近些年来,车辆经常在公共场所经常出现拥堵现象,影响了公共形象,耽误了人们的出行。为了解决上述问题,国内外众多专家和学者开始对车牌的自动识别展开了深入的研究,但是现有的算法在复杂恶劣的情况下对字符的识别成功率不是很理想。因此,需要一种能够快速识别车牌的方法。首先搭建了车牌采集识别硬件系统。为了得到清晰的图像,对相应的设备进行了选型。在系统硬件的搭建上,设计了地感线圈距摄像头的距离,摄像头的高度,摄像头水平倾斜角度。同时计算了镜头的分辨率、焦距、视场角、景深等参数,进而选取了系统中摄像机的型号。其次采用了图像灰度化、图像灰度拉伸、图像滤波的预处理方法,之后采用边缘检测和形态学处理的方法对图像中的车牌部位进行了定位。通过采用垂直投影切割算法并结合先验知识得到了车牌图像中的字符样本。对字符进行大小归一化和特征提取后,设计了网络的规模、训练的参数,并把字符处理后得到的特征向量输入到网络中进行训练和识别,结果对各个字符均可以达到较高的识别率。实验从1000张搜集的车牌图像中提取出了各个字符的100张样本,把其中的60张作为训练样本,40张作为实验样本。经统计,对车牌中的65个字符进行分类模式识别后,识别率均可以达到95%以上,识别的效果优于三层无添加动量项的BP神经网络。该模型通过比三层的BP神经网络多加入了一个隐含层和动量项实现了更加准确识别车牌字符的功能,通过BP网络各层之间信息的快速传递实现了车牌字符的快速识别。