李 非

（东北石油大学电子科学学院 大庆 163000）

1 引言

随着我国经济日益发展，国民经济水平大幅度提高，交通工具越来越普遍化，交通压力增大的同时，给交通管制带来了巨大的挑战，交通管理中的一个重要步骤是车牌识别，因此对车牌识别提出了越来越高的要求，车牌识别系统要具有识别时间短、识别准确率高的特点。

近年来人们对人工智能的研究日益深入，人工智能与机器视觉的结合为车牌识别带来了新的机遇，机器学习中的神经网络走入人们的视野中。我国广大工作者一直在致力提高车牌识别的效率，目前较成熟的神经网络有卷积神经网络、BP神经网络等。由于卷积神经网络较为复杂，所以BP网络的优势就凸显出来了。人们对BP网络［1］的优化也一直在进行中，主要优化是在寻找网络最优误差的算法、优化网络的输入、优化网络参数等。寻找网络最优误差的方法有粒子群优化（PSO）算法［2］、遗传算法［3］、压缩映射遗传［4］等来寻找全局最优解。优化网络的输入就是在数据特征提取［5～6］方面进行，如主成分分析（PCA）法［7］、十三点特征提取算法［8～9］、四角特征提取法［10］等。优化网络参数有误

差动量项的添加［11～13］、使用自适应学习率［14～15］、运用可调激活函数［16～18］等。本文使用主成分分析法进行字符的特征提取，使用SCG优化的BP神经网络进行车牌字符识别，两者结合使用的结果与传统BP网络相比，识别速度与准确率有大幅度提高。

2 相关工作

2.1 车牌处理

经过摄像头等硬件设备采集到车牌图像后，图像存在噪声、倾斜、除车牌外包含多余图像等诸多问题，这就需要进行处理，解决以上问题得到统一规整的车牌图像，有利于神经网络进行字符识别，从而提神经高网络识别准确率和速度。……