车牌识别是智能交通和治安管理等各种应用中重要的组成部分,鲁棒、高效、灵活的车牌识别系统具有广泛的应用和巨大的经济价值。由于实际应用中车牌图像的多变性,车牌识别仍未得到完美解决,依然具有很强的理论研究意义。本文工作主要针对车牌图像的多变性展开研究,提出了一种基于多姿态学习的车牌识别系统。该系统主要分为车牌检测和车牌字符识别两个部分。　　 在车牌检测部分,目前的研究方法主要分为基于传统图像处理技术的方法和基于统计学习的方法。基于传统图像处理技术的方法在实际应用中由于受到复杂环境的影响,难以达到良好的推广性。大部分基于统计学习的方法将所有车牌图像看作为同一类别来进行学习,难以解决车牌图像的类内多变性问题。本文采用多姿态学习算法来训练车牌分类器,在训练过程中自动将车牌样本分为若干子类别,减少了车牌类内样本的混淆,从而提高了车牌检测的准确性。并构造出嵌套级联的Boosting结构,减少了分类器所需特征的数目,提高了车牌检测的速度。　　 在车牌字符识别部分,目前主流研究方法按照车牌倾斜校正、颜色判决、字符切分和字符识别的顺序得到最终识别结果。然而以上各个步骤相互严格依赖,容易导致错误累积,而且独立进行以上每个步骤都很难得到理想的结果。本文采取基于多姿态学习的字符建模方法,通过窗口扫描获得字符区域的候选,利用维特比解码对字符候选结果进行挑选得到车牌字符识别的初步结果,并通过后处理进一步识别出车牌中的汉字和漏检区域的字符。本文提出的方法把车牌识别结果的判决放在最后,避免了由于车牌倾斜校正、字符分割以及车牌颜色判断所引入的错误,将上述三个模块和字符识别融合在一个过程中完成,提高了车牌识别的整体准确性。　　 在我们收集的车牌图像数据集上对本文提出的车牌识别方法进行了测试,车牌检测的召回率达到99.5％,车牌字符识别率达到94.0%,明显超过了基于传统方法的基线系统。