车牌识别系统是智能交通系统的重要组成部分,在日常生活中有许多应用,如电子收费,停车场入口管理,交通执法等。车牌识别系统主要包括三部分:车牌检测,字符分割,字符识别。其中车牌检测是非常重要的一步,车牌检测的好坏直接影响后续的处理及整个车牌识别系统的性能。自然场景中如复杂背景,部分遮挡,光照不均等因素都有可能干扰车牌检测的效果,因此设计一个准确的车牌检测算法仍非常具有挑战性。本文重点研究了多特征融合的车牌检测算法。主要工作分为:1、首先详细阐述了车牌检测技术和车牌特征的内容。分析了基于特征的车牌检测技术在实际应用中的可行性及优势,介绍了基于各种特征的车牌检测技术并分析了各自的优缺点。2、针对传统的基于边密度特征的车牌检测算法存在定位率低、只能检测固定尺寸的车牌的状况,在多尺度物体检测方法的基础上,提出了一种新的算法EM-LPD。EM-LPD算法通过建立图像金字塔的方法,在各尺度的图像中用相同大小的窗口分别进行检测,选取垂直边密度较大的区域作为候选的车牌区。最后再将各个尺度的检测结果进行合并。实验结果表明EM-LPD算法在测试数据集上可以获得较高的检测率。3、针对传统的基于边特征的车牌检测算法误检率高的情况,增加了候选车牌验证步骤,以去除非车牌区域。根据车牌的字符特性,选用纹理特征来描述车牌。根据多特征物体检测的优势,引入两种纹理特征:T-HOG和MB-LBP描述子。T-HOG描述子对图像噪声比较敏感,而MB-LBP描述子的计算方法使得它可以很好的克服噪声带来的影响,故结合这两种特征共同描述车牌特性可以兼顾两种特征的优点。实验结果表明多特征结合的方法可以更好地描述车牌信息。4、应用数据融合技术,提出两种候选车牌验证算法:DF-LPV和FF-LP V,这两种算法结合T-HOG和MB-LBP两种特征,分别采用决策融合和特征融合的方式,对候选车牌图像进行分类,去除误检车牌区域。经实验验证,采用数据融合技术可以很好地过滤掉误检车牌。多特征融合体现在两处:一、从全局看,车牌检测阶段利用车牌的边特征,候选车牌验证过程利用的是车牌的纹理特征,整体上是应用了多特征融合的技术;二、从局部看,在候选车牌验证过程中,根据车牌特性,选取两个不同的纹理特征:T-HOG和MB-LBP,以增强车牌的判别信息。各个特征在车牌检测中的作用是互补的。实验结果表明多特征融合的技术可以极大地提高车牌检测的性能。