本文主要研究内容

本文研究基于深度学习的车牌识别技术,利用基于OpenCV和Visual Studio开发环境,以数字图像处理技术和机器学习技术为基础对此进行研究及设计,并运用相关算法,能准确、快速地识别出车牌。该系统可分为检测和识别两大部分,而检测和识别则各包括了3个步骤:定位,判断模型训练,判断,分割,卷积神经网络识别模型训练,字符识别。在接下来的章节会分别进行详细介绍。

本文的章节安排介绍如下：第一章的绪论将介绍本课题的研究背景、车牌识别系统的现状和发展趋势；第二章对系统设计进介绍接受，包括开发运行环境和整体的设计流程；第三章是车牌定位部分的算法与流程进行介绍；第四章是基于支持向量机的车牌判断部分进行叙述，包括模型的训练及如何将其应用在系统的判断模块中；第五章是对字符分割和排序进行介绍；第六章介绍最后的字符识别部分，包括深度学习的概念，采用的卷积神经网络框架，和模型的训练；第七章是对车牌系统使用流程的一个展示；最后是对本次设计总结性的陈述及参考文献和致谢部分。

本文主要对车牌识别系统设计进行设计，对卷积神经网络的概念进行阐述，重点研究将深度学习应用在系统中来提高系统性能。在毕设开始时我先在图书馆和网上查阅了相关文献资料，对车牌识别系统技术和深度学习有了一定的了解后，下载了Visual studio和OpenCV。本次设计的基于深度学习的车牌识别系统已实现如下功能：

定位功能：这一模块采用了颜色定位方式和边缘检测方式互补，再对定位成功的车牌进行倾斜矫正，定位准确率较高。

判断功能：这以模块采用SVM来对备选的图块进行判断，定位获得的许多备选车牌的图块，贴标签后，用以训练来获得合适的判断模型，完成训练。在实际检测时，这个模型可以预测出可能是真正车牌的图块。

字符的分割和排序功能：先处理牌照的边框和铆钉，再做取轮廓操作，找到城市字母字符，再反推代表省份字符，往右再依次选择 6 个字符，与中文省份字符组合。

字符识别功能：再获得一定数量的的二值化字符图块后，首先进行手工贴标签，分别将中文省份字符、城市字母字符和数字与字母输入三个CNN模型中训练。而在实际的识别过程中，只需要将上一步得到的字符图块数组输入CNN模型，预测各字符图块表示的真正含义，最后输出车牌号字符串。

最后，使用来自网络上找到的“通用数据测试集”(GDTS)中的图片进行测试，集合里的车牌图片来源广泛。测试结果表明了车牌识别系统的字符识别准确率较高，但仍需提高判断准确率来提高整体车牌识别率。