车牌识别作为智能交通管理系统的核心内容之一,反映了智能交通系统的发展速度和技术水平。传统车牌识别方法分为车牌定位、字符分割和字符识别三个模块,模块之间的误差容易影响后续处理,进而影响最终的识别率。同时,传统车牌识别技术对于图像质量要求较高,对于车辆运动、光照变化、拍摄角度等因素比较敏感,车牌图像出现模糊、光照过暗和倾斜等现象时均影响识别率。目前深度学习算法在图像识别、语音识别等领域取得了长足进步。针对传统识别方法存在的不足,本文基于深度学习理论提出了新的车牌识别方法,将传统识别方法中车牌定位、字符分割和字符识别三部分内容改为车牌定位和车牌识别两部分,实现端到端的车牌识别过程,提高复杂环境下车牌识别率。(1)研究了深度学习框架下的车牌特征提取和图像处理方法,针对传统车牌识别方法的鲁棒性不足,将深度学习理论引入车牌识别方法中。为避免字符分割对字符识别效果的影响,本文利用深度学习网络模型对整个车牌字符进行端到端地识别,提高识别算法的泛化能力。(2)针对传统车牌定位方法的不足,本文利用图像处理相关技术和最大极值稳定区域算法相结合,借鉴非极大值抑制算法的思想,对传统车牌定位方法改进;融入深度学习理论,对AlexNet的网络结构进行改造,训练出车牌真伪区域判定分类模型,提高车牌定位算法的准确率。(3)针对传统识别方法中字符分割对后续识别效果的误差影响,本文研究卷积神经网络和循环神经网络的特点,提出端到端的车牌字符识别模型,并设计出基于卷积神经网络和基于卷积循环神经网络两种模型结构。通过对大量完整车牌数据样本进行特征学习,构建识别模型实现对整个车牌字符区域的识别。(4)通过实验对本文提出的车牌定位和字符识别方法进行验证,实验结果表明本文设计的卷积神经网络模型可以有效地对车牌区域进行真伪判定,提高车牌定位的准确率;对比两种端到端的车牌字符识别模型,基于卷积循环神经网络的字符识别模型,对光线较暗、角度倾斜和轻微遮挡等复杂环境下的车牌也能实现较好的识别结果。同时,与传统车牌识别方法进行实验对比,验证本文算法在车牌定位与字符识别方面的优势。在此基础上,整合车牌定位和车牌识别流程,实现从输入车辆图像到识别车牌字符的完整车牌识别系统。