车辆牌照识别技术(License Plate Recognition,LPR)是智能交通系统的一个重要组成部分,它是数字图像处理、人工智能技术与模式识别在智能交通系统领域的重要应用。因此,研究和开发车牌照识别系统对于我国智能交通管理领域有着重要的意义。车牌识别的方法有很多种,目前运用的比较多的是采用BP神经网络,但是BP神经网络存在着收敛慢而且容易陷入误差函数的局部极值点的缺点,针对这些问题,本文利用遗传算法具有全局最优搜索能力的特点,结合神经网络的架构对车牌字符识别展开研究。主要内容包括以下三点:第一,利用数字图像处理技术对车牌图像进行预处理,主要包括灰度化、图像增强与平滑处理、二值化。提出一种基于车牌纹理特征与车牌先验知识相结合的定位方法,先利用水平差分和垂直差分初定位车牌区域,再利用先验知识排除干扰区域,然后统计车牌区域像素的跳变次数,以此去掉假车牌区域,最后精确定位车牌。第二,采用结合轮廓提取的Hough变换进行车牌图像的倾斜校正,可以大大降低运算量,并且取得了较好的效果。接着去除车牌的上下边框与铆钉,再利用垂直投影图与车牌字符特征相结合的方法分割字符,然后对分割好的字符进行归一化与紧缩重排处理。第三,将遗传算法与神经网络结合起来进行车牌字符训练和识别。利用遗传算法训练神经网络,找到最佳的权值和阈值。对传统的遗传算法进行了改进,采用实数编码的方式,提高了网络权值与阈值的计算精度,运用多种交叉方式并行交叉,拓宽了物种范围,利于搜索到全局最优解,自适应的变异概率控制方式一方面保证了物种的多样性,另一方面让算法快速收敛于全局最优。实验表明该算法极大地提高了网络学习效率和收敛速度。