论文部分内容阅读
随着信息技术的迅猛发展和汽车销售量的逐年增长,在全球化的时代背景下,车牌识别技术在智能交通、安防监控等众多领域都得到了切实应用。由于雾霾、风沙、阴天等多种因素的干扰,导致视觉系统的成像质量严重受限,进而使图像出现不同程度的退化现象。特别是在道路交通中,雾霾天气对车牌信息的完整获取带来了巨大干扰,严重降低了车牌识别的有效性及鲁棒性。可见雾霾环境下车牌图像复原与识别研究工作具有深远的学术研究意义和可观的应用前景。本文围绕车牌图像去雾处理、车牌定位、车牌分割、车牌识别四项关键技术开展研究。首先,介绍暗通道先验理论,并在此理论基础上提出一种图像去雾改进算法,利用AECES保边滤波器对暗通道图像进行估计,研制出以DSP+FPGA为主处理器的图像清晰化系统,该方法不仅在突变的户外环境下对图像有较好的边缘保持性,还节省了繁琐的soft matting优化过程,使去雾效果得到了显著提升;其次,利用边缘检测与先验的知识方法进行车牌定位、分割和归一化处理,再将归一化处理后的字符转化成粗网格矩阵,进而得到字符特征向量。最后,利用基于BP神经网络的字符识别法对车牌图像识别,并对随机选取的66张车牌图像进行测试,识别正确率优于91%,总体上达到了预期效果。综上,本文提出的雾霾环境下车牌图像复原与识别方法具备一定的实用性,有效减小了天气条件对户外道路的实时监控、侦查、交通等的影响,在智能交通方面有着重要的研究价值。