雾霾环境下车牌图像识别方法研究(附件)
摘要： 1关键词 1Abstract 1Key words 1引言 11 选题背景 21.1 问题的提出 21.2 国内外研究状况 31.2.1 国外研究状况 31.2.2 国内研究状况 31.3 研究的目的和内容 32 雾霾环境下图像照度衰减模型 42.1 雾霾环境下的图像照度衰减模型 42.2 雾霾环境下的图像退化小结 52.3 图像增强后图像质量评价标准 52.3.1 信息熵 62.3.2 平均梯度 62.3.3 标准差 63 基于Retinex的雾霾图像增强算法 63.1 色彩恒常理论 63.2 Retinex算法的理论概述 73.3 基于全局特征的Retinex算法 73.3.1 算法理论 73.3.2 算法具体步骤 83.4 基于局部特征的Retinex算法 83.4.1 单尺度Retinex算法 93.4.2 多尺度Retinex算法 93.4.3 带颜色恢复的多尺度Retinex算法 103.5 Retinex算法的改进 103.5.1 基于自适应对比度的增强算法的SSR算法 103.5.2 基于直方图均衡化的MSRCR算法 113.6 实验结果及图像评价分析 123.6.1 实验结果 123.6.2 图像评价及分析 164 车牌识别 184.1 车牌图像预处理 184.2 车牌定位 204.3 字符分割 214.3.1 车牌进一步处理 214.3.2 字符切割 234.4 字符识别 244.4.1 基于特征分析的字符匹配识别算法 244.4.2 基于模板匹配的BP神经网络识别算法 244.4.3 车牌识别结果与分析 265 总结与展望 33致谢 34参考文献 35雾霾环境下车牌图像识别方法研究摘要：针对近年来因频发的雾霾天气造成的车牌图像模糊，车牌信息无法获取等问题，研究了色彩恒常理论和颜色恒常知觉算法，并将其用于雾霾环境下车牌图像的图像增强，着重对基于局部特征的颜色恒常知觉算法进行了实现与对比分析，并对其中的单尺度颜色恒常知觉算法和带颜色恢复的多尺度颜色恒常知觉算法进行改进，同时通过对比分析选取最优算法处理后的图像用于后续车牌图像识别。在车牌识别阶段，通过车牌图像预处理，车牌定位与分割，车牌单个字符识别等操作对车牌号码进行识别。其中，字符识别模块采用传统的特征分析匹配
*好棒文|www.hbsrm.com +Q: ￥3^5`1^9`1^6^0`7^2$
算法与基于模板匹配的反向传播神经网络识别算法，两者均获得良好的识别结果。
目录
引言
引言：进入21世纪以来，“雾霾”频发，在以北京为代表的大部分中国城市中，雾霾成为了一种常见的天气现象。雾霾天气会给成像设备所拍摄的图片造成很大的影响，容易使图像模糊，局部色彩变暗，图像对比度下降，图像所传递的信息量减少。特别地，在交通拍摄过程中，雾霾的存在会使车辆牌照的图像不清晰，从而使得车牌信息无法被准确地获取，导致一些不良的影响，例如使得不遵守交通法规的车辆和犯罪嫌疑车辆无法被精确提取到车牌号码信息。本文对雾霾环境下图像的成像原理进行研究，得到相应的图像照度衰减模型，通过分析该模型的特点，决定采用颜色恒常知觉算法（Retinex）对雾霾环境下的图像进行图像的增强。本文实现了基于全局的Retinex算法后，发现图像处理效果不甚理想，决定着重研究基于局部特征的增强算法。基于局部特征的增强算法细分为多尺度Retinex算法（MSR，Multiscale Retinex）、单尺度Retinex算法（SSR，Single Scale Retinex）、带颜色恢复的多尺度Retinex算法（ MSRCR，Multiscale Retinex with Color Restoration），用以上三种算法对雾霾天气下的车牌进行图像增强，通过直观增强效果与客观参数比对分析三种算法的性能及优劣。其中，本文对SSR算法与MSRCR算法分别进行算法改进，提出基于非线性变换函数和S型函数的SSR优化算法和基于灰度均衡化的MSRCR优化算法。通过图像信息熵，图像清晰度和图像对比度这三种客观参数选取最优算法，即基于灰度均衡化的MSRCR优化算法处理后的车牌图像进行后续车牌识别工作。在车牌识别阶段，本文对采集到的车牌图像进行一系列图像预处理操作从而去除噪声，利用处理后的二值图像进行车牌分割，最后采用传统的字符模板匹配算法与基于模板匹配的反向传播（BP，Back Propagation）神经网络识别算法，获得车牌的汉字英文字母与数字信息。
