車(chē)牌識(shí)別是一種利用計(jì)算機(jī)視覺(jué)和圖像處理技術(shù)來(lái)自動(dòng)識(shí)別信息的技術(shù)。它通常包括圖像預(yù)處理、車(chē)牌定位、字符分割以及字符識(shí)別等步驟，終目的是提取出車(chē)輛的標(biāo)識(shí)——即車(chē)牌號(hào)碼和相關(guān)文字信息（如省份簡(jiǎn)稱(chēng)）。 在實(shí)際應(yīng)用中，由于拍攝條件的不確定性以及復(fù)雜多變的背景環(huán)境干擾等因素的存在導(dǎo)致采集到的圖像質(zhì)量千差萬(wàn)別；再加上漢字書(shū)寫(xiě)的特殊性使得基于模板匹配的傳統(tǒng)方法難以勝任漢字的準(zhǔn)確快速匹配問(wèn)題從而直接影響了整個(gè)系統(tǒng)的性能表現(xiàn)與實(shí)時(shí)性要求 。因此如何針對(duì)具體問(wèn)題設(shè)計(jì)一個(gè)既又準(zhǔn)確的算法成為解決這一問(wèn)題的關(guān)鍵所在 。目前常見(jiàn)的解決方案主要有兩種：一種是采用傳統(tǒng)的機(jī)器學(xué)習(xí)算法來(lái)實(shí)現(xiàn)對(duì)車(chē)牌的識(shí)別和分類(lèi) ；另一種則是借助深度學(xué)習(xí)的方法來(lái)完成更為復(fù)雜的任務(wù)處理過(guò)程 ，例如卷積神經(jīng)網(wǎng)絡(luò)(CNN)就被廣泛應(yīng)用于此領(lǐng)域并取得了良好的效果反饋 [2]^。隨著技術(shù)的不斷進(jìn)步和發(fā)展趨勢(shì)來(lái)看未來(lái)可能會(huì)有更多創(chuàng)新性的方法和手段被應(yīng)用到該項(xiàng)工作中去以滿(mǎn)足日益增長(zhǎng)的需求與挑戰(zhàn)[3]^ .