吕 旋，王 标，邹佳运，田洋川

(1.四川轻化工大学 自动化与信息工程学院，四川 宜宾 644000；2.成都视观天下科技有限公司，四川 成都 610095)

0 引言

公安机关在破案过程中采集的车牌图像由于运动模糊、失焦模糊、光线变化等原因无法被准确地识别，从而严重影响案件的侦破进度，因此对图像进行清晰化处理具有重要的现实意义。

目前，超分辨算法主要分为3类：基于重建的算法、基于插值的算法和基于学习的算法[1]。在深度卷积神经网络出现后，神经网络开始大规模地被应用在图像的超分辨处理中。2014年Dong等人提出了SRCNN[2]网络，利用卷积神经网络(CNN)对图片进行超分辨处理，每个卷积核参数都是通过反向传播更新得到，而不是人为设定。同时，深度卷积网络会进行多层的卷积，保证了足够大的感受野。目前已经出现VDSR[3]，EDSR[4]，DRCN[5]等众多网络结构算法。针对车牌这一特定领域，利用超分辨网络来实现模糊车牌的清晰化。RCAN[6]网络第一次将注意力机制[7]引入超分辨率领域。文中基于RCAN改进网络，提出了基于残差网络的空间和通道双重注意力网络(RSCAN)。

文中主要创新点如下：提出了新的通道注意力机制和空间注意力机制组合的模块(SCM)，在模型效率和计算效果上带来提升；同时基于CCPD[8]数据集，制作新的车牌数据集，在数据集上做消融实验，验证提出算法的有效性；使用残差块，构成全局特征融合，加强各层信息的传递，获得效果更好的图像；最后改进损失函数，更加适合车牌超分辨率这一特定领域。……