路牌识别技术是现代智能驾驶中一项关键技术,它可以辅助驾驶者准确获取道路信息。在驾驶者对道路情况不熟悉的条件下,避免分散更多精力去辨别路牌信息,有助于行车安全。特别是高速公路行驶过程中,由于车速较快,如果不能及时准确地识别道路信息,将会大大增加行车的危险系数。另外,在雾天条件下,成像设备采集到的图像质量相对较差,识别系统很难进行精确处理,这一干扰也将严重影响识别精度。因此,针对以上实际问题,本文对雾天高速公路路牌图像增强及识别技术进行研究。本文主要对图像增强、路牌字符分割以及路牌字符识别进行研究。在图像增强方面,主要研究暗通道先验算法、基于Retinex理论算法和直方图均衡化算法,并将三种算法进行实验对比,通过主观评价和客观评价,选择效果最优的暗通道先验算法增强图像;在字符分割方面,使用基于MSER与投影法相结合的字符分割算法对增强后的图像进行处理,并将本文分割算法分别与MSER分割法和投影法进行实验对比,数据表明本文分割算法具有最优效果,分割率可以达到95.9%,此算法不仅能够解决MSER针对汉字结构嵌套的问题,还可以解决自然条件下光照影响的问题;在字符识别方面,主要研究模板匹配算法、支持向量机算法以及卷积神经网络算法,并将三种算法进行实验对比,结果表明卷积神经网络算法针对大量高速路牌字符具有最优识别效果,识别率可以达到92.8%,因此选择卷积神经网络算法进行字符识别。为验证模型的可行性,本文对雾天条件下采集的高速路牌进行实验,通过实验数据评价图像增强的效果和路牌字符识别的性能。本文将两种分割算法结合卷积神经网络的识别率进行对比,以及图像增强前后的识别率进行对比。实验数据表明,本文分割算法结合卷积神经网络可以在雾天条件下达到92.8%的识别率,充分证明本文分割算法可以有效提高整体识别率,以及雾天条件下图像增强的必要性,同时证明本文模型可以为智能驾驶系统提供安全且稳定的保障。