拾音器在车牌识别系统的识别率和识别准确率越高越好，但同时需认识到识别率达到*是不可能的，一方面因为车牌污损、模糊、遮挡，或者糟糕的天气(下雪﹑冰雹﹑大雾等等)都会严重影响识别的效果，另一方面一些中英文字符的分割与识别本身难度较大，比如“川”字易错误分割，以及“0-Q”、“2-Z”、“4-A”、“5-S”、“7-T”、“8-B”、“O-D”等易混淆字符。因为识别率的统计是以号牌信息有效的车辆总数为基础的，所以，如果考虑了各种环境、情况下的车牌，车牌识别系统在实际应用中的识别率会大打折扣，在无法识别时仍依赖人工进行判断、识别。
针对传统车牌拾音器识别算法中字符识别率偏低的缺点，目前出现了一种基于卷积神经网络的识别方法，通过对车牌字符图像的样本学习，优化神经网络每层的权值参数，从而在很大程度上提高车牌的字符识别率。仿真结果表明，采用卷积神经网络的识别方法对车牌中的字符进行识别，正确识别率可以到达99%，识别率和抗干扰性明显优于结构特征法、模板匹配法等传统识别方法(后两者分别只有94%、95%)。
利用神经网络的优势，采用一种改进的拾音器基于卷积神经网络的识别机制对车牌照中的字符进行识别。该识别方法通过对理想预处理条件下的车牌字符图片的学习，优化了网络系统中各层的权值参数，大大提高了车牌照中的字符识别率。在实际应用中，对于前期预处理出现的车牌定位不清、字符分割错误等缺点，拾音器如果进一步优化网络结构，则可以识别预处理较差条件下的车牌字符。
文章来源：http://www.elite-audio。。ｃｏｍ.cn/
