在汽车数量快速增长的当今时代,交通问题也随之日渐突出,为了提高交通的智能化水平,智能交通技术应运而生,车牌识别是智能交通的重要领域,在车牌识别领域产生了许多重要的研究成果。在传统的车牌识别系统中有车牌定位、车牌校正、车牌字符分割、车牌字符识别这些步骤,误差会在不同的模块中一直积累,降低车牌的识别率。尤其在一些光照不足的特殊环境下,误差的影响就更加严重了。所以对特殊环境下的车牌定位技术进行研究,仍具有一定的现实意义和市场价值。首先,在保证图像纹理特征的前提下对图像进行光照增强处理,增强处理采用频域中的同态滤波技术,同态滤波的常见几种滤波器拥有参数过多,计算复杂,参数值选择困难的问题,针对这些问题,对其中的传统高斯滤波器进行改进,使用类似于高斯滤波器的函数代替高斯滤波器,减少参数的数量,函数复杂度也降低了,实验表明,对图像的运算效率提高了,图像的光照效果也得到了很好地补偿。其次,在车牌定位环节,在HSI空间中对图像进行亮度局部同态滤波增强,对饱和度进行拉伸,之后回到RGB空间,针对蓝色和黄色车牌的共同颜色特征和纹理特征,设计了一种基于像素间双通道差异值的车牌定位算法。在RGB空间中,对两种车牌进行直方图分析,为更突出两种车牌的底色黄色和蓝色,将红绿蓝三分量中的中间值绿色置零,所有像素进行二值化,得到预处理图像,对预处理图像中的车牌底色和字符做差,于是提取到了车牌字符的跳变点图像,再使用投影方法确定车牌位置,本算法能同时进行两种颜色车牌的定位,综合了车牌颜色和字符纹理的特征,不依赖于车牌的边框,定位效率显著提高。然后,针对车牌倾斜校正大多依赖车牌的直线边框问题,引入图像低秩纹理不变性算法,在车牌的倾斜校正实验中,效果良好,仅依据未倾斜车牌的最小秩数值,就实现了车牌的校正。在字符分割时,针对传统投影算法分割不准,字符断裂的问题,在分割过程中插入了一个字符模板,降低了字符断裂概率的出现,使分割出的字符更完整。最后,在Le Net-5的基础上,使用改进的网络结构,使用双层的Le net-5神经网络,根据车牌字符特点,调整模型的参数和激励函数,对网络进行优化训练,结果表明,双层的Le Net-5识别效率优于原始的Le Net-5模型,和模板匹配、BP神经网络相比,有明显优势。