1、作為現(xiàn)代智能交通系統(tǒng)的關(guān)鍵技術(shù)之一，自動(dòng)車牌識(shí)別的應(yīng)用場(chǎng)景越來(lái)越廣泛。現(xiàn)有的車牌識(shí)別方法在公路卡口和停車收費(fèi)等外界光照條件良好、車輛位置相對(duì)固定的條件下具有較高的識(shí)別率，可以滿足實(shí)際應(yīng)用的要求。然而，在違章檢測(cè)、道路稽查以及天網(wǎng)系統(tǒng)等非限制場(chǎng)景中，拍攝位置、角度、光照及背景紋理不同，車牌圖像的幾何形態(tài)、灰度和紋理特征將出現(xiàn)不一致的變化，很難得到車牌區(qū)域圖像完整的不變特征矢量。因此，在非限制應(yīng)用場(chǎng)景下，現(xiàn)有方法的車牌識(shí)別率低，對(duì)環(huán)境變化適

2、應(yīng)性差，不能滿足現(xiàn)代智能交通系統(tǒng)應(yīng)用的需求。
　　為了提高非限制場(chǎng)景中車牌識(shí)別的精確性與適應(yīng)性，本文提出了一種分層序貫的車牌檢測(cè)與識(shí)別方法，首先，利用像素和基元的幾何和灰度變化不變特征，來(lái)抑制灰度均勻的區(qū)域和非車牌字符紋理，檢測(cè)和定位車牌候選區(qū)域，并估計(jì)其幾何形態(tài)以及灰度特征；然后，利用車牌區(qū)域圖像的幾何、灰度、結(jié)構(gòu)和紋理等顯著不變特征，對(duì)候選區(qū)域進(jìn)行篩選和識(shí)別，并進(jìn)一步提取車牌區(qū)域和識(shí)別車牌號(hào)碼。因此，本文提出的方法能夠克服光照

3、和幾何變化不同引起的目標(biāo)多種特征變化的不一致性，提高非限制場(chǎng)景下車牌檢測(cè)與識(shí)別的精確性和適應(yīng)性。本文的主要研究工作及貢獻(xiàn)包括：
　　第一，提出了一種基于字符多特征分層序貫融合的車牌定位方法。首先，根據(jù)車牌字符筆畫(huà)特殊的局部紋理特征，利用ORB關(guān)鍵點(diǎn)的檢測(cè)和匹配排除場(chǎng)景圖像中大量的背景像素點(diǎn)，快速準(zhǔn)確的縮小了感興趣區(qū)域的搜索范圍；其次，結(jié)合關(guān)鍵點(diǎn)的空間位置信息和其局部鄰域內(nèi)的顏色對(duì)特征，對(duì)匹配后的關(guān)鍵點(diǎn)進(jìn)行聚類分析以形成較準(zhǔn)確的車牌

4、候選區(qū)域；最后，根據(jù)車牌圖像特征的可分性和計(jì)算速度，依次利用紋理特征、顏色特征和結(jié)構(gòu)特征對(duì)車牌候選區(qū)域進(jìn)行篩選和識(shí)別，并提取車牌區(qū)域圖像。實(shí)驗(yàn)表明，該方法對(duì)車牌的位置、角度、尺度和灰度變化有較好的適應(yīng)性，并能夠有效的排除不同背景中相似目標(biāo)的干擾。
　　第二，提出了一種基于變長(zhǎng)模板和最短路徑的車牌字符分割方法。首先，利用目標(biāo)二值圖像中水平方向上灰度變化的次數(shù)來(lái)確定字符的水平界限；然后，根據(jù)車牌圖像的顯著結(jié)構(gòu)特征，設(shè)計(jì)了一種變長(zhǎng)模板用

5、于搜索車牌字符的初始分割位置，克服了車牌圖像幾何畸變?cè)斐傻能嚺颇０宄叽绻烙?jì)不準(zhǔn)問(wèn)題；最后，將車牌字符的精確分割問(wèn)題轉(zhuǎn)化為從車牌頂部到底部分割點(diǎn)的最短路徑求解問(wèn)題，從而有效地降低了字符筆畫(huà)斷裂和粘連對(duì)字符分割的影響。實(shí)驗(yàn)表明，該方法不僅能夠克服幾何畸變對(duì)車牌字符分割的影響，而且，可以提高車牌字符分割對(duì)光照變化和噪聲污染的適應(yīng)性。
　　第三，提出了一種基于字符多紋理特征融合的車牌字符識(shí)別方法。首先，去除車牌字符二值圖像中的孤立背景和多

6、余邊界，并根據(jù)字符筆畫(huà)的像素密度進(jìn)行彈性分塊，獲取區(qū)域的紋理特征，降低筆畫(huà)偏移對(duì)識(shí)別結(jié)果的影響；其次，為了增強(qiáng)字符全局紋理的表征能力，根據(jù)車牌字符的結(jié)構(gòu)特點(diǎn)，分別提出了低維周邊方向貢獻(xiàn)度LPDC和多尺度局部二值模式MALBP兩種圖像局部紋理特征描述算子；最后，將不同車牌字符紋理特征進(jìn)行特征級(jí)融合，使得字符特征的分類能力得到了進(jìn)一步增強(qiáng)。實(shí)驗(yàn)表明，此算法在噪聲、灰度、位移和尺度發(fā)生改變時(shí)仍然具有很強(qiáng)的特征分類能力。
　　綜上所述，本