智能交通系统是交通管理的有效方法,它以简单的工作方式实时监控交通状况,不仅减少工作人员数量,还能提高交通管理质量。历经二十多年的发展,车牌识别技术作为智能交通系统的重要组成部分愈发受到业界的重视,并且广泛应用到交通智能监控、小区门禁、不停车自动收费等场合中。虽然车牌识别技术能够在多数情况下发挥重要作用,但是在雾天环境中却会因受到大气光的干扰而造成识别率下降,这使得智能交通无法在雾天情况下正常工作。图像去雾算法是一种可以去除雾气干扰、恢复清晰图像的方法,本文拟从图像去雾算法消除雾的干扰入手然后再识别雾约束下车牌,具体研究内容如下:在图像去雾阶段,本文首先介绍图像退化模型,然后详细阐述两种基于退化模型的图像去雾方法——暗通道先验法和非局部图像去雾法。针对非局部图像去雾算法复原图像时某些明亮区域出现颜色失真的问题,本文通过大气光值与暗通道值作差取绝对值的方式判断明亮区域,并对明亮区域的透射率进行修改。本文通过大量实验发现,透射率平滑公式中的调节因子对图像的复原结果有一定影响,因此研究试图运用一种自适应调节因子的方式对透射率图进行平滑。在车牌定位阶段,本文利用车牌颜色特征和边缘特征相结合的方法提取车牌候选区域并调整所有候选车牌达到大小一致,然后根据车牌的面积、长宽比等特征对候选车牌进行初步筛选,再通过对筛选的车牌进行水平和垂直偏斜矫正处理,最后运用训练好的SVM分类器对矫正后的候选车牌进行分类,得到所需的车牌。在车牌识别阶段,本文首先使用连通区域提取法和垂直投影法将车牌图像分割为七个单一的字符并将字符大小调整到24*24,然后通过改进的Le Net-5卷积神经网络模型进行识别;改进的卷积神经网络模型的参数有上百万之多,为了加快模型收敛速度,本研究在第一层卷积层和第二层卷积层添加数据归一化层;然而模型能否收敛及收敛速度还受到学习率更新策略的影响,因此本文细致的分析学习率的变化趋势与迭代次数的关系,进而选择inv方法对学习率进行更新;最终得到模型在收敛时验证集上的最好字符识别率为98.7%。本课题设计的雾约束下的车牌识别算法在文中样本上的识别率为88.61%。