在监控场景下的车牌自动检测识别技术是智能交通系统中的关键技术,新能源车辆车牌的出现带来了新的车牌检测识别问题,此外,因自然环境以及监控设备等因素的影响,采集到的车牌图像既有清晰的高质量图像,也有模糊的低质量图像,因此对于不同质量的车牌图像,都需要设计出能够正确提取车牌信息的检测算法。本文着眼于此,针对不同质量监控视频下车牌检测识别问题,以及现有车牌检测识别技术所存在的不足,对监控场景下的传统车牌和新能源车牌检测识别问题进行深入研究与实现,主要工作如下:(1)提出了一种基于监控视频的新能源车牌检测方法,建立新能源车辆车牌样本库。通过构建的全卷积神经网络自上而下逐层提取车牌不同“粒度”特征,再自下而上进行上采样融合每层的特征,然后根据融合的特征产生基于不同置信度的候选框,并根据不同置信度分配不同权重值给对应的候选框,最后合并得到在监控场景中定位率较高的新能源车牌检测模型。实验结果表明,采用全卷积神经网络的车牌检测方法,相比于其他使用单一特征的方法准确率更高,漏检率明显较低,同时对传统车牌的检测定位准确率也有很大程度的提升。(2)实现了一阶段式的不定长车牌号码识别技术。本文的车牌识别模型无需进行车牌字符分割预处理步骤,采用卷积神经网络和LSTM(Long Short-Term Memory)型循环神经网络,通过搭建4层卷积神经网络结合长短期记忆网络与CTC(Connectionist Temporal Classifier)序列模型,将车牌图像内整个字符串作为识别目标,便能很多地兼顾七位和八位不定长车牌字符序列的识别,避免了车牌字符分割环节对字符识别的限制影响,同时提出了更高精度的车牌识别性能评估标准,更适用于实际应用需求。(3)实现了一种基于深度学习框架下“车辆管道”思想的车牌检测识别应用系统。通过目标检测框架YOLO3进行车辆检测,将检测到的含有完整车牌的车辆图像输入车牌检测模块,对车牌检测模块输出的完整车牌图像进行后续无分割车牌识别,得到字符序列识别结果,并设计图像和视频两种应用方式的操作处理,实现视频和图像的多线程处理。