随着国民经济水平的不断提升,人们的出行方式逐渐演变为以汽车为主。但由于道路规划不合理以及人为主动性地交通违规等原因,道路交通安全问题越来越严重,比如违规停车、违规驾驶等交通违规现象日益增加,轻则造成交通拥堵,重则导致交通瘫痪甚至发生大型交通事故危及群众生命安全。车牌号作为车辆的“身份证”,能唯一地标识车辆,车牌在交通违规中标识车辆具有重要作用,因而准确而快速地识别车牌号码在当今的交通场景下的应用非常重要。近年来,我国针对交通违规现象的处理方式主要是让交通执法人员使用执法记录仪记录违规现场的一些信息,比如拍摄车辆牌照,录制现场视频等,而执法仪场景拍摄的照片背景复杂,倾斜角度很大,传统的车牌识别方法在执法仪场景下识别准确率低,不能满足要求,导致其执法效率较低。因此针对执法仪场景下车辆牌照识别的问题,本文研究了通过使用深度学习模型并进行场景性的算法优化来解决车牌识别问题,进而提高执法效率。本文的主要工作包括如下四个方面:首先,本文提出一种新的车牌识别流程,主要包括车牌区域检测、车牌关键点检测及车牌矫正、端到端的车牌字符识别三个部分。以往的车牌识别流程基本为车辆检测、车牌检测、车牌字符检测、字符分割和字符识别,其流程具有连锁效应,每部分流程的效果对其后继流程都会造成直接影响。因此考虑简化整个流程,进而提高整体的车牌识别准确率,本文提出了一种新的车牌识别流程。其次,本文制作了高质量的数据集,在车牌识别模块,为了使各省份车牌数目均衡,本文使用Open CV图像处理库制作了仿真车牌,为每个省份制造了单层黄牌、双层黄牌、单层蓝牌、警用车牌、新能源车牌以及港澳车牌共计11550张,车牌有明暗变化和任意的倾斜角度,车牌种类丰富且数据量比较大,并通过车牌识别实验证明了自制数据集的有效性。此外,本文优化了一种创新目标检测算法,并应用于执法仪车牌识别场景。在实验中,本文以YOLOv4-Tiny为基础网络,在此基础上对网络结构进行改进。实验结果表明,相较于基础网络,使用改进后的网络训练得到的模型在车牌区域检测和字符识别中的表现更好,准确率均有提升,并且模型大小和单张图检测时间没有出现大幅度变化。最后,本文采用了代码简洁且易于扩展的Flask框架,结合MVC模式开发了车牌识别系统。将单张或一批图片传入系统中,系统将展示识别结果,并将识别过程中产生的相关有用信息存储到数据库中,以供执法人员调用。另外也可利用这些数据分析系统的不足,为之后的优化做准备。本文针对执法仪场景下的车牌识别现状,提出的车牌识别流程和优化后的目标检测算法,能够解决执法仪场景下的倾斜车牌的识别问题,并通过实验验证了上述流程以及网络结构的可行性和有效性,符合提升交警通过执法仪执法效率的需求,达到了预定的研究目标。