车牌检测与识别在智能交通系统中有很重要的作用,是车辆精细化识别、车牌识别等处理的必要前提。所以研究复杂非限定场景下的车牌检测与定位具有重要的意义。近年来,车牌检测受到社会各界的关注,而且也在实际应用中取得了很好的效果。但是由于各种恶劣的条件影响,在实际场景应用中仍然很难满足实际应用的各种要求。因此,如何有效改善车牌检测算法的精度和速度,对于智能交通系统的发展有着非常重要的意义。本文针从提升车牌检测算法的精度和速度两个方面进行了研究,主要工作如下:(1)目前的车牌检测模型都是对光照条件比较好,视角单一的场景应用比较好,对于非限定视角下的车牌检测仍然存在许多问题。为了解决这一问题,本文提出一种基于扩张卷积注意力模块。该模块首先将基础特征提取网络输出的特征图做三个不同大小扩张率的卷积操作,并将产生的特征图融合后输出;然后再对基础特征提取网络输出的特征图做通道和空间双重关注,最后再将产生特征图融合。同时,由于目前公开的数据集大多类型单一、数量太少且视角固定,不具有普适性。因此本文又提出了一种基于三维场景渲染合成车牌数据的方法。该算法利用三维场景建模模拟车牌在现实环境中光照强度、角度以及距离的变化去合成多场景综合数据集。本文将提出的方法在CCPD数据集和合成的虚拟数据集上进行了实验,结果表明该方法明显提高了车牌检测的精度。(2)考虑到算法的实时性。虽然本文提出的基于扩张卷积注意力的车牌检测算法精度很好,但是在速度上面表现的不是很好。主要原因是在两阶段Faster R-CNN算法上改进,该算法在CNN特征提取和RPN区域建议两方面消耗很多时间。为了提高车牌检测的速度。本文提出了基于深度可分离卷积MobileNetv2的车牌检测。MobileNetv2是一种深度可分离卷积网络,该网络使用深度可分离卷积代替传统卷积,减少了网络的参数数量,使网络的速度提高很多。因此我们将SSD的基础网络VGG-16替换成MobileNetv2,同时,我们还在SSD多尺度特征融合的每个卷积层之后做扩张卷积操作,这样能更好地结合高层与底层特征的语义信息,帮助网络预测目标的位置。实验结果也证明这样的组合方式相比基于扩张卷积注意力模块的算法,在精度下降很少的情况下,速度提高了大约4倍。