6、车辆车牌分割分类及服务器性能分析方法研究

车辆车牌分割分类及服务器性能分析方法研究

1. 车牌识别相关研究

在车牌识别领域，已有众多相关研究。一些研究提出了用于实时识别车牌的模型，这些模型专门用于处理摄像头拍摄的视频。例如，有研究使用CNN算法识别车牌号码，在包含5500个车牌的数据集上，准确率达到了91.38%。还有研究建议利用模糊几何来查找车牌，之后使用模糊C均值进行车牌分割，通过斑点标记和聚类，该分割方法的分割准确率达到了94.24%。Bulan等人的技术包括两个处理步骤：首先使用弱稀疏的筛选分类器网络提取候选区域集合，然后使用CNN进行筛选，在自动化率为80%的情况下，准确率超过97%，但每张图像平均需要2秒处理时间。Laroca等人创建了一个五网络方法，先使用两个CNN网络分割车牌字符，再使用两个CNN网络区分字母和数字，该方法系统要求较高，但准确率可达93.53%。

不过，Alexnet算法存在缺点，它需要大量数据才能有效训练，因此在训练数据集较小或变化不足的任务中可能表现不佳。目前，可能的研究方向包括创建更可靠、高效的算法以在困难情况下识别车牌，提高现有算法的有效性，以及探索深度学习等新技术的应用以提升性能。

2. 提出的车牌识别方法

2.1 Inception算法

Inception算法是一种卷积神经网络（CNN）架构，由Christian Szegedy等人在研究“Going Deeper with Convolutions”中提出。Inception架构的主要创新点是利用专门设计的Inception模块在单个网络内进行多尺度处理。Inception模块由一系列不同滤波器大小的池化层和卷积层并行运行组成，这使得网络能够学习不同尺度的特征。并行层的连接输出作