1．选题背景
1.1 问题的提出
21世界以来，我国交通行业发展迅速，与此同时，交通管理自动化的需求也越来越迫切与全面。车牌识别可应用于：监控管理；停车场车辆管理；城市道路监控、违章管理；车辆流量统计、安全管理等方面。车牌识别以提取车牌图像特征与信息作为基础，为了能提高其可靠性与实用性，就必须保证车牌自动识别系统可以全年无休正常工作，能够适应各种气候条件。
雾霾由空气中的化工颗粒物与灰尘颗粒物组成，是各类型不良天气状况中对视觉影响最大的一种。雾霾天气会给成像设备所拍摄的图片造成很大的影响，容易使图像模糊，图像色彩变暗、失真、退化，图像对比度与清晰度大幅下降，图像所传递的信息量减少，极大地影响了图像的信息价值。这种质量不佳的图像在记录车辆信息时很容易使得车牌信息无法被准确地获取，导致一些不良的影响，例如使得不遵守交通法规的车辆和犯罪嫌疑车辆无法被精确提取到车牌号码信息。
针对以上问题，雾霾环境下的降质图像有必要进行去雾增强处理，在保持图像不失真，原色良好复原的前提下，尽量提高图像的信息熵，对比度和清晰度，以便准确确识别车牌，获取可靠信息，这样有利于更好地维护交通管理工作以及社会安全秩序。
对雾霾环境中的车牌图像进行识别，首先需要对降质的车牌图像进行图像增强，这也是研究的重点内容。传统的图像增强方法有以下缺点：
灰度变换增强算法中变换函数的不同将会直接导致增强结果的不同，因此此方法存在一定的局限性。
直方图均衡是将图像整体的像素值进行平均分，处理后的结果图像整体视觉效果较好，对比度有明显的增强，但是由于该方法是对整体图像像素值的均衡，所以会导致图像的局部图像纹理细节清晰度不够[1]。
图像平滑增强可以有效消除图中噪声，但是在平滑的过程中会导致图像的局部细节变模糊，特征信息无法体现，而图像锐化增强算法则在增强图像局部细节的过程中会引入噪声。所以这两种方法都具有一定的局限性。
高通滤波增强算法对应图像的锐化，是对图像中的特征纹理细节进行增强，而低通滤波增强算法对应的是图像的平滑，可以有效消除图中噪声但是由于低通滤波器和高通滤波器需要设置参数，并且存在因傅里叶变换而引起的振铃效应，从而导致处理后的图像效果并不理想。
小波变换是近年来应用在图像增强中的一种新方法，它主要对图中的边缘和细节特进行锐化，但是在锐化的同时，容易引入许多无关噪声，而且图像增强后的视觉效果欠佳[1]。
Retinex算法作为一种新颖的算法，受到广泛重视。Retinex算法根据颜色恒定理论，认为图像中景物所反映出来的颜色纹理信息是由该景物原本的自身反射能力所确定，即使在质量不理想的光照之下，景物所反映出来的颜色形状等特征信息并不会应光照条件而发生变化。所以，Retinex算法具有其他图像增强算法所没有的明显优势，很适合处理雾霾中的图像[2]。
本文即根据雾霾环境下图像照度衰减模型的特点与颜色恒常性理论，研究如何实现并优化Retinex算法，将其应用于雾霾环境下车牌图像的图像增强，并研究如何对处理后的图像进行准确的车牌识别。
1.2国内外研究状况
就雾霾环境下的图像增强算法来说，传统的图像增强算法结果会出现色彩失真，或是对比度低、或是清晰度不高，或是存在振铃效应，有的视觉效果不佳，总之或多或少都存在一定视觉缺陷，不适合于雾霾环境下的图像增强。因此，Retinex作为一种新颖却又及其适用于雾霾环境图像增强的算法，凸显了其研究价值，在国内外都得到了高度的重视与广泛应用，成为了各国科学家致力研究的焦点。
1.2.1 国外研究状况
