车牌识别系统是实现机动车辆自动化管理的核心环节,各国对车牌识别的研究也已经进行了很多年,并取得了卓越的成果,在停车场、收费站,车牌识别系统的使用已经普及。但是现有的车牌识别系统大多应用场景简单,当采集的图片中,车牌辨识度较低的时候,识别准确率会大大下降。本文致力于研究低辨识度条件下的车牌识别算法,设计基于深度学习的车牌检测和车牌字符序列识别算法,在成像条件不佳的情况下,也能实时准确地识别。本文分析了低辨识度车牌图片识别准确率低的原因,可以归纳为两点。第一,由于成像角度问题引起的车牌过度倾斜;第二,由于天气环境、运动模糊、距离过远或车牌污损等原因引起的车牌模糊,就像加在清晰图片上的噪声。本文着重从这两个方面提高低辨识度车牌识别准确率:检测车牌的四个顶点,使用透视变换校正车牌,降低倾斜因素对车牌识别的干扰;在车牌字符序列识别算法中设计基于深度学习的图像降噪网络,过滤低辨识度图片中的图像噪声,提高算法的识别能力。本文主要进行的研究如下:1、研究了基于RetinaNet检测算法改进的车牌检测算法,除了预测常规的矩形车牌检测框,还预测车牌精确的四个顶点坐标。倾斜车牌在图像中的形状为非矩形,常规的车牌检测算法的检测结果在包含车牌区域的同时,还包含大量背景,并且不规则的车牌形状也会影响后续识别。通过预测的四个车牌顶点坐标,可以对车牌区域进行透视变换,从而实现倾斜车牌的校正,以此应对倾斜因素对车牌识别的干扰。此外,为了使算法在速度和精度方面都有更好的表现,通过使用MobileNet作为特征提取网络,降低模型复杂度,提高检测速度;使用聚类算法对数据集分析,根据结果重新设计先验框,提高算法检测精度。2、研究了基于深度卷积编解码网络的图像降噪算法,在常规的字符序列识别模块之前,加上降噪模块,对低辨识度的图片进行复原,过滤干扰识别的噪声因素,以此降低其对车牌字符序列识别的影响。研究了基于CTC Loss的字符序列识别算法,使用轻量级的卷积网络模型,融合全局特征,在无需分割字符的条件下,实现车牌字符序列识别。