具体实施方式

下面结合附图详细说明本发明的技术方案：

如图1，一种昏暗环境下矿车车牌识别的方法，步骤如下：

第一步、图像采集。在矿车通过的关卡处安装相机，通过视频模式采集图像，并且在采集时利用预先训练好的RCNN模型检测车头或车尾，当检测到车头或车尾时，截取图像等待进一步处理。

第二步：预处理。由于图像质量容易受光照、天气、相机位置等因素的影响，所以在识别车牌之前需要先对相机和图像做一些预处理，以保证得到车牌最清晰的图像。

本步骤包括对采集到的图形进行逆光、过曝以及有噪声图像处理，为车牌在昏暗环境下的准确识别奠定基础。具体的，根据现场环境和第一步中获取的图像，进行自动曝光处理、自动白平衡处理、自动逆光处理和自动过曝处理，并对图像进行噪声过滤、对比度增强和图像缩放处理。

所述噪声过滤的方法为均值滤波、中值滤波或高斯滤波；所述对比度增强的方法为对比度线性拉伸、直方图均衡或使用同态滤波器；所述图像缩放处理的方法为最近邻插值法、双线性插值法或立方卷积插值法。

第三步：车牌定位。

本步骤中，依据纹理特征、颜色特征和形状特征信息，分别采用投影分析法、连通域分析法和机器学习算法检测车牌在图像中的位置，如果三种方法均在当前图像中检测到车牌且三个获取到的车牌位置坐标相互间的差值都在预设的阈值之内，则判定当前图像中存在车牌，并将该车牌从图像中切割出来。

这种方式可以避免由于前面预处理过程中对图像产生了较大的影响，导致对车牌的错误定位。

具体的：

所述投影分析方法是根据车牌字符与背景交替出现的次数，通过图像在水平和垂直方向的投影分析来定位车牌；

所述连通域分析法是根据车牌中的每个字符都是一个连通域且这些连通域的结构和颜色都一致的特征，通过检测并合并这些连通域来定位车牌；

所述机器学习算法是先使用从很多个车牌样本中提取出来的特征把一个弱分类器训练成一个强分类器，再使用这个强分类器对图像进行扫描检测，从而定位到车牌。

进一步的，由于受拍摄角度、镜头等因素的影响，图像中的车牌存在水平倾斜、垂直倾斜或梯形畸变等变形，这给后续的识别处理带来了困难。在定位到车牌后先进行车牌校正处理，这样做有利于去除车牌边框等噪声，更有利于字符识别。因此，将车牌从图像中切割出来之后，再对切割出来的车牌图像进行校正处理。

对车牌图像进行校正处理采用Hough变换法、旋转投影法、方差最小法、透视变换法或主成分分析法：

所述Hough变换法是通过检测车牌上下和左右边框直线来计算倾斜角度；

所述旋转投影法是通过按不同角度将图像在水平轴上进行垂直投影，将投影值为0的点数之和最大时的角度作为垂直倾斜角度；

所述方差最小法是根据字符在垂直方向投影点的坐标方差最小导出垂直倾斜角的闭合表达式，从而确定垂直倾斜角度；

所述透视变换法是利用检测到的车牌的四个顶点经过相关矩阵变换后实现车牌的畸变校正；

所述主成分分析法是根据车牌背景与字符交界处的颜色具有固定搭配这一特征，求出颜色对特征点的主成分方向，进而得到车牌的水平倾斜角度。

第四步：字符分割。定位出车牌区域后，由于并不知道车牌中总共有几个字符、字符间的位置关系、每个字符的宽高等信息，所以，为了保证车牌类型匹配和字符识别正确，字符分割是必不可少的一步。

具体步骤为：基于车牌的二值化结果或边缘提取的结果，利用字符的结构特征、字符间的相似性以及字符间间隔信息，一方面把单个字符分别提取出来，提取时处理粘连和断裂字符，另一方面把宽、高相似的字符归为一类，从而去除车牌边框以及噪声。

所述字符分割具体可采用连通域分析法、投影分析法、字符聚类或者模板匹配法。

第五步：字符识别，本步骤采用模板匹配法、人工神经网络法、支持向量机法或者是Adaboost分类法。

其中，模板匹配法的优点是识别速度快、方法简单，缺点是对断裂、污损等情况的处理有一些困难；人工神经网络法学习能力强、适应性强、分类能力强但比较耗时；支持向量机法对于未见过的测试样本具有更好的识别能力且需要较少的训练样本；Adaboost分类法能侧重于比较重要的训练数据，识别速度快、实时性较高。我国车牌由汉字、英文字母和阿拉伯数字3种字符组成，且具有统一的样式，这也是识别过程的方便之处。但由于车牌很容易受外在环境的影响，出现模糊、断裂、污损字符的情况，如何提高这类字符和易混淆字符的识别率，也是字符识别的难点之一。易混淆字符包括：0与D、0与Q、2与Z、8与B、5与S、6与G、4与A等。

第六步：结果输出。

进一步的，由于现场复杂的图像背景，且要考虑不清晰车牌的定位，所以很容易把栅栏、广告牌等噪声当成车牌。为了提高定位的准确率和提高识别速度，车牌识别系统设计了外部接口，让用户自己根据现场环境设置不同的识别区域。