随着智能交通系统的发展,车牌自动识别技术越来越广泛地应用于生活中的各种场景。但是由于现今雾霾天气的增多,传统的车牌识别算法在雾霾天气下的准确率会大幅度下降,很难满足人们的需求。这就急需在车牌自动识别过程中加入去雾算法,提高雾霾条件下的车牌自动识别准确率。本文在车牌自动识别算法中引入暗原色先验去雾算法,同时利用指导滤波对暗原色先验去雾算法中透射率优化的方法进行改进,在保证去雾效果的同时缩短了去雾过程的时间,提高了去雾算法的实时性。对去雾后得到的图像,先进行灰度化处理,然后进行区域增强,最后利用边缘检测的方法来确定车牌的上下边界。接着,利用基于先验知识的方法确定车牌的左右边界,完成车牌的定位。对得到的定位后的车牌图像先进行二值化处理,再利用垂直投影法,通过垂直方向的像素累计图进行字符分割,然后对分割后的车牌图像进行归一化处理,最后将归一化的图像转化为粗特征矩阵,以便进行车牌识别。由于BP神经网络抗干扰性差,其在识别去雾后的字符图像时准确率下降,本文选用鲁棒性强的径向基函数(Radial Basis Function,RBF)神经网络对去雾字符图像进行识别。但RBF神经网络参数确定较为复杂,偶然性大,故选用粒子群优化算法(Particle Swarm Optimization,PSO)对其参数进行优化。实验证明,利用基于粒子群算法优化的径向基函数(Radial Basis Function Optimized by Particle Swarm Optimization,PSO-RBF)神经网络对字符进行识别可以有效提高车牌识别的准确率。大量实验结果证实,本文算法可以有效提高雾霾条件下的车牌识别准确率,同时保证车牌识别的实时性。