1.一种基于Caffe框架的深度学习车牌字符识别方法，其特征在于，包括分类器训练以及字符识别两个过程，其中，分类器训练的具体步骤如下：

步骤1，对大量的样本车牌图像进行车牌定位、车牌校正、二值化处理和字符分割的预处理，得到分割出的二值化字符图像集C_train，总共含有的样本个数为Nsam；

步骤2，字符处理：对字符图像集C_train中的各个字符图像进行中心化、切变校正以及归一化的处理，得到归一化后的字符图像集C_trainnor；

nor

步骤3，把字符图像集C_train 分成两个子集，分别为汉字图像集C1_train和数字及字母的非汉字图像集C2_train；

步骤4，建立两种基于Caffe架构的深度学习网络结构，其中，一种为汉字网络结构DL1，另一种为非汉字网络结构DL2；

步骤5，利用步骤4建立的网络结构训练分类器：把汉字图像集C1_train作为输入，代入汉字网络结构DL1，训练得到汉字分类器DLC1；把非汉字图像集C2_train作为输入，代入非汉字网络结构DL2，训练得到非汉字分类器DLC2；

字符识别的具体步骤如下：

步骤6，预先建立汉字索引表Tab1和非汉字索引表Tab2，然后对抓拍视频流中每帧图像定位的各个车牌图像进行步骤1的预处理，得到待识别各个车牌图像的字符样本集C，C＝{c1,c2,…cm,…cM}，其中cm为车牌中的第m个字符,1≤m≤M，M为单个车牌包含的字符总个数；

步骤7，对字符样本集C中的各个字符cm经由步骤2的处理，得到归一化后的车牌字符步骤8，对车牌各个字符 分别进行识别：根据字符所在位置进行字符类型判断，如果是第一个字符，即为汉字字符，否则为非汉字字符，把汉字字符代入汉字分类器DLC1，输出结果为汉字的类别索引 其中d＝0,

1,…,N1-1,m＝1，N1为汉字的类别数，查找对应的汉字索引表Tab1得到汉字的识别结果Rm,m＝1；把非汉字字符代入非汉字分类器DLC2，输出结果为非汉字的类别索引 其中d＝0,

1,…,N2-1,m＝2,3,…,M，N2为非汉字字符的类别数，查找非汉字索引表Tab2分别得到非汉字字符的识别结果Rm,m＝2,3,…,M，按顺序合并各个字符的识别结果，得到车牌的识别结果Rp,Rp＝URm，其中m＝1,2,…,M。

2.如权利要求1所述的一种基于Caffe框架的深度学习车牌字符识别方法，其特征在于，所述步骤2字符处理的具体步骤如下：步骤2.1，对字符集C_train中的每一个字符进行几何投影，分别得到其垂直投影宽度，计算投影宽度和字符标准宽度的差值，根据差值的取值对字符是否需要进行中心化处理进行判断，若需要，则进行中心化处理；若不需要，不做任何处理，最终得到字符图像集C_traincen；

步骤2.2，对C_traincen中的每个车牌字符进行投影宽度最小化的切变校正，得到切变校正后的字符图像集C_traincor；

步骤2.3，将切变校正后的字符图像集C_traincor中的字符按1：2的宽高比进行大小归一化，得到归一化的字符图像集C_trainnor，其中每个字符的大小为w×h。

3.如权利要求2所述的一种基于Caffe框架的深度学习车牌字符识别方法，其特征在于，所述步骤2.1中判断字符是否中心化以及中心化的处理方法按照以下步骤实施：①对对字符集C_train中的各个字符图像trainj进行垂直投影得到投影图像，其中j＝

1,2,3…Nsam，对投影图像按列进行统计，得到每一列的关键点个数，即值为255的像素点个数，记为Si,i＝1,2,…,wj，其中wj为字符trainj的宽度；

②从投影图像的最左端开始向中间移动，找到第一个不为0的Si，其列号i作为左边界值Bjl；同理，从投影图像的最右端开始向中间移动，找到第一个不为0的Si，其列号i作为右边界值Bjr；

