黄锦涛

摘 要 为提高深度学习技术在不同环境中的识别率，本文利用四种生成式对抗网络生成不同环境的数据，包括模糊和拍摄角度不理想等情形，最后采用卷积神经网络识别生成数据。实验表明：四种网络中循环生成对抗网络生成的数据效果最好，并且平均识别率达到85%，表明生成对抗网络模型生成的数据可以用于训练识别复杂环境下的深度模型，达到了扩充数据的目的。

关键词 生成式对抗网络;数据增强;车牌识别

前言

车牌识别技术已经在日常环境中的应用日益成熟，但是当天灾人祸来临国家抢险救灾时，需要在恶劣复杂的环境下识别救援车辆，根据救援内容对人员和车辆进行调度。所以快速识别车牌对于时间就是生命的救援现场有着重要意义。由于环境的复杂与恶劣性，传统的识别方法无法有效应用于救灾现场的车辆识别，所以如何实现复杂环境下的车牌识别成为一个亟待解决的问题。

传统车牌识别方法采用特征提取的方法，对图像先预处理后再经神经网络进行识别。Li提出了一种无须分割使用深度卷积神经网络和LSTM进行车牌识别的级联框架[1]。Gao运用深度神经网络用于特征提取[2]。为满足深度学习所需的复杂环境数据集，传统的扩充数据方法除了人工收集外，还有向原始图像中添加噪声、畸变和模糊处理，但是图像的生成质量却无法达到深度学习训练所需的要求，所以本文采用生成对抗网络扩充数据。……