摘 要

本文的主要内容有两条，第一是针对深度学习的研究与卷积神经网络的研究，第二是针对车牌识别系统本身的主要流程的研究。

车牌识别系统是现代智能识别的主要成果之一，若广泛用于日常生活中（如停车场、道路路口等）能极大的提高工作效率，降低人力成本。但传统的人工神经网络在车牌识别的速度及准确性上略有不足，而卷积神经网络则能较好的解决此类问题，因此本文的研究具有实用性与价值型。

文章主要研究了深度学习的相关问题，主要是深度学习的特征提取，以及如何选择适用于车牌识别的卷积神经网络。通过借鉴较为成功的手写识别系统，采用成熟的LeNet-5网络，并对LeNet-5网络进行改进使其适用于车牌识别系统，从而保证车牌识别系统的简单高效易推广。而对网络的主要改进方向有以下两方面，第一对网络本身的修改即网络层数、输出层的神经元数，第二对输入层数据的归一化以确保样本图片的标准和易处理。

最后对于优化后的车牌识别系统而言，后续优化方向在于前半段程序的图片处理，在保证图片不影响后续识别过程的基础上，提高预处理之后的图片质量，更利于车牌字符的识别。

关键词：深度学习、图像处理、定位处理、分割字符、LeNet-5

Abstract

There are two main contents in this paper. The first is the research of deep learning and the research of convolutional neural network, and the second is the research of the main process of the LPR system.

License plate recognition system is one of the main achievements of modern intelligent identification. If it is widely used in daily life (such as parking lot, road junction, etc.), it can greatly improve work efficiency and reduce labor cost. But the speed and accuracy of the traditional artificial neural network is slightly insufficient, and the convolution neural network can better solve such problems. Therefore, the research in this paper is practical and valuable.

This paper discusses the related problems of depth learning, mainly the feature extraction of deep learning, and how to select the convolution neural network suitable for license plate recognition. Handwriting recognition system by referring to the successful, using the mature LeNet-5 network, and to improve the LeNet-5 network which is suitable for the license plate recognition system, so as to ensure the license plate recognition system is simple and efficient and easy to popularize. The main improvement of the network in the direction of the following two aspects, the number of neurons in the network itself is the first to modify the network layer, the output layer to the input layer, second data normalized to ensure the sample picture of the standard and easy processing.

Finally the license plate recognition system after optimization, the subsequent optimization direction lies in image processing during the first half of the program, while ensuring the picture does not affect the subsequent identification process, improve the image quality after pretreatment, more conducive to the recognition of license plate character.

Key Words：Depth learning, image processing, positioning processing, segmentation of characters, LeNet-5

目录

第1章 绪论 1

1.1基于深度学习的车牌识别的研究与应用的现状 1

第2章 深度学习 3

2.1深度学习与浅层学习 3

2.2深度学习的基本思想 3

2.3 卷积神经网络 4

2.3.1卷积神经网络的特性 5

2.3.2 CNN的训练步骤 6

第3章 车牌图像处理 8

3.1车牌定位 8

3.1.1灰度化 9

3.1.2去噪 9

3.1.3边缘检测 10

3.2车牌字符分割 11

第4章 车牌字符识别 12

4.1预处理 13

4.2卷积神经网络分类识别 13

4.3字符识别的流程 14

第5章 实验过程与结果分析 15

第6章 总结 18

参考文献 19

致 谢 21

第1章 绪论

我国是人口大国，随着经济的飞速发展，车辆数也增长迅速，致使这些年来车辆拥堵的情况在各大城市屡见不鲜，车辆事故也时有发生，那么车牌识别的重要性与日俱增，其实我国现阶段的道路交通系统中就包含着车牌识别系统，甚至于部分小区及停车场也有车牌录入及车牌识别的系统。车牌识别的系统是在图像处理的基础上通过python编程在caffe环境下，对处理之后的字符图片进行字符识别的过程，因此车牌图像处理、车牌字符分割、车牌字符识别等三部分可以说是相互紧密结合的也可以说是彼此独立的，每一部分都是一个单独的程序，每一个程序运行出来也是为了下一个步骤的进行，所以本文的研究重点就是对于车牌识别的整体认知与分析。

1.1基于深度学习的车牌识别的研究与应用的现状