(北京交通大学海滨学院 河北黄骅 061100)
摘要：随着社会经济的不断发展，智能化技术已经广泛的应用到了各个领域，尤其是交通管理系统也逐渐的趋向于智能化，在这其中开发出来的车辆识别系统也在汽车电子领域得到了广泛的应用。但是受到雾霾等恶劣天气的影响，使得传统的车辆识别系统的速度和准确性有所下降。本文对单片机在车辆识别系统的应用进行研究探讨，以期为提高车辆识别的效率提供一定的参考意见。
关键词：雾霾天气；单片机；车牌识别系统；应用研究
前言：随着社会城市化的进程越来越快，人们的经济水平也在不断的提高，出行方式逐渐被汽车所替代，这使得汽车的数量也在快速的增长，并对现有的交通条件和交通管理产生了巨大的压力，为了缓解这种情况，智能化技术被引入应用，智能交通系统随即产生。但是由于雾霾天气因素的出现，导致对智能交通系统造成了严重影响，如主要的车辆识别系统、交通情况检测等。在雾霾天气的环境下，会影响对车牌信号的采集，车辆图像许多特征容易出现模糊质量差，清晰度相较于白天来讲会有明显的下降，采集的车牌图像也会出现噪点，针对这种情况，提高单片机的去除噪点以及车辆图像的清晰度，对车辆识别系统有重要意义。
1单片机图像去雾应用研究
社会环境的破坏导致雾霾天气越来越常出现，而雾霾天气的出现，导致系统采集到的图像质量有明显降低，使得车辆识别系统的速度和准确性都会有所下降所以需要对单片机里针对雾霾天气的情况进行改进，以帮助改善车辆识别系统里的图像质量，进一步提高雾霾环境下图像的可使用度[[]]。在雾霾天气的环境下，采集的图像在传统直方图上的主要表现为失去了高光部分和阴影部分，图像整体发灰且缺乏对比度，而去雾后的车辆识别对色彩的还原度并没有很高的要求，其主要是针对图像整体的明暗度和其阴影部分和明亮部分的对比，以及图像边缘部分的清晰度情况，因此，车辆识别系统对直方图均衡化的办法进行改进，提高对图像整体的直方图均衡化，对亮度通道均衡化，简单来讲就是把图像的灰度分布值重新进行更改，来达到提高图像的整体清晰度的目的。
2单片机噪点去除技术应用研究
传统的噪点去除方法有中值滤波、以及均值滤波等等。采用中值滤波进行噪点去除时，虽然能够去除大部分的噪点，但是也极大可能的造成了图像的细节的损伤，而采用均值滤波进行噪点去除时，会大大降低图像边缘的清晰度。因此，在传统的去除噪点的方法的基础上改进了新的去除噪点的方法小波去噪法，其优点是在能够在保留图像边缘的清晰度，不会再次出现视觉上的失真现象，有能够有效的去除噪点[[]]。小波去噪法的主要原理是先根据单片机上噪点出现的特点以及连续不断的信号的特质，对高频小波系数做阈值分割处理，通过设定不同特征的阈值来进行分配不同的信号，去除阈值下小波系数里噪点部分的离散信号，保留并增加小波系数里有图像特征信号的那部分，再通过对小波系数进行逆变换的方式恢复车辆识别的检测信号。
期刊文章分类查询,尽在期刊图书馆
3单片机车牌图像应用研究
3.1车牌图像处理
在雾霾天气下，进行了去雾处理的车牌图像，需要再对图像进行预处理、车牌定位与车牌字符分割后，使得字符归一化后才能进行车牌图像的识别。单片机里采集到的车辆图像基本上为24位的真彩色图像，因为无法直接对采集到的图像进行车牌定位与车牌字符分割，所以需要先对采集到的车辆图像进行预处理，可以有效的消除噪音，大大降低了后续过程中的识别干扰。车牌图像的预处理内容主要有二值化处理、车牌边缘检测以及形态学的处理，通过预处理的车牌图像，图像的边缘轮廓变得清晰。
3.2车牌图像的定位
车辆识别系统的第一步就是对车牌进行定位，定位的准确性决定了识别的准确率，在雾霾天气下采集的车牌图像是已经做过去雾处理的图像，因此对其准确性的要求更高，所以方法也是有所不同。目前在车辆识别系统中广泛使用的有以下四种方法：（1）基于几何特征的定位算法，它是通过锐化车牌的图像，使得车牌的边框变得突出，对车牌的边框检测来确定车牌的位置，并定位车牌。此方法较为简单，在清朗天气下，采集的车牌边框清晰度比较高的情况下，使用效果较为良好，但是如果车牌的边框有出现变形或者边框不太完整的情况，则无法进行使用[[]]。在雾霾天气下，车牌的边框清晰度变低，大大降低此方法的准确率，此方法在雾霾天气并不适用。（2）基于彩色空间转换的定位方法，是对车牌的颜色空间进行转换，在这过程中，车牌的底色和字符的颜色不受转换的影响，不会产生变化，根据这一原理，检测车牌的区域，定位车牌。但是在雾霾天气下，会出现诸多干扰，使得车牌的底色原有的原色排列出现不规则现象，算法变得不稳定，降低了定位的准确率[[]]。（3）基于边缘检测的车牌定位方法，是通过预处理车牌的图像，使得图像的边缘轮廓变得清晰，再对各个像素点的灰度值逐一进行统计，计算灰度值变化非常大的点的数量，以此来测定车牌图像的范围区域。通过对图像的腐蚀和增强，降低雾霾天气对车牌图像造成的干扰度，能够比较快速且准备的对车牌图像进行定位，该方法虽然适合对雾霾天气下的车牌图像进行定位，但是对于车灯和车标等这类边缘明显的区域也难以区分，使得其定位效果并不理想[[]]。
4结语
随着雾霾天气的不断增多，传统的车辆识别系统在雾霾天气下的识别准确性会出现大幅度的下降，无法满足人们的日常出行需求。优化单片机在车辆识别系统的应用，提高了雾霾天气中车牌的清晰度，使得去雾和车牌的有效识别的准确率有非常明显的提升，车辆识别系统对车辆信息的管控也更加准确。
参考文献：
[1]林乾毕.基于SVM与ANN神经网络的车牌识别系统[J].软件,2019,40(08):105-107.
[2]毛晓波,张群,梁静,刘艳红.基于PSO-RBF神经网络的雾霾车牌识别算法研究[J].郑州大学学报(工学版),2017,38(04):46-50.
[3]程雅琼,蔡亮,张忠林.恶劣天气下车牌识别系统及MATLAB GUI实现[J].自动化与仪器仪表,2017(02):53-55.
论文作者:李霖,梁城,王子航
论文发表刊物:《电力设备》2019年第20期
论文发表时间:2020/3/3
标签：车牌论文; 图像论文; 车辆论文; 天气论文; 识别系统论文; 清晰度论文; 噪点论文; 《电力设备》2019年第20期论文;