智能交通将现代信息技术与传统交通系统相结合,形成一种安全高效、绿色节能的综合运输系统,车牌识别是智能交通的重要组成部分。随着雾霾天气出现频率的增加,成像设备拍摄到的交通视频或图像模糊不清,导致车牌细节信息丢失和车牌识别率低,给智能交通系统的实施带来困难。针对这一问题,本文对雾霾天气下的车牌识别进行了研究,有效解决了车牌识别不准确的问题。具体研究内容可以分为图像去雾、车牌定位、车牌字符分割和车牌字符识别四个方面:1.针对传统去雾算法去雾不彻底的问题,基于大气散射模型和暗通道先验去雾算法,提出了一种基于加权融合暗通道去雾算法。该方法利用直方图均衡化和双边滤波的方法对暗通道图像进行处理,同时改进透射率权值和大气光值,并加权融合单尺度Retinex算法,得到最终的去雾图像。实验表明去雾后的图像更加贴合实际场景下的无雾图像,且在颜色偏暗的雾霾图像上的去雾效果更佳。2.提出了一种基于生成对抗网络的图像去雾方法。该方法将带雾图像输入生成模型中训练,用判别模型判别是真实图像还是生成图像,根据真实图像和生成图像之间的最大化差异调整生成模型中的参数,直至判别模型将生成模型生成的图像判别为真实图像。该去雾方法不基于大气散射模型,去雾效果更加符合有雾图像到无雾图像之间的映射关系。3.提出一种快速准确的车牌定位检测模型RYNet。该方法通过缩减模型大小和利用多尺度策略改进YOLOv3-tiny目标检测模型。实验表明RYNet在保证检测精度的同时,具有较小的模型内存占用和较快的图像检测速度。4.对倾斜车牌使用Radon算法得到正方位的车牌,对车牌字符使用垂直投影法进行分割,并进一步作归一化处理,得到车牌字符图像。5.提出了一种基于卷积神经网络的车牌字符识别方法。针对车牌字符特征存在差异的问题,将汉字字符、非汉字字符(字母、数字)分开训练,对卷积神经网络的参数进行优化,提高车牌字符识别的准确率。本文提出的雾霾环境下车牌识别解决方案具有去雾效果好、检测精度高、检测速度快和占用内存少的优点,在智能交通系统中具有良好的应用前景。