目录
第一章 绪论 1
1.1 研究背景… 1
1.2 研究现状… 2
1.3 论文结构… 3
第二章 车牌识别相关算法 5
2.1 深度学习概述… 5
2.1.1 神经网络与深度学习基本概念 … 5
2.1.2 卷积神经网络 … 6
2.1.3 残差神经网络 … 7
2.2 车牌检测深度网络 WPOD-NET … 7
2.2.1 算法概述 … 7
2.2.2 网络结构设计 … 8
2.2.3 损失函数设计 … 9
2.3 车牌识别深度网络 OCRNet … 10
2.3.1 算法概述 … 10
2.3.2 网络结构设计 … 10
2.3.3 损失函数设计 … 11
第三章 基于 OpenCV 的车牌识别模型 12
3.1 整体方案… 12
3.3 车牌识别模型… 13
3.4 实验与分析对比… 14
3.4.1 实验环境 … 14
3.4.2 实验参数设置 … 14
3.4.3 中国城市停车数据集 CCPD2019 上实验结果与分析… 15
第四章 车牌识别系统的分析与设计 17
4.1 可行性分析… 17
4.1.1 经济可行性分析 … 17
4.1.2 技术可行性分析 … 17
4.1.3 法律可行性分析 … 17
4.1.4 环境可行性分析 … 18
4.2 软件相关技术… 18
4.2.1 Python 与 Tkinter… 18
4.2.2 计算机视觉库 OpenCV… 18
4.2.3 机器学习库 PyTroch… 19
4.2.4 科学计算库 Numpy… 20
4.2.5 深度学习框架 YOLO… 20
4.3 软件设计目标… 21
4.4 软件功能需求分析… 21
4.4.1 车牌检测模块 … 22
4.4.2 车牌识别模块 … 22
4.4.3 基于车牌识别的停车场仿真系统模块 … 23
4.4 软件总体设计… 24
4.5 软件功能流程图… 26
第五章 车牌识别系统软件实现 27
5.1 车牌检测算法实现… 27
5.1.1 车牌检测网络实现 … 27
5.1.2 数据集的选择与训练 … 27
5.2 车牌识别算法实现… 30
5.2.1 车牌识别网络实现 … 30
5.2.2 数据集的选择与训练 … 30
5.3 软件开发环境… 31
5.4 停车场仿真模块实现… 32
5.4.1 登录界面 … 32
5.4.2 普通用户界面 … 33
5.4.3 管理员用户界面 … 35
结论 38
致谢 39
参考文献： 40
第三章 基于 OpenCV 的车牌识别模型

本系统是基于 WPOD-NET 深度网络[4]和 OCRNet 深度网络[17]两个深度学习模型实现的车牌识别系统。在第二章中介绍了深度学习、卷积神经网络、残差神经网络等技术的相关概念以及 WPOD-NET 与 OCRNet 的网络架构、损失函数等。本章将对车牌识别系统各功能模块方案以及 OpenCV 调用 YOLO 的具体流程进行介绍。
3.1整体方案
首先，将采集到的图像进行包括灰度化、二值化和增强等预处理，再将处理后的车牌图像传递到 WPOD-NET 深度网络[4]模型进行车牌检测定位。最后经过定位后的车牌图像进行第二次图像预处理后输入到 OCRNet 深度[17]网络进行车牌字符识别。
车牌检测采用 WPOD-NET 深度网络模型。该模型是一种广泛应用于图像分割领域的卷积神经网络，可以快速准确地检测图像中的物体。使用 OCRNet 深度网络模型对检测到的车牌中的字符进行识别。OCRNet 深度网络模型是一种基于卷积神经网络的字符识别模型，可以准确识别车牌中的字符。
3.2车牌检测模型
首先，收集大量车牌图像，并对这些数据进行标记。标记的方式包括标注车牌的位置和大小，以及对车牌标签进行分类。接着，使用 OpenCV 调用 YOLO 深度学习框架搭建 WPOD-NET 深度网络模型[4]。WPOD-NET 可以通过卷积、池化等操作对车牌进行合理的提取和定位。将标记好的车牌图像数据集输入到 WP OD-NET 模型中进行训练。通过反向传播算法来更新模型的参数，以降低误差。训练时需要注意过拟合问题的出现。