汽车牌照识别(License Plate Recognition System,LPR)作为目标自动识别的一种重要形式,可用于电子收费、出入控制、车流监控等众多场合,从而提高交通管理自动化的程度,它的相关技术的研究正逐渐受到人们的重视。 本文采用一种并行模糊神经网络算法作为识别方法,以车牌字符作为识别对象,主要研究复杂环境下的车牌识别问题,以提高车牌识别系统的整体识别性能。 论文的汽车牌照自动识别系统包含3大主要模块,即牌照的预处理、定位分割与识别。 车牌定位和字符分割是汽车牌照识别系统中的关键技术。本文采用了一种综合边缘检测、投影特征的车牌定位方法和基于垂直投影及模板匹配的字符分割方法,首先提取车牌灰度图像边缘,然后采用投影法确定车牌区域,用HOUGH变换检测倾斜角度进而对倾斜的车牌进行矫正,最后通过字符分割算法对车牌字符进行切割,有效解决了复杂环境的干扰,车牌倾斜等问题。 针对车牌识别的后期技术,即对车牌字符识别做了研究并采用了一种新的车牌识别方法,车牌识别子系统是由BP神经网络识别模块和模糊控制器构成的,为了便于硬件实现,各模块是相互独立的。 在理论研究的基础上,首先采用Matlab工具对系统有关算法进行了仿真,然后采用VC++6.0编程工具实现了相应的算法,构造了一个车牌识别系统的软件平台。 研究表明:采用的边缘检测算法检测边缘速度快,车牌区域轮廓非常清晰。对实际获取的车牌进行了大量实验,结果表明本文的定位及字符分割算法能准确的进行定位车牌和字符分割,具有较好的鲁棒性。采用的并行模糊神经网络识别方法和标准BP网络相比,该算法具有更加良好的性能,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。