汽车车牌是准许汽车正常上道行驶的凭证,是道路交通管理部门和车主识别与查找对应车辆的主要依据。作为智能化的综合交通服务系统的重要组成部分,车牌字符识别技术是在模式识别和计算机视觉技术领域中实现交通管理智能化的重要环节。机器学习领域中的一个重要的方法,BP神经网络以其强大的非线性函数映射能力、良好的分类识别能力成为应用最为广泛的人工神经网络,本文将车牌字符图像处理和机器学习技术相结合,提出一种基于集成GABP神经网络的车牌字符识别模型,用于汽车牌照识别工作。本文的主要工作量包括:(1)车牌字符图像处理:主要包括车牌字符图像的定位和分割工作,通过对相似车牌字符的全面分析,选用对对垂直和水平方向的边缘检测效果较好的robert算子进行边缘检测;在车牌字符图像分割中,首先对车牌字符图像进行灰度阈值分割,然后选定阈值进行二值化处理,得到一个二值化的数字矩阵,最后通过计算像素点灰度值累计和将车牌字符图像进行分割。(2)车牌字符识别:将二值化矩阵对应神经网络的输入神经元,将数据库中目标标识作为神经网络的输出神经元,隐含层神经元根据输入输出神经元个数确定,从而构建了本文仿真实验的神经网络结构模型。由于BP神经网络初始权值和阈值随机给定,造成神经网络收敛速度慢和容易陷入局部最小的缺陷,本文利用遗传算法优化神经网络的初始权值和阈值(GABP神经网络模型)加快神经网络的收敛速度和预测精度。(3)通过引入集成学习概念降低车牌字符识别误差:将车牌字符图像分割后的车牌字符分为7个独立的字符图像,然后将这7个字符图像分别进入各子基分类器,每个基分类器为即为一个GABP神经网络模型,在模型中独立进行训练识别,最后将各个基分类器识别结果在集成端共同输出,作为该车牌字符识别的最终识别结果。