雾霾天气下的车牌识别算法研究

【摘要】：智慧交通为解决城市交通问题提供了方案,使得城市监管更加高效。车牌识别作为智慧交通系统的核心技术,被广泛应用于各种交通场景中。受经济发展等多因素影响,我国各大城市均易出现雾霾天气,导致车牌识别的准确率大幅降低,给智慧交通系统带来了极大的挑战。针对以上问题,本文将车牌识别技术和图像去雾技术相结合,提出了一种雾霾天气下的车牌识别算法,本文的主要工作如下:在图像去雾方面:为了避免传统图像去雾算法存在颜色对比度失真等问题,本文提出了一种基于递归残差网络的图像去雾算法。本算法以不同尺度有雾图像作为输入,通过递归残差网络进行深层特征的提取,避免梯度消失。本算法直接融合不同尺度的信息特征,克服了大气散射模型的不准确性,最终直接生成去雾图像。针对不同尺度的特征信息的重要程度不同,在信息传递的过程中,我们给不同的信息增加了不同的权值。本文算法在合成有雾图像中PNSR和SSIM值分别达到了25.46和0.9029,在真实有雾图像中IE值和AG值分别达到了26.36和8.1358,表明本文算法在不同指标上均于其他算法。在车牌识别方面:为提高车牌的识别能力,本文提出了一种基于YOLOv3的端到端的车牌优化识别算法。本算法首先构建新的车牌数据集并对数据集中的车牌和字符进行标注;其次基于YOLOv3模型,提出了Darknet-31结构,此结构不仅提高了网络的提取能力还加快了提取的速度;针对车牌字符较小的特点,增加一个网络预测尺度,提高车牌字符的检测能力。相比于比传统的YOLOv3算法,本文算法的平均精度提高了4.1%,召回率提高了3.8%,对字符识别的速度提高20%,由实验结果可知,本文算法具有更好的鲁棒性和实时性。最后,将本文中的图像去雾算法和车牌识别算法进行结合实验研究,并对雾霾天气下正确车牌识别以及错误车牌识别的样本进行分析,进一步验证本文算法的有效性。