在复杂无约束自然场景下对车辆实时检测和相关信息的提取识别一直是计算机视觉领域内重要的研究内容之一。该领域问题的突破不但可以为汽车自动驾驶技术的实现和完善带来实际效果的提升,并且在停车场的自动停车调度算法和实时泊车监控系统的改进上有着重要的现实意义。而在完成车辆定位后的信息提取过程中,车牌的定位与识别准确性是该模块性能优劣的关键和基础。为了解决上述研究领域内存在的关键问题,本文做了如下工作:1.针对当前实时车辆目标检测中存在的车辆检测区域不完整、精度不高以及无法对场景中较远车辆进行准确定位等相关问题,提出了一种Vehicle-YOLO的实时车辆检测分类模型,该模型在最新的YOLOv3算法基础上,通过更改图像输入参数、增强深度残差网络的特征提取能力、采用5个不同尺寸的特征图依次对潜在车辆的边界框提取等方式来提升车辆实时信息检测的精度和普适性。实验结果表明,Vehicle-YOLO模型在KITTI数据集上达到了96%的均值平均精度,传输速度约为40FPS,在精度提升的情况下仍能保持良好的实时检测速率。此外,Vehicle-YOLO检测模型在VOC数据集上的实验结果也展现了不同程度的精度提升,故该模型在常见物体的定位检测中有较好的普适性,相较于传统的物体检测算法模型有更好的表现。2.为解决在复杂无约束场景下存在的车牌定位精度不高,噪点和干扰因素较强等问题,一种基于最大稳定极值区域和卷积神经网络的车牌精准定位新方法被提出。此方法先利用最大稳定极值区域找出车辆图像中色彩波动较小的子图像区域,而后根据车牌的先验知识,滤掉明显不符合车牌字符特征的子图像区域,再对保留下的子图像进行相应的启发式搜索和卷积神经网络识别,找出确切的多个车牌字符位置,最终通过滑动窗口和卷积神经网络搜索到车牌的始末位置,从而在复杂自然环境下完整获得车辆的牌照区域。实验结果表明,该算法在各类复杂场景下受到的环境影响极小,鲁棒性强,定位准确率高。3.设计并实现了车辆检测与车辆多种类信息识别的应用系统。首先通过Vehicle-YOLO模型将图像中的车辆进行定位并裁剪,然后使用基于最大稳定极值区域的车牌识别算法获取车辆牌照信息,最后将车辆品牌与颜色等信息交由卷积神经网络进行识别,获取完整的车辆信息。实验表明,在定位过程中获取到车辆的分类信息有助于后续识别模块的性能提升,验证了本文所给方法的实用性。