復雜條件下的車牌識別技術研究.pdf

1、在如今的交通管理體系中車牌識別系統越來越突顯其重要性。然而，隨著交通環境的不斷復雜化，現有的車牌識別系統漸漸不能滿足人們的要求。尤其是針對夜晚超速車輛的抓拍，成像設備采集到的車輛圖像清晰度很差，同時車速過快導致圖像模糊，大大降低了車牌識別的準確率。因此，有必要開展針對夜晚超速違章車輛的車牌識別的研究。
　　夜晚超速車輛圖像退化的成因主要為低照度清晰度差、顏色信息丟失和運動模糊三種類型，對這三類退化圖像復原的問題開展了以下研究：

2、r>　　1)針對低照度環境下車牌顏色信息丟失以及含大量噪聲的問題，提出了改進的自適應小波閾值增強算法。首先創新性的加入了Retinex理論進行顏色增強，然后利用小波閾值函數進行圖像恢復，針對軟硬閾值函數存在的缺陷，提出了一種改進的閾值函數，實現了各小波尺度的圖像進行自適應性增強。實驗結果表明，改進的增強算法對低照度情況下車輛圖像有很好的增強效果。
　　2)針對超速車輛會出現拖影模糊的問題，提出了改進的迭代盲反卷積復原算法，改善了傳

3、統去模糊算法恢復過程中會放大噪聲、使恢復結果誤差增大的問題。改進算法不需有模糊參數的先驗知識，并且結合了噪聲信號的最小二乘估計，同時恢復模糊圖像的點擴撒函數和模糊圖像本身，實驗結果表明，改進算法的處理結果具有更高的信噪比，去模糊效果更好。
　　3)顏色信息丟失的問題，針對傳統車牌定位算法主要依據顏色信息的局限性，提出了改進的AdaBoost機器學習的車牌定位算法。傳統只依靠機器算法進行車牌定位準確率較低，因此加入了基于圖像邊緣信息

4、的車牌粗定位，然后利用車牌圖像Haar-like特征訓練AdaBoost分類器，通過多次迭代更新樣本權值，得到弱分類器，將每次獲得的弱分類器聯合為強分類器來定位車牌區域。實驗結果表明，結合邊緣信息的粗定位的引入大大提高了算法效率和準確率，并且利用AdaBoost分類器能準確的將車牌區域從車輛圖像中提取出來。
　　利用改進算法進行預處理及車牌定位后，采用簡單、高效的模板匹配法進行字符識別。實驗證明，相較于普通預處理和定位過程，結合了