在智慧交通系统中，快捷准确度的车牌检测必不可少。MTCNN是一个非常著名的实时检测模型，主要用于人脸检测，对其进行修改后可用于车牌检测。

LPRNET是一种实时的端到端深度神经网络，用于模糊识别，该网络性能优越，计算成本较低且不需要初步的字符分割，其模型中嵌入了空间变换网络层，使其具有更好的识别特性。

▊ 01 车牌识别

深度学习一直是现代世界发展最快的技术之一。深度学习已经成为我们日常生活的一部分，从语音助手到汽车自动驾驶，它无处不在。其中一项应用是自动车牌识别 (ALPR)。

顾名思义，ALPR 是一种利用人工智能和深度学习的力量来自动检测和识别车辆牌照字符的技术。ALPR 的端到端实现主要侧重于两个过程，[1]车牌检测，[2]检测到的车牌的 OCR。

▊ 02 MTCNN

MTCNN网络采用三网级联结构，首先将图像重新缩放为不同大小的范围（称为图像金字塔），然后第一个模型（Proposal Network 或 P-Net）提出候选面部区域；第二个模型（Refine Network 或 R-Net）过滤边界框；第三个模型（Output Network或 O-Net）输出边界框和面部特征点位置。

上图表示 CNN 三个阶段。在第一阶段，它通过浅层 CNN 快速生成候选窗口。然后，它通过更复杂的 CNN 对窗口进行细化以拒绝大量非人脸窗口。最后，它使用更强大的 CNN 来细化结果并输出面部标志位置。模型被称为多任务网络，因为级联中的三个模型（P-Net、R-Net 和 O-Net）中的每一个都在三个任务上进行训练，例如进行三种类型的预测：人脸分类、边界框回归和人脸 landmark 定位。三个模型不直接连接，相反，前一阶段的输出作为输入送到下一阶段。这允许在阶段之间执行额外的处理；例如，非极大值抑制 (NMS) 用于在将第一阶段 P-Net 提出的候选边界框提供给第二阶段 R-Net 模型之前对其进行过滤。

▊ 03 LPRNET

LPRNet是一种非常高效的神经网络，它只需要0.34 GFLops就可以进行一次前向传播。

此外，模型在i7-6700K上运行时在保证实时性的同时，准确率也有保证。面对中文车牌，LPRNet可进行端到端的训练。LPRNet的优点有LPRNet不需要字符预先分割，车牌识别的准确率高、算法实时性强、支持可变长字符车牌识别。

对于字符差异比较大的各国不同车牌均能够端到端进行训练， LPRNet是第一个没使用RNN的实时轻量级算法，能够在包括嵌入式设备在内的各式设备上运行，LPRNet在实际交通监控视频中的应用表明，该算法在视角和摄像畸变、光照条件恶劣、视角变化等复杂的情况下仍表现出很好的识别效果。

LPRNet的整个网络可以概括如下：

1、可选的STN定位网络

2、轻量级的CNN骨干网络

3、每个位置的字符分类头

4、用于序列解码的字符分类概率

5、后过滤处理过程

日前，由达内教育创始人、董事长韩少云，达内教育集团技术研发王海军、杨瑞红等联合编著的《深度学习应用与实战》正式发售。这是达内教育“人工智能应用与实战系列”教材的一本书籍，致力于帮助读者快速掌握深度学习的实战技能，为高薪就业加码。

《深度学习应用与实战》主要围绕深度学习基础算法与应用、深度学习进阶算法应用、时空数据模型应用、生成对抗网络及其应用等进行讲解，理论结合实际，采用大量插图，辅以实例，可以帮助读者快速理解深度学习若干模型和算法的基本原理与关键技术。

此外，《深度学习应用与实战》中的理论知识与实践的重点和难点部分均采用微视频的方式进行解读，可以降低读者的学习成本，高效领会核心要素。

据《人工智能就业数据图鉴》报告显示，人工智能行业仍处在人才求职竞争蓝海，热招岗位Top 100中，技术岗和非技术岗占比是6:4，对于非人工智能相关专业的求职者，仍有进入人工智能行业的机遇和空间。

截止目前，达内教育已累计帮助超过100万学员成功进入国内外知名的IT互联网企业就职。作为专业学习和参考用书，《深度学习应用与实战》是初学者了解人工智能通用性知识、高效掌握实操性技能的媒介，欢迎大家阅读！