随着智能交通系统的不断发展,我国的交通管理也在不断进步,现已有很多城市普及安装了一体化自动识别车牌系统。车牌识别是智能交通重要的一环,往往起决定性作用。车牌识别应用现状主要在固定的条件下进行,如对小区门口进出车辆的车牌识别。随着适用场景范围的扩大,车牌识别技术面临着更多的问题。目前,摄像头拍摄的图像采集技术已经相当成熟了,但当应用场景的需求扩大后,车牌定位和识别技术仍然需要进一步发展。随着人工智能和深度学习领域的高速发展,计算机处理速度和计算机视觉问题都得到了很大突破,同时也给传统的车牌识别技术带来了转变。通过深度学习技术实现车牌检测和识别具有更高的鲁棒性和自适应能力。本文的研究场景是街道路侧停靠车辆的车牌识别,重点更关注高位摄像头下街道自然场景的车牌识别。通过将车牌识别分为车牌检测、车牌矫正和车牌识别三个模块,来完成整个车牌图片的识别。针对本文高位摄像头街道停车识别展开的研究具体内容如下:1.研究了国内车牌的主要特征,通过三个部分数据组合完成车牌的数据集,主要由CCPD大型车牌数据集和采集的街道场景数据集构成,这两部分数据中,存在中文字符分布不均且大部分省份字符文字缺乏的问题。针对这一问题,人工合成车牌数据来增加中文字符比例,缓解中文字符缺乏问题。2.研究了车牌检测的相关技术。根据识别场景需求确定了可行的基于Open CV级联分类器的检测算法和基于YOLOv2改进的检测算法。改进YOLOv2网络使其更加适应单目标检测任务,并添加多尺度融合机制以提升小尺度车牌的检测率。对比分析两种算法,选择表现更优的基于YOLOv2改进的车牌检测方法来实现车牌检测算法。3.对于车牌字符识别方面,采用一阶段式方法实现不定长车牌的识别。本文在CRNN网络和LPRNet网络的基础上,结合这两种网络结构的特点,构建本文的车牌识别网络,以全卷积网络加上CTC的loss函数实现车牌的不定长识别。改进的CNN+CTC网络采用长卷积核代替RNN,简化网络结构,同时使用1*1的卷积核降维到字符类数,可实现输入多尺度图片识别。在性能测试上,改进的网络在识别准确度和速度上取得了较好的平衡,在准确度上高于LPRNet,在速度上快于CRNN,能够满足本文街道场景的需求。对于车牌倾斜造成易识别出错的问题,分析了车牌可能存在的倾斜角度,根据三维空间形变的特点,使用透视变换方法矫正车牌,通过实验验证,矫正算法对综合类型的蓝牌图片能提高4.6%的序列识别准确度。最后,本文整合车牌检测、车牌矫正和车牌识别三种算法,实现完整的车牌识别流程,通过验证整个系统算法的工作流程,证明了其在街道场景识别任务的可行性。