在科技与经济突飞猛进的今天,机动车辆日益增加,管理难度不断加大,为提高车辆管理效率,社会各界在有效管理城市机动车的问题做出许多研究。近年来,在国内车牌识别研究方面也取得了丰硕成果,并且广泛应用到收费站、景区入口、停车场,应用技术已日趋成熟。在车牌识别系统中车牌特征提取至关重要,机器智能识别过程中,在快速识别和准确识别上难以满足车辆管理的需要,有时还不得不加入人工干预,部分特征提取还是依赖于人工,管理效率大为降低。在一些特定复杂环境下,比如处于运动中的车辆、强光照射下的车辆、弱光条件下的车辆、车牌污损歪斜的车辆等,车牌智能识别效率更低。近年来采用传统算法研究的车牌识别系统,在效率和精确度要求较高的情况下并不适用。在本文中,作者对2500余副复杂条件下的各类牌照做了大量实验和研究,提出了一种基于车辆图像颜色通道拆分联合Blob分析的车牌识别方法,能够对背景光照复杂,车牌字符污损歪斜的情况下对车牌进行精确定位与识别,本文中正文的研究内容主要包含了以下几个部分:1.颜色通道拆分联合Blob分析,准确分割并提取车牌字符。在车牌图像预处理过程中使用图像处理中的通道拆分联合Blob分析及形态学分析,图像预处理后对车牌进行定位以及车牌区域分割。实验表明,使用本文所介绍的图像预处理手法使车牌定位更加准确,并且车牌区域分割后不会损失原有信息,避免传统方法在去噪的时候,使用各种滤波方法损失车牌信息。同时,使用了仿射变换和投影变换对车牌畸变进行了校正,通过水平校正和错切校正,证明校正后的车牌字符分割提取更加容易。2.运用多种改进模型算法解决车牌字符识别干扰问题。本文介绍了机器学习中广泛应用于图像处理方向的多层感知器、卷积神经网络和支持向量机,并在卷积神经网络方法中使用了4种改进的模型,实验验证了使用改进方法之后的车牌字符识别率高于传统的三种不同的方法。在训练模型的过程中,为了使识别结果更加可靠,在原始字符区域上加上了诸如畸变,污损等干扰信息,使车牌字符识别更加准确。3.Halcon环境下仿真实验提高车牌字符识别效率。在Halcon的环境下对车牌识别进行了仿真实验,分别对原始车牌数据进行处理仿真。经过仿真实验,表明在不同复杂情况的自然背景以及车牌图片拍摄质量下的车牌识别有较高的识别率和较好的鲁棒性,并且在识别速度方面对于现有技术有很大的提高。