基于低分辨率车牌识别系统的应用研究

在自然场景下的监控视频中，由于拍摄距离和拍摄角度造成的车牌图像有效分辨率低问题，超分辨率(Super-Resolution, SR)技术可有效解决这个问题，然而还有很多车牌图像存在分辨率过低、模糊及光照问题，对于这些图像做超分辨率后仍存在无法识别的现象，且会占用计算资源和降低速度。针对该类问题，提出一种无参考图像质量评估系统以甄别出有效图像进行超分辩率和车牌识别。根据提出的场景需求，归纳出四种车牌图像质量评价因子：分辨率、清晰度、亮度及对比度，最后使用支持向量机(Support Vector Regression, SVR)来进行质量分数回归预测。实验表明本文算法在保证速度的同时可有效提高车牌识别准确率。

车牌识别(License Plate Recognition, LPR)已广泛应用于各种特定的实际场合，如公共卡口、停车收费等。

在这些特定场景中， 影响车牌识别的因素单一且大多经过人为限定和优化， 故车牌识别准确率较高。

但在非限定场景中存在车牌的尺度变化、外界的光照变化及外界的噪声干扰等困难，简单的车牌识别算法难以适应，故算法的复杂度和硬件条件的升级是必然的，但也因此导致的车牌识别算法的速度下降和硬件要求的变高。故针对非限定的自然场景中不过度要求硬件条件的前提下，如何快速准确地识别车牌是车牌识别领域迫切需要解决的难点和热点[1]。

目前，影响车牌识别准确率的原因可以归为两个方面：识别系统中的误差和复杂环境干扰。误差包含系统原因造成的图像质量较差而导致的识别错误[2]。复杂环境干扰会导致模糊、光照及外界噪声干扰等低质量图像。

两个方面在非限定场景中都有所体现， 且复杂环境干扰的影响更为明显。

针对这些问题， 已经有了很多的解决方案，比如结合边缘检测技术、光照补偿算法等等的车牌检测算法[3] [4] [5] [6]；或者车牌识别算法结合图像预处理算法，如去模糊算法[7] [8]、去雾算法[9] [10]、图像分辨率增强[11]等。

这些方案在一定程度上提高了车牌识别的准确率，但在很大程度上增加了算法开销的同时并不能完全解决车牌图像质量低而引起的识别准确率降低的问题[2]。

在一些应用场景中，如小区街道、城市道路，摄像机和车辆之间距离的不确定性使得采集到的车牌图像大小多样化[12]。本文针对车牌尺度变化问题，综合考虑上述提及的两方面影响识别准确率的原因， 利用超分辨率技术[13]对车牌图像进行高频信息的恢复，同时利用无参考图像质量评估算法[14]在对图像做超分辨率之前先对图像进行甄别，在去除低质量图像的同时也减少了做超分辨率和车牌识别的图像数量，从而节省了计算资源且保证了速度。基于此，由于车牌图像可以提供的信息量较少，同时字符的不同形状在很大程度上干扰了对图像失真程度的统计， 如自然图像质量评价(Natural Image Quality Evaluator, NIQE)算法[15]、盲图像质量指数(Blind Image Quality Index, BIQI)算法[16]等通用的无参考图像质量评价系统都无法很好地表征车牌图像的降质程度[17]， 更重要的是这些评价算法不能评价车牌尺度的大小， 故