车牌识别系统是现代智能交通系统的重要组成部分,在智能交通管理、治安检查中有着十分广阔的应用前景,是目前国内外研究的热点。本文对车牌识别系统中图像预处理、车牌定位、车牌图像二值化、字符分割、字符识别5个关键环节进行了分析研究,具体如下:(1)图像的预处理:分析了传统的灰度拉伸变换和图像直方图均衡法,针对全局图像增强算法存在噪声过增强的问题,提出了基于分块思想的局部图像增强算法。该算法只对车牌相似区域进行局部增强,可以对车牌区域的图像进行有效地增强,且引入的背景噪声较少,特别适合需要局部增强的低对比度车辆图像的处理。(2)车牌的定位:针对复杂背景下的彩色图像中车牌定位精度低的问题,提出一种基于字符边缘检测和颜色特征的车牌定位方法。根据图像中车牌区域含有丰富的边缘,首先进行垂直边缘检测,然后去除大量背景和噪声边缘,接着通过对垂直边缘的统计分析确定2个候选区,再结合车牌的颜色特征确定最终的车牌图像区域。该方法具有准确率高,鲁棒性好的特点。(3)车牌图像二值化:针对车牌字符光照的复杂特征,提出一种改进背景补偿的车牌图像二值化算法。首先使用同态滤波增强车牌图像从而减弱光照不均等带来的影响,然后使用改进的背景补偿算法对车牌图像进行二值化。该方法能有效地克服光照不均等带来的影响,二值化效果良好。(4)字符的分割:针对定位后车牌区域的噪声影响以及存在不可避免的某种程度的倾斜,提出了基于字符特征的车牌倾斜矫正算法直接对二值车牌图像进行矫正,然后采用基于垂直投影和车牌先验知识的字符分割方法从矫正后的车牌图像中分割出单个字符。该方法可以有效地解决字符分割时出现的断裂、粘连和几何失真等问题,分割效果好。(5)字符的识别:根据国内车牌字符的特殊性,采用一种特征提取与BP神经网络算法相结合的分类识别技术。选取字符的粗网格特征作为字符的识别特征,以改进后的粗网格特征输入到BP神经网络分类器中进行车牌字符识别研究。针对易混淆的字符设计神经网络细分类器,进一步提取突出相似字符差别的局部细微差异特征;针对汉字笔划粘连等现象,在标准样本的基础上,为结构复杂、笔划紧密的省份汉字适当增加典型笔划粘连样本到汉字网络的训练样本中。该法能有效地提高字符正确识别率。对上述算法进行了仿真实验,结果表明其算法定位准确,识别率高,具有较高的实用价值。