科技的发展不断使新行业、新技术出现和应用在人们日常生活中,人工智能的相关技术在近几年获得飞速发展并在逐渐改变人们的生活方式。智能交通系统作为实时、准确、高效的综合交通运输管理系统,能够迅速准确地完成车辆控制和管理,极大地便利人们的出行,而自动车牌识别(Automatic Number Plate Recognition,ANPR)则是智能交通系统的基础组成部分。目前,车牌是车辆的唯一身份凭证,ANPR可以自动准确锁定和定位车辆,在车辆控制、交通监控、车辆管理以及车辆轨迹信息分析等应用场景中承担着不可或缺的角色,实现自动ANPR是实现车辆智能管理的基础,其具有现实意义的研究和应用价值。对于ANPR,传统的解决方案通常分为三步:车牌定位、字符分割、字符识别,这些解决方案也取得了较高的识别准确率,并逐渐应用于实际场景中,如停车场的出入管理、计费系统。但传统的解决方案大多受限于特定的场景条件,特别是字符分割的过程,对车牌角度、光照反应较敏感。本文实现了基于神经网络的ANPR,以代替字符分割和字符识别过程,减弱环境对ANPR算法的影响。总体而言,ANPR的方法可分为车牌定位和车牌识别两个步骤。对于车牌定位,现在较为常见和先进的算法是使用级联网络检测,即通过级联网络筛选和缩小目标范围,最终通过非极大值抑制(Non-Maximum Suppression,NMS[1])算法选定目标所在位置,级联网络在一定程度上解决了基于图形学分析的传统定位方法在开放场景中对光照、角度等敏感的问题,但级联网络的第一级往往是基于密集滑动窗口的方式进行窗口过滤,这在高分辨率小目标的图片上受到了性能限制,本文将介绍使用改进的Yolo网络进行车牌检测定位的方法,其在应对环境变化以及性能表现上均优于级联网络。车牌号码识别方面,传统的解决思路是分为字符分割和字符识别两个阶段,由于字符数量较少,且其识别易于实现,所以在准确的分割算法下,车牌识别能够获得较高的准确率,但分割算法要达到较高的准确率是比较困难的,其表现结果受光线强度、车牌扭曲等的影响较大,停车场的应用场景下车辆往往可以保持良好的“姿态”且距离采集设备较近,因此采用字符分割的方法可以获得优秀的识别效果,但对于无人机摄像头或交通摄像头来说环境会更加复杂,本文论述了利用深度学习的方式,主要使用卷积神经网络,直接应用于整张车牌图像的像素信息,对整张车牌的模式进行训练和学习,得到车牌的识别结果,而不采用字符分割,以应对复杂变化的环境。本文所述神经网络模型均在Tensorflow框架下进行设计和训练,并最终获得可应用的网络模型。本文开发实现了C/S架构的车牌识别系统以提供对图像或实时视频中的车牌进行识别的功能,该系统基于上述算法,可执行所得模型中的前向推理过程对图像进行车牌的检测和识别并反馈识别结果。