發(fā)布時間：2020-11-17 09:28

　　 在霧霾天氣下,由于大氣的散射作用導致反射光減弱光線變暗,以及大氣的光參與成像導致戶外相機拍攝的車牌圖像產(chǎn)生顏色失真、模糊不清以及圖像偏移等現(xiàn)象,從而導致車牌識別系統(tǒng)的識別率降低,無法達到工程應用的標準,嚴重影響道路交通管理。為解決霧霾天氣車牌識別率低的問題,本文以霧霾天氣為基礎,對車牌識別算法進行了研究,主要內(nèi)容包括:車牌圖像預處理:霧霾天氣會使車牌識別系統(tǒng)出現(xiàn)不能正確識別字符信息的現(xiàn)象,本文對傳統(tǒng)Retinex算法求解照度分量的方法進行改進,使其更適用于車牌識別系統(tǒng)中圖像的恢復與增強。該算法有效降低霧霾天氣下圖像退化帶來的圖像色彩失真和細節(jié)信息缺失的影響,進而有利于車牌識別系統(tǒng)中車牌定位,字符分割和識別。實驗結果從主觀和客觀兩個方面表明,改進后的算法在增強圖像的同時能夠保留更多的細節(jié)信息,能有效提高霧霾天氣下車牌的識別率。車牌定位實現(xiàn):在上一步的基礎上,將獲得的車牌圖像進行定位。由于霧霾天氣下獲得的圖像清晰度較差,所以本文對常用的車牌定位的算法進行了改進。首先通過處理速度快Canny邊緣檢測算子結合形態(tài)學與迭代融合處理進行車牌粗定位,再利用簡化后的Alex Net卷積神經(jīng)網(wǎng)絡模型去除偽車牌進行車牌精定位。該方案解決了目前車牌定位技術在霧霾天氣下定位準確率低且花費時間長的缺點。車牌識別:為了提高霧霾天氣下車牌字符識別率,本文對基于卷積神經(jīng)網(wǎng)絡的字符識別算法進行改進,通過參數(shù)的調(diào)整和網(wǎng)絡層數(shù)的設計,簡化網(wǎng)絡復雜度。然后改進網(wǎng)絡訓練方式,在訓練集中增加識別準確但網(wǎng)絡輸出不確定性高的樣本,組成新的訓練集,進行再次測試,這樣既減小了網(wǎng)絡訓練所需的樣本,也能保證分類器性能。此方法在提高車牌識別準確率的同時解決了收集大量樣本的難度。最后通過系統(tǒng)測試對本文算法進行綜合評估,并對測試結果進行分析總結。
【學位單位】：東北林業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：U495;TP391.41
【部分圖文】：

?法??圖１－１去霧方法分類??圖１－１是對圖像去霧方法的總結，總體上可以分為兩類：??（１）基于圖像處理的增強方法［７】。在原圖處理的基礎上提高圖像對比度，對圖像??進行增強突出細節(jié)改善圖像質(zhì)量。好處是可以直接應用現(xiàn)有的已經(jīng)成熟的圖像處理方法??進行改善，方便實用、易于實現(xiàn)。缺點是無法預測霧霾天氣的復雜景深，不能很好的恢??復圖像，處理后的圖像會有信息缺失或者失真。國內(nèi)外學者對此做出了很多研究，??Ｅｄｗｈ＾Ｌａｎｄ?（埃德溫？蘭德）提出一種被稱為色彩的理論［８］，并在顏色恒常性的基礎上提??出的一種圖像增強方法，該方法對光照不均的導致對比度低的圖像有很好的恢復效果，??近年來這種算法受到廣大研宄者的青睞。Ｊ．Ｙ．ＫＩＭ等［９］人提出子塊部分重疊直方圖均衡??算法，該算法局部細節(jié)處理很好，算法思路與直方圖均衡化算法思路大體相似。另外，??Ｚｉｍｍｅｒｍａｎ等人想出了插值直方圖均等化算法，只對均衡化處理后的固定區(qū)域進行處??理

圖１－２技術路線??－６?－??

?２車牌識別系統(tǒng)搭建與樣本采集???２車牌識別系統(tǒng)搭建與樣本采集??２．１硬件系統(tǒng)關鍵設備的選擇及特點??２．１．１嵌入式工控機??智能監(jiān)測控制主機是車牌識別系統(tǒng)的核心部分，其主要設備為嵌入式工控機，如圖??２－１所示。車牌識別的算法全部通過嵌入式工控機運行。包括檢測車輛，抓拍控制，以??及全部的車牌識別過程。然后完成各個網(wǎng)絡單元的通信和傳輸。為了保證采集圖像的清??晰度，本系統(tǒng)采用工業(yè)級設備。其優(yōu)勢主要體現(xiàn)在：抗電源波動性強、性能可靠、價格??低廉。在加油站復雜條件下，工控機的全封閉機箱不但可以阻絕塵埃，更減少了安全隱??
【參考文獻】

相關期刊論文 前2條

1 王洪元;劉忠杰;劉愛萍;;基于多特征組合的車牌識別算法[J];常州大學學報(自然科學版);2010年04期

2 齊鑫;;基于膨脹腐蝕算法的數(shù)字信號處理技術[J];自動化技術與應用;2010年10期

相關碩士學位論文 前10條

1 顧李云;基于圖像處理的車牌識別算法的研究與設計[D];南京郵電大學;2018年

2 胡志峰;基于小波變換圖像去噪及邊緣檢測研究[D];東華理工大學;2018年

3 余承波;基于支持向量機（SVM）的車牌識別[D];安徽理工大學;2018年

4 馬曼曼;基于經(jīng)驗曲波變換的斷口圖像處理方法研究[D];南昌航空大學;2018年

5 潘晨;圖像和視頻去霧算法研究與實現(xiàn)[D];西安科技大學;2018年

6 李佩倫;基于機器學習的車牌識別算法研究[D];電子科技大學;2018年

7 唐智強;基于圖像的車牌識別系統(tǒng)設計與實現(xiàn)[D];電子科技大學;2018年

8 侯麗圓;基于馬爾科夫隨機場和模糊集理論的場景分類算法研究[D];大連海事大學;2018年

9 石琪;基于卷積神經(jīng)網(wǎng)絡圖像分類優(yōu)化算法的研究與驗證[D];北京交通大學;2017年

10 高源;模糊車牌的分割與識別方法研究[D];廈門大學;2017年

本文編號：2887337