随着我国智能交通的深入建设,车牌识别系统作为智能交通系统的重要组成部分吸引了大量的研究,并被广泛应用于多种交通场景之下。现今的车牌识别系统多是基于单个车辆图片进行识别,而对于视频场景下多运动车辆的车牌识别尚不完善。由于视频场景下的背景较为复杂且车辆之间容易相互干扰从而导致车牌识别失败,同时系统会重复识别同一车牌从而产生大量数据冗余并降低系统识别效率。针对上述问题,本文将车辆检测技术融入到车牌识别流程中,设计并实现了可适用于视频场景的车牌识别系统。本文的主要工作如下:(1)研究深度学习中YOLO(You Only Look Once)目标检测技术在车辆检测中的应用。传统车辆检测算法在复杂场景下普遍存在检测准确率低的问题。本文在YOLO目标检测技术的基础上,根据系统车牌识别流程的需求,通过设计车辆目标筛选算法和视频车辆检测器完成车辆目标的提取。方法在提升检测准确率的同时,避免了对同一车牌的重复识别提升了系统性能。(2)设计一种图像处理与机器学习相结合的车牌定位方法。传统的基于图像处理的定位方法鲁棒性较差,而基于机器学习的定位方法处理速度较慢。本文综合运用颜色特征和垂直边缘特征完成车牌候选区域的提取,然后通过先验知识及SVM(Support Vector Machine)完成候选区域的最终判定,方法兼顾了车牌定位的准确性和时效性。(3)研究垂直投影与模板匹配相结合的字符分割方法。针对传统的垂直投影分割算法和模板匹配分割算法在处理特殊字符及污损车牌时的缺陷,本文首先通过改进的垂直投影分割算法完成粗分割,然后利用构造的车牌模板完成车牌字符的最终分割,方法提升了车牌字符分割的鲁棒性。同时,本文通过综合提取车牌字符的HOG(Histogram of Oriented Gradient)特征和均匀网格特征并根据我国车牌字符的特点设计并训练多个SVM分类器完成车牌字符的识别。在上述工作的基础上,本文设计并实现了基于车辆检测的车牌识别系统,并对系统的主要模块进行功能测试,同时对车辆检测和车牌识别两个核心算法进行性能测试。测试结果表明,系统功能稳定可靠,一定程度上节约了交通管理人员的工作成本,提升了交通管理水平。