车牌识别是一种计算机视觉技术,其运用数字图像处理和模式识别的相关知识完成汽车牌照的识别,汽车牌照相当于汽车的身份证,通过与车辆绑定的唯一标识对其进行监管,能够让交通管理更加高效和便捷。本文在调研传统车牌识别技术的基础上,分别对车牌定位、有效车牌判断、字符分割和字符识别四大技术进行了完整且详细的论述,旨在解决目前传统车牌识别算法存在的问题。其主要研究内容如下:1.论述了单一特征如边缘或颜色特征定位算法的局限,并引入文字特征定位的方法,文字特征定位的方法可以很好的弥补边缘和颜色特征定位的不足,在综合考虑应用场景以及算法效率等方面之后,最终采用边缘、颜色和文字等特征相结合的方法进行车牌定位。2.无论使用边缘、颜色和文字等特征结合还是其他的车牌定位方法,都不可能滤除现实场景中的所有干扰,在定位出车牌的同时可能会产生一些类似车牌的干扰图像。为了在候选图像中筛选出有效车牌,使用机器学习领域中的支持向量机模型进行分类训练以判断候选图像是否为车牌,从而得到最后的车牌图像。3.由于我国车牌包含特殊的中文字符,这也要求字符分割算法需要很好的适应中文。在调研相关资料后,使用轮廓和先验知识相结合的方法实现车牌字符分割,并通过特殊字符平移的方式定位中文字符的位置,从而弥补传统分割算法对中文支持较差的不足。同时,把所有分割好的车牌字符图像处理成20×20像素大小,该像素大小的图片可以正常且清晰地显示车牌字符,还可以在不影响车牌字符识别率的情况下减小网络的计算量。4.本文应用了深度学习的相关技术,并提出了一种改进的卷积神经网络LeNet-5模型用于车牌字符识别。通过TensorFlow深度学习框架以及可视化工具TensorBoard绘制网络模型的训练准确率和损失函数对比曲线,对原始卷积神经网络LeNet-5模型中的参数进行了多项修改,根据本文数据集的测试结果可以发现,最终改进的卷积神经网络LeNet-5模型与传统人工神经网络模型相比,其具有更高的字符识别率,更好的特征分类效果和更少的训练迭代步数。在上述研究的基础的上,本文主要算法的辨识效果为:在车牌定位部分,使用边缘、颜色、文字特征结合SVM模型的车牌定位方法,在常规环境下车牌定位率可达96.8%,在相对复杂环境下车牌定位率可达89.9%以上,其中训练的SVM模型FScore指标达96.84%;在车牌字符分割部分,使用字符轮廓结合先验知识的车牌字符分割方法,对中文字符的有效分割率达96.6%,英文字母和数字的有效分割率达97.8%;在车牌字符识别部分,使用改进的卷积神经网络LeNet-5模型,最后的中文识别率达99.2%,英文字母和数字的识别率达99.6%。