车牌识别实际应用中,由于车辆的速度过快,拍摄的曝光时间过长或者拍摄时手的抖动可能产生运动模糊,甚至导致人眼都无法分辨。如何解决拍摄图像中产生的模糊给车牌识别带来的困难,恢复车牌的语义信息,在实际应用中具有现实意义。由于车牌数据具有较大的局域性,目前仍没有统一的数据库,难以获取模糊的车牌数据。本文通过采集成都高架上的车牌,作为真实模糊数据,尝试使用仿真运动模糊来模拟运动模糊车牌以弥补模糊数据的不足。为了解决模糊车牌的识别问题,本文设计车牌定位—基于滤波方式SSD识别算法。针对车牌定位问题,采用SSD算法在VGG16的基础网络上搭建识别算法框架,首先对运动模糊的图片中的车牌使用该网络寻找车牌轮廓,定位车牌矩形框区域。讨论在训练与测试中的参数变量对本文车牌数据的影响,不同尺寸、阈值、学习率对模型正确率的影响,通过控制变量获取最优参数,实验结果表明与Faster R-CNN算法的相比,SSD算法的定位模型性能更加优良。针对去模糊预处理问题,采用在模糊范围一定的情况下进行非盲卷积去模糊。在保持细节的情况下抑制噪声,讨论两种滤波方式对车牌滤波的结果。设计融合滤波方式的SSD网络结构。本文的融合方法设计在网络结构的预处理层,图片先经过滤波处理再通过后续的分割以及数据增强结构。本文的数据集具有尺寸小、光照不均、倾斜角度各不相同的特点。针对具有以上特征的车牌字符识别,输入融合滤波方式的SSD网络。字符识别类型包括中文、英文、数字共65类字符。通过观察测试样本的PR曲线、MAP值,评价模型的识别性能。同时与传统算法相比,端对端的识别算法也降低算法的复杂度,提高识别效率。实验表明使用维纳滤波结合SSD网络可以有效提高运动模糊车牌识别的正确率。为了演示本文算法的模糊识别效果,设计算法效果展示系统。通过该系统用户可以上传自己需要识别的图片,并显示识别结果,交互简单易用。