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。

目前车牌识别系统在技术 上还需要做很多的改善提高面对实际中种种复杂的因素，对车牌特征值提取与人工神经算法仍然需要不断的研究和改进。目前车牌识别技术研究的主要问题和难点有以下几点： (1)车牌特征复杂。与国外相比，我国车牌设计上更为复杂。国外车牌格式一般只有一种，但国内由于不同车型和用途等因素，会按照标准设计不同车牌样式，如：车牌尺寸，车牌颜色搭配等。且我国标准车牌由几十种结构复杂的汉字，数字以及字母组合构成。 (2)外界影响识别因素复杂：国内车牌挂取得位置不是固定的，尤其是大型运货车客车，在对这类车牌识别较标准机动车车牌识别更加困难。不仅如此，由于环境或人为因素，车牌信息可能存在缺损或者污染，对于这种情况需要对缺损或污染的车牌信息进行修复。 (3)工程应用问题：在图像识别工程应用上，神经网络对字符的识别除了受各种复杂的外界因素影响，网络设计本身也存在不少需要改进的问题。图像经过一些列处理得到归一化得单个字符，对字符特征提取方法有很多，如较为成熟的特征提取法，在字母和数字有很强的提取能力，但对于国内复杂的汉字结构，就不能满足良好的提取效果。由于对特征值的提取方法效果直接影响到后续网络识别准确性和高效性，所以根据具体应用和样本特征对系统不断进行优化调整。对于标准的BP神经网络易陷入局部最小值和处理效率较慢，相关工作者长期的研究和实验并提出了宝贵的改进算法，但对于网络的复杂，各参数设置导致 识别效果差异较大，获得一个性能良好的识别系统，需同时具备收敛速率快和准确性高这两个重要标准。

近十年来模式识别领域的深度学习倍受关注，深度学习是一门交叉学科，从神经网络发展而来，模仿人脑的思维逻辑方式，模型的抽象学习能力很强，深度学习的诞生颠覆了传统识别方式，在实际应用不断取得突破。深度学习的本质，就是通过构建多隐层的学习网络模型，训练大量的数据学习其中有价值的信息，这些有价值的信息就是特征，利用这些特征可以提升分类的正确性。因此，有一个经典描述为：深度学习是手段，特征学习是目的。

车牌识别系统一般由车牌定位、字符分割和字符识别三部分组成。本文是基于图像处理和深度学习中的多层神经网络相关理论，对车牌识别过程中的车牌定位、车牌图像预处理、字符分割、特征提取和字符识别等环节进行研究和分析，并在pytorch环境下进行了仿真实验。

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。