圖像識別是人工智能領(lǐng)域的一個重要方向。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)知識人員進行特征的設(shè)計與選擇，這種人工設(shè)計的特征需要經(jīng)過大量的驗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)時代的來臨和計算資源越來越便宜，深度學習技術(shù)不斷取得進展。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)來自動學習特征。為此，本文首先對深度學習進行了研究，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部分：

首先，本文深入研究了深度學習。重點研究了深度學習的特征提取，以及深度學習中三個重要的網(wǎng)絡(luò)模型，分別是可以實現(xiàn)無監(jiān)督特征學習的深度信念網(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），以及可以實現(xiàn)序列數(shù)據(jù)學習的循環(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。實驗表明，深度學習網(wǎng)絡(luò)可以對不同的識別任務(wù)，從圖像數(shù)據(jù)中學習分層特征，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。該方法分為兩個步驟：粗檢和細檢。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，因為大部分圖像都屬于正常圖像，這可以極大降低識別時間。對于包含膚色較多的圖像，則進一步通過細檢識別。首先使用大量標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)庫上的實驗結(jié)果表明，采用本文所提出的方法識別準確率可以達到 97.2%，遠遠高于傳統(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、字符識別等多個過程，每個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。實驗結(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%。