摘要：随着经济发展,汽车不断增多,迫切需要提高交通系统的车辆监控和管理的自动化程度,车牌识别是一种非常有效的手段,故车牌识别系统的研究有着很高的理论研究价值和实际应用价值。本文以高速公路上超速车辆的监控为目的,开展车牌定位与识别的算法研究。主要研究在高速公路超速监控点拍摄的车牌图像,由于其图像整体分辨率小,且车牌区域比较小,故研究难度比较大。主要研究成果和创新点如下：提出了基于区域逐步缩小的车牌定位算法,具有较高的适应性和准确性,主要内容为分辨白天夜晚、找车身左右、找车牌上下左右。算法利用灰度直方图平滑曲线来分辨白天与夜晚车辆图像。用纵向差分二值图像去除噪声,确定车身左右边界。利用横向差分投影,来确定车牌上下边界,并消除通风罩影响。利用横向差分,来确定车牌左右边界。实际应用测试表明算法能有效解决白天和晚上高速公路超速车辆较小图像的车牌定位难题,且具有车牌定位率高的特点。提出了车牌区域二值化、分析调整分段属性来分割字符的算法。提出一个基于均值方差的经验阈值公式,用于车牌区域二值化的效果较好。用纵向投影平滑拉伸曲线求取分段属性,进行三段/二段分离、两段合并、圆点/噪声删除等,调整分段属性符合字符分割要求,提取并调整各字符左右、上下边界。实验结果表明提出的算法较常用算法更有效,且性能稳定。给出了字符归一化算法。将字符二值图像像素赋值物体编号,排除小面积来去除噪声。排除周围空白,收缩字符边界。调整纵横比例,解决字符“1”缩放后变形较大的问题。汉字归一化到24×32点阵,字母及数字归一化到16×16点阵。归一化后使得相同字符具有较高的重合度,排除噪声等干扰,大小一致,有利于提高识别率。给出了用BP神经网络训练和识别汉字、字母及数字的算法。采用三层结构,包括输入层、隐含层、输出层。根据标准的BP神经网络激活运算、误差计算、连接权调整、阈值调整等步骤,来训练大量字符。根据激活运算、计算目标向量、计算字符序号等来识别字符。实验结果表明给出的方法使得BP神经网络训练速度较快,识别率较高。