孙世昕，马 蕾，李千目，张伟斌

（1. 南京理工大学电子工程与光电技术学院，江苏南京 210094；2. 南京理工大学公共事务学院，江苏南京 210094；3. 南京理工大学计算机科学与工程学院，江苏 南京 210094）

引 言

现阶段车牌检测与识别技术（LPR）已广泛应用于车辆管理、电子收费等领域，目前存在红外检测、埋地线圈检测、雷达检测、图像检测等多种实现方式［1-2］。其中，基于图像的检测技术可以避免破坏路面，不必附加外部检测设备，具备低成本、便捷的优势，因此也是当下研究的热点。得利于卷积神经网络的快速发展，基于深度学习的图像检测算法在特定场景下已经取得可观的识别精度，并产生了一批具有应用价值的识别算法。

现有算法的性能易受识别光照质量的影响［3-4］，导致在暗光或者夜间场景下难以准确定位。在部分商业体停车库出口，容易发生因无法检测车牌导致车辆通行缓慢，造成拥塞，极大影响消费者的停车体验，给商城经济效益带来负面影响；而在一些居民区，更是因为夜间无法有效识别车辆身份，对业主日常出行和小区安全都带来极大不便。

为克服光照不足对检测精度的影响，本文通过分析现有模型的识别步骤，引入新的数据增强手段，并对网络结构进行优化，减少网络冗余层数，最终提出了一个具有较强光照鲁棒性的深度学习LPR 系统。该算法有效减少了车牌识别技术在暗光场景下对外界灯光的依赖，并明显提升了识别速度，同时降低了对硬件的性能需求。……