智能交通系统(Intelligent Transportation System,简称ITS)利用先进的信息技术实现对交通的智能自动化管理,从而达到对道路交通环境的全面监管,帮助改善道路交通状况、缓解交通压力等问题。车牌识别技术(License Plate Recognition,简称LPR)作为ITS重要组成部分,是一个值得研究的课题。车牌识别系统时效性和准确性的提升,是车牌识别系统研究的关键。车牌识别系统主要包括:图像预处理、车牌定位、车牌字符分割以及字符识别四个部分。图像预处理是字符识别技术的前提,本文通过图像滤波和灰度变换、Sobel边缘检测、二值化、数学形态学处理,使处理后的车牌图像可以减少大量的干扰因素。通过对车牌图像进行预处理,降低了图像背景的复杂度、去除了干扰,为车牌识别提高了精度,节省了运算的时间和存储空间。车牌定位是车牌识别系统中关键的一步。本文在分析多类支持向量机(Support Vecor Machine,简称SVM)分类的基础上,对于车牌图像总类型数目不多的分类情况,利用改进的支持向量机分类方法对车牌图像进行定位。通过取轮廓外接矩形判断面积和长宽比,选取出符合车牌特征的区域,并利用训练好的SVM模型对候选车牌区域进行判别,最终精确定位车牌的位置。字符识别的步骤是首先对采集的车牌字符样本归一化处理,然后利用粗网格提取字符的特征,最后通过SVM分类器识别字符。本文通过对改进的多层感知器网络的训练,结合单向二叉决策树的多类支持向量机分类方法得到支持向量机决策数中合适的Lagrange乘子矢量及b值,v-SVM分类时的约束值,以及非线性分类时核函数中的常系数。利用单向二叉决策树将字符图像逐步分类,当样本无法判别出来时加入参数调整,提高了识别精度,减少了识别时间。最终,通过对实验数据分析比对,表明本文采用的改进的识别方法对于车牌识别系统的时效性和准确性均有所提升。