车牌是车辆重要特征,车牌识别是稽查黑车、打击逃费等交通管控的重要手段。尽管车牌视频识别早有许多算法,然而实际应用场景中,光线干扰、车辆运动、拍摄角度、目标较小等条件时,车牌识别的准确率、实时性,目前并不满足实际要求,如收费车道的车牌识别场景。为此,论文依托“基于深度学习的收费车道车辆特征识别系统及应用研究”等省级科技项目,展开了对车牌视频识别算法的研究,仍然具有重要的理论意义和实际应用价值。论文以车牌识别的国内外现状为背景,以机器学习、后续的深度学习机理解析为基础,以收费站等实际应用为导向,分别以机器学习和深度学习车牌识别的算法两条线,开展了一系列的研究工作。机器学习识别的算法研究中,论文解析了他人算法结构原理,分析了车牌区域定位、车牌照字符分割和车牌字符识别等过程中影响准确度的问题;给出了总体设计方案;为了提升车牌识别的识别率和适用性,增添了车牌照区域校正模块。论文还对于机器学习车牌识别存在的不足,给出了相应的解决方法,具体有:车牌照区域检测存在漏检的问题,论文给出了车牌照多特性结合以避免漏检的发生;定位出的车牌照存在倾斜和不完整的现象,因此论文给机器学习车牌识别增加了车牌照区域校正模块,并给出了详细的车牌照区域校正算法;垂直投影法无法分割非连通域字符的问题,论文给出了一种自适应垂直投影法,其能很好的分割出汉字。在深度学习识别的算法研究中,对于数据集准备模块,提出了一种能自动生成增广数据标定信息的数据增广方法,在解决了数据集的同时,也解决了数据标定;对于车牌识别模块,分析了 RCNN系列的目标检测算法;对于小目标车牌字符的识别,提出了深度网络模型SSD的优化算法。论文还针对于深度学习车牌识别存在的问题,也给出了相应的解决办法,具体有:采集到的数据集往往存在数据不足和数据类别分布不均衡的问题,论文提出了一种数据增广的方法,该方法同时能生成相应增补数据的标定信息,从而无需进行繁重的增补图像标定工作;针对于SSD算法检测小目标差的问题,论文对SSD算法网络结构进行了改进,从而使得其能够检测识别小目标车牌字符,并且其检测精度达到了 97.21%。经两种算法的实际场景的视频识别检测:深度学习车牌识别算法除了需要GPU加速的附加条件外,在检测速度和识别率方面均优于机器学习车牌识别算法。论文的主要创新点和特点在于:●针对于机器学习车牌识别率不高的问题,给出了车牌照区域校正和车牌照去边框算法,从而提高了车牌识别准确率;●针对于深度学习数据集不足和数据类别分布不均衡的问题,提出了一种数据增广方法,解决了图像数据集不足和增补图像标定的问题;●针对于深度学习SSD算法检测小目标差的问题,改进了 SSD算法,解决了其检测识别小目标差的问题。