随着时代的进步,车辆的普及率也越来越高,人们对城市交通的管理也愈加困难。智能交通系统是一种对各种先进的高新技术充分利用来实现实时、准确、高效的交通管理系统,对道路通行能力和交通管理效率的提高起着非常重要的作用。智能交通系统的核心技术中包含车牌识别技术,且对智能交通系统的发展速度和技术水平起着决定性作用。车牌识别技术是对图像处理、计算机视觉、模式识别和机器学习等多个领域进行综合研究的结果,便于实时的对城市车辆进行检测、监控和管理。它是从视频图像中采集的图片识别出相应的车牌号码,由于自然场景下天气复杂多变,伴随着雨、雪、雾的出现以及光照条件不同,采集到的图片不清晰,导致车牌识别的准确率下降。因此如何去除图像中的噪声,对图像进行恢复成为我们需要重点研究的对象。本文的主要研究内容如下:1.通过对抗学习的方式进行无参考图像质量评估,主要是利用一个伪参考图引导的质量回归网络来解决无参考图像质量评价问题。伪参考引导的质量回归网络可以用来模拟人类视觉系统的行为,利用失真图像和伪参考图像之间的感知差异信息进行质量评估。该方法主要分为两部分,首先基于失真图像生成一个伪参考图像,来弥补缺少的真实参考信息。然后,获取自然编码失真图像与伪参考图像之间的差异图,用来指导回归网络的学习,从而进行质量评估。2.对质量评估后的图像采用基于注意力机制的卷积神经网络进行图像恢复。首先,通过对单路卷积结构上不同尺度的特征图进行融合来聚合上下文信息,降低卷积层的信息冗余,减少计算参数。其次,利用注意力机制学习多尺度融合特征图的局部和全局信息,从分离空间和通道两个维度依次生成注意力图,再将注意力图乘以输入要素图以进行自适应特征提取。最后,使用低级与高级视觉任务级联的解决方案,在不改变现有数据集和车牌识别算法的基础上,联合重建损失和预测损失来训练图像恢复网络,提高了恢复图像的感知质量和车牌识别的准确性。3.对已经恢复后的图像采用端到端的多任务卷积神经网络方法进行车牌识别。首先,通过检测网络对恢复后的图像进行车牌检测,然后采用多任务协同计算方法,即在训练过程中利用车牌分类、边界框回归、车牌定位和车牌颜色识别四项任务同时训练CNN网络。同时训练多个相关任务可以保证独立性和相关性,提高学习性能。最后采用基于CRNN和CTC的端到端车牌识别算法,不进行分割,直接输出车牌字符,有效解决了传统车牌识别方法中字符分割对识别精度的不利影响的问题,从而获得较高的识别准确率。