最早的Retinex理论提出在1964年，由Edwin Land提出。1971年，Land和Mccann在此基础上发展了基于任意路径对图像增强的Retinex算法，该算法每个像素点都会被上一个像素点影响，因此存在大量迭代，计算量大大增加。随后，Jobson等人将同态滤波应用到Retinex算法中，该算法提到图像中的反射分量对应图像的边缘和纹理细节，图像中的照射分量则对应图像的背景光照。1985年，Blake等人将泊松方程运用到Retinex算法，该算法基于对泊松方程的深入研究和Land研究得到的Mondrian模型[3]。近年来，一些学者将Retinex算法应用到图像的识别，通过对图像进行良好的增强操作从而为后续的特征识别，数据分析提供了基础[4]。
1.2.2 国内研究状况
就国内研究现状而言，很多人将Retinex算法应用到实践中，李冠章博士通过对Retinex理论中照射分量和反射分量模型的研究[5]，提出一种新型对比度增强算法，该算法使用非线性变换函数可以自适应，图像中的特征信息与纹理细节也得到有效增强，清晰度极高。
马时平等人对Retinex在图像增强中亮度偏低的缺点提出了优化算法[6]，该算法在模型建立过程中增加了金字塔算法，使得图像的细节得以保持，并且对图像数据的计算量大幅减少，最后对结果图像进行拉伸处理，使得图像的视觉效果也较为优秀。
*好棒文|www.hbsrm.com +Q: ￥3^5`1^9`1^6^0`7^2$
算法与基于模板匹配的反向传播神经网络识别算法，两者均获得良好的识别结果。
目录
引言
引言：进入21世纪以来，“雾霾”频发，在以北京为代表的大部分中国城市中，雾霾成为了一种常见的天气现象。雾霾天气会给成像设备所拍摄的图片造成很大的影响，容易使图像模糊，局部色彩变暗，图像对比度下降，图像所传递的信息量减少。特别地，在交通拍摄过程中，雾霾的存在会使车辆牌照的图像不清晰，从而使得车牌信息无法被准确地获取，导致一些不良的影响，例如使得不遵守交通法规的车辆和犯罪嫌疑车辆无法被精确提取到车牌号码信息。本文对雾霾环境下图像的成像原理进行研究，得到相应的图像照度衰减模型，通过分析该模型的特点，决定采用颜色恒常知觉算法（Retinex）对雾霾环境下的图像进行图像的增强。本文实现了基于全局的Retinex算法后，发现图像处理效果不甚理想，决定着重研究基于局部特征的增强算法。基于局部特征的增强算法细分为多尺度Retinex算法（MSR，Multiscale Retinex）、单尺度Retinex算法（SSR，Single Scale Retinex）、带颜色恢复的多尺度Retinex算法（ MSRCR，Multiscale Retinex with Color Restoration），用以上三种算法对雾霾天气下的车牌进行图像增强，通过直观增强效果与客观参数比对分析三种算法的性能及优劣。其中，本文对SSR算法与MSRCR算法分别进行算法改进，提出基于非线性变换函数和S型函数的SSR优化算法和基于灰度均衡化的MSRCR优化算法。通过图像信息熵，图像清晰度和图像对比度这三种客观参数选取最优算法，即基于灰度均衡化的MSRCR优化算法处理后的车牌图像进行后续车牌识别工作。在车牌识别阶段，本文对采集到的车牌图像进行一系列图像预处理操作从而去除噪声，利用处理后的二值图像进行车牌分割，最后采用传统的字符模板匹配算法与基于模板匹配的反向传播（BP，Back Propagation）神经网络识别算法，获得车牌的汉字英文字母与数字信息。
1．选题背景
1.1 问题的提出
21世界以来，我国交通行业发展迅速，与此同时，交通管理自动化的需求也越来越迫切与全面。车牌识别可应用于：监控管理；停车场车辆管理；城市道路监控、违章管理；车辆流量统计、安全管理等方面。车牌识别以提取车牌图像特征与信息作为基础，为了能提高其可靠性与实用性，就必须保证车牌自动识别系统可以全年无休正常工作，能够适应各种气候条件。
雾霾由空气中的化工颗粒物与灰尘颗粒物组成，是各类型不良天气状况中对视觉影响最大的一种。雾霾天气会给成像设备所拍摄的图片造成很大的影响，容易使图像模糊，图像色彩变暗、失真、退化，图像对比度与清晰度大幅下降，图像所传递的信息量减少，极大地影响了图像的信息价值。这种质量不佳的图像在记录车辆信息时很容易使得车牌信息无法被准确地获取，导致一些不良的影响，例如使得不遵守交通法规的车辆和犯罪嫌疑车辆无法被精确提取到车牌号码信息。
