算法的复原图与专业图像处理软件的复原图相比较。

图25 复原结果比较（a组）

图25 复原结果比较（b组）

图25 复原结果比较（c组）

四、结语

本文研究的是公安领域运动模糊车牌的复原问题，在计算运动模糊核时采用人工估计的方法，人工估计运动模糊核存在一定的误差，但从复原的效果来看，该方法行之有效，值得推荐。从公安实战角度来看，监控系统形成的运动模糊图像还存在亮度、对比度不足，混有光学模糊等因素影响，若直接使用本文所提出的方法复原图像可能达不到预期效果。接下来将结合图像处理软件调整亮度、对比度，处理光学模糊等影响因素做进一步研究。