车牌自动识别技术是智能交通系统的重要组成部分,目前车牌自动识别多采用对车牌图像进行处理的方式来获取车牌信息。近年来,由于环境的破坏,全国各地的雾霾天气逐渐增多,在雾霾天气条件下,由于大气中微小颗粒物的作用,摄像机拍摄的车牌图像会产生退化现象,最终导致车牌识别的准确性降低。为提高在雾霾环境下车牌识别的准确性,本文对车牌识别中图像去雾、车牌定位、车牌分割和车牌识别等多个识别步骤进行分析,在此基础上,对车牌识别的过程进行了整体优化,提出一种优化的车牌识别算法,解决了在雾霾天气环境下车牌识别效果与准确率不高等问题。本文主要研究内容如下:1.在暗原色先验去雾算法的指导下,提出了一种利用自适应中值滤波对传统暗原色去雾算法中透射率进行优化的改进手段,提升了去雾算法的实时性;2.提出一种边缘检测与机器学习相结合的车牌定位方法,首先对雾化图像进行灰度化处理,然后利用边缘检测的方式确定车牌的上下边框,通过先验知识算法划分车牌的左右边框,最终确定车牌位置;3.对处理后的图像使用二值化方法进行处理,然后再用垂直投影法分割字符,并做归一化处理,将其转为粗特征矩阵;4.选用径向基函数神经网络进行识别,同时为了进一步简化神经网络的结构,满足车牌识别的精确性要求,对神经网络的参数进行优化,提高了车牌识别的准确率。本文提出的车牌识别算法,不仅能够提高雾霾环境下车牌识别的准确性,而且在晴天环境下,对识别速度的影响很小,基本可以忽略。大大降低了天气环境因素对车牌识别准确性的影响。