随着经济的不断发展和交通管理的复杂化,交通智能中的车牌识别系统(LPR)已经成为热门研究领域。车牌识别系统可以动态抓取视频图像或者静态图像,将车牌号码自动识别出来,并且可以应用到停车点、收费站、非法车辆检测等各种领域。随着信息和人工智能技术的不断发展,交通管理信息化和智能化必将是大势所趋。LPR系统一般包括车牌定位、字符分割和字符识别三个模块。其中字符分割最为关键,不仅受到前面车牌定位结果的影响,还直接影响后面识别的效果。在获取图片过程中,复杂光照、拍摄距离不定、车牌多样性等因素给车牌字符分割和字符识别模块带来了很大的困难和挑战,所以现在很多准确率较高的算法都是在严格限定条件下提出的,但是由于局限性,很难移植到其他领域。　　 本文详细总结了图像分割中经常用到的对比度拉伸、空间滤波、边缘检测,以及处理二值化图像和灰度图像的数学形态学操作等图像处理技术。然后又详细介绍了基于图像内容分类中的特征选择和分类器选择问题,比如最优特征提取中的主成分分析和线性判别分析,多分类中的朴素贝叶斯、k近邻算法和支持向量机。　　 美国佛罗里达州车牌的字符布局不一、字符个数多变、背景复杂多样等特点和光照阴影、阴天灰暗等外界环境因素,都给车牌识别系统的稳定性和实时性提出了更高的要求。本文在增强鲁棒性和满足实时性的原则下,提出了可以处理复杂多变车牌的车牌字符分割算法,并综合利用聚类分析和概率统计技术解决了分割中遇到的多个常见的技术难题。比如复杂背景下提出了基于字符分布的寻找车牌旋转角度算法、基于垂直投影局部梯度的伪字符区域去除算法、循环局部梯度分割算法、断裂字符合并技术、伪字符去除技术等。为了获得稳定的高识别率和高效率分类器,本文利用了可以提取最优特征的主成分分析和具有最大分类面的支持向量机来建立分类器。最后利用本文提出的分割算法对美国佛罗里达州采集到的视频进行了测验,并与基于投影的分割算法、基于连通域的分割算法做了对比,正确率分别是89.3％、84.7%和82.5%。可以看出本文提出的算法不仅同时满足了实时性和稳定性要求,还获得了很高的正确率。还利用了支持向量机和k近邻算法对字符图像单独进行了测试,结果显示前者获得了99.7%的正确率,比后者高2.5%,同时速度也有了较大提升。