交通安防系统下的复杂车牌识别研究.pdfVIP

摘要

从现代交通安防系统的概念流行开始，车牌识别一直是作为整个系统中不可或缺的一部

分，以其为核心向不同应用方向拓展可以实现不同的车辆智能化管控，例如停车场无感停车、

违法抓拍联动、城市天网布控等应用。故当今很多科技公司、政府公安部门都极力推进车牌

识别技术的改良。

传统的车牌识别过程大体分为三个部分：车牌定位、车牌分割、字符识别。其三者均有

较强的关联性。通过特定位置的摄像头，来抓拍按照一定规律运动的车辆获取效果理想的图

片来进行车牌识别，往往能得到理想的识别效果。但实际交通场景往往比实验室场景复杂不

少，导致现有的车牌识别技术得不到好的识别效果。本文针对复杂的车牌识别进行了探讨研

究，主要研究内容如下所示：

1、列举介绍传统车牌识别算法特点和几种常用基于深度学习的车牌检测算法：有典型的

YOLO算法为代表的single-stage检测方法，以及FasterR-CNN为代表的two-stage检测方法，

分析不同算法的思想和特点，总结当前车牌识别算法存在的缺陷，及改进方向。

2、针对复杂车牌图片，本文结合实际路面摄像头卡口场景、停车场抓拍场景，在多个角

度收集足够多的车牌图像，对这些数据进行数据预处理、标注。

3、本文以车牌检测过程的三个环节为框架，车牌区域一般作为输入图像中的较小区域，

针对车牌定位，分析传统基于特征的车牌定位方法，提出运用改进YOLOv3的Darknet-53网

络结构，以改进后的更多尺度特征预测进行检测，得到平均准确率在97%左右的效果，获得

较好的车牌定位效果。

4、在车牌字符识别阶段，分析了传统字符识别算法的弊端和痛点，使用端对端字符识别

的思想，同样利用YOLOv3的结构，加入了多路并行检测分类的字符识别网络，对车牌的七

位字符进行序列识别。最终结果相比LeNet-5和模板匹配算法取得了准确率与速度的平衡。

关键字：交通安防系统，车牌图像识别，深度学习，YOLO

ABSTRACT

Sincethepopularityoftheconceptofmoderntrafficsecuritysystem,licenseplaterecognition

hasalwaysbeenanindispensablepartofthewholesystem.Withitasthecore,itcanbeextendedto

differentapplicationdirectionstoachievedifferentintelligentvehiclecontrol,suchasparkingwithout

feeling,illegalcapturelinkage,urbanskynetlayoutcontrolandotherapplications.Therefore,many

technologycompaniesandgovernmentpublicsecuritydepartmentsaretryingtheirbesttopromote

theimprovementoflicenseplaterecognitiontechnology.

Thetraditionallicenseplaterecognitionprocessisgenerallydividedintothreeparts:license

platelocation,licenseplatesegmentationandcharacterrecognition.Thereisastrongcorrelation

amongthethree.Byusingthecameraataspecificlocationtocapturethevehiclemovingin

accordancewithacertainlawandobtainidealimagesforlicenseplaterecognition,idealrecognition

effectcanoftenbeobt