摘要：针对雾霾天气下车牌识别存在的精确度低、漏检等问题,提出了一种基于深度学习的雾霾天气下的车牌号码识别方法。首先用AOD-Net算法对车辆图像进行去雾预处理。然后,基于YOLOv5网络设计一种车牌检测网络ACG_YOLOv5s。ACG_YOLOv5s是在YOLOv5s网络的基础上,融入CBAM注意力机制,提高模型的抗干扰能力;引入自适应特征融合网络ASFF,根据模型自适应学习到的权重赋予网络不同特征层不同比重的权值,从而突出重要特征信息;使用Ghost卷积模块替换传统卷积,在保证模型效果的同时减少了网络训练过程中的参数量。最后通过LPRNet对检测到的车牌图像进行识别。实验结果表明,改进后的ACG_YOLOv5s网络车牌检测准确率达到99.6%,LPRNet识别准确率达96%且内存占比小。实验证明AOD-Net算法和YOLO算法结合可更加有效地检测雾霾天气下车牌图像中的车牌号码。

摘要：由于应用场景的复杂性,从车牌图像中通过定位和分割技术得到的车牌字符通常存在倾斜、扭曲、光照条件差、像素分辨率低等情况,导致在实际应用中,传统车牌字符识别方法存在诸多不足与困难。将深度学习运用到车牌字符识别技术中,通过大量样本训练,让深度卷积神经网络(CNN)学习车牌字符的图像特征,进而自动识别出其中的车牌字符。由于深度学习模型具有很强的学习能力,可克服实际应用中诸多困难,从而提高车牌字符的识别率。

摘要：车牌识别是一项以数字图像处理、计算机视觉、模式识别、人工智能等多门学科为基础,对摄像机所拍摄的车辆图像进行分析,得到每辆汽车唯一的车牌号码的技术,是现代智能交通系统中的重要组成部分之一,应用十分广泛。本文设计了一种车牌识别系统,此系统是在利用MATLAB图像处理技术与模式识别中的模板匹配法识别出车牌号码。此车牌识别系统经多组实验测试,能识别出一般车辆的车牌号码。