车牌识别系统作为现代智能交通系统的关键技术之一,目前已经被应用在越来越多的不同场景中。并且,在公路卡口和收费站等光照条件较好、车辆图像采集位置相对固定的条件下,现有的车牌识别方法具有较高的识别率,可以满足实际情况的要求。然而,当车牌识别系统在非限定环境中使用时,例如道路稽查、违章检测以及天网系统等,由于摄像机采集到的车辆图像会存在位置、角度、光照及环境背景纹理的变化,车牌图像的各种特征,例如几何形态、灰度和纹理,将出现不同的改变。因此,在非限定条件的应用场景下,系统对环境变化适应性较差,导致了车牌识别率的降低,不能满足现代智能交通系统应用的需求。为了提高非限定条件下的场景中车牌识别系统的适应性,本文根据车牌识别的主要步骤,即车牌图像预处理,车牌定位和车牌识别,分别作出改进。在车辆图像预处理阶段,针对空气存在的微粒造成的图像雾化现象,提出一种基于暗通道先验结合小波变换的去雾优化算法,首先利用暗通道先验原理对采集到的图像进行粗去雾,之后采用小波变换分别将源图像与去雾后的图像的高频部分和低频部分提取并相互融合,从而对采集到的图像进行预处理,防止空气中的雾化现象对车辆图像分割造成影响。在车辆图像分割阶段提出了适用于非均匀光照的车辆图像分割方法。根据非均匀光照下的灰度图像成像特点,选定灰度级波峰与灰度级波谷,并将选取的波峰与波谷值作为限定条件,限制遗传算法的初始种群的范围,之后采用改进后的双阈值分割方法,对非均匀光照下的车辆图像进行分割。接着提取分割出的车辆区域,采用基于HSV的车牌定位方法,对车牌部分进行定位。最后采用Tesseract引擎对图像中的车牌字符进行识别。方法是利用Tesseract的配套训练工具jTessBoxEditor,对车牌训练集进行整理,之后利用Tesseract引擎对整理出的训练集进行训练,生成新字典。Tesseract-OCR通过新生成的字典对图片中的车牌字符进行识别,测试结果发现,采用新训练后的字典对车牌进行识别的准确率相比于原先的识别率来说有了很高的提升。综上所述,本文提出一种非限定条件下的车牌识别方法,在对图像预处理阶段对采集到的图像进行去雾优化,提高图像的清晰度。之后通过基于遗传算法的改进双阈值分割方法对不均匀光照条件下的车辆图像进行分割,然后提取分割后图像中的车辆部分,采用基于HSV的车牌定位对车辆部分进行处理,得到含车牌区域的图像。最后利用Tesseract引擎训练新的字典,将处理后的含车牌图片导入Tesseract-OCR进行识别,由于Tesseract-OCR的性能,可以对车牌字符进行良好识别。通过车牌数据测试集的测试可以得出,本文提出的车牌识别方法在非限定条件的环境下的可以进行车牌识别并且能够不断训练提高识别准确率,具有一定的应用前景和理论价值。