摘 要

在交通飞速发展的今天，交通治理变得越来越难，人们更加注意到智能交通的重要性，车牌识别系统顺势而生。车牌识别系统作为智能交通的一种核心技术，指的是指只能识别视频或图片中车辆牌照等信息，最终能够输出车牌的字符信息的一种处理系统，为后期的智能交通管理奠定坚实的基础。然而，由于不良天气如下雨、阴天、雾霾天气等或成像设备本身的硬件条件不足等原因所导致的视频图像模糊现象，直接造成了车牌识别率下降。尤其在我国雾霾频发的天气情况下，对雾霾环境下车牌图像恢复重建方法研究意义重大。

雾霾环境下，因为空气中的悬浮粒子增多且粒子半径较大影响了大气的散射，使得获取的车牌图像变得模糊不清，并且图像对比度较低，处理如此的车牌图像将会很难获得正确的车牌信息。针对雾霾环境下的车牌图像，本论文提出了现对图像进行去雾处理，然后超分辨率重建，最后将处理后的图像进行车牌识别的处理步骤。主要做了以下工作：

1. 学习并使用基于暗原色先验的图像去雾方法，通过实验对雾霾环境下的车牌图像进行去雾处理，同时针对该算法无法对天空或者白色明亮区域很好地去雾的缺点提出了改进的方法。

2.对去雾处理后的车牌图像进行基于卷积神经网络超分辨率重建操作，使得车牌图像分辨率提高，更好地更准确地对车牌信息进行辨认。

1. 最后对于经过去雾以及超分辨率重建处理的车牌图像做车牌定位的操作和进行基于垂直投影法的字符分割的处理并且通过 基于BP 神经网络的算法进行车牌信息的识别。

实验证明，经过去雾以及超分辨率重建处理后的车牌图像可以更准确地获得车牌信息，为后期交通系统处理交通问及提供有利的帮助。

关键词：去雾; 暗原色先验; 超分辨率重建; BP 神经网络; 车牌识别

Abstract

In the rapid development of traffic today, traffic management increasingly difficult to increase, intelligent traffic is getting more and more attention to, as one of the core technologies of intelligent transportation license plate recognition system, refers to the computer recognition of vehicle video or pictures in the license information, a processing system and the output of the character information, establish the solid foundation for intelligent traffic management late. However, due to bad weather, such as rain, cloudy days, fog and fog, or the image of the device itself, the blurred image of the video results in the decrease of the license plate recognition rate. Especially in the haze of frequent weather in our country, the research on the method of license plate image restoration and reconstruction is of great significance in the fog and haze environment.

Haze environment, because the suspended particles in the air increased and particle radius larger atmospheric scattering effects, making the license plate images become blurred, and low contrast image processing, license plate image will be so difficult to get the correct license plate information. In view of the license plate image in fog and haze environment, this paper proposes to do the fog removal, and then super-resolution reconstruction, and finally the processed image for license plate recognition processing steps. The main tasks are as follows:

1.to learn and use image dehazing method based on dark channel prior to the license plate images, through the haze environment experiment processing to the fog, and the algorithm is unable to the sky or white bright area well to fog the disadvantages of improved methods.

2. the reconstruction of the license plate image based on the convolution neural network, the resolution of the license plate image is improved, and the license plate information is identified more accurately.

3.At the end, after the license plate image to fog and super resolution reconstruction of license plate location based on vertical projection character segmentation and recognition of license plate information through the algorithm based on BP neural network.

Experimental results show that license plate information can be obtained more accurately through fog and super resolution reconstruction, and it can provide useful help for traffic processing in later traffic system.

Key word：Fog removal; dark primary color priors; super-resolution reconstruction; BP neural network; license plate recognition

目录

摘 要 I

Abstract II

目录 IV

第一章 绪论 1

1.1本课题来源及背景 1

1.2雾霾环境下车牌图像恢复重建研究的目的及意义 2

1.3国内外研究现状 2

1.3.1雾霾环境中图像去雾技术研究现状 2

1.3.2图像超分辨率重建技术研究现状 3

1.3.3车牌识别技术的研究现状 4

1.4论文安排 5

1.4.1论文主要研究内容 5

1.4.2论文的结构安排 5

第二章 雾霾环境下图像去雾处理 7

2.1雾霾环境下的图像降质模型 7

2.1.1大气散射模型 7

2.1.2雾霾图像衰减模型 9

2.2基于暗原色先验的图像去雾方法 10

2.2.1暗原色先验原理 10

2.2.2利用暗原色先验图像去雾算法 12

2.3实验结果分析以及改进 14

2.4本章小结 18

第三章 超分辨率重建方法研究 19

3.1图像超分辨率重建知识基础 19

3.1.1 超分辨率重建的概念 19

3.1.2 超分辨率重建的步骤 20

3.2基于插值的超分辨率重建 21

3.2.1最近邻插值 21

3.2.2线性插值 21

3.2.3三次插值 22

3.3基于稀疏表示的图像超分辨率重建 22

3.3.1稀疏表示知识基础 22

3.3.2基于稀疏表示的超分辨率重建 23

3.4基于卷积神经网络的图像超分辨率重建 24

3.4.1卷积神经网络概念 24

3.4.2基于卷积神经网络的超分辨率重建 24

3.5实验结果分析 26

3.6本章小结 27

第四章 车牌识别 28

4.1车牌识别系统的结构 28

4.1.1车牌的特色 28

4.1.2车牌识别结构 28

4.2车牌区域的定位 29

4.2.1边缘检测 29

4.2.2形态学处理定位车牌 30

4.3字符分割 30

4.4基于BP神经网络的字符识别 30

4.4.1BP神经网络 31

4.4.2基于BP神经网络的字符识别 31

4.5实验结果分析 33

4.6本章小结 33

第五章 总结与展望 35

5.1 总结 35

5.2 未来展望 35

参考文献 37

致谢 40

第一章 绪论

1.1本课题来源及背景

随着我国人口的增加以及经济的快速发展，交通作为人们生活不可避免的一块，越来越多的代步工具出现，交通管理的难度愈发增大，智能交通系统(Intelligent Transportation Systems，ITS)也在人们的需求中产生。智能交通系统旨在便利交通管理，综合了多种高端科技技术，快速准确地处理交通信息。

车牌识别系统作为智能交通的核心之一，是对通过硬件成像设备获取的含车牌图像进行车牌定位、字符分割、字符识别等处理，获得准确的车牌信息的智能系统。该技术在国内的发展尚未成熟，获取车牌信息的准确率受到多种因素的影响，其中因为经常出现的恶劣天气比如暴雨天气、雾霾天气、风沙天等又或者成像设备本身的硬件条件不足等原因所导致的视频或者单幅图像出现模糊的现象，直接导致了车牌识别系统的识别正确率的下降。