摘要
近年来，随着汽车保有量的不断增多，智能交通场景在不断的完善，在现实生活中识别车牌技术的重要性是显而易见的。传统的车牌识别算法基于三个阶段：识别车牌的位置、分割车牌和识别车牌字符，对于生活普通场景可以有效的应用，而面对图像畸变、模糊等复杂场景的时候难以表现较强的鲁棒性，经常出现无法识别现象。近年来越来越多的学者采用深度学习的方法来提升车牌识别的精度，模型小、精度高、可嵌入式的车牌识别系统已经成为当今主流的研究方向。 本文使用YOLOv5、U2-net和LPRnet等深度学习模型来针对复杂场景实现有效的车牌识别系统。此系统由两个级联模块组成，分别是车牌检测、字符识别系统。前者以定位图像内车牌位置并裁剪检测框为主要任务，模型骨干网络中Focus结构及CSP结构的应用使车牌定位准确率显著提高，预测端中CIOU_Loss的利用提高了模型的检测精度、缩短检测时间，并且通过生成对抗样本块加入车牌数据集中来测试模型目标检测的性能；后者以识别检测框中的车牌字符为主要任务，车牌经U2-net网络二值化和透视变换实现了倾斜畸变校正，CTC损失及集束搜索的应用显著增强了字符识别效果。与传统车牌识别方式相比，本文中的算法显著展现出了卷积神经网络优势，不仅能够应用于停车场、高速公路等常规场所，而且在夜间光线不足、图像模糊、倾斜畸变等不利情况下，仍有较为稳定的鲁棒性，降低了外部环境对车牌识别的影响，弥补了原有研究的不足。 本文以分组实验为主要测试方法，并采取控制变量的方式，以召回率、准确率及系统整体精确率作为主要评价指标，把测试集分为六组各自进行车牌检测、字符识别实验。将上述两个系统相结合的整体系统进行实验，与RPNet网络系统加以比较。检测结果显示，本文所研究的系统针对众多复杂场景的平均精确率、处理时间分别为94.3%、240ms，且能够较好地完成在复杂场景中的识别，弥补实际应用。
NETL