在雾霾天气下,由于大气的散射作用导致反射光减弱光线变暗,以及大气的光参与成像导致户外相机拍摄的车牌图像产生颜色失真、模糊不清以及图像偏移等现象,从而导致车牌识别系统的识别率降低,无法达到工程应用的标准,严重影响道路交通管理。为解决雾霾天气车牌识别率低的问题,本文以雾霾天气为基础,对车牌识别算法进行了研究,主要内容包括:车牌图像预处理:雾霾天气会使车牌识别系统出现不能正确识别字符信息的现象,本文对传统Retinex算法求解照度分量的方法进行改进,使其更适用于车牌识别系统中图像的恢复与增强。该算法有效降低雾霾天气下图像退化带来的图像色彩失真和细节信息缺失的影响,进而有利于车牌识别系统中车牌定位,字符分割和识别。实验结果从主观和客观两个方面表明,改进后的算法在增强图像的同时能够保留更多的细节信息,能有效提高雾霾天气下车牌的识别率。车牌定位实现:在上一步的基础上,将获得的车牌图像进行定位。由于雾霾天气下获得的图像清晰度较差,所以本文对常用的车牌定位的算法进行了改进。首先通过处理速度快Canny边缘检测算子结合形态学与迭代融合处理进行车牌粗定位,再利用简化后的Alex Net卷积神经网络模型去除伪车牌进行车牌精定位。该方案解决了目前车牌定位技术在雾霾天气下定位准确率低且花费时间长的缺点。车牌识别:为了提高雾霾天气下车牌字符识别率,本文对基于卷积神经网络的字符识别算法进行改进,通过参数的调整和网络层数的设计,简化网络复杂度。然后改进网络训练方式,在训练集中增加识别准确但网络输出不确定性高的样本,组成新的训练集,进行再次测试,这样既减小了网络训练所需的样本,也能保证分类器性能。此方法在提高车牌识别准确率的同时解决了收集大量样本的难度。最后通过系统测试对本文算法进行综合评估,并对测试结果进行分析总结。