作为智能交通系统的关键技术之一,近年来的车牌识别系统发展迅速,成果颇丰。尤其是新的深度学习方法的不断涌现,推动了车牌识别算法的更迭。深度学习具有很强的泛化与自适应能力,基于深度学习的车牌识别算法能在图像模糊,光照不均,车牌倾斜等复杂条件下完成识别,但是其巨大的计算量与缓慢的识别效率难以将算法部署至设备前端。如果削减深度学习模型的网络结构能降低其计算量,但同时也会降低车牌特征的识别准确率。基于深度学习的车牌识别算法难以在精度与速度上两全其美。通用目标检测方法注重类别宽泛的自然目标,而车牌检测仅需要区分易识别的车牌前景与背景;车牌的形状狭长,而深层特征图像素点的感受野方正;车牌字符识别的候选区域多用水平矩形框,而用水平矩形框去截取图像中心的车牌时又容易掺杂多余的背景信息。这些冗余计算都让车牌识别算法有了提速的空间。为此,本文针对车牌识别算法的实现速度进行了深入研究,主要工作如下:(1)研究了车牌检测算法的实时性。针对车牌检测模块,展开了模型复杂度的分析研究。其中一方面推算了深度学习模型的计算量与参数量,研究了卷积神经网络结构层的时效规律;另一方面针对特定的车牌目标,进行了形状特征的研究,选用改进的五维向量表达车牌形状,并以感受野为切入点,提供了速度优化思路。(2)设计并实现了端到端的实时车牌识别算法。以车牌图像为特定目标,利用分离后的车牌小区域特征,用更少层级的主干网络完成车牌检测,并将其命名为分离车牌检测网络。设计了分离车牌网络配套的方法,完成了分离特征的检测,重组,成形,筛选等功能。研究出一套具有轻量网络结构,快速检测识别速度,灵活检测性能的端到端实时车牌识别算法。去除部分冗余计算后,本文提出的端到端学习的车牌识别算法满足实时性的要求,并在与主流算法的识别准确率无明显差距的情况下,有效地提升了车牌识别算法的实现速度。