车牌识别系统在交通的智能监视和管理中有着重要的应用,是近几年发展起来的。基于图像和字符识别技术的车牌字符识别系统也是目前国内外模式识别应用研究领域的一个热点。尽管车牌的先验知识比较丰富,但是在复杂的背景下,车牌中的字符识别仍然比较困难。目前的车牌识别系统大多是针对简单场景、单一车牌。车牌字符识别系统LRP(License Plate Recognition)的关键技术包括数字图像处理、车牌定位、车牌字符分割和字符识别技术。本文对系统中的车牌定位和字符分割、特征提取、BP神经网络分类器等模块进行了较详细的研究。首先对采集到汽车图像进行灰度化处理,再进行基于Sobel边缘检测和明暗相间纹理的车牌定位,采用了受噪声和曲线间断的影响小的Hough变换方法对车牌倾斜进行校正,得到整齐的车牌。再对车牌进行最大类方差二值化处理,为基于模板匹配算法的字符分割作准备。其次提出了脉冲耦合神经网络PCNN的汉字灰度图像特征提取和以及基于轮廓特征、十三点网格特征的车牌数字、字母特征提取方法,并探讨了脉冲神经网络PCNN模型参数对汉字PCNN熵序列的影响,最终为系统确定合适的模型参数。最后设计了两个改进的BP神经网络分类器针对汉字和其它车牌字符进行识别。特别对BP神经网络分类器的原理、BP算法实现和网络结构及参数选择进行了讨论,针对标准BP神经网络具有收敛速度慢、易陷入局部最小值的特点提出了附加动量因子及动态自调整学习算法的BP分类器改进方法。本文对BP网络的输出进行了二进制编码,隐含层节点数的确定采用了初定隐节点数的经验公式,大大减少了迭代次数,降低了网络规模并提高了车牌字符识别的效率。研究表明,采用脉冲神经网络PCNN的汉字特征提取方法对汉字图像的平移,旋转,尺度,扭曲具有较好的鲁棒性,并且所采用的BP神经网络具有良好的性能满足在复杂环境下实时识别车牌的要求,具有一定的理论和实际意义。