基于卷积神经网络的智能车牌识别研究

史敏红，李树文，杨 志

（山西工程职业学院，山西 太原 030032）

卷积神经网络的起源是生物学原理。20世纪60年代，生物学家HUBEL和WIESEL[1]发现了猫的神经系统组织原理。猫的视觉皮层细胞从视网膜获取视觉信息，完成信息转换。日本学者基于此提出了卷积神经网络基础模型，由此开启了卷积神经网络（Convolutional Neural Networks，CNN）的研究[2]。后来，各国计算机研究人员开始对CNN模型进行研究，经典的卷积神经网络模型有GoogLeNet、AlexNet及VGGNet。李英等[3]将GoogLeNet模型应用于遥感图像的识别分类中，解决了在复杂的图像背景干扰下，传统图像处理的分类算法识别效率低下的问题。张素智等[4]将AlexNet网络进行改进，在算法的损失函数中加入了正则项，降低了特征信息的拟合曲线抖动的幅度，最终提高了破损轮胎图像的训练准确率，同时提高了破损轮胎的识别效率。

0 引 言

在城市化进程的发展过程中，人们出行时越来越倾向于选择私家车，智能化交通管理成为未来发展的大方向。作为智能化交通管理体系的重要核心，智能车牌识别被广泛地应用于居民小区、大型商场及大部分公共场所。随着人工智能的发展，图像识别已经覆盖了人类社会的多个领域，包括医学、智能制造、农业等。传统的图像识别主要是基于像素级的，需要对图像进行预处理，这会影响图像识别的整体速率。鉴于卷积神经网络在图像识别方面的优良性能，近年来，将卷积神经网络应用于图像处理领域变得越来越广泛。卷积神经网络在进行图像融合时，不需要对图像进行前期的预处理，可以加快图像识别的进程。……