自动牌照识别系统(LPR)利用数字图像处理技术来定位和识别牌照号码上的字符,并将结果输出为文本字符串或其他类型的数据格式,其可以被操作者容易地理解。LPR系统已经应用于需要通过其车牌号码自动控制机动车辆的存在和识别的各种监视应用,例如自动电子收费系统(ETC),自动泊车服务员。因为LPR应用给公路和城市交通的现代化管理带来了极大的便利,进一步促进了模式识别领域的发展,近几年来,神经网络可谓是模式识别领域最令人瞩目的方向,尤其是深度学习神经网络,其中卷积神经网络(CNN)是一种常见的深度学习架构,近几年在语音分析和图像识别领域非常火热,并且已经得到了应用。它的有两个优点:权值共享和稀疏连接,使网络结构与生物神经网络更加接近,权值共享降低了网络模型的复杂度,并大量地减少了权值的数量。本文第一章论述了汽车牌照识别的主要几种应用技术和现阶段的国内外发展动向。第二章介绍了车牌图像处理方面的相关技术,包括图像灰度化、图像增强、以及二值化、边缘检测等前期处理方法;然后对于至关重要的车牌定位,本文综述了几种常用的车牌定位算法,包括纹理特征分析法、数学形态学方法、以及小波变换等;随后简要地介绍了基于投影特征、连通域特征的字符分割算法;最后是介绍了现有的车牌字符识别技术,最常用有模板匹配法以及BP神经网络识别法;第三章详细介绍了卷积神经网络的发展、结构、推导及实现、还有训练过程;第四章逐步实现了车牌识别的处理过程;第五章给出车牌识别系统实验结果及对结果的分析;第六章总结全文内容并展望车牌识别研究的未来发展方向。本文是基于深度学习神经网络的车牌识别系统设计,与传统的浅层神经网络相比,深度学习模型具有更强的学习能力,可提高车牌字符的识别率。本文首先采用了一系列的图像预处理技术对车牌图像进行初步的车牌信息提取;由于单一的定位方法很难在复杂的情况下准确定位,故本文采用的是结合车牌的纹理和颜色特征,再通过粗定位和细定位相结合的方法对车牌进行定位;定位后的车牌经过前期处理后总免不了会包含一些噪声点,考虑到这一点本设计选用了结合先验知识的垂直投影分割方法对定位后的车牌进行字符分割;最后采用卷积神经网络的方法用于识别分割后的字符,得出识别结果。其中CNN的结构是在经典的CNN结构基础上,结合车牌字符的数目及汉字识别的难度,增加了卷积层的特征图数目和输出层的神经元个数。从实验结果可以看出,多种预处理方法的结合可以更准确的定位、分割车牌,另外,本文采用的卷积神经网络的方法来识别字符,相比传统的神经网络字符的识别率提高了5%。