智能交通个人课程设计报告..docx

《智能交通》课程报告课题名称： 复杂天气条件下的车牌信息识别课题负责人名（学号）：聂宇（2014141461017）指导教师： 吕学斌 卢晓春评阅成绩： 评阅意见： 提交报告时间：2015 年 12 月 21 日复杂天气条件下的车牌信息识别物联网工程 专业学生 聂 宇 指导老师 吕学斌 卢晓春[摘要] 在复杂天气条件下，由于大雾或者强光照射造成车牌成像的失真，使传统基于图像的车牌识别方法难以准确识别车牌信息。文中基于Dark Channel Prior和直方图均衡方法能有效消除天气带来的干扰。并通过形态学方法对被噪声影响的图像进行复原、修正，最后通过基于BP神经网络对车牌信息进行识别。关键词：图像增强 二值形态学 图像分割 BP神经网络 车牌识别车牌识别是智能交通系统的一个重要组成部分，是车辆跟踪检测等其他智能交通管理领域的技术基础。天气对车牌识别的效果有着很大的影响，尤其是当车牌因路况等原因造成车牌表面附着泥土等污渍时，影响效果更大。此外，由于摄像机的拍摄角度及曝光过程造成的图像上产生的噪点也会影响识别的准确度。因此，在对车牌识别前期的图像预处理显得很重要。这里，我们对车牌识别采用的一般步骤如下所示(已经捕获到车牌的图像信息)：复杂天气条件下的图像增强图像去雾1.1.1基于Dark Channel Prior的去雾在实际应用中，因为大雾带来的设备对车牌识别问题难以解决。一种基于暗原色先验的单一图像去雾方法，可以有效地解决户外环境下由雾造成的成像不清、对比度降低等问题。这种方法来自对户外无雾图像数据库的统计规律，它基于观察得到这一关键事实:绝大多数户外无雾图像的每个局部区域都存在至少一个颜色通道的强度值较低的像素。利用这些像素的信息，通过一定的方法就可以估计出雾的浓度和去雾后的图像。McCarney大气散射模型，广泛用于计算机视觉和图形学领域中[1]。McCarney大气扩散模型所用公式如下：I(x)=J(x)t(x)+A(x)(1-t(x)) (1)J(x)=A (2)整个复原过程主要依赖于大气光A和透射率t(x)的确定。基于暗原色先验的原理，利用暗原色值和雾天图像退化模型，可以估计出成像时刻的雾浓度和透射率t(x) [2]假设大气光A已知并且在一个局部区域内，在透射率保持一致的条件下，可求得带雾图像的大气透射率。对于大气光A的求取，可以采用通过暗原色来提高大气光的估测精确度。一般估测大气光的方法会直接采用最大强度值的像素作为大气光，但实际情况中，最亮的像素可能并非是大气光而是发光物体或光滑的反光物体。利用暗原色方法，首先选取暗原色中亮度最大的0. 1%像素。在以上像素中，输人图像中强度最大的像素点被选定为大气光[3]。它们并不一定是整幅图像里最亮的点。这一基于暗原色先验的简单方法与“最明亮像素”方法相比，更准确地描述了真实大气光的情况。1.1.2基于直方图均衡的图像增强Dark Channel Prior:是一种去雾方法，但这种算法固有的缺陷是无法处理强光下曝光过度和雨天由于雨水、反光引起的模糊。通常情况下，因为阴霆雨雪、沙尘等恶劣天气造成的图像退化都是由于对比度降低、颜色失真[4]。 直方图均衡是一种快速有效的图像处理手段，是经典的图像信息增强算法之一，它是依据各灰度值在被处理图像中的出现频率确定直方图分布，并对出现频率高的灰度值对应的区域作灰度拉伸以达到增加亮度和对比度的目的。全局的灰度变化往往不能取得满意的结果，为突出感兴趣的口标或灰度区间，抑制相对不感兴趣的灰度区间，实际操作中，文中对彩色图像的RGB3个通道分别进行分段线性直方图均衡操作，将最亮和最暗部分的值削弱，中间部分增强。之后再将3个通道叠加还原出修正后的彩色图像。1.1.3图像的合并 考虑到实际应用中需要兼顾各种天气对成像带来的影响，最终无雾的图像是将原有雾图像经Dark Channel Prior处理的结果和通过线性直方图均衡处理的结果，按照一定的比例叠加所得到的，这样可以保证图像在整体无雾的前提下细节和曝光得到良好的控制。图像还原1.2.1阈值分析和开闭运算由于天气带来的影响，一般车牌上的数字会残缺不全或部分信息不清晰，而由于环境因素对车牌造成的污染使得识别和图像分割难以进行。针对这样的情况首先需要进行阈值分析，将环境因素对车牌识别带来的影响降到最低。实际操作中通过计算全图像所有像素灰度值均值A，然后使用相关公式进行二值处理。在识别前，为保证识别能够高效正确地进行，需要用图像形态学的方法对车牌不清晰或者缺失的部分进行图像还原，为保证还原能够尽可能真实地反映原图像信息，先对原图像取轮廓，求取轮廓运算使用的是文献【7】的方法。之后对轮廓进行二值形态学处理。二值形态学中最基本的两种运算膨胀和腐蚀运算【8】。图像的分割处理简介我