陳玉

摘要：針對霧霾天氣，車牌識別率低的問題，提出一種高效的車牌識別算法。對圖像增強作了具體的改進，采用自適應Retinex算法，并對圖像進行直方圖均衡化。實驗證明該文所提出的算法，較其他算法具有更好的處理效果，能夠?qū)崿F(xiàn)霧霾天氣下車牌圖像的高效識別。

關(guān)鍵詞：車牌識別；圖像復原；圖像增強

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2017）13-0174-02

1概述

近來，霧、霾問題深刻地影響著人們的生活和生產(chǎn)，尤其是在城市交通監(jiān)管領(lǐng)域，霧霾干擾下，拍攝的能見度低、識別效果差，嚴重阻礙了視頻監(jiān)管系統(tǒng)對車輛的有效監(jiān)控，不利于城市交通安全的發(fā)展。如何在霧霾天氣下，如何利用有效的車牌圖像識別技術(shù)，有效地實現(xiàn)對車牌的有效識別，引起了當今社會的廣泛關(guān)注。

目前，圖像去霧算法分為模型法和非模型法兩種。模型法通過大氣散射定律建立圖像的退化數(shù)學模型，再對圖像采用復原技術(shù)，還原真實場景。非模型法的重點是利用圖像增強，對低對比度霧化圖像還原細節(jié)，得到清晰圖像。不少研究學者從該兩類算法作為切入點，對霧霾天氣中的圖像處理進行深入研究。Okley利用獲取圖像景深數(shù)據(jù)的方式，對霧化圖像進行增強。Tarel等人利用實物對光線的反射估計的透射程度實現(xiàn)圖像去霧。Narasimhamm提出一種建立圖像的深度模型的方法進行圖像去霧。He等人結(jié)合暗通道與圖像退化模型相結(jié)合的方法，實現(xiàn)圖像的去霧。另外，一些學者也在圖像直方圖上做研究，以期實現(xiàn)圖像的增強。肖鐘潔和郭磊采用基于暗通道先驗的去霧算法，利用自適應中值鋁箔實現(xiàn)對透射率的平滑與細化，以提升去霧算法的速度。潘磊提出一種多尺度融合的圖像去霧算法，計算圖像各個尺度值并對梯度域進行增強和重建，再融合多分辨率進行圖像的去霧。南棟等提出一種景深約束的單幅霧天圖像去霧算法，利用景深圖像特性，在8領(lǐng)域快速求解中隊能量函數(shù)進行約束，達到改善霧化圖像的目的。

該文的接下來安排如下：第2節(jié)概述圖像去霧的相關(guān)算法，主要介紹基于圖像變換的對比度增強法、基于Retinex理論的增強法；第3節(jié)重點描述本文使用的改進的方法；第四章給出仿真實驗；最后是工作的總結(jié)與展望。

2圖像去霧理論

2.1基于直方圖變換的圖像增強算法

直方圖變換，又稱為直方圖修改（histogram modification）。在對圖像直方圖進行處理的時候，常見的方式有直方圖拉伸、直方圖均衡化、直方圖規(guī)定化等。

直方圖拉伸通過對直方圖進行調(diào)整，“擴大”前景和背景差別，以達到增強目的，具體可以利用線性或非線性的方法來實現(xiàn)。

常用的線性變換表達式為：

（1）

式中，M為圖像的最大亮度。具體的效果隨著調(diào)節(jié)參數(shù)a、b、c、d的不同而不同。

對于直方圖非線性變換，則是使用非線性函數(shù)來調(diào)整圖像的灰度直方圖。如對數(shù)函數(shù)、高斯函數(shù)、和其他的非線性函數(shù)。

直方圖均衡化則通過使用累積函數(shù)對灰度值進行“調(diào)整”以實現(xiàn)對比度的增強。直方圖均衡化過程如下：

（1）計算原圖像的灰度直方圖；

（2）計算原圖像的灰度的累積分布函數(shù)；

（3）根據(jù)灰度變換表，求出原圖像各灰度級的灰度映射。

直方圖規(guī)定化，在直方圖均衡化原理的基礎(chǔ)上，按照規(guī)定的形狀建立原始圖像和期望圖像之間的關(guān)系。直方圖規(guī)定劃分為三個步驟：

（1）對原始直方圖灰度均衡化；

（2）規(guī)定需要的直方圖，并將其直方圖均衡化；

（3）將（1）得到的變換反過來，采用相對應規(guī)則實現(xiàn)映射。

采用直方圖變換實現(xiàn)對圖像去霧的流程如圖1所示：

2.2基于Retinex模型的霧天圖像去霧增強方法

1971年，Edwin.H.Land提出Retinex理論，他認為人類視覺系統(tǒng)具有色彩恒常性，其辨別色彩與入射光接收過程無關(guān)，僅與物體表面的反射屬性有關(guān)，該過程由大腦皮層與視網(wǎng)膜共同作用。由此發(fā)展為Retinex理論，Retinex理論認為通過去除入射光的影響，可以得到物體的反射屬性。在Retinex理論中，一幅圖像S（x，y）被看成是兩部分的組合，分別叫做亮度部分L（x，y）和反射部分R（x，y），其中亮度部分主要包含原圖像中的低頻信息，反射部分主要包括原圖像中的高頻信息。該模型可以表示為如式（2）：

因為不能直接得到圖像的反射圖像r（x，y），因此首先對圖像進行亮度圖像估計l（x，Y），通過一個減法運算得到反射圖像，即：

很多學者對圖像亮度估算，采用不同的算法，如基于迭代的Retinex算法、可變框架Retinex方法、中心環(huán)繞Retinex方法。但是總地來說，Retinex算法的框架如下：

3改進方法與仿真結(jié)果

本文結(jié)合直方圖均衡化以及Retinex理論，實現(xiàn)對霧陰天氣狀況下的車牌識別。霧天圖像的對比度和飽和度低，將其分為R、G、B三個通道有利于判斷圖像的細節(jié)，分別對三通道采用改進的多尺度Retinex算法對圖像進行處理，最后將圖像進行直方圖均衡化處理。

3.1改進的Retinex算法

多尺度fMSR）算法的數(shù)學表達如下：

同時，系數(shù)滿足條件，在x和y上的積分等于1。

針對Retinex的尺度人為確定，尺度參數(shù)設(shè)定不好，會影響圖像的識別效果，本文對尺度參數(shù)進行改進，采用自適應尺度的MSR算法。將尺度分為低尺度，中尺度和高尺度三個尺度，其中，取圖像的像素平均值作為高斯函數(shù)的中尺度，低尺度取中尺度的值減去以中尺度的值為劃分的所有圖像像素點的平均標準偏差加上中尺度的值，高尺度等于中尺度的值與以中尺度為劃分的所有圖像像素點的平均標準偏差的和。其具體過程如下：

（1）分別計算出log[I（X，y）]中R、G、B各個通道的各個像素的平均值；

（21計算各個通道的平均標準偏差，從而求出各個尺度的低尺度特征、中尺度特征和高尺度特征；

（3）完成Retinex的計算，得到反射圖像；

f4）對R、G、B通道合并；

f5）執(zhí)行直方圖均衡化。

3.2仿真結(jié)果

本文實驗平臺采用Windows7 64位操作系統(tǒng)，Core i7-4770 3.4GHz，8G RAM，Visual Studio 2010，OpenCV 2.4.10。對同一副霧天圖像分別做傳統(tǒng)的Retinex變換和采用改進的方法實現(xiàn)圖像增強，效果如下：

從上圖可以看出，采用本文所提出的改進的Retinex算法，能夠大大增強霧天的車牌識別的清晰度。