针对以上问题，雾霾环境下的降质图像有必要进行去雾增强处理，在保持图像不失真，原色良好复原的前提下，尽量提高图像的信息熵，对比度和清晰度，以便准确确识别车牌，获取可靠信息，这样有利于更好地维护交通管理工作以及社会安全秩序。
对雾霾环境中的车牌图像进行识别，首先需要对降质的车牌图像进行图像增强，这也是研究的重点内容。传统的图像增强方法有以下缺点：
灰度变换增强算法中变换函数的不同将会直接导致增强结果的不同，因此此方法存在一定的局限性。
直方图均衡是将图像整体的像素值进行平均分，处理后的结果图像整体视觉效果较好，对比度有明显的增强，但是由于该方法是对整体图像像素值的均衡，所以会导致图像的局部图像纹理细节清晰度不够[1]。
图像平滑增强可以有效消除图中噪声，但是在平滑的过程中会导致图像的局部细节变模糊，特征信息无法体现，而图像锐化增强算法则在增强图像局部细节的过程中会引入噪声。所以这两种方法都具有一定的局限性。
高通滤波增强算法对应图像的锐化，是对图像中的特征纹理细节进行增强，而低通滤波增强算法对应的是图像的平滑，可以有效消除图中噪声但是由于低通滤波器和高通滤波器需要设置参数，并且存在因傅里叶变换而引起的振铃效应，从而导致处理后的图像效果并不理想。
小波变换是近年来应用在图像增强中的一种新方法，它主要对图中的边缘和细节特进行锐化，但是在锐化的同时，容易引入许多无关噪声，而且图像增强后的视觉效果欠佳[1]。
Retinex算法作为一种新颖的算法，受到广泛重视。Retinex算法根据颜色恒定理论，认为图像中景物所反映出来的颜色纹理信息是由该景物原本的自身反射能力所确定，即使在质量不理想的光照之下，景物所反映出来的颜色形状等特征信息并不会应光照条件而发生变化。所以，Retinex算法具有其他图像增强算法所没有的明显优势，很适合处理雾霾中的图像[2]。
本文即根据雾霾环境下图像照度衰减模型的特点与颜色恒常性理论，研究如何实现并优化Retinex算法，将其应用于雾霾环境下车牌图像的图像增强，并研究如何对处理后的图像进行准确的车牌识别。
1.2国内外研究状况
就雾霾环境下的图像增强算法来说，传统的图像增强算法结果会出现色彩失真，或是对比度低、或是清晰度不高，或是存在振铃效应，有的视觉效果不佳，总之或多或少都存在一定视觉缺陷，不适合于雾霾环境下的图像增强。因此，Retinex作为一种新颖却又及其适用于雾霾环境图像增强的算法，凸显了其研究价值，在国内外都得到了高度的重视与广泛应用，成为了各国科学家致力研究的焦点。
1.2.1 国外研究状况
最早的Retinex理论提出在1964年，由Edwin Land提出。1971年，Land和Mccann在此基础上发展了基于任意路径对图像增强的Retinex算法，该算法每个像素点都会被上一个像素点影响，因此存在大量迭代，计算量大大增加。随后，Jobson等人将同态滤波应用到Retinex算法中，该算法提到图像中的反射分量对应图像的边缘和纹理细节，图像中的照射分量则对应图像的背景光照。1985年，Blake等人将泊松方程运用到Retinex算法，该算法基于对泊松方程的深入研究和Land研究得到的Mondrian模型[3]。近年来，一些学者将Retinex算法应用到图像的识别，通过对图像进行良好的增强操作从而为后续的特征识别，数据分析提供了基础[4]。
1.2.2 国内研究状况
就国内研究现状而言，很多人将Retinex算法应用到实践中，李冠章博士通过对Retinex理论中照射分量和反射分量模型的研究[5]，提出一种新型对比度增强算法，该算法使用非线性变换函数可以自适应，图像中的特征信息与纹理细节也得到有效增强，清晰度极高。
马时平等人对Retinex在图像增强中亮度偏低的缺点提出了优化算法[6]，该算法在模型建立过程中增加了金字塔算法，使得图像的细节得以保持，并且对图像数据的计算量大幅减少，最后对结果图像进行拉伸处理，使得图像的视觉效果也较为优秀。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/wljs/654.html
