车牌字符识别技术是智能交通系统中的关键技术之一,它涉及了模式识别、人工智能、计算机视觉以及数字图像处理等众多学科领域。目前国内外许多学者专门研究车牌定位和车牌字符识别等关键技术,并取得一定成果,但仍存在许多值得继续研究和改进的地方。比如现在大多数的车牌识别方法对清晰度高的图像识别率很高,但在天气变化、光照不均以及车牌存在污渍、变形和倾斜的情况下,识别率往往会大幅下降,所以提高全天候下车牌识别技术的鲁棒性对我们来说很有意义。车牌识别主要分为三个步骤：车牌定位、字符分割和字符识别。字符识别作为车牌识别系统的最后一个部分,也是最重要的一个环节,识别算法的选择,直接影响着整个系统的识别率高低。目前,最常用的车牌字符识别方法有模板匹配、神经网络和支持向量机等方法,但是由于受到很多客观条件的限制,采用单一的分类算法,识别效果往往不理想。本文分析总结了字符识别领域中常用算法的特点及其在车牌字符识别应用上的缺陷,针对车牌字符的特点,提出了一种基于支持向量机和局部特征提取的车牌字符识别算法。文章提出的识别方法是以预处理后的单个字符作为输入信号,用该方法分类时,首先进行粗分类,即采用KPCA对车牌字符进行特征提取,并利用SVM进行分类。若粗分类结果不是易混淆字符,则不需要进一步的细分类；若粗分类结果是易混淆字符,则转入后面的细分类器,即针对易混淆字符的局部特征,设计不同的分类方法加以区分,并得到最终的识别结果。实验结果表明,与单一的分类算法相比,该组合分类方法具有更好的识别效果,不仅在各种复杂场景下对车牌字符有一个较高的识别率,并且大幅度降低了识别耗时。