车牌识别系统作为现代智能交通管理中的重要构成部分,在现实生活中也有非常广泛的应用,如高速公路收费站,道路车流人群监控,社区和停车场自动收费系统等。这些具体的应用能够起到有效地缓解交通拥堵、节省人力时间成本、提高工作效率等作用。目前,车牌识别技术在特定环境下已经有很好的研究成果了,传统车牌识别技术中的主要步骤为车牌定位、车牌字符分割、车牌字符识别,比较明显的缺点是模块间的误差积累容易导致最后车牌识别的准确率降低。尤其是在光照不足或是车牌模糊等复杂情况下,模块间的误差会严重影响到最后车牌的识别精度。所以,研究复杂环境下的车牌识别技术,仍然有着重要的市场价值,具体工作如下:重点介绍了国内外的车牌识别算法,分析研究了基本的神经网络算法,并且着重分析了深度学习算法在车牌识别技术中的应用。车牌定位的准确度对于车牌识别算法的识别率有着至关重要的影响力。在现有的目标检测算法的基础上实现了基于深度学习的车牌定位算法。传统车牌识别算法需要对输入图像进行繁琐的预处理,基于深度学习的车牌定位算法则不需要进行此操作,并且算法的检测精度高。将深度学习的目标检测算法用于车牌定位时,选择的检测目标为车牌区域,同样地,检测目标也可以是单个车牌字符,只不过字符的面积比车牌区域小得多,会导致更大的检测难度。本文对深度学习在车牌识别中的应用进行了深入研究,提出了一种端到端的车牌识别算法来识别实际拍摄的车牌图片,可以直接给出预测车牌位置的边界框并同时高效准确的识别相应的车牌号码。整个网络可以端到端的训练,不再经过传统车牌识别算法的三个步骤,可以有效地减少误差积累。本文收集了复杂环境下的上十万张车牌图片,制作了六种不同环境的训练集和测试集,用于本文中车牌定位算法和车牌识别算法的训练与测试,通过不同算法间的对比验证了本文所提出算法的优越性。