粮库是储存粮食的重要基地,目前智慧粮库中广泛使用的安防系统没有识别功能,对于粮库内运粮车辆时常出现的“换车回皮”、“检甲卖乙”等作弊行为难以有效监控,不仅需要专业的管理人员时刻在旁进行监控,浪费了大量的人力资源,我国的粮食财产也得不到有效的保障,因此急需在现有的安防系统上增加粮库车辆识别功能,实现安防系统的智能化管理,保障粮库运粮车辆在粮库的各个重要卡口按顺序规范作业,但是目前粮库环境比较复杂(多扬尘、多卡口),采集到的粮库车辆图像噪声较多,采用传统的车辆识别方法处理起来比较困难。基于上述背景,本文结合粮库特点对粮库运粮车的车牌定位、车牌识别及车辆颜色识别进行了深入研究,其中论文主要研究内容如下:(1)研究了基于最大极值稳定区域(MSER)的车牌定位算法,该定位方法首先根据最大极值稳定区域这一特性来提取出图像中的斑点区域,并使用一系列阈值对这些斑点区域进行过滤,直接从图像斑点中分离出文本字符,最终确定图像中的车牌区域,经过实验分析对比,相对来说该算法更适用于粮库这种复杂环境。(2)设计了十四层的卷积神经网络(CNN)模型,并建立了粮库运粮车车牌图像数据集对其进行训练,从而可以对输入的完整车牌直接进行识别,避免了传统方法中车牌矫正、字符分割等复杂的处理操作,解决了粮库噪声条件下传统方法中车牌字符不易分割的难题。并且与九层、十二层的卷积神经网络进行了实验对比,这两种对比网络得到的车牌识别的准确率分别为82.30%,91.70%,而本文设计的十四层网络准确达95.90%,验证了本文十四层卷积神经网络的有效性。(3)研究了基于细分感兴趣区域(ROI)的粮库车辆颜色识别算法研究,研究并改进了ROI的确定和处理方法,将确定后的ROI细化分割成多个小区域,再分别转换到HSV颜色空间进行识别并确定最终的结果,从而减轻了运粮车辆自身结构和外界环境对粮库车辆颜色识别的影响,提高了粮库车辆颜色识别的准确率。本文针对粮库特点提出的粮库车辆识别算法,可有效降低粮库内灰尘环境给识别带来的噪声影响,提高了粮库运粮车辆识别的准确性,对粮库安防系统的智能化建设具有重要意义。