目前机动车数量的增幅越来越快, 机动车在日常交通管理中的闯红灯, 乱停车等交通违章现象也随之猛增, 人们迫切需要用智能交通系统来解决目前出现的问题。汽车的车牌相当于汽车的身份证, 它的管理和识别越来越受到人们的重视。汽车车牌自动识别系统是智能交通系统中的重要组成部分。车牌自动识别系统主要包括车牌定位、字符分割、字符识别几部分。这三部分工作相互联系，关系紧密，后一步强烈依赖于前一步，因此前一步的无能将严重影响后一步的性能，这样就会累积定位和分割的错误，影响最终的识别性能。而因为车牌识别问题在现实应用方面的高需求，所以从车牌识别问题提出之后至今三个环节都有了大量的研究发现。
在国内外的研究过程中，车牌识别技术有了显著的进步。陕西科技大学的贾小云、潘德燃学者提出了一种基于最大极值稳定区域（maximally stable extremal regions, MSER）和笔画宽度变换（stroke width transform, SWT）的车牌识别方法[1]。该方法使用MSER和Canny边缘相与运算后得到MSER筛选得到区域，并在区域上做心态学操作，完成车牌定位。使用归一化后的模板匹配，采用HU不变矩以及网格特征完成汉字识别，利用跳跃点实现识别数字与字母。中国科学技术大学的周文刚、李厚强等学者提出了一种新颖的方案，可以通过主视觉词（PVW），发现和局部特征匹配来自动定位车牌。对于每个车牌角色，该方法会自动发现具有几何背景的PVW，给定新图像，通过将局部特征与PVW匹配来提取车牌。除了车牌检测还可以扩展到徽标和商标的检测[2]。贵州大学的李良荣、荣耀祖等学者，提出基于SVM（支持向量机）的车牌识别技术，基于Sobel与HSV色域空间的车牌定位，查找字符轮廓与垂直投影法的字符切割，基于SVM的字符识别，并利用遗传算法对SVM参数进行优化[3]hellip;hellip;这些方法各有优点，在正常环境中已经可以达到较高的识别水平。但是由于应用环境越来越广泛，特殊场景也越来越多，一些方法已经无法适应应用的要求，例如在雨雪天气中车牌照片经常出现模糊的情况，高速路上汽车牌照由于速度过快而照片不清等，都会对最终的识别结果造成较大的影响。因此，最近几年，随着深度学习和计算机视觉学科的发展，出现了一种基于卷积神经网络（CNN）的车牌识别与精定位算法研究方法[4,5]，该方法主要通过对车牌识别三个阶段的研究，分别提高各个阶段的识别准确性，进而提高整个系统的识别率。根据最新的一篇关于CNN车牌识别技术的论文中（基于CNN的车牌识别精定位算法研究，陈冬英、曾淦雄），作者先采用Haar特征的级联分类器实现对图像中车牌位置的粗定位；而后综合随机抽样一致化算法与Sobel算子实现精定位算法的精确定位与车牌矫正；再针对精确定位算法中的车牌字符切割，对其进行直方图均衡化后，利用车牌字符分布特征的分割算法完成分割；最后，使用keras搭建深度卷积神经网络（CNN）有效地对分割后的字符进行准确的识别。其结果显示该方法在保证鲁棒性良好前提下，准确性优于各传统算法，对应各变化场景的车牌识别准确率达98% 以上。还有一些基于人工神经网络的算法实现，但是这些方法一是在特定环境下效果很好，但并不能适应较多的复杂场景，二是CNN卷积网络的设计比较困难，需要综合较多的环境因素，最后一点这些算法对于外国车牌都涉及不多。
由于存在上述问题，于是又出现了一种基于深度学习的车牌识别算法架构，名为车牌识别网(license plate recognition net, LPR-Net)的端到端的深度学习架构[6,7]。该网络是由基本特征提取的残差网络、多尺度特征提取的多尺度网络、定位车牌和字符的回归网络和识别的分类网络组成的混合深度结构。在其深度学习过程中，采用了一种基于批处理归一化的有效方法来提高训练速度。这个网络结构虽然在经典车牌识别的三个步骤中的每一步都使用新技术进行改进以提高识别的效率和鲁棒性，但是其复杂程度要比CNN卷积网络实现小，而且其结构更利于深度学习的策略应用。在这篇文章中，（LPR-Net: 模式识别的字母,Di Wanga,b, Yumin Tiana,lowast;, Wenhui Genga, Lin Zhaoc,b, Chen Gong），作者详细阐述了该算法的实现步骤与原理，提出的LPR-net通过对车牌进行端到端的识别，避免了典型三步识别方法存在的误差累积问题，从而提高了识别精度。彻底的实验结果表明，在复杂环境下，所提出的LPR- net在识别精度和鲁棒性方面都优于最新的LPR方法。
车牌识别问题在国外也广受关注，许多国外学者也对其进行了深入研究。澳大利亚南昆士兰大学的Al-Shemarry教授提出一种使用图像处理技术在低质量图像下识别车牌的新检测方法，这对于复杂环境中的车牌识别有着很大的意义[8]。在这项研究中，他将一种大量AdaBoost级联和三级预处理本地二进制模式分类（3L-LBP）的鲁棒方法应用于检测车牌（LP）区域。该方法实现了从一个车辆图像中检测LP数的非常高的准确性。他还分别使用630和400辆车的图像对提出的方法进行了测试和训练。图像涉及许多困难的条件，例如低/高对比度，黄昏，灰尘，起雾和变形问题。但是他的这种检测算法都表现出很好的准确性。在另外一篇印度学者的论文中，Ashok教授提出了一种印度汽车牌照自动转换的方法，他将深度学习的技术应用于这一领域[9]。在车辆图片中进行特征提取时，他使用Prewitt过滤器技术从车牌上提取字符，并使用连接的组件分析对字符进行分段。实验中使用了三种不同的分类器，即k最近邻，人工神经网络和决策树，实验结果表明这种方法对印度车牌的识别具有较高的可靠性，识别精度高达98.10％，但是对于国内情况的应用暂时还没有相关的研究。
