车牌识别对于维护交通安全和城市治安,防止交通堵塞,实现交通自动化管理有着现实的意义。目前,车牌识别在实际应用中取得了很大的成功,但是其主要基于摄像头位置固定、车牌满足某类假设的情况下进行识别。本文研究的是对车牌位置、大小、数量不做限制的车牌识别方法,称之为盲车牌识别算法,其主要工作包括:1)给出了基于卷积神经网络的盲车牌检测算法首先,通过由卷积神经网络和SVM分类器训练出字符检测模型;其次,对输入图片采用滑动窗口逐行扫描,将扫描到的图像块输入字符检测模型中,计算得分;最后,利用非极大抑制的方法求得每行的多个极大值,根据极大值之间的位置确定出文本行即车牌的位置。实验结果表明,利用单个字符来训练卷积神经网络,能够有效提高盲车牌的检测精度。2)给出了基于卷积神经网络的车牌识别算法首先,分别训练出车牌汉字字符的识别模型与数字和字母的识别模型,识别模型由卷积神经网络和多分类SVM分类器共同组成;其次,将检测出的车牌分割出汉字区域与非汉字区域,对汉字区域利用汉字识别模型识别出汉字,对非汉字区域利用数字和字母的识别模型识别出数字与字母组成的字符串;最后,将识别出的汉字与字符串结合,即识别出的车牌。实验结果表明所用方法能够有效地提高车牌的识别率。3)给出了卷积神经网络的训练方法针对识别模型参数多,容易陷入局部最优解中的问题,给出了参数初始化的方法,该方法是用K-means算法训练出卷积神经网络的第一层卷积核,并去除其中冗余的卷积核,在之后的训练的过程中固定剩下的卷积核不变,实验结果表明能够有效提高车牌字符检测率和车牌字符的识别率;并在训练的过程中通过调整卷积层中卷积核数量、迭代次数、正负样本比等方法来优化卷积神经网络,均取得了较好的结果。综合实验表明,车牌检测算法在8个来源不同的库上进行检测,平均准确率达到95.64%。车牌识别算法的平均识别率达到93.8%。