车牌识别是图像处理领域中目标识别和场景文字识别技术的一个综合应用,是智能化犯罪车辆动态追踪打击系统中车辆身份验证的关键技术。目前常用的车牌识别系统流程主要分为四步:车牌检测、车牌校正、字符分割和字符识别,传统算法的可识别背景单一,采集相机的距离和角度固定,应用场景具有很大的局限性,算法时间复杂度较大,难以达到车载移动环境下快速识别车牌的应用需求。为实现以上需求,本文设计了一种可部署在嵌入式端的复杂场景下的高效车牌识别系统,通过结合深度学习技术,优化车牌识别流程,仅需车牌检测、偏斜校正和字符识别三步完成识别。首先在车牌检测上采用单次多目标检测(SSD)的网络框架,实现了端对端的车牌检测与分类;在车牌偏斜校正模块,提出一种基于多级阈值二值化图像的方法直接定位区域角点,然后通过透视变换实现多种偏斜情况的单步校正;在车牌字符识别模块,取消了字符分割的步骤,采用卷积循环神经网络(CRNN)的类序列识别思想,实现车牌全部字符的端对端识别。进一步地,由于深度学习网络的参数量较多、计算量较大,本文对SSD和CRNN网络进行效率优化,重组网络内部结构,大幅度的降低了网络参数计算量。本系统在1216张多场景数据集上达到了96.13%的识别准确率,在PC端上平均识别速度达到26FPS,在嵌入式平台上仍能达到平均10FPS的识别速度。经实验证明,本文的车牌识别系统能够成功应用在车载平台下的动态复杂场景中,算法鲁棒性和识别准确率及速度都较传统系统有明显的提升,具有更广泛的实际应用价值。