杨中岳

摘 要：传统的车牌识别实现方案大多数是良好的环境情况下，但是不能满足复杂场景中的需求且其方案不具备鲁棒性。复杂环境如冬季大雾传统方案则难以实现车牌识别，为此，在雾天条件下提高车牌识别准确性和鲁棒性是本文的研究重点。本文介绍了大雾天气下车牌图像的去雾问题及解决方法通过CNN模型的车牌识别的实现方案，提高雾天车牌识别的效率，且具备鲁棒性。

关键词：车牌识别;鲁棒性;CNN;图像处理

0 引言

随着社会的进步，人们生活水平地提高，越来越多的人选择开私家车出行的方式，车辆增多带来了智能高效的车牌识别问题。传统的识别方法包括模板匹配，支持向量机等模板匹配的识别方法简单，但识别效率较低相应的识别率较低，尤其是汉字。特别是随着环境的逐渐恶化，空气污染日趋严重，在雾霾或雾中驾车的几率大大增加[1]。传统车牌识别是基于正常天气下光线好的车牌识别率较高。然而，由于环境的不确定性，在雾等异常光照条件下识别车牌。由于雾天能见度降低，人们的视线和相机无法正常采集清晰的图像数据，这使得车牌识别更加困难[2]。随着深度学习的发展，其应用越来越广泛。特别是近年来使用CNN应用于图像处理取得较好的效果[3]。与传统的字符识别技术中，本文所实现的网络模型可以克服字符识别率低、识别速度慢等技术难点，其识别率可达99%左右。

1 相关工作

本章节对车牌识别相关技术进行了相应的介绍。……