雾阴天气下车牌识别仿真研究

陈玉

摘要：针对雾霾天气，车牌识别率低的问题，提出一种高效的车牌识别算法。对图像增强作了具体的改进，采用自适应Retinex算法，并对图像进行直方图均衡化。实验证明该文所提出的算法，较其他算法具有更好的处理效果，能够实现雾霾天气下车牌图像的高效识别。

关键词：车牌识别；图像复原；图像增强

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2017）13-0174-02

1概述

近来，雾、霾问题深刻地影响着人们的生活和生产，尤其是在城市交通监管领域，雾霾干扰下，拍摄的能见度低、识别效果差，严重阻碍了视频监管系统对车辆的有效监控，不利于城市交通安全的发展。如何在雾霾天气下，如何利用有效的车牌图像识别技术，有效地实现对车牌的有效识别，引起了当今社会的广泛关注。

目前，图像去雾算法分为模型法和非模型法两种。模型法通过大气散射定律建立图像的退化数学模型，再对图像采用复原技术，还原真实场景。非模型法的重点是利用图像增强，对低对比度雾化图像还原细节，得到清晰图像。不少研究学者从该两类算法作为切入点，对雾霾天气中的图像处理进行深入研究。Okley利用获取图像景深数据的方式，对雾化图像进行增强。Tarel等人利用实物对光线的反射估计的透射程度实现图像去雾。Narasimhamm提出一种建立图像的深度模型的方法进行图像去雾。He等人结合暗通道与图像退化模型相结合的方法，实现图像的去雾。另外，一些学者也在图像直方图上做研究，以期实现图像的增强。肖钟洁和郭磊采用基于暗通道先验的去雾算法，利用自适应中值铝箔实现对透射率的平滑与细化，以提升去雾算法的速度。潘磊提出一种多尺度融合的图像去雾算法，计算图像各个尺度值并对梯度域进行增强和重建，再融合多分辨率进行图像的去雾。南栋等提出一种景深约束的单幅雾天图像去雾算法，利用景深图像特性，在8领域快速求解中队能量函数进行约束，达到改善雾化图像的目的。

该文的接下来安排如下：第2节概述图像去雾的相关算法，主要介绍基于图像变换的对比度增强法、基于Retinex理论的增强法；第3节重点描述本文使用的改进的方法；第四章给出仿真实验；最后是工作的总结与展望。

2图像去雾理论

2.1基于直方图变换的图像增强算法

直方图变换，又称为直方图修改（histogram modification）。在对图像直方图进行处理的时候，常见的方式有直方图拉伸、直方图均衡化、直方图规定化等。

直方图拉伸通过对直方图进行调整，“扩大”前景和背景差别，以达到增强目的，具体可以利用线性或非线性的方法来实现。

常用的线性变换表达式为：

（1）

式中，M为图像的最大亮度。具体的效果随着调节参数a、b、c、d的不同而不同。

对于直方图非线性变换，则是使用非线性函数来调整图像的灰度直方图。如对数函数、高斯函数、和其他的非线性函数。

直方图均衡化则通过使用累积函数对灰度值进行“调整”以实现对比度的增强。直方图均衡化过程如下：

（1）计算原图像的灰度直方图；

（2）计算原图像的灰度的累积分布函数；

（3）根据灰度变换表，求出原图像各灰度级的灰度映射。

直方图规定化，在直方图均衡化原理的基础上，按照规定的形状建立原始图像和期望图像之间的关系。直方图规定划分为三个步骤：

（1）对原始直方图灰度均衡化；

（2）规定需要的直方图，并将其直方图均衡化；

（3）将（1）得到的变换反过来，采用相对应规则实现映射。

采用直方图变换实现对图像去雾的流程如图1所示：

2.2基于Retinex模型的雾天图像去雾增强方法

1971年，Edwin.H.Land提出Retinex理论，他认为人类视觉系统具有色彩恒常性，其辨别色彩与入射光接收过程无关，仅与物体表面的反射属性有关，该过程由大脑皮层与视网膜共同作用。由此发展为Retinex理论，Retinex理论认为通过去除入射光的影响，可以得到物体的反射属性。在Retinex理论中，一幅图像S（x，y）被看成是两部分的组合，分别叫做亮度部分L（x，y）和反射部分R（x，y），其中亮度部分主要包含原图像中的低频信息，反射部分主要包括原图像中的高频信息。该模型可以表示为如式（2）：

因为不能直接得到图像的反射图像r（x，y），因此首先对图像进行亮度图像估计l（x，Y），通过一个减法运算得到反射图像，即：

很多学者对图像亮度估算，采用不同的算法，如基于迭代的Retinex算法、可变框架Retinex方法、中心环绕Retinex方法。但是总地来说，Retinex算法的框架如下：

3改进方法与仿真结果

本文结合直方图均衡化以及Retinex理论，实现对雾阴天气状况下的车牌识别。雾天图像的对比度和饱和度低，将其分为R、G、B三个通道有利于判断图像的细节，分别对三通道采用改进的多尺度Retinex算法对图像进行处理，最后将图像进行直方图均衡化处理。

3.1改进的Retinex算法

多尺度fMSR）算法的数学表达如下：

同时，系数满足条件，在x和y上的积分等于1。

针对Retinex的尺度人为确定，尺度参数设定不好，会影响图像的识别效果，本文对尺度参数进行改进，采用自适应尺度的MSR算法。将尺度分为低尺度，中尺度和高尺度三个尺度，其中，取图像的像素平均值作为高斯函数的中尺度，低尺度取中尺度的值减去以中尺度的值为划分的所有图像像素点的平均标准偏差加上中尺度的值，高尺度等于中尺度的值与以中尺度为划分的所有圖像像素点的平均标准偏差的和。其具体过程如下：

（1）分别计算出log[I（X，y）]中R、G、B各个通道的各个像素的平均值；

（21计算各个通道的平均标准偏差，从而求出各个尺度的低尺度特征、中尺度特征和高尺度特征；

（3）完成Retinex的计算，得到反射图像；

f4）对R、G、B通道合并；

f5）执行直方图均衡化。

3.2仿真结果

本文实验平台采用Windows7 64位操作系统，Core i7-4770 3.4GHz，8G RAM，Visual Studio 2010，OpenCV 2.4.10。对同一副雾天图像分别做传统的Retinex变换和采用改进的方法实现图像增强，效果如下：

从上图可以看出，采用本文所提出的改进的Retinex算法，能够大大增强雾天的车牌识别的清晰度。