1. 研究目的与意义（文献综述）

充满信息的时代，图像作为人类感知信息的视觉基础，同样作为表达信息， 传递信息和获取信息的重要元素，随着实际应用越来越广泛，国内外图像处理科 研人员对技术的研究也更加深入。从上世纪20年代，数字图像处理技术发展至 今在各领域得到了广泛应用，图像处理技术已成为发展建设智能交通，智慧城市 的重要技术组成部分。对图像处理方法方法有很多，随着实际需求中对图像处理 技术性能要求的提高，使用传统处理方法显示出一些不足的地方。正是因为如此， 相关科研人员开始不断研究新的处理方法，其中通过利用神经网络的优势对图像 进行处理已成为前沿的技术方向。相对于传统的处理方法，利用神经网络算法 对图像进行处理效率上有了明显提高，对图像分析识别的自适应能力也得到了增强。对于图像处理常常面对着许多非线性问题，利用泛化性能更好的神经网络来处理非线性，带噪声以及存在缺陷的样本，得到的解决效果更显著。

对于神经网络算法最早在图像处理领域中用作对样本识别分类器瞳1，随着近些年神经网络算法的研究和进步，相关科研工作者发现神经网络算法的优势，并 将其运用到了更多实用方面，如指纹识别、手写字体、游戏验证码识别、车牌识 别等。不仅在以上图像处理方面，神经网络表现出了优势，在交通车牌识别中的应用同样有着重要的处理价值。在社会基础设施不断完善成熟的同时，另一方面车辆管理监控和车辆车牌自动识别缴费自动化等设备建设相比，需要不断的提高处理能力，面对这样一个现状，相关科技管理部门己开始部署研发智能交通监控系统，智能自适应控制系统，gps导航系统和车辆管理系统等等技术，特别是车牌识别系统在多个智能交通领域有着广泛运用。车牌识别系统一般拥有较高的识别率，同时对车辆行驶速度，行驶环境以及地理位置等各种因素的影响有着较大的鲁棒性，可以满足各种情况下的实时需求。

2. 研究的基本内容与方案

2.1 研究目标

本项目运用python平台，实现基于多层神经网络的车牌识别的程序实现。通过对车牌图像进行预处理，其后在图像形态学处理、定位、分割以及特征提取，利用神经网络对图像进行识别需要具备良好的泛化能力，保障对图像识别的准确性和可靠性。尽管实现最优性能的识别处理并不容易，但利用多层神经网络对车牌识别的效果，相比传统单一式的识别技术相比识别率和处理效率上有了很大的提高。

3. 研究计划与安排

第1周：查阅相关文献资料，明确研究内容，了解研究所需掌握的知识范围，完成开题报告。

第2周：学习pytorch与tensorflow的使用，并更新anaconda的库。

第3周：学习tensorflow。

4. 参考文献（12篇以上）

[1].王晶. 基于神经网络的车牌识别技术研究[d].杭州电子科技大学,2017.

[2].李达. 基于卷积神经网络的车牌识别技术研究[d].湘潭大学,2016.

[3].曹丹，基于hopfield神经网络的脱机手写数字识别，中南大学，2009