基于深度学习的车牌识别技术研究综述
摘要：车牌识别系统大致分为图像预处理，车牌定位和图像识别三个部分。本文针对每项技术在各个环节中的应用展开论述，在此基础上介绍深度学习网络和在车牌识别上的应用研究状况，最后提出基于深学习的车牌识别技术上的一些问题和展望。
关键词：车牌识别，深度学习，卷积神经网络
一、前言
随着社会经济发展，城市机动车量不断增加，城市交通管理面临越来越多的问题。20世纪90年代后, 随着计算机视觉 (Computer Vision Technology) 的发展和计算机性能的提高, 开始出现车牌识别的系统化研究。为城市交通管理提供一有效途径。在车牌识别技术的发展过程中，深度学习技术得到了广泛应用，极大地降低成本和提高工作效率，为智慧交通管理起到重要作用。本文介绍了车牌识别系统中的各环节处理技术和深度学习网络，在此基础上进行总结。
- 正文
1 研究背景
随着社会经济的迅猛发展，人们生活水平的提高，城市机动车数量越来越多。为了城市化发展，满足城市智能交通管理的需求，提高车辆管理的效率，缓解道路交通压力 ，我们必须找到一种解决方案。而作为汽车“身份证”的汽车车牌，是在公共场合确定汽车身份的重要凭证。为此我国交通管理部门对汽车车牌的管理非常重视，并制定了一套非常严格的管路法规。其中对汽车车牌的制作，安装，维护都要求由制作部门统一管理。在此基础上，如果研制出一种能在公共场所快速并准确地对汽车牌照进行自动识别的系统(CPR),这将是一件非常有意义的工作，并将极大地提高汽车安全和管理水平。经过长期发展，车牌检测技术已经广泛应用到智能交通的各领域，如:停车场收费系统、交通道路流量监控、交通违章车辆抓拍、车辆智能跟踪及定位等。目前，针对车牌检测任务已经有很多理论研究成果和成型的商用系统，表面上看车牌检测技术相当完善，可以获得令人满意的效果，实际上此类技术有很多前提条件，局限性相当大。例如应用广泛的停车场收费系统，必须配备良好的图像采集环境，光照、拍摄角度、图像的稳定性等都需处于理想状态，一旦去除这些前提条件，现有技术的检测效果将大打折扣。因此，研究复杂交通场景下的车牌检测技术仍然具有很高的实用价值。
2 国外研究现状
汽车牌照识别技术 (License Plate Recognition,LPR)在国外起步较早, 在20世纪80年代就有相关图像处理算法提出，但由于信息处理和计算机性能原因妨碍了发展，到90年代发展较为迅速。英国Alphatech公司的图像部于80年代中期开始研制名为RGUS的车牌自动识别系统，可处理黑白或彩色图像 ，ARGUS 的车牌识别时约为 100 毫秒，通过 ARGUS 的车速可达每小时100 英里；新加坡的Optasia公司研制的VLPRS系统, 适合于新加坡的车牌;香港的亚洲视觉公司的车牌识别产品VECON适用于香港制式的车牌。另外日本、加拿大、德国、意大利、英国等发达国家也都有适用本国车牌的车牌识别系统。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
