车牌识别系统是智能交通系统的重要组成部分。车牌识别是一项涉及到数字图像处理、计算机视觉、模式识别、人工智能等多门学科的技术,它在交通监视和控制中占有很重要的地位,已成为现代交通工程领域中研究的重点和热点之一。车牌识别一般可以分为车牌的定位、牌照上字符的分割和字符识别三个主要组成部分。本文研究了进行车牌识别的各项关键技术,在分析了近年来一些典型的车牌识别算法的基础上,最终确定一系列有效的算法对车牌进行识别。车牌定位是汽车牌照识别系统的重要环节,定位的准确性直接影响车牌识别的准确率。在车牌定位(车牌检测)阶段,本文提出了基于数学形态学与多特征组合分析相结合的快速汽车车牌定位方法。首先将彩色图像转换成灰度图像,消除了因车身颜色不同以及环境因素给车牌定位造成的不良影响。采用Otsu算法将图像进行二值化处理,用Sobel算子进行边缘检测,利用数学形态学中由膨胀和腐蚀组合成的开运算和闭运算对边缘图像进行处理,得到较好的车牌候选图像。针对车牌候选区的二值图像,采用长宽比、面积比以及车牌字符的水平分布特征等多种因素综合分析的方式进行判别,提高了车牌检测的准确性。本文用该方法对白天和夜间拍摄的汽车图像进行了检测实验,实验表明,本文方法能快速准确地实现车牌定位,检测准确率在97%以上。对于车牌图像中可能出现的车牌倾斜问题,本文采用了Radon变换算法进行倾斜矫正,经过矫正处理的车牌可以为后面的字符分割带来方便。在字符分割阶段,主要借助相关的投影信息和先验知识来确定每个字符的分割位置,正确分割字符,为下一步字符识别奠定了基础。在字符分类识别阶段,本文给出了改进算法的BP神经网络。首先将归一化的字符特征作为神经网络的输入,然后训练相应的权值矩阵,实现字符的分类。为了提高识别的准确度,本文把汉字、数字字母及数字输入不同的网络进行训练与测试。对于BP算法容易陷入局部极小和训练速度较慢的问题,本文采用了改进算法——动量法,以及学习速率自适应调整两种策略,从而提高了学习速度并增加了算法的可靠性,动量法降低了网络对误差曲面局部细节的敏感性,有效地抑制了网络陷入局部极小,自适应调整学习速率有利于缩短学习时间。实验表明,本文算法可以有效提高识别速度和准确率。