随着经济与科技的快速发展,城市交通管理不断压力加重。智能交通成为了社会进步的强烈需求,车牌识别作为其中的核心成为了重点研究之一。车牌识别主要包括车牌定位、字符分割、字符识别三大模块,尽管当前研究已经达到可用性,但是多在固定条件下才能取得较好的效果。而随着车辆的数量不断攀升,车牌识别的应用场景不断增加,出现的问题也越来越多。雾天容易导致车牌图像模糊影响定位,车牌污点、褪色容易导致字符粘连影响分割,拍摄角度不固定容易导致字符倾斜影响识别。针对当前车牌识别存在的问题,本文做了以下主要工作。第一,提出一种基于字符边缘点提取的车牌定位算法,结合颜色与纹理特征,加入边缘提取,使定位更精确。车牌定位目标是从包含车牌的图像中找到车牌的区域并切割出来。整个算法过程受图像大小、光照条件、图像清晰度等条件影响。车牌自身具有一定纹理特征,如我国一般车牌中带有7个字符,而字符的大小,字符间的间隔宽度都是固定的。同时车牌的背景色与字符颜色搭配也是固定的,本文使用纹理与颜色结合的方法得到更好的定位效果。第二,字符分割。字符分割的目标是得到独立的字符图像,必须克服污点干扰、字符粘连、字符倾斜带来的困难。在这一模块中,考虑到倾斜带来的问题将导致后续步骤的困难,本文使用旋转投影法对图像进行了水平与垂直的校正,同时在其中加入车牌边框的去除。为解决污点干扰与字符粘连导致分割失败的问题,本文采用了模板匹配法与垂直投影相结合的策略,动态更改字符的预估宽度,使宽度的预估值更加精确。同时在水平方向使用独立的字符边界划分,得到分割更精确的独立字符。第三,字符识别。字符识别部分的关注点是识别率与时间性能,主要有基于SVM与神经网络的两大类方法。本文分析并说明了两大类方法的优缺点,对图像进行了预处理与特征提取,使用基于改进的BP神经网络设计了中文、英文、英文数字三种分类器进行字符识别,并对比了不同神经元节点的性能。在实验中对比了基于SVM的识别方法、基于RBF神经网络的识别方法,实验证明了基于BP网络的识别方法具有较高的识别率,在污点干扰下性能更稳定,同时能达到实时性的要求。