随着经济和科技的发展,车辆数目逐步增长,这使得交通问题日益突出,进而智能交通技术渐入人们的视野。车牌识别作为其中最为重要的组成部分之一,是公路交通自动化领域的关键技术,在公共安全、交通管理以及海关、军事等部门有重要的应用价值,已经成为人们的研究热点。现实生活中,车辆的背景一般较为复杂,同时车牌图像受天气状况和拍摄条件等影响,常见车牌识别算法在这样复杂场景下的识别效果并不理想。本文在现有的车牌识别算法的基础上做出一些相关性改进,提出了一种适合复杂场景下的车牌识别算法。主要工作如下:(1)对于天气条件恶劣或夜间场景图采用了适当的光照补偿算法。根据车牌底色不同、字符颜色不同,研究的着眼点主要放在提取和分析车牌区域的颜色特征上,利用准确性和稳定性高的HSV颜色空间检测可能含有车牌的区域,然后在此基础上根据车牌字符边缘和颜色规律进行连续多波峰特征检测筛选出符合的区域,最后通过分类性能优异的SVM模型进行真伪车牌判定。实验结果表明,本文检测算法适用于复杂场景,检测准确率也有所提高。(2)在参考现有的车牌分割算法基础上,结合已收集的车牌数据,实现车牌分割的算法。针对不同质量图像提出基于颜色通道的二值化,并且在对车牌的倾斜矫正和确定了车牌字符的上下边界后,充分利用了车牌中字符的相对距离和宽高比特征来完善字符分割,解决了车牌字符粘连和汉字不连通的问题。(3)在车牌识别字符串中引用了卷积神经网络Lenet-5模型。并且针对当前我国汽车的车牌字符特性对构建的网络结构进行了优化,训练了分别适用于汉字和数字/字母识别的两个网络对车牌字符识别进行了验证。实验结果表明,相比较于传统的Lenet-5网络模型,其识别性能得到显著提升。