圖像識別是人工智能領(lǐng)域的一個(gè)重要方向。經(jīng)過多年的研究，圖像識別技術(shù)取得了一定的研究進(jìn)展。圖像識別主要包含特征提取和分類識別，而其中的特征提取是圖像識別技術(shù)發(fā)展的瓶頸問題，直接決定著識別性能的好壞。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特征，并且需要具備一定專業(yè)知識人員進(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)過大量的驗(yàn)證后才能證明其對某一種識別任務(wù)的有效性，這也在一定程度上限制了圖像識別技術(shù)的應(yīng)用。

近年來，隨著大數(shù)據(jù)時(shí)代的來臨和計(jì)算資源越來越便宜，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，從圖像識別任務(wù)中的大量數(shù)據(jù)來自動學(xué)習(xí)特征。為此，本文首先對深度學(xué)習(xí)進(jìn)行了研究，然后將其應(yīng)用到敏感圖像識別和車牌識別中。本文的研究內(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），對它們的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練方法展開深入的研究。實(shí)驗(yàn)表明，深度學(xué)習(xí)網(wǎng)絡(luò)可以對不同的識別任務(wù)，從圖像數(shù)據(jù)中學(xué)習(xí)分層特征，最后形成不同類別對象之間的區(qū)分性特征。

其次，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的敏感圖像識別方法。該方法分為兩個(gè)步驟：粗檢和細(xì)檢。粗檢用來快速識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，這可以極大降低識別時(shí)間。對于包含膚色較多的圖像，則進(jìn)一步通過細(xì)檢識別。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 分類模型，然后采用分類模型進(jìn)行敏感圖像的識別。在包含 19000 多幅圖像的數(shù)據(jù)庫上的實(shí)驗(yàn)結(jié)果表明，采用本文所提出的方法識別準(zhǔn)確率可以達(dá)到 97.2%，遠(yuǎn)遠(yuǎn)高于傳統(tǒng)的敏感圖像識別方法。

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