近年来,OCR(光学字符识别)技术已经发展的比较成熟,被广泛应用在生活中的方方面面,学校门禁处的驾驶证识别系统就是采用的这种技术。但学校的驾证识别系统对姓名文字识别的准确率不是很高,约为80%左右,为了进一步提高驾证姓名的识别率,本课题组将采用深度学习的方法重新设计驾驶证姓名识别系统,分别在预处理部分和文字识别部分对算法做一定的优化和改进。针对学校驾驶证识别系统识别率不高的问题,本课题主要从两个方面进行改善:一是在预处理阶段改进算法,采用红章定位的算法,使系统能更精确的定位和提取驾驶证姓名区域;二是在识别阶段采用改进算法的卷积神经网络LeNet-5训练模型。在预处理阶段,本课题会对图像进行一些必要的图像处理操作,比如非均匀光照射、高斯滤波、倾斜矫正、灰度化、二值化和添加噪音等。在定位提取姓名区域阶段采用红章定位的算法,即先定位红章的区域,再根据红章与姓名区域的位置比例关系定位驾驶证姓名区域。经过测试验证,此方法提取完整姓名区域的准确率约为99%。在姓名汉字识别过程中,最重要的是选取神经网络和训练网络模型。由于受实验数据和实验器材的限制,本课题暂时还完成不了对庞大的汉字库中所有汉字类别的识别,所以在选取汉字类别阶段选取了其中的20个汉字作为识别类别,每个汉字类别约生成为1500张数据用来做模型训练,另外本项目采用单汉字识别的方法,单汉字识别相对比较简单,即使不用太深的神经网络进行更详细的特征学习,也能取得不错的识别效果。综上考虑,本课题选取了网络层较浅的LeNet-5经典神经网络并对其做了改进。改进的方法就是在第二层卷积网络层前加入了BN(Batch Normalization)算法。经过对比改进前和改进后的网络模型,发现模型的训练时间从30min减少到15min,单个汉字识别时间都在100ms以内,并且模型的准确率都在99%以上。