文 献 综 述
1. 引言
车牌识别系统广泛应用于道路监控、自动收费、交通管理等场合，是智能交通的核心。通常，车牌识别包括三个步骤：车牌检测、字符分割和车牌字符识别。其中车牌检测，又称车牌定位，是影响系统性能的重要因素。车牌检测的主要任务是从一幅图像中判断并找出包含车辆牌照的区域[1~12] 。
根据检测时所使用的特征，传统的车牌检测方法可以分为：1）基于车牌区域边缘特征的定位方法；2）基于连通域分析的定位方法；3）基于纹理特征的定位方法；4）基于颜色特征的定位方法；5）基于字符特征的定位方法，以及6）基于两个或多个特征融合的定位方法。[1]
另一方面，利用机器学习的方法进行图像目标检测的系统，其性能原本已进入瓶颈期，近年来随着软硬件的发展，又重新迎来了增长期。接连发表的R-CNN（基于候选区域的卷积神经网络）[15]，Fast R-CNN[17]，以及Faster R-CNN方法[18]不断优化，运行速度越来越快，能达到的检测准确率也逐步提高。此外，最近提出的YOLO（You Only Look Once）方法[19]和SSD（Single Shot MultiBox Detector）方法[20]也在精度或速度方面具有更高的性能。同时，GPU等硬件的发展，Caffe等强大平台的开发，使得利用深度学习的方法进行目标检测与识别的技术也日趋成熟。
本文将按照各方法所使用的特征，选取典型的车牌定位方法简要介绍传统的车牌检测算法。并对于深度学习算法的发展做简要概述，介绍其中具有代表性的R-CNN系列方法及其相关算法。
2. 传统的车牌检测方法
2.1基于车牌区域边缘特征的定位方法
基于车牌区域边缘特征的定位方法利用边缘检测算子获取车牌边缘，利用事先已知的宽高比对检测到的矩形框边缘进行筛选，得到的结果即为车牌可能出现的区域。
文献[4]实现了针对摩托车车牌的检测系统，实验结果是：对于路边拍摄和检测拍摄的测试图片识别率分别为95.7%和93.9%。而整个系统在个人电脑上识别单个车牌需要的时间仅为293ms。可见，基于边缘特征的方法简便快捷，但是该方法的准确性依赖于边缘的连续性。[5]
2.2基于连通域分析的定位方法
文献[6]对低分辨率的视频使用了连通区域分析方法，同样根据车牌的空间参数，如面积、宽高比等，确定可能区域。该系统的正确率达到了96.62%，误报率为1.77%。
文献[7]中对二值化后的图像应用轮廓检测算法，再根据几何尺寸进行匹配。但是该系统对于图像质量有一定的要求，否则轮廓变形会较为严重。整体准确率仅为85%。
2.3基于纹理特征的定位方法
此类方法的原理依赖于车牌中的字符和车牌颜色之间存在的跳变，利用纹理检测的滤波器可以观测到跳变处出现相应的波峰。Kahraman F 等人[8]利用特定角度的Gabor变换可以实现98%的准确率，但算法十分耗时。Hitesh Rajput 等人[9]利用小波变换后的子带能量谱分别在水平和竖直方向定位车牌，并用相同的方法完成字符分割，可以达到97.6%的检测成功率，辅以模版匹配的算法后整体的识别率达到96.4%。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
