马巧梅，王明俊，梁昊然

1.中北大学 软件学院，太原 030051

2.山西省军民融合软件技术工程研究中心，太原 030051

随着交通基础设施建设的不断完善，车辆不断的增多，车辆管理压力也逐渐增大，而车牌定位检测成为了智能交通很重要的一部分。由于现有的车牌定位大多都是在特定场景下，而在复杂场景仍然存在诸多局限。国内外车牌检测的方法主要有两种：一种是基于先验信息的传统车牌检测方法；另一种是基于深度学习的车牌检测方法。传统的车牌检测主要利用车牌的特征、纹理和颜色来进行定位[1-2]，其主要问题是没有针对性、时间复杂度高、窗口冗余和鲁棒性较差。基于深度学习的方法因无需特征工程，适应性强等特点得到了较为广泛的应用域。目前通过深度学习来解决目标检测的方法主要有两种，分别是以RCNN为代表的两阶段（two-stage）模型，比如RCNN[3]、SPP-NET[4]、Fast R-CNN[5]、Faster R-CNN[6]等，另一种是以YOLO[7-9]系列和SSD[10]为代表的单阶段（one-stage）模型检测算法，其仅仅使用一个CNN网络直接预测不同目标的类别与位置。

当前国内外针对目标检测算法最新的研究来看，王兵等[11]利用改进后的YOLOv3 算法在检测安全帽方面得到优化；李东洁等[12]在动态手势跟踪领域有了新的进展；孔方方等[13]利用YOLOv3在全景交通目标检测有了新的提升。在车牌定位检测方面，Wang[14]利用LPR-Net对车牌进行定位检测，实现了复杂环境下的高精度检测；Jamtsho等[15]提出基于YOLO算法的车牌实时定位，提高了检测精度；赵伟等[16]提出复杂环境下车牌定位的检测方法，对有遮挡及干扰物的车牌可以实现高效、高精确度的定位识别；……