技术摘要：
本发明公开了一种基于深度学习的车牌矫正与识别方法，包括以下步骤：S1：利用基于深度学习的车牌检测方法定位车牌的大致区域；S2：构建车牌矫正网络ICSTN(Inverse Compositional Spatial Transformer Network，反向合成空间变换网络)；S3：构建不定长的车牌序列识别深  全部
背景技术：
近年来，深度学习在智能运输系统、自动驾驶技术、计算机视觉等领域已经得到了 广泛的应用，研究学者们将深度学习技术运用到许多的交通场景中。深度学习技术已经在 许多的任务上取得了很大的成功，针对车牌识别问题也有了许多的研究成果。 随着大量的汽车进入了人们的家庭，交通拥堵、违法违章行为逐渐增多，道路交通 的管理就变得极其地重要。车牌号是智能交通管理很关键的一个信息。通过车牌可以获取 车辆的所属地区，车辆的所有人等信息。将车牌的信息从海量的数据中提取出来对于社会 的交通管理以及智能驾驶来说提供了巨大的帮助。如果可以通过计算机的技术自动的定 位、识别出车牌的信息，这能在一定的程度上减少交通管理的成本。车牌识别技术为减轻交 通管理负担，建立智慧城市提供了很大的帮助，其基于目标检测、模式识别、数字图像处理 等技术，分析摄像头或者相机拍摄到的车辆视频或图片，获取每个车牌所在的位置并且识 别车牌文本序列。车牌识别技术已广泛应用于高速公路车辆的管理,车辆识别,停车场管 理,甚至交通场景理解,已经成为了近年来研究的热点对象。 自然场景中的车牌图像会由于地面倾斜或是车牌不规范等造成各种形变，这些形 变包括透视变换、弯曲、倾斜、扭曲等等。车牌的倾斜和扭曲容易影响到后续识别的精确性。 因此，对车牌进行准确的矫正具有重要的现实意义。 而传统的矫正方法如霍夫变换、Radon变换等通常只能解决车牌的倾斜问题，对于 出现的其他的几何形变没有矫正的优势，在矫正车牌之后还需要进行一系列的车牌位置精 确定位处理，需要进行大量的时间，不具备实时性。现有的深度学习车牌识别算法大多存在 一个先验知识，即车牌序列总是水平排列的，如果无法完成扭正车牌，则无法较好地处理多 方向的甚至几何扭曲的车牌识别问题。
技术实现要素：
基于