本团队作品为基于深度学习的复杂场景下车辆识别系统,首先利用开源图形化视觉处理系统OpenCV和数据分析处理库Numpy对车牌进行图像预处理,包括颜色变化、角度调整、车牌定位和检测等;基于预处理后的数据,采用基于深度学习的神经网络框架Tensorflow对车牌字符进行学习训练,从而实现对车牌的快速精准识别。在具体实现过程中,该系统首先对车牌所在位置进行定位锁定,然后对锁定后的车牌图像进行切割,随后将车牌背景和文字通过像素点移位算法由彩色变为黑白色,最后完成字符的切割与识别,得到所要识别的车牌数据。
该系统利用深度学习,直接对已经获取的车辆图片进行统一的、全面的处理和分析,不过度依赖于传统的字符分割,避免了传统算法反应时间过长、识别的字符出现误差等结果,不浪费和流失图像资源。试验结果表明,基于深度学习的车辆识别系统不仅能够对不同日照环境下、污损车牌、倾斜角度车牌、远近不一车牌等多种复杂场景下得车牌进行识别,而且车辆识别的准确率比传统算法更高。可以预见的是,更为精准的识别效果将大大拓宽车辆识别的应用场景,大大缩短反应时间,提高了交通的车辆识别水平和管理水平。