关键词：新能源;;车牌识别;;车牌定位;;字符分割;;卷积神经网络
摘 要：在智能交通领域中,车牌识别技术作为重要的技术支撑,是国内外专家学者研究的热门课题。同时,为解决环境污染问题和燃油供求矛盾,新能源汽车作为发展低碳交通的重要举措。新能源汽车车牌的识别研究具有实际意义。车牌识别的工作流程为:预处理、定位、字符分割和识别几个阶段。本文以新能源汽车车牌为研究对象,以正常、雾霾、雨天环境为主要研究背景,以提高定位准确率为主要目标,解决车牌定位不准确及无法识别的情况。首先,对图片进行预处理,提高图像对比度和辨识度。针对特定环境下获取的图像普遍带有模糊不清、亮度偏低和色彩失真等特点,分析同态滤波以及不同的Retinex算法和其处理图像的效果。对比分析雾霾环境下同态滤波、SSR、MSR、同态滤波和SSR、同态滤波和MSR与本文算法识别效果,验证本文算法的优越性。其次,对去雾的图像进行车牌定位。根据新能源车牌特有的颜色特征实现粗定位,去除大面积的非车牌部分,降低车牌区域细节信息不足对车牌定位的影响。对Kirsch算子改进用于图像边缘检测,以提高雾霾环境背景下定位的准确率。然后,进行新能源车牌字符分割。分别采用传统的LBF(Local Binary Fitting)模型算法和GrabCut算法进行理论研究和试验分析,并且针对算法的不足进行改进,并进行试验对比,以确定最终方案。最后,采用卷积神经网络技术,建立卷积神经网络,为汉字、数字及字母分别建立字符识别网络NET1、NET2,采用relu函数作为损失函数,经过对建立的数据集进行训练后,采用测试集进行测试对模型进行验证。通过图像算法的反复对比、排除和改进,使退化的汽车图像质量有了明显的改善,并适用于新能源汽车车牌识别系统,而且本文改进的算法提高了车牌定位的计算效率。
内 容：原文可通过湖北省科技信息共享服务平台（http://www.hbstl.org.cn)获取