1.一种基于深度学习的车牌识别方法，其特征在于，包括如下步骤：步骤1：训练一个用于车牌字符检测的深度卷积神经网络模型M；构建车牌字符标签集合B＝{bi|i＝1,2,…,n,n＝67}＝{‘0’,‘1’,‘2’,‘3’,‘4’,‘5’,‘6’,‘7’,‘8’,‘9’,‘A’,‘B’,‘C’,‘D’,‘E’,‘F’,‘G’,‘H’,‘I’,‘J’,‘K’,‘L’,‘M’,‘N’,‘O’,‘P’,‘Q’,‘R’,‘S’,‘T’,‘U’,‘V’,‘W’,‘X’,‘Y’,‘Z’,‘京’,‘津’,‘冀’,‘晋’,‘蒙’,‘辽’,‘吉’,‘黑’,‘沪’,‘苏’,‘浙’,‘皖’,‘闽’,‘赣’,‘鲁’,‘豫’,‘鄂’,‘湘’,‘粤’,‘桂’,‘琼’,‘渝’,‘川’,‘贵’,‘云’,‘藏’,‘陕’,‘甘’,‘青’,‘宁’,‘新’}；

步骤2：将定位得到的车牌图像I输入到车牌字符检测网络M，输出候选车牌字符集合H＝{hi|i＝1,2,3…,nH}，其中，nH表示集合H的元素个数，hi表示集合H的第i个候选车牌字符，hi是由(b,q,r)构成的三元组，b表示候选字符的类别标签，b∈B，q表示候选字符的置信度，q∈[0,1]，r是由(x,y,w,h)构成的四元组，r表示候选字符的外接矩形框，x、y、w和h分别表示矩形框的左上角横坐标、左上角纵坐标、宽度和高度；

步骤3：对步骤2得到的候选车牌字符集合H，按候选车牌字符最小外接矩形的左上角横坐标hi.x由小到大将H重排序，得到集合C＝{ci|i＝1,2,3,…,nC}，ci表示集合C的第i个候选车牌字符，ci是由(b,q,r)构成的三元组，nC表示集合C的元素个数；

步骤4：对步骤3得到的集合C进一步执行筛选操作，具体步骤为：步骤4.1：按序遍历C，对 若ci.q

步骤4.2：按序遍历步骤4.1得到的集合C，对 按公式(1)计算a，若a≠φ，则将元素a从集合C中删除；否则，不执行操作；

其中，ci.r表示候选字符ci的外接矩形框，ci+1.r表示候选字符ci+1的外接矩形框，Tover表示矩形框的重叠阈值，|·|表示矩形框的面积，∩运算表示求取两个矩形框的交集；

步骤4.3：根据步骤4.2得到的集合C和步骤4.1得到的集合D，对若 满足公式(2)，记录下使得dj满足公式(2)的i值，并将dj插入集合C作为第(i+1)个元素；其中， 表示步骤4.2删除的元素数量，dj表示集合D的第j个元素，j＝1,2,…,nD；

其中，ci.r.x、ci.r.y、ci.r.w和ci.r.h分别表示候选字符ci外接矩形框的左上角横坐标、左上角纵坐标、宽度和高度；dj.r.x、dj.r.y、dj.r.w和dj.r.h分别表示候选字符dj外接矩形框的左上角横坐标、左上角纵坐标、宽度和高度；

步骤5：对步骤4.3得到的集合C，首先，按序遍历集合C，若满足公式(3)，将ci加入集合E，并将ci从C中删除，其中nl表示步骤4.3增加的元素数量；然后，遍历集合C的剩余元素，依次加入到集合E；最终得到E＝{ei|i＝1,2,

3…,nE}，ei表示集合E的第i个候选车牌字符，nE表示集合E的元素个数；

步骤6：对步骤5得到的集合E，按序遍历集合E，将集合E中所有元素的标签串联成车牌识别结果 其中，ei.b∈B，ei.b表示集合E的第i个候选车牌字符的标签，Σ表示字符串联操作；

步骤7：算法结束。