论文总字数：29513字

摘 要

在中国经济高速发展的今天，购买并使用机动车的人群不断增长。对道路上行驶的机动车的进行监管与监控的需求日益增长。车牌识别是一种使用光学字符识别和其他方法（如，图像分割与检测）来获取车牌牌照的方法。传统方法在确定车牌的位置之后，不能立刻进行识别。还需要对车牌字符进行分割，对分割后的单个字符依次进行识别。这种实现方法降低了算法的实现难度，但对图像质量要求很高。因此只能局限于停车场和收费站这样的光照良好与拍摄角度固定的简单场景。

本文将车牌图像识别划分为两个独立的部分：车牌检测与字符识别。

检测部分，进一步将车牌检测分为粗定位与精定位。使用Haar级联分类器实现车牌的粗定位，并设计了一种方法通过对粗定位的车牌进行二值化、阈值分析、Sobel算子、随机抽样一致、线性变换实现了车牌精确定位与校正。相较于传统的直接使用SVM模型提高了定位的精确度。而与直接使用深度学习模型进行定位相比，在保证车牌定位的精确度的情况下兼顾了车牌定位的速度。

字符识别部分，研究了循环卷积神经网络（RCNN）与CTC损失函数，设计出了一种端到端的不分割字符的车牌识别系统。相较于传统的字符分割进行字符识别的方式，可以直接输出车牌的识别结果，在复杂环境的情况下有着较好的表现，拥有较高的鲁棒性与准确性。

关键字: 车牌检测；深度学习；Haar级联分类器；循环卷积神经网络

Vehicle License Plate Image Recognition and Application Research Based on Deep Learning

Abstract

As the Chinese economy maintains rapid development for a long time, the population of people who own cars and drives motor vehicles is also fast growing. There is a growing need to regulate and monitor motor vehicles on the road. License plate recognition is a method of obtaining license plate licenses using optical character recognition and other methods (eg, image segmentation and detection). The traditional license plate recognition method first needs to segment the license plate characters after completing the license plate positioning, and then recognize the divided characters. This implementation method reduces the difficulty of algorithm implementation, but requires high image quality. Therefore, it can only be limited to a simple scene where the lighting is good and the shooting angle is fixed.

This paper further subdivides the license plate recognition process into two independent steps called license plate detection and character recognition.

In the detection part, this paper further divides the detection into rough location and fine location. Rough Location of License Plate uses Haar Cascade Classifier to achieve, and a method is designed to realize the precise positioning and correction of the license plate by binarizing the threshold plate, threshold analysis, Sobel operator, random sampling and linear transformation. Compared with the traditional direct use SVM model, the accuracy of positioning is improved. Compared with the direct use of the deep learning model for positioning, the speed of the license plate positioning is taken into account in the case of ensuring the accuracy of the license plate positioning.

In the character recognition part, the circular convolutional neural network (RCNN) and CTC loss function are studied, and an end-to-end license plate recognition system with no segmentation characters is designed. Compared with the traditional character segmentation method, the recognition result of the license plate can be directly output, which has better performance in the complex environment and has higher robustness and accuracy.Key words: license plate,deep learning,Haar cascade classifier,RCNN

目录

摘要 I

Abstract II

第一章 引言 1

1.1 课题研究背景与意义 1

1.2 国内外研究现状 1

1.3 本文研究内容 2

1.4 论文组织结构 2

第二章 相关技术 4

2.1 深度学习 4

2.2 卷积神经网络 7

2.3 循环神经网络 10

2.4 本章小结 12

第三章 车牌生成与车牌定位 13

3.1 车牌生成 14

3.2 车牌粗定位 16

3.2.1 原理简介 16

3.2.3 Haar级联分类器 18

3.2.3 车牌粗定位的实现 23

3.3 车牌精定位 25

3.3.1 确定上下边界 25

3.3.2 确定左右边界 28

3.4 本章小结 31

第四章 基于深度学习的车牌识别 32

4.1 基于传统神经网络的字符分割识别 32

4.2 基于循环卷积神经网络端到端整体识别 33

4.2.1 循环卷积神经网络结构 33

4.2.2网络实现 37

4.3 对比试验验证与分析 41

4.4 车牌识别可视化系统设计 43

4.5本章小结 44

第五章 总结与展望 45

5.1 论文结论 45

5.2展望 45

参考文献 46

致谢 48

第一章 引言

1.1 课题研究背景与意义

目前，图形信息处理尤其是字符图形信息在人们生活中的用途日益广泛，图像识别在图像识别系统以及手写文字输入设备等工业领域有着广泛的应用前景和巨大需求。诸如SVM或人工神经网络的传统图像识别算法，存在识别率低、耗费人力、特征不易迁移等弊端。深度学习的端对端的特征学习模式，以及逐层训练和高层特征学习的方式，避免了传统方法的种种不足，在图像识别领域展现出优秀的能力。本课题提出将深度学习技术应用于国内的车牌图像识别系统中，大大提高车牌识别的准确度和效率，为智能交通系统的广泛应用提供一定的参考信息。

1.2 国内外研究现状

车牌识别简单的说就是通过使用光学字符识别和其他方法获取车牌牌照号的监控方法，车牌识别商业应用相对比较广泛，从停车场到交通卡口，公司门禁都有涉及。由于各国车牌布局结构很不一样，因此车牌系统的设计方法就大相径庭。相较于国外，我国车牌识别有几大难题：中文字符识别难、车牌类型多：单双层蓝牌、单双层黄牌、新能源车牌、警用军用车牌、使馆/港澳车牌等。这给车牌识别系统的实现带来了很大的难度。

目前国内流行的EasyPR，基本上是根据《MasteringOpenCVwithPracticalComputerVision Project》^[1]设计的西班牙车牌识别系统的思路进行二次开发的。尽管西班牙车牌识别系统并不适合中文环境，但其设计的识别思路是基本有效的。对一个包含车牌的图像进行分析，最终截取出只包含车牌的图块，并使用SVM（支持向量机）来检测车牌图块的真实性。完成检测后，使用人工神经网络（ANN）中的多层感知器（MLP）模型对车牌图像进行光学字符识别。

剩余内容已隐藏，请支付后下载全文，论文总字数：29513字