随着中国车辆数目的爆炸性增长,如何获取车牌信息成为交通管理的重要课题。因此,找出一种自适应性强且检测精度高的算法是车牌检测算法的重要改进方向。虽然传统车牌检测已经取得比较好的检测效果并投入了实际应用,但是,根据项目的实际需求,传统的检测方法效果不佳,检测速度难以满足实际要求,而且检测算法开发难度大,开发时间长。而使用深度学习模型能很好解决车牌检测这一问题,同时满足检测精度和速度的要求。论文从传统车牌检测算法入手,采了深度学习算法架构中的SSD模型来对车牌进行检测。实验结果表明,论文提出的基于深度学习的车牌检测算法自适应性强,具有出色的噪声鲁棒性和检测精度,在实际应用中表现出了良好的性能。论文主要的创新点和主要工作在于:●设计了基于深度学习SSD模型的车牌检测系统。针对车牌定位这一最大难点,不再按照传统方法的思路,而是利用深度学习的模型SSD,设计了二次利用SSD模型的车牌检测系统,先利用定位模型进行车牌定位,再利用字符检测模型对车牌区域进行字符检测,使之更好地适应实际场景的需求,在保证准确性的前提下,提高了运算速度。●改进并完善了车牌字符检测模块。针对字符识别率低、相似字符易混淆的问题,加入了深度学习的方法,引入了目前广泛应用的分类识别任务的卷积神经网络的方法,并针对三类字符:汉字、字母和数字,根据其结构特征的差异,修改了网络结构的参数,并改变了卷积层的结构和数量。在大样本数据集的前提下,最大限度地降低了误检率,也避免了传统方法的包括字符倾斜校正和分割等繁琐步骤,提高识别效率,提升分类鲁棒性。●完成模型训练和检测所需要的数据的构建工作。对实验中遇到的问题,再构建数据集的时候面临罕见汉字的问题,提出了四种解决方案并加以应用,在有限的数据集中最大幅度扩充了训练样本,进行了增广,提高了车牌字符检测中罕见汉字的检测效果。●针对车牌模糊问题,从训练集和模型参数两方面入手,提出了解决方案,并获得一定的检测效果,较之前有比较大的提升。