车牌识别是智慧城市中的一个重要技术,它广泛应用于智能交通管理的诸多领域。目前在一些特定场景下的车牌识别已经取得了较好的效果,但是针对拍照角度不固定,车辆位置不统一,图像光照不充足等自然环境下的车牌定位与识别效果依然不佳。深度学习对计算机视觉的发展产生了变革性的影响,目前效果最佳的目标检测与光学字符识别算法都是采用的深度学习。所以本文尝试基于深度学习技术,构建复杂自然环境下速度更快、精度更高、鲁棒性更强的车牌识别算法。本文利用中科大公开的CCPD数据集与自己手机拍摄和道路摄像头采集的车辆图片,构建了涵盖各种复杂场景的车辆图像数据集。将车牌识别算法分为车牌定位与车牌字符识别两个子任务,着重对这两个任务进行了算法设计。为了同时兼顾识别的速度与精度,提出了LPL-YOLO车牌定位算法,与GCR-Net车牌识别算法。下面介绍具体的工作与创新。对于车牌定位部分,本文基于YOLOv3算法,加入了SPP模块,并根据车牌定位的特点进行了算法优化。设计了针对小物体检测的LPL-YOLO网络,通过改造损失函数提升对目标框位置和宽高的预测精度。提出了基于Canopy+KMeans的anchor box尺寸提取方法。针对模型参数量过大的问题,采用了基于稀疏优化的模型压缩方法,在精度基本不变的情况下将模型参数量降低了98%以上。对于车牌字符识别部分,本文设计了车牌数据增强方法,识别算法采用了CNN+Bi GRU+CTC的结构,可以免分割字符的识别不定长的车牌。另外设计了有效融合CNN全局特征与GRU局部特征的GCR模块,提出了GCRNet车牌识别算法。实验表明LPL-YOLO车牌定位算法与GCRNet车牌识别算法具有实时检测速度,并具有较高预测精度与鲁棒性。对于车牌倾斜严重、光照过亮或不足、图形分辨率低等车辆图像也有较好的识别效果。其中LPL-YOLO车牌定位算法可以在普通场景下达到100%的精度与召回率,GCRNet车牌识别算法可以达到99.38%的识别精度,最终车牌定位与字符识别的综合算法能达到98.2%的识别精度与每张图片0.06s的识别速度。