③计算是否进行中心化的判断阈值Tj：

④若Tj＝0，则不需要中心化处理；否则进行中心化处理，即，若Tj>0，则把字符图像trainj中值为255的像素点向左平移Tj个单位；若Tj<0，则把字符图像trainj中值为255的像素点向右平移Tj个单位。

4.如权利要求3所述的一种基于Caffe框架的深度学习车牌字符识别方法，其特征在于，所述步骤2.2中对中心化后的字符图像集C_traincen进行切变校正的方法具体按照以下步骤实施：①设置初始值：角度变化范围为[θs,θe]，最小投影宽度wid＝WID_MIN，旋转角度初始值θ＝θs，最佳旋转角度初始值θba＝θ，角度增量②对字符图像集C_traincen中的字符样本 j＝1,2,3,…Nsam旋转θ角度，旋转后经由2.1中的步骤①、②处理，得到字符样本的左右边界值Bjl和Bjr，确定其投影的宽度值判断 是否小于wid，若是，则令 θjba＝θ；若不是，继续步骤③；

③令当前的旋转角度θ为步骤②中的旋转角度θ加角度增量Δθ，并对当前旋转角度θ值进行判断，若θ≤θe，则返回步骤②；若θ>θe，继续步骤④；

ba

④根据θ 取值确定图像 所在的外接四边形

⑤对四边形 进行逆透视变换，得到校正后的字符图像

其中Trans_Per(·)为逆透视变换函数。

5.如权利要求1所述的一种基于Caffe框架的深度学习车牌字符识别方法，其特征在于，所述步骤4的建立两种基于Caffe架构的深度学习网络结构具体按照以下步骤实施：步骤4.1，建立深度学习汉字网络结构DL1：该网络结构输入为车牌汉字图像集，大小为w×h×C，其中w×h为车牌汉字图像的分辨率，C为通道值；输出为车牌汉字类别索引的集合，记为 其中N1代表车牌汉字的种类数；车牌汉字的网络结构的总层数为13，分别由1个输入层，2个卷积层，2个池化层，3个激活层，2个全连接层，1个softmax层，1个drop层和1个输出层连接而成，具体连接顺序为：输入-卷积-激活-池化-卷积-激活-池化-全连接-激活-drop-全连接-softmax-输出；

步骤4.2，建立深度学习字母与数字的网络结构DL2：该网络结构输入为车牌非汉字图像集，大小为w×h×C，其中w×h为车牌汉字图像的分辨率，C为通道值；输出为车牌非汉字类别索引的集合，记为 其中N2代表车牌非汉字的种类数；车牌非汉字的网络结构的总层数为10，分别由1个输入层，2个卷积层，2个池化层，1个激活层，2个全连接层，1个softmax层，1个输出层连接而成，具体连接顺序为：输入-卷积-池化-卷积-池化-全连接-激活-全连接-softmax-输出。

6.如权利要求1或5所述的一种基于Caffe框架的深度学习车牌字符识别方法，其特征在于，所述步骤5中训练分类器的方法具体按照如下步骤：①选择训练数据：以汉字图像集C1_train作为训练汉字字符分类器的数据集，以非汉字图像集C2_train作为训练非汉字字符分类器的数据集；

②设置样本标签：汉字类别总共为N1类，类别标签号0～N1-1；非汉字的类别总共为N2类，类别标签号为0～N2-1，分别制作汉字标签文件Lab1，非汉字标签文件Lab2，标签文件的内容包括汉字图像集C1_train和非汉字图像集C2_train里每个字符样本所存的路径以及对应类别标签号；

③利用Caffe架构，把汉字图像集C1_train转化为数据库DB1，把将非汉字图像集转化为数据库DB2；

④把网络结构、数据库DB1和DB2、汉字标签文件Lab1和非汉字标签文件Lab2的所在路径存入Caffe配置文件；

⑤设置训练参数存入Caffe配置文件；

⑥在Caffe架构下完成训练，利用数据库DB1、汉字标签文件Lab1和汉字网络结构DL1训练生成汉字分类器DLC1；利用数据库DB2、非汉字标签文件Lab2和非汉字网络结构DL2训练生成数字及字母分类器DLC2。