圖像識(shí)別是人工智能領(lǐng)域的一個(gè)重要方向。經(jīng)過(guò)多年的研究，圖像識(shí)別技術(shù)取得了一定的研究進(jìn)展。圖像識(shí)別主要包含特征提取和分類(lèi)識(shí)別，而其中的特征提取是圖像識(shí)別技術(shù)發(fā)展的瓶頸問(wèn)題，直接決定著識(shí)別性能的好壞。傳統(tǒng)提取的特征主要分為全局特征和局部特征，但是這些特征都是圖像底層的視覺(jué)特征，并且需要具備一定專(zhuān)業(yè)知識(shí)人員進(jìn)行特征的設(shè)計(jì)與選擇，這種人工設(shè)計(jì)的特征需要經(jīng)過(guò)大量的驗(yàn)證后才能證明其對(duì)某一種識(shí)別任務(wù)的有效性，這也在一定程度上限制了圖像識(shí)別技術(shù)的應(yīng)用。

近年來(lái)，隨著大數(shù)據(jù)時(shí)代的來(lái)臨和計(jì)算資源越來(lái)越便宜，深度學(xué)習(xí)技術(shù)不斷取得進(jìn)展。它是一種以數(shù)據(jù)為驅(qū)動(dòng)，從圖像識(shí)別任務(wù)中的大量數(shù)據(jù)來(lái)自動(dòng)學(xué)習(xí)特征。為此，本文首先對(duì)深度學(xué)習(xí)進(jìn)行了研究，然后將其應(yīng)用到敏感圖像識(shí)別和車(chē)牌識(shí)別中。本文的研究?jī)?nèi)容主要包括以下幾個(gè)部分：

首先，本文深入研究了深度學(xué)習(xí)。重點(diǎn)研究了深度學(xué)習(xí)的特征提取，以及深度學(xué)習(xí)中三個(gè)重要的網(wǎng)絡(luò)模型，分別是可以實(shí)現(xiàn)無(wú)監(jiān)督特征學(xué)習(xí)的深度信念網(wǎng)絡(luò)（Deep Belief Network，DBN），圖像識(shí)別任務(wù)中被廣泛使用的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN），以及可以實(shí)現(xiàn)序列數(shù)據(jù)學(xué)習(xí)的循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN），對(duì)它們的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練方法展開(kāi)深入的研究。實(shí)驗(yàn)表明，深度學(xué)習(xí)網(wǎng)絡(luò)可以對(duì)不同的識(shí)別任務(wù)，從圖像數(shù)據(jù)中學(xué)習(xí)分層特征，最后形成不同類(lèi)別對(duì)象之間的區(qū)分性特征。

其次，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的敏感圖像識(shí)別方法。該方法分為兩個(gè)步驟：粗檢和細(xì)檢。粗檢用來(lái)快速識(shí)別出不含或含膚色區(qū)域較少的正常圖像以及大頭照，因?yàn)榇蟛糠謭D像都屬于正常圖像，這可以極大降低識(shí)別時(shí)間。對(duì)于包含膚色較多的圖像，則進(jìn)一步通過(guò)細(xì)檢識(shí)別。首先使用大量標(biāo)定好的敏感圖像和非敏感圖像訓(xùn)練 CNN 分類(lèi)模型，然后采用分類(lèi)模型進(jìn)行敏感圖像的識(shí)別。在包含 19000 多幅圖像的數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果表明，采用本文所提出的方法識(shí)別準(zhǔn)確率可以達(dá)到 97.2%，遠(yuǎn)遠(yuǎn)高于傳統(tǒng)的敏感圖像識(shí)別方法。

最后，針對(duì)傳統(tǒng)車(chē)牌識(shí)別算法存在車(chē)牌定位、車(chē)牌校正、字符分割、字符識(shí)別等多個(gè)過(guò)程，每個(gè)過(guò)程都會(huì)影響車(chē)牌識(shí)別率的問(wèn)題，提出了一種基于卷積循環(huán)神經(jīng)網(wǎng)絡(luò)（Convolutional Recurrent Neural Network，CRNN）的車(chē)牌識(shí)別算法。該算法包含車(chē)牌定位和車(chē)牌識(shí)別兩個(gè)部分：首先使用基于邊緣的車(chē)牌定位方法確定圖像中車(chē)牌的候選區(qū)域，然后采用 CRNN 網(wǎng)絡(luò)進(jìn)行車(chē)牌的訓(xùn)練和識(shí)別。相對(duì)于傳統(tǒng)的車(chē)牌識(shí)別技術(shù)，本文提出的算法是一種端到端的識(shí)別方法，無(wú)需進(jìn)行車(chē)牌校正、字符分割等處理，給車(chē)牌識(shí)別提供了另一種思路。實(shí)驗(yàn)結(jié)果表明，車(chē)牌整體識(shí)別正確率為 76%，車(chē)牌后六位字符的識(shí)別正確率為 91%。