从众多学者的既有研究可以发现，对于车牌识别这个问题，其基本解题步骤都是车牌定位、字符分割、字符识别这三步，但是针对每一步的优化都会影响最终的检测准确度。许多学者对于该问题的研究重点都放在了最后一步即字符识别这一块，其目的是在已有数据库中找出最佳匹配并以此提高识别的准确度。但是在有些情况中，第一步与第二步也显得尤为重要。例如，高速上的违规抓拍，这就对车牌定位提出了很高的要求。中国矿业大学的李冬伟，孙卓等学者就此问题进行了深入研究并发现虽然超高分辨率技术可以解决由于拍摄距离和拍摄角度导致车牌图像的有效分辨率较低的问题，但是还是存在许多具有低分辨率，模糊和照明问题的车牌图像。他们提出了一种非参考图像质量评估系统，以识别用于超变和车牌识别的有效图像。根据提出的场景要求，他们总结了四个车牌图像质量评估因素：分辨率，清晰度，亮度和对比度。最后使用支持向量回归（SVR）执行质量分数回归预测任务。实验表明，该算法可以在保证车速的同时，有效提高车牌识别的准确性[10,11]。字符分割这一块，由于在其他领域也会涉及这一问题，所以它并不被视为车牌识别工作的重点，但是想要提高系统的鲁棒性就不得不考虑这一点。在最近的一篇关于字符分割的研究论文中，浙江大学的祁忠琪，涂凯，吴书楷等学者针对处理堆叠字符问题，提出了一种基于深度学习且不依赖于字符分割的方法[12,13]。首先对倾斜、扭曲的车牌进行投影矫正；再使用一种名为MobileNet-SSD的算法检测定位车牌中的单排字符和堆叠字符；之后将堆叠字符送入基于CTC损失的堆叠字符识别网络，进行非字符分割的端到端识别。实验结果表明，该算法不仅对含堆叠字符的车牌具有较高的识别精度，同时对倾斜、扭曲等复杂环境下的车牌具有鲁棒性，极大提高了车牌识别系统的通用性。针对目前研究来看，鲁棒性最佳的方法还是采用深度学习的方法来进行识别的优化，其应对于复杂环境下的图像有着优良的效果。所以本课题拟基于OpenCV这个开源库，应用深度学习来优化实现一个着重应用于复杂环境下的车牌识别系统。该角度虽然已经有学者进行研究实现，但是其中还有相当多的方面可以进行拓展。基于OpenCV视觉库的车牌识别系统也有实现的先例[14-16]，但是其中车牌识别的技术各不相同，并且对于不同环境也有着不同的优势或者劣势，所以本课题希望综合深度学习技术，在原有基础上针对复杂环境来进行研究，最终实现一个可靠性高，能在复杂场景下精确、快速识别车牌的软件。
[1] Jia Xiaoyun, Pan Deran. License plate detection method in complex scenes based on the maximum stable extreme value area and the main rotation invariant local binary mode[J]. Science Technology and Engdineering, 2020, 20(04):1509-1513.
[2] Zhou W, Li H, Lu Y, et al. Principal visual word discovery for automatic license plate detection[J].IEEE Transactions on Image Processing, 2012, 21(9): 4269-4279.
[3] Li Liangrong, Glory Zu, Gu Ping,Li Zhen.Research on license plate recognition technology based on SVM[J].Journal of Guizhou University (Natural Science Edition), 2018, 35(05):48-54.
[4] Chen Dongying, Zeng Ganxiong.CNN-based fine positioning algorithm for license plate recognition[J]. Journal of Fujian Jiangxia University, 2020, 10(06):101-107 115.
[5] Pan Anqi, Men Yuying. License plate recognition based on Faster R-CNN and BRNN[J]. Software Guide, 2020, 19(08): 49-53.
以上是毕业论文开题文献，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。
