车牌识别技术作为智能交通系统的重要组成部分,能够为智能交通提供高效、实用的管理办法。车牌识别在智能交通系统中起着非常关键的作用,车牌识别算法除了用于收费站系统以外,近些年还用于城市交通各种场景的智能监控。此外,除了固定视角图片,还有许多车牌图像拍摄于无人机和手机等便携相机,这类型图像通常质量不高,容易造成模糊等问题。这意味着算法面临更加复杂的自然场景,算法不但需要具有良好的鲁棒性,还需要达到实时检测的要求。因此,研究自然场景下的高效的车牌检测算法具有很高的应用价值。本文从自然场景下考虑,研究非理想场景下的高效的车牌检测算法,针对拍摄环境复杂、拍摄角度多变和检测效率低下等目前车牌检测技术中的问题,结合深度学习算法展开研究,主要有以下几点创新工作:(1)为解决车牌数据不平衡和生成车牌不真实的问题,研究了基于生成对抗网络的车牌生成算法。利用Cycle GAN将人工合成的车牌数据变换到真实的数据域,一定程度缓解了生成车牌与真实车牌分布差异的问题。通过使用Cycle GAN转换大量人工合成的车牌数据,一定程度解决了基于深度卷积网络训练过程中数据量不平衡的情况,为车牌字符识别算法带来了很大的性能提升。(2)研究了基于STN(Spatial Transformer Networks)改进的高效车牌检测算法。利用空间变换网络保持空间不变性和训练无需额外监督信息的特性,通过对车牌识别网络的检测部分添加STN模块,可以帮助网络隐式地学习旋转不变性且无需额外监督信息,STN模块极少的参数量也可以使网络保持高效性。经过实验比较,添加该模块后可以有效提升旋转倾斜车牌图像的识别准确率,提升网络对带有倾角图像识别的鲁棒性。(3)研究了无约束场景下的高效车牌检测算法。通过结合Anchor-Based和Anchor-Free的优点构建一个端到端的高效车牌检测网络,网络包含一个车辆检测模块、一个注意力模块和一个车牌检测模块。使用YOLOv3作为车辆检测的基础网络,并利用共享特征减少计算量,通过局部特征来检测车牌的关键点位置。此外,通过注意力模块增强局部区域的语义特征,帮助检测模块减少无关区域的干扰从而提高检测能力,最终得到一个高性能的实时检测网络。