1. 研究目的与意义

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。传统的图像识别和检索算法，其原理是根据图像的底层像素视觉特征作出判断，这样的判断方式与识别和分类图像有着本质区别，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。

2. 课题关键问题和重难点

【关键问题】

（1）实现对图像中的车牌粗定位

（2）实现对车牌图像精定位并自动分割其中的字符图像。

3. 国内外研究现状（文献综述）

车牌识别是使用ocr来识别车牌的一种应用方式，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：单行蓝牌、单行黄牌、新能源车牌、白色警用车牌、使馆/港澳车牌、教练车牌、武警车牌、民航车牌、双层黄牌、双层武警、双层军牌、双层农用车牌、双层个性化车牌。这给车牌识别系统的实现带来了很大的难度。尽管如此车牌识别在国内经历了十年乃至二十年的发展，在一些公司的努力下，中文车牌识别技术基本趋于成熟。

目前中文车牌识别系统基本上都包含图像处理、车牌提取、字符分割、文字识别、信息理解这五个部分。传统车牌识别系统，在固定视角的停车场收费站环境下，可以获取到的清晰车牌图片，可以较好的对车牌图像进行车牌提取与字符分割。检测与字符识别可以达到80%以上的精度。在特殊情况下，获取到的车牌图片亮度低、低质模糊、车牌存在倾斜透视变换时，传统的车牌识别系统无法有效的对车牌进行定位，也无法进一步对车牌字符图像进行有效的分割识别。因此传统的车牌识别系统在强光，夜晚，光照不均匀，多姿态等恶劣情况下无法有效的识别车牌，识别速度、识别准确率大幅降低。

2006年，geoffrey hinton等人发表了一篇论文，展示了如何训练能够高精度（>98%）识别手写数字的神经网络。他们将这种技术称为深度学习。在当时，深度神经网络的训练被普遍认为是不可能的。这篇论文重新激起了科学界的兴趣，不久之后，许多新的论文展示了深度学习不仅是可行的，而且（在超级计算能力和大数据的帮助下）能够取得令人瞩目的成绩。

4. 研究方案

该软件属于综合系统，包括使用OpenCV对真实环境下的车牌定位，并使用TensorFlow卷积神经网络训练车牌识别模型。并对该模型进行评估分析优化后将其移植到嵌入式设备如手机，最终实现一套检测速度快、鲁棒性强、多场景使用性好的真实环境可用的车牌识别系统。

5. 工作计划

第 1 周： 撰写开题报告和完成外文翻译。

第 2 周： 进行课题总体规划和课题的详细设计。

第 3-5 周： 进行课题模块化设计并进行模块代码编写与调试。