车牌图像是监控视频中重要的信息来源,但通常监控场景中的车牌图像存在着因拍摄设备限制或环境干扰导致的分辨率过低、模糊、噪声等多种降质现象,加大了车牌辨识难度。因此,对车牌图像进行有效的超分辨率重建具有重要的意义。本文详细分析了监控场景中车牌图像的具体特征,对无参考图像质量评价、车牌图像预处理、图像分类识别、图像超分辨率重建等理论基础及关键技术进行了深入研究,提出了先识别再重建的核心思想,并依此构造了一种适用于实际监控场景的车牌图像重建算法框架,具体研究内容如下:1、提出了一种基于主观分类特征的车牌图像质量评价方法。从多个主观分类特征综合分析目标车牌图像的质量,在其质量过低无法进行重建时给出判断及原因分析。2、提出了适用于不同质量车牌图像的视角校正方法。通过研究车牌图像常见视角校正方法及其适用场景,提出对高质量车牌图像进行建库时采用基于Hough变换及Radon变换的自动校正方法,而对于实际需重建的低质量车牌图像提出一种基于用户标点及透视变换的手动校正方法。3、采用了基于模板匹配和基于判别式字典学习的字符识别方法,对车牌图像进行字符识别。基于模板匹配的方法中提出扩大模板库以增加对几何位置偏移的稳定性,得到与人眼接近的识别结果;基于判别式字典学习的方法中通过构建判别式字典对不同字符样本编码向量的差异性进行约束,得到了对低质量车牌字符图像较好的识别结果。之后又利用字符图像本身具有的局部相似性及整体联通性作为先验信息,在此之上提出一种将字符分块进行识别重建的方法,提升了整体稳定性。4、采用了基于稀疏表示的超分辨率重建方法,利用已有分类识别结果进行车牌图像重建。首先对单个字符图像进行基于稀疏表示的超分辨率重建,之后结合车牌图像特性对其进行灰度直方图处理以增强图像质量,最终拼接为一幅完整的车牌图像。