车牌识别技术已经被越来越广泛地应用到现代交通的各个领域,在提高工作效率、降低劳动强度方面发挥着积极的作用。本文以“车牌自动检测系统”项目为背景,研究了计算机视觉和模式识别的相关理论,设计出车牌识别的算法,并应用到生产实践当中,最终实现了车牌检测的自动化。车牌识别的素材主要基于黑白图像(灰度图)和彩色图像两大类。相对于黑白图像,彩色图像包含的信息量要大,对环境变化的适应性也强。但正如我们所知道的,车牌颜色具有多样性:蓝底白字、黄底黑字、白底黑字等各种颜色的组合,使用彩色图像处理要分析多种情况。而对于室内的车牌识别,环境差异不大,对黑白图像的分析处理也可以获得较好的效果。本文把黑白图像作为处理对象,在从RGB变换到HLS时,避开经典算法中计算量大、耗时多的弱点,采用一种快速变换的算法,较好地满足了系统的实时性要求。传统的图像分割,多是直接对原始图像进行二值化,以期区分出目标和背景。但这种方法无论对目标还是背景的图像特性依赖都很大,更容易受外界环境的影响,使得分割效果大打折扣。本文提出的车牌图像经过边缘检测后再进行二值化的方法,能够准确地把车牌从背景中分割出来,为车牌字符的定位、识别奠定基础。在识别阶段,本文采取特征提取和多层感知器网络(MLPN)相结合的识别方法,既可以有效减少信息量的输入,又充分发挥了神经网络的学习和容错能力,从而达到较高的识别精度。