随看我国经济的快速发展,由工业废气和机动车尾气等因素导致的雾霾天气频繁出现,雾霾天气下空气浑浊、能见度低等问题造成的检测设备图像采集失真,对智能交通系统尤其车牌识别率产生了严重影响。本课题针对雾霾天气下车牌检测与识别算法开展研究,目的是解决雾霾天气下车牌检测与识别系统识别率低、检测速度慢、鲁棒性差等问题,从而提高智能交通系统在雾霾天气下的交通管控能力、保证民众出行安全与便捷。本课题按照图像去雾、车牌定位、车牌字符分割与识别三个步骤对雾霾天气下的车牌检测与识别算法进行了深入研究。图像去雾:研究了暗原色先验去雾算法和基于引导滤波优化透射图的暗原色先验去雾算法,针对这两种算法去雾效果亮度偏暗和时效性差等问题,提出了基于快速引导滤波的暗原色先验去雾算法,即首先利用快速引导滤波算法优化粗透射率,并根据图像中的天空域占比精细化大气光强度值,然后利用二维伽马自适应算法对去雾后的图像进行亮度均衡化,最终得到清晰的去雾图像;车牌定位:通过数学形态学和边缘检测相结合的算法对去雾后图像车牌粗定位,再根据连通区域分析法筛选出车牌的精确位置;车牌字符分割与识别:通过霍夫变换算法对定位后倾斜车牌水平校正,并选用基于投影的车牌字符分割算法提高车牌字符分割准确率和实效性,然后研究了经典的LeNet-5卷积神经网络结构特点,结合我国车牌字符特征调整了该网络结构,选取了效果更好的ReLU激活函数,并在隐含层添加dropout策略,提出优化改进的LeNet-5卷积神经网络识别车牌字符,最终实现车牌字符的精准识别。通过实验对比发现,本文提出的基于快速引导滤波的暗原色先验去雾算法在去雾效果和时效性上有很大的提升;优化改进的LeNet-5网络结构具有本地化程度高、识别率好等特点。采用本文算法对雾天环境下的车牌图像进行检测与识别,结果表明,此算法在识别率、时效性方面都取得了显著效果。