近年来,随着社会经济的发展,车辆数目大幅增加,传统的车辆管理方式已经难以满足需求。于是,智能交通系统开始受到人们的关注,而车牌识别系统作为智能交通系统的核心之一,更是成为了研究的热点。而传统的车牌识别系统在背景复杂和拍摄角度偏斜等情况下识别效果不佳,基于此,本文按照车牌定位、车牌校正、车牌字符分割和车牌字符识别四部分实现了完整的车牌识别算法并对算法进行了一定优化,最后与硬件相结合实现了完整可用的车牌识别系统。实验结果表明,本文的车牌识别算法具有较优的性能。本文通过颜色定位、边缘检测和SVM筛选相结合的方法进行车牌定位。传统的车牌定位算法均具有各自的局限性,基于灰度图像的定位方法在纹理、边缘等特征丰富的环境下定位效果不佳,基于彩色图像的定位方法在背景颜色复杂的环境下捉襟见肘。为了提高车牌定位算法的鲁棒性,本文将多种车牌定位方法相结合,首先通过颜色定位和边缘检测粗定位出候选车牌区域,然后使用先倾斜校正后偏斜校正的方法进行候选车牌校正,最后利用SVM分类器筛选出正确的车牌。实验结果表明,本文的车牌定位方法能有效从图像中定位出车牌,定位成功率达到99%。实现了一种改进的基于连通域标记法的车牌字符分割方法。由于绝大多数车牌中的汉字由多个连通域所组成,所以,传统连通域标记法往往只能分割出字母和数字。本文对于非连通的中文字符进行了二次定位,解决了连通域标记法对汉字分割效果不佳的问题。实验结果表明,本文的车牌字符分割方法能有效从车牌图像中分割出字符,分割正确率达到99.5%。本文利用一种改进的基于BP神经网络的方法进行车牌字符的识别。在传统的BP神经网络识别方法中,对所有车牌字符都进行相同的特征提取,而汉字的结构要比字母与数字复杂很多,这样的特征提取往往导致汉字的识别率仅有90%左右。为了提高汉字识别的正确率,本文对汉字进行了更详细的特征提取,将中文字符图像的直方图特征和每个像素的值作为特征,然后训练出识别模型。使用所训练模型对总共600张中文字符图像和2500张字母与数字图像进行了测试,其中,对于汉字的识别正确率为94.7%,对于字母与数字的识别正确率为98.6%。最后,本文使用树莓派和树莓派摄像头作为硬件实现了完整可用的车牌识别系统。将上述实现的车牌识别算法移植到树莓派,程序控制树莓派摄像头采集图像后,利用车牌识别算法对所采集图像进行识别,然后将识别结果与MySQL所建立数据库中的车牌进行比对,最后控制树莓派的GPIO做出相应响应,从而实现了车牌识别的完整流程。