论文部分内容阅读
基于图像处理的车牌自动识别系统是智能交通系统的核心技术。它利用先进的计算机图像信息处理和模式识别技术，对视频图像进行处理，分析和识别，从而获得各种实时交通车辆信息，为交通管理，收费，调度，统计提供依据。随着现代智能交通的发展，使基于图像处理的车牌自动识别系统具有巨大的应用潜力。
但在许多应用情形下，由于受到成像系统、外界环境及成像技术等很多因素的限制，导致图像退化，使我们所获得的车牌图像效果并不理想。而实际应用中，如果车牌图像分辨率过低，那么将直接影响到车牌识别的效率。于是，如何有效地恢复出原始车牌图像或者说是复原出我们所期望的车牌图像，就成为本文研究的一个重要的问题。数字图像在形成过程中受运动模糊、点扩散模糊、欠采样及噪声等因素的影响而产生降质。为了改善降质退化图像的质量，提高分辨率，常采用图像的超分辨率重构处理技术进行处理。超分辨率图像重构是指将一系列各自包含一部分不同图像细节的相似低分辨率图像通过一定方法融合成一幅高分辨率图像的处理方法。对于一定的数字成像系统，通过超分辨率图像重构可以得到高质量的图像而不需要提高系统的硬件性能，因此它可以被广泛应用于图像处理的各种领域中。
由于车牌帧序列一般是在运动中获取的图像，其降质常常是空间变化的。要想对低分辨率车牌图像进行较高质量的超分辨率重构，必须进行成像建模。通过对成像模型的介绍，揭示了低分辨率成像的本质，并指出了其中的关键技术。
图像超分辨率重构，很重要的一步就是图像配准。图像配准不仅决定重构的效果，而且决定重构算法能否做到实时，是超分辨率重构的关键步骤。在详细分析块匹配的基础上，针对一系列连续运动的视频序列，利用前后帧间的相关性，提出了一种基于亚像素搜索的新三步法块匹配算法。仿真比较分析了本文方法与三步法块匹配，证明了本文方法的优越性。
超分辨率图像重构算法可以分为两大类，即频域算法和空间域算法。其中POCS算法利用投影至凸集的原理进行图像重构，算法直观而且有效，是最有前途的超分辨率重构算法之一。本论文对POCS算法进行了比较深入的研究，对影响算法的各个因素进行了分析，针对POCS重建图像存在振铃效应的问题，引入Butterworth低通滤波器对重建图像进行平滑处理，减轻POCS重建图像的边缘振铃效应，并结合文章提出的匹配法，形成了改进的POCS法。并通过试验证明了本文改进的方法能够重建后的车牌部分的图像的边缘起到很好的保护作用。不管是从视觉上还是对重建后的车牌图像进行客观上的评价，都有很大的改进。