文献综述（或调研报告）：
车牌识别已经是一个成熟的研究问题，国内外都有不少学者发表了他们的研究成果，从早期的运用传统方法进行车牌识别到近期用机器学习等新方法用于车牌识别，可以说，车牌识别领域是百家争鸣，各有所长。本文在对这些成果进行系统总结的基础上，简要评析了总体研究现状，并指出当前亟待进行深入研究的问题，以期为该领域的进一步研究提供参考。
江志荣从系统角度阐述了车牌识别技术在高速公路中的应用[1]。他提出，目前采用的车牌识别模式主要有4种，分别为：视频识别模式、地感线圈识别模式、发卡触发识别模式以及雷达识别模式。通过不同模式的抓拍方式优缺点比较发现，为便于施工与维护，较多厂商会选择适合用户体验及施工便捷的视频识别模式。最近Asif等人提出了一种简单而有效的中文车牌识别的颜色检测方法，该方法可以在各种天气和光照条件下进行检测[2]。实验结果表明，该方法的准确率为93.86%，每张图像的平均处理时间为0.33 s。陈俊等提出了一种基于最大稳定极限区域的车牌定位算法[3]，并指出目前常用的车牌定位方法主要受环境尤其是光照影响较大，利用最大稳定极值区域特征特有的仿射不变性和对光照的适应性，能有效解决环境干扰问题，显著提高车牌定位准确率。他们对图像提取MSER后，根据车牌字符区域稳定的几何特征和排列规则，将满足条件的相邻字符区域组成最近邻对，进一步剔除噪声区域。然后将所提取的最近邻对进行合并即可以得到所有可能的车牌区域。肖意等提出了一种基于最大稳定极值区域(MSER)的车牌定位与字符分割算法[4]。他们首先对图像进行预处理并提取MSER，根据MSER间的几何关系将相邻的MSER聚类在一起作为一个车牌候选区域，再利用机器学习及标准车牌的特点对每个候选区域进行分析，定位出车牌。然后将车牌区域根据字符个数及MSER间关系划分为不同等级，并对不同等级的车牌采用不同的分割算法。实验数据表明，他们提出的方法车牌定位的准确率是99.07%，字符分割的准确率为97.9%。白璐等发表了一个基于深度学习的车牌识别技术研究[5]，并指出传统的识别方法如统计模式法，虽然算法成熟，但是涉及到整体效果时却难以表达出来。他们采用边缘检测检测的方法定位车牌区域，利用垂直投影法分割字符，最后使用卷积神经网络（CNN）完成字符识别。对比传统的神经网络，他们经过优化后的网络结构在识别率方面有较大提升。曹正凤等提出了一种基于深度学习的端到端车牌检测识别系统[6]，整个深度学习模型可以进行端到端训练。对比现有的车牌检测和识别算法，他们提出的深度学习模型，通过一个神经网络模型，可以联合解决车牌的检测和识别这两个子任务，通过端到端的学习，不仅可以避免误差的累积，而且可以进一步加速神经网络的收敛，提高神经网络的泛化性。在中文的车辆图片数据集中，他们提出的端到端的深度学习模型的车牌检测和无分割识别准确率达到了95.4%。Ying Wen等人提出了一种改进的图像倾斜校正和灰度增强技术，将改进的Bernsen算法与高斯滤波相结合检测中文车牌字符，并使用阴影SVM分类器识别车牌字符[7]。实验表明，正确的定位和分割率分别为97.16和98.34%，数字、假名和地址识别性能分别达到99.5%、98.6%和97.8%。在[8]中，提出了一种基于特征极值区域和混合判别限制性玻尔兹曼机的车牌识别方法。该方法对24小时或1天的光照变化和天气条件具有较强的鲁棒性。王艳等人为了降低拍摄距离、光照等对车牌识别的影响，提高复杂背景下车牌识别准确率，提出了一种基于最大极值稳定区域( maximally stable extremal regions，MSER) 和笔画宽度变换( stroke width transform，SWT) 的新型车牌检测识别方法[9]。该方法首先进行MSER提取和Canny 边缘检测，并根据车牌字符特征对二者相与运算后的MSER筛选;然后在筛选后的区域内做基于形态学处理的SWT和SW筛选，聚合筛选后区域，结合车牌几何特征完成车牌精定位;最后校正分割定位成功区域内连通域，提取骨架并归一化，与细化和归一化后的模板匹配。利用 HU 不变矩和网格特征 识别首字符汉字，采用扫描跳跃点统计编码识别数字和字母。实验结果表明:该方法定位准确率高达94.86%，识别准确率达96.14%。该方法对远距离、变光照获取的复杂背景下，车牌检测识别具有较高的准确率和鲁棒性。
上述研究具有深刻的见解和重要的意义。目前采用的四种车牌识别模式：视频识别模式、地感线圈识别模式、发卡触发识别模式以及雷达识别模式，本项目根据他们的优劣性，选择了视频识别模式来进行车牌识别。传统的车牌识别算法缺乏对环境尤其是光照的适应性，在上述几篇论文中也有阐述，基于此，本项目会使用最大稳定极值区域（MSER）来进行车牌区域定位。深度学习目前已广泛应用于车牌识别领域，并取得了不俗的效果，不论是用深度学习模型判断疑似车牌区域，或是用于车牌字符识别，均有较高的准确率。因此，本项目结合以上文献资料，决定采用MSER 深度学习或机器学习的方式完成车牌识别。
参考文献：
[1]江志荣.车牌识别技术在高速公路中的应用[J].中国交通信息化，2018(10)：92—95
[2]Asif, M.R., Chun, Q., Hussain, S., et al. Multiple license plate detection for Chinese vehicles in dense traffic scenarios[J]. IEEE Trans. Intell. Transp. Syst., 2016,10(8):535-544
[3]陈俊，何小海，滕奇志.基于最大稳定极限区域的车牌定位[J].科学技术与工程，2015,15(31):212-216
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。
