智能型交通体系(ITS——Intelligent Transportation System)是未来交通监管系统的主要发展趋势。车辆牌照识别技术(LPR——License Plate Recognition)又是ITS中的核心技术之一。因此研究与开发车牌识别系统对于我国交通管理领域的发展具有重要实用价值。LPR系统可分为车牌定位与车牌识别两大部分,本文针对车牌识别部分进行了深入的研究与设计。车牌识别系统要应对多种复杂环境,如车流量高峰期、照射反光、车牌污染等。本课题依据车牌识别系统的高速率、高识别率的设计要求,采用了人工神经网络(ANN)来构建系统识别模块。ANN模拟人脑智能,在识别车牌时能进行联想记忆与推理,从而较好地解决字符残缺不完整而无法识别的问题。在处理机制上将信息存储与处理并行起来,大大提高了运行速度。本课题在FPGA芯片上通过内嵌NIOSII软核方式来设计系统方案。NIOSII CPU是一款可根据应用裁减性能的嵌入式软核,配以可编程并行处理特性的FPGA来承载车牌识别系统,能够充分发挥系统性能并满足实时性要求。论文包括车牌预处理模块、识别模块、硬件设计三方面内容,主要工作如下:①对车牌图像预处理模块进行了深入研究。在车牌二值化的OTSU算法上进行了改进,通过算法前衔接灰度拉伸算法增强了二值化效果。在字符分割的传统投影算法上进行了修改,通过添加控制子图像对字符粘连的判断语句实现了粘连字符的分割;在字符特征提取上采取了综合提取方法,有效提高了车牌字符特征的采集效率。②对ANN进行了研究,采用BP网络对车牌识别模块建模,并依据网络训练效果,对BP网络实行优化,采用样本轮训修改了权值调整算法,并在标准BP学习算法中添加了动量项,极大地提高了网络学习效率及收敛速度。③结合SOPC理念,在FPGA芯片上搭建了基于NIOSII的车牌识别系统。系统中对耗时的浮点运算模块进行了硬件化,提高了系统执行效率;系统输出端设计了LCM接口电路,采用TRDB-LCM对车牌处理图像进行显示。经实验验证,本文所提出的整体系统方案有效可行,基于BP神经网络的车牌识别系统在其识别率、速度、可扩展性等方面具有独特的优势,前景广阔。