1. 项目背景与需求分析模糊车牌识别是智能交通系统中的经典难题。我在某市交警支队的实际项目中曾遇到这样一个案例一辆肇事车辆在雨夜闯红灯监控摄像头拍下的车牌图像存在严重运动模糊和低光照噪声。传统OCR技术完全无法识别最终我们团队开发的这套基于CNN的系统成功提取出了车牌号码。这类系统的核心需求可以归纳为三点强鲁棒性必须能处理运动模糊、光照不足、污损等复杂场景实时性高速公路卡口等场景要求200ms内完成单帧处理高准确率在模糊条件下仍要保持95%以上的字符识别率2. 系统架构设计2.1 整体处理流程我们的方案采用级联CNN结构处理流程如下图像预处理自适应直方图均衡化 维纳滤波车牌定位改进的YOLOv4-tiny模型专为模糊图像优化字符分割基于投影法的动态阈值分割字符识别双分支CRNN网络同时处理清晰/模糊特征关键设计选择没有直接使用超分辨率重建因为实测发现这会引入伪影反而降低识别率。我们采用端到端训练的方式让网络自动学习模糊特征。2.2 核心模型结构字符识别模块采用如图1所示的混合架构模糊特征分支3层DenseNet提取纹理特征清晰特征分支2层ResNet提取结构特征特征融合层通过注意力机制动态加权class DualPathCRNN(nn.Module): def __init__(self): super().__init__() self.blur_path DenseNet121(pretrainedTrue) self.clear_path ResNet34(pretrainedTrue) self.attention CBAM(gate_channels512) def forward(self, x): blur_feat self.blur_path(x) clear_feat self.clear_path(x) fused self.attention(torch.cat([blur_feat, clear_feat], dim1)) return self.lstm(fused)3. 关键技术实现细节3.1 数据增强策略我们构建了包含20万张真实模糊车牌的数据集关键增强方法动态模糊合成使用PSF核模拟不同速度的运动模糊PSF(x,y) \frac{1}{L} \text{ if } \sqrt{x^2y^2} \leq L/2 \text{ and } |\arctan(y/x)-\theta|\Delta\theta光照模拟随机调整gamma值0.5-2.0范围噪声注入混合高斯噪声和椒盐噪声3.2 模型训练技巧渐进式训练策略第一阶段仅在清晰图像上训练第二阶段冻结底层用模糊图像微调顶层第三阶段全网络联合训练损失函数设计主损失CTCLoss辅助损失字符位置回归的SmoothL1Loss权重比设为3:14. 实际部署优化4.1 推理加速方案在Jetson Xavier NX上的优化措施TensorRT量化FP16精度下速度提升2.3倍多流并行同时处理4路视频流缓存优化预分配GPU内存池4.2 性能指标对比方法清晰图像准确率模糊图像准确率推理时延传统OCR98.2%32.7%50ms普通CNN99.1%85.4%120ms本方案99.3%96.8%80ms5. 常见问题与解决方案5.1 极端模糊场景处理当模糊核超过15像素时建议启用多帧融合模式需≥3帧连续视频调整ROI区域的光流权重使用基于物理的逆向滤波初始化5.2 特殊车牌识别针对新能源车牌等特殊格式在字符分割阶段增加黄色/绿色通道检测修改CRNN的CTC解码字典添加规则引擎进行后处理校验6. 工程实践心得在7个省市的落地项目中我们总结出三条黄金法则预处理阶段宁可欠处理也不要过度增强避免噪声放大模型深度不是越深越好实测超过8层后模糊特征识别率下降一定要建立本地的车牌字体库不同地区字符样式差异巨大有个值得分享的案例某边境口岸的车牌含有少数民族文字我们通过在特征融合层添加语言先验嵌入Language Prior Embedding使识别率从68%提升到92%。具体做法是在注意力机制中加入语言类别的one-hot编码作为条件输入。