基于深度神经网络的YOLO方法
基于传统图像处理方法的车牌定位不需要太多训练数据，但容易受到环境干扰，且在复杂场景下更容易出现判断错误。如果有较多的训练数据，可以考虑用神经网络模型，一般能获得更好的性能。
展示了一个卷积神经网络模型的示意图：通过一层层卷积操作，最后判断每个位置出现车牌的可能性。图中下部的灰度图为各卷积层特征平面的叠加结果，最后一个卷积层高亮的位置即为车牌出现的位置。
近年来，随着深度学习的发展，一款称为YOLO（You Only Look Once，意为“只看一次”）的目标检测神经网络在精度和速度方面表现出色，也成为主流之一。YOLO 网络将整张图片输入后，直接输出图中所有对象的类别和位置。相比于传统 CNN 只能识别单个目标，YOLO 可以一次性完成全图目标检测。
如下图24.9所示，最早版本的YOLO（YOLOv1）会将输入图像经过若干卷积层处理，然后被划分为 7×7 个网格，每个网格预测B 个候选目标区域，每个区域包含中心坐标（x，y）、尺寸信息（宽 w、高h）、出现目标的可能性（obj score）以及类别概率，最终得到一个 5B+C 维度的输出向量。后续版本的YOLO 在网格划分和网络结构方面也不断优化，但整体思想相似。
应用到车牌定位时，YOLO 只需预测一类目标，即车牌。
如图所示，首先将图片用红线分割成 9 个小块，对每个小块，神经网络输出：
是否存在车牌的概率；
车牌中心在该网格内的相对位置；车牌的大小（宽度和高度）。
预测完成后，保留那些可能包含车牌的小块，即可定位车牌位置。基于YOLO 的车牌定位具有计算速度快、环境适应性强等优点，现已成为许多商业化车牌识别系统的首选方法。
)
