大城市停车慢给人们的生活带来很多的不便。目前大部分很多停车场都需要抬杆进出,前期需要有投入大量的人力物力进行停车场搭建,加上后期的维护,前后都需要大量的成本投入。目前人工智能以及深度学习在不同的领域涌现出很多落地项目,并取得了非常不错的预期效果。将人工智能与深度学习算法结合,打造完全无人监管的停车场,能避免搭建繁多建筑设施以减少资源开销,节省人工成本,仅需要摄像头就可以对停车场进行监管,通过摄像头停车场内车辆的车牌和车位使用时间等情况进行监测,形成一套完整的流程体系。相对于目前广泛使用的停车场监管方式,可以节省大量的财力物力。车位的检测大体思想上分为两种,第一种是根据车位的线识别,判断车位。第二种是根据车辆图像信息来进行车位的检测。两种方法各有优缺点。根据车位线判断,其主要有车位线识别过程中易被车辆遮挡和车位线因环境因素长时间使用会出现褪色两种缺点,均会影响车位检测的准确性。根据车辆信息检测缺点是,需要实时的跟踪车辆位置信息,对于计算机的算力要求较高不适合广泛推广。车牌检测主流方法都是以Open-cv为主进行识别,应用场景都是停车场抬杆,车辆从预定位置进入,这就要对车牌的角度,清晰度达到较高的满足条件才能识别到车牌信息。本文的主要研究内容重点是检测含有标准线以及不含标准线的车位如何通过像素点标定框的方法利用改进的梯度特征提取检测车位的占用情况。利用改进的提取纹理特征方法,改进的分步角点检测方法定位,改进后的网络框架。在远距离,车牌不清晰,多车牌的条件下进行识别检测,达到精准快速识别的目的。主要研究内容如下:（1）在车位检测方面,本文提出菱形标定方式,可以减少旁边车位干扰,减少梯度采集区域范围的方式,达到了高识别率,实时检测要求。采用差帧的策略方式,在固定的时间段利用改进后的HOG（Histogram of Oriented Gradient）算法对每个车位时间前后的梯度变化进行采集,然后对比前后的梯度变化范围的不同,检测车位。（2）车辆的车牌检测方面,首先采用改进的LBP（Local Binary Pattern）算法与Adaboost算法结合的方式进行粗定位。使用改进的分步角点检测算法,再利用多次阈值确定ROI（Region Of Interest）区域的方式,最终拟合角点边缘特征确定车牌的精确位。（3）将获取的车牌图像,传入改进后的轻量级CNN（Convolutional Neural Networks）框架中,改进了卷积的方式,激活函数的类型,池化的方式。从而实现在识别率有一定的提升情况下图像的FPS大幅度提升达到流畅识别的程度。