基于人工智能的车牌图像识别研究开题报告

1. 研究目的与意义

随着经济与社会的高速发展，各种类型汽车保有量迅速增长，而公路的容积 增长缓慢，管理手段相对滞后，使得我国的交通压力越来越大。特别是城市和交通枢纽，如：高速公路收费站，检查点，堵点路段，停车场等。为了缓解矛盾， 智能交通系统(ITS)己成为当前交通管理发展的主要方向。而车牌识别技术又是 ITS 中的重要组成部分，它提供快速，精确的车牌信息，极大地减轻了人工识别的成 本，并且为智能交通其他应用提供了信息。

智能交通的出现在一定程度上有效的缓解了城市交通问题，而车牌识别检测技术是现代交通管理系统中不可或缺的重要部分。其中，汽车牌照相当于一辆车的身份证明，通过对车牌照的自动识别可以有效地记录、追踪、管理汽车的行驶信息。

2. 课题关键问题和重难点

课题内容主要为基于已经分割好的灰度车牌图像，对车牌中的字母、数字进行识别研究。首先，学习机器学习的基本知识，了解机器学习的相关应用；然后，设计一个字符特征提取方法；最后，建立 bp 神经网络的机器学习方法，对图像中的字母、数字进行识别 研究。其中，需要解决的问题有以下几点：

1.在车牌识别研究的过程中要解决的基本问题有：①车牌的定位检测 ②车牌倾斜的校正 ③车牌字符的分割 ④车牌字符的识别

2.对于已经分割好的灰度车牌图像，要求设计一种有效的字符特征提取方法。因为字 符特征作为 bp 字符识别神经网络模型的训练集，只有准确地提取出每一个字符独有的特征，bp 神经网络模型才能正确地识别出字符间的不同。因此，字符特征的提取在整个车牌 识别过程中至关重要。

3. 国内外研究现状（文献综述）

随着科技、生活水平的不断提高，家庭用车量的逐年加大，交通信息处理所用的数据

也逐年增长，并且数据不仅仅在数量方面有很大的变化，在结构上同样发生了巨大的转变，

传统数据（也称为结构化数据）主要包含数字、符号等，而随着基础设施水平提高，语音、

4. 研究方案

1. 基于已经分割好的车牌灰度图像，采用图像处理算法（即轮廓特征提取法），提取字符的特征。

2. 以上述特征为输入值，选择 BP 神经网络的机器学习方法，进行字母、数字的识别研究，并设计训练集与测试集，对模型进行训练和验证，使训练完成的神经网络的字符识别率高于 80%。

5. 工作计划

1-3周：阅读国内外相关的课题文献，确定课题主要研究内容和实现的方法。

4-6周：获取100张车牌图像，并对图像进行预处理和字符分割。

7-9周：对已经获取的资料和数据进行分析和论文的章节安排。