1、目的及意义

随着我国经济的持续增长，机动车作为重要的交通工具其数量也在快速增长。然而受限于道路、停车场等附加设施的建设速度，庞大的汽车总量在大中小型城市均导致了严重的交通拥堵和交通事故。而造成的原因很大部分在于车辆在停车场、高速公路、桥梁等进出口停滞时间过长，车辆无法快速通过。

因此发展车牌识别系统来减轻交通问题就很必要。车牌识别技术的主要工作是对车牌图像进行处理自动快速得识别出车牌信息。该技术综合运用模式识别、图像识别、机器学习等技术实现车牌的识别的自动化，具有理论研究意义。车牌识别系统用途广泛，包括智能交通电子警察、高速公路、停车场收费等。它能对车辆出入自动化进行管理，使得其通过时间大大减少，提高道路中处理车辆的效率。对减轻交通拥堵问题，节省人力资源具有重要帮助。研究此技术具有重要的现实意义。

2、国内外的研究现状分析

国外先于国内对车牌识别技术进行研究，目前已经提出多种识别算法，市场上也有较多产品。美国于上世纪90年代开始系统性开发的智能交通系统ITS(IntelligentTransportation System),该技术在美国道路交通领域的广泛应用，一度困扰美国较长时期的交通拥堵的难题得到有效缓解，已处于该领域的领头羊地位。我国21世纪开始发展智能交通系统，虽起步较晚但在政府支持下，我国专家学者不断的研究和努力，车牌识别技术得到快速发展。基于车牌颜色的识别方法基于规定颜色搭配的事实，许多基于颜色的识别方法得到研究^[1-3]，包括廉宁和徐艳蕾^[4]等提出了基于颜色特征的车牌定位方法，但当颜色相近时车牌定位的成功率大大降低，因此基于纹理的识别方法^[5-8]也应运而出。除此之外，曾泉^[9]采用向量机理论对车牌特征进行提取经过训练可有效对车牌进行定位，并通过BP神经网络使得整体车牌字符识别率达到95.2%。在字符分割算法方面，孟杰^[10]提出基于灰度图像的分割方法利用灰度图像的拓扑特征和投影轮廓找到非线性分割路径实现区域分割，但这种分割方法较为复杂。较简单有基于垂直投影的字符分割方法^[11].在字符识别算法方面，杨莉^[12]采用基于HOG SVM的字符识别方法计算速度既快，对小样本也能达到较好识别结果。国外学者对使用神经网络进行车牌识别亦进行大量研究^[13-14] ，PSurekha PavanGurudath^[15] 等对神经网络参数进行了详细的分析和优化，例如正则化参数，隐藏层单元数和迭代次数，使得在matlab和Raspberry Pi上运行的算法获得准确率为97％的结果。

而赵志宏和杨绍普^[16]等人采用卷积神经网络识别车牌字符，识别率可达到98.68%。

目前车牌识别系统的研究虽然较多，但在实际使用中，因天气光照雾霾等因素的影响，车辆照片质量不高，得到的图像往往失真，具有较高噪声，这就对可应用的识别算法加以限制，因此对在复杂情景下的车牌识别效率的要求也越来越高。目前仍有很多难点需要研究和解决。

2. 研究的基本内容与方案

3、基本内容和技术方案

本文主要研究车牌识别系统，该系统包括信息采集、图片处理、信息存储三个模块。其中信息采集利用摄像头来拍摄图片和获取图片数据。图片处理则要用到opencv(Open Source Computer Vision Library)中的函数来处理图片。该模块宝库：视频目标检测，图像预处理、车牌定位，字符分割和字符识别。信息存储模块主要编写便于用户使用的客户端，显示、存储得到的车牌信息。

技术方案如下。在图片采集阶段使用开源项目mjpg-stream，它不仅能调用摄像头拍摄照片还可以作为服务器发送图片数据，所以可直接使用它作为服务器发送给客户端相应数据。