论文部分内容阅读
近几年,智能交通系统的研究受到了越来越多的关注,其中基于机器视觉的车牌识别技术在相对理想的环境下已经发展得相当成熟。然而愈加频繁的雾霾天气已经严重影响到了车牌自动识别技术。而车牌作为车辆识别的唯一合法身份,在恶劣天气下能否正确识别出车牌对交通监管尤为重要,故迫切需要开发一个能在雾霾中实现车牌自动识别的系统。目前,车牌识别算法已经相对成熟,但对于浓雾下车牌识别的各模块算法仍存在一定的问题,例如图像去雾算法纹理颜色恢复较差且不能同时对白天和夜间具有鲁棒性、车牌定位效果相对较差、图像降质和夜间弱照度条件导致字符识别率低等。因此本文通过对近年的图像去雾、增强以及车牌识别算法进行了深入分析和研究,提出一种浓雾天气下基于改进的大气散射模型和CNN的车牌识别系统,共分五步:浓雾检测、图像去雾、车牌定位、字符分割以及字符识别。首先,利用顶帽变换和图像垂直边缘检测进行浓雾检测,再通过背景差分法和车灯检测算法分离出运动车辆区域;其次,基于大气散射模型构建了雾霾图像复原模型,使用图像总变差模型和半二次分裂算法分离车辆区域纹理层和结构层,再将优化后的结构层分成闪耀层和背景层,通过均值降采样和双三次插值实现背景层的大气光估计,将闪耀层灰度化后以背景层的暗通道值为参考,进行线性映射后取反作为背景层的透射率估计,根据改进的大气散射模型,融合去雾后的背景层和结构层得到最终去雾图像;然后,通过一系列形态学和连通域分析算法实现车牌定位,再针对车牌字符特点通过三高斯模型实现车牌图像增强,利用投影法实现字符分割;最后,设计了一个卷积神经网络模型分别训练了汉字分类器和英文数字分类器进行字符识别。通过实验结果表明该算法在浓雾天气下,不论白天还是夜间都可以达到很高的识别率且具有很好的鲁棒性。