随着经济和科技的日益发展,车辆数目逐步增长,这使得交通问题日益突出,所以智能城市和智能交通等技术渐渐进入人们视野中,成为一个研究热点,而车牌识别作为其中最为重要的组成部分之一,也显得越来越重要。车牌识别的过程主要包括五大步骤：车牌图像预处理、车牌定位、车牌倾斜校正、车牌字符分割、车牌字符识别。现有的车牌识别算法在这些步骤中都有一些问题,比如当图像中有运动模糊现象时或者在复杂背景中,车牌定位、校正和字符分割等效果不理想,另外,汉字的识别准确率相对较低。本文将针对这些问题进行深入研究。(1)车辆行驶过快时会导致获取的图像中有运动模糊现象,因此本文深入地研究了运动模糊的退化模型,并对其进行分析和推理,发现了其在频域的规律,并根据这个规律提出了基于两次傅里叶变换的计算运动模糊核函数的方法,这种方法需要对模糊图像进行两次傅里叶变换,然后检测直线就可以得到运动模糊角度,获取运动模糊角度后,对第一次傅里叶变换结果进行局部自适应二值化,再旋转投影经过计算获取运动模糊长度,这样就获取了运动模糊的核函数。然后使用改进的Lucy-Richardson方法对图像进行恢复得到较为清晰的图像。实验表明本文的方法不但能够准确计算出模糊核函数,而且改进的Lucy-Richardson方法也可以抑制振铃现象并得到清晰的图像。(2)实际中遇到不同光线强度、有类似车牌区域的其它标牌等复杂环境时,车牌定位效果不理想,本文使用两次颜色标记和连通域分析相结合的方法来定位车牌。实验证实,这种方法不但适应各种复杂环境还提高了车牌定位准确率。(3)文中利用连通域分析的方法求取车牌的水平倾斜角度,然后对其进行旋转,旋转以后再用旋转投影的方法求取垂直校正角度并做错切操作进行校正,在前面校正过程中也需要对连通域的外接矩形做相应的旋转错切等变换,使得校正后字符依旧在各自的连通域外接矩形内,所以这个时候只用对各个字符的外接矩形进行一些处理就可以直接得到车牌分割结果,这样节省了大量的时间,而且实验表明这种方法的准确率也较高。(4)传统的车牌字符识别方法需要人工设计和提取字符特征,如果这些特征不合理就会直接影响车牌识别的准确率,因此本文将深度学习中的卷积神经网络模型用于车牌字符识别,这种模型能够自己学习和提取更好刻画识别目标的特征,实验表明这种方法提高了字符识别的准确性,对汉字识别尤为明显。