车牌识别技术是智能交通中最重要的组成部分,在城市道路监控、电子不停车收费、小区出入控制等重要场合中发挥着举足轻重的作用。本文应用视频图像处理的相关理论基础,对车牌识别技术的方法进行了深入的研究,主要对车牌检测、字符分割、字符识别这三部分的算法进行了相应的改进。在车牌定位部分,针对传统车牌检测率低等问题,本文提出了一种基于HSV和多分块局部二值模式(MB_LBP)特征的级联Adaboost车牌检测方法。首先将车牌图像由RGB颜色空间变换到HSV颜色空间,统计蓝色像素占车牌总像素的比例,来构建第一层强分类器;其次是提取车牌字符的MB_LBP特征,使用Adaboost分类器进行特征选择以及分类器的训练,最后应用Cascade结构检测法构成一种新的车牌检测算法。该算法使得车牌的检测率与检测速度有了大幅度的提升。在车牌字符分割部分,本文提出了一种基于Blob分析算法的车牌字符分割方法,首先将Blob分析算法与车牌字符的先验知识相结合进行字符的粗分割,其次采用垂直投影法完成字符的细分割。通过实验验证,本文的算法能有效解决不连通汉字的分割以及字符粘连等问题,有很好的实用价值。在车牌字符识别部分,由于传统BP神经网络存在的收敛速度慢、易陷于局部最优的问题,提出一种基于改进PSO优化BP神经网络的车牌字符识别算法。该方法首先对分割后的字符进行sobel边缘检测和harris角点特征提取,作为BP神经网络的输入量;加入自适应变异算子对易陷入局部最优的粒子进行变异操作,并对标准PSO算法的惯性权重与学习因子进行改进;然后应用改进后的PSO算法对BP神经网络的阈值和权值进行优化,目的就是使适应度值最小。经过与传统的BP算法、模板匹配算法相比较,该算法的收敛速度和识别率相对较高。利用经过改进的车牌检测、字符分割、字符识别算法,开展视频图像中的车牌识别实验,结果表明,与同类算法相比,本文算法具有更好的适用性。