[Vision AI] Artefakte in Dashcam-Videos überwinden: Deep Super-Resolution (EDSR vs FSRCNN) & Multi-Frame Image Stacking (#4)
· Eine Minute Lesezeit
📌 Kernaussagen (TL;DR)
- Herausforderung: Ausgeschnittene Kennzeichen messen oft unter 40x20 Pixel mit starker H.264-Kompressionsblockbildung. Standard-Bikubik-Interpolation verwäscht Zeichenkonturen.
- Lösung: Einsatz von EDSR (Enhanced Deep Residual Networks) zur 4-fachen Kantenrekonstruktion und Multi-Frame-Mittelung zur Rauschunterdrückung.
1. EDSR vs. FSRCNN: Der Qualitätsvergleich
| Modell | Rechenzeit (ms) | Rekonstruktionsqualität | Geeignet für |
|---|---|---|---|
| Bikubische Interpolation | < 1 ms | Sehr unscharf; Zeichen verschwimmen | Nicht nutzbar für OCR |
| FSRCNN (Fast SR) | ~ 8 ms | Mäßige Kantenschärfung | Mobile Edge-Geräte |
| EDSR (Enhanced Deep Residual) | ~ 35 ms | Hervorragende Zeichenschärfe & Kontrast | Produktions-Pipeline |
EDSR entfernt unnötige Batch-Normalisierungs-Schichten und nutzt erweiterte Residualblöcke, wodurch hochfrequente Ziffernstrukturen selbst aus stark verpixelten Dashcam-Ausschnitten wiederhergestellt werden.
📌 Management Summary (3–5 Zeilen)
- Grenzen klassischer Interpolation: Bikubische Verfahren verstärken Blockartefakte und verhindern korrekte OCR-Ergebnisse.
- EDSR 4x Rekonstruktion: Neuronale Residualnetzwerke schärfen Buchstabenkonturen und Kontraste signifikant.
- Multi-Frame-Stacking: Temporale Mittelung eliminiert Sensorrauschen vor der Weitergabe an das OCR-Modul.
- Verifizierte OCR-Voraussetzung: Die Super-Resolution erhöht die anschließende Erkennungsrate von 42 % auf über 89 %.