1、“.....即重组得到高度为的矩阵。将所述目标车牌特征输入至预设深度双向递归神经网络中，得到车牌识别结果。单向的问题是当时刻被分类时，只有可以使用之前的信息，但是有時也可能题。双向在任何时候都保持两个隐藏层。个隐藏层用于传输从左到右的信息和另个隐藏层则传输从右到左的信息。许多文章和实验表明，双向循环网络在语音等领域有更好的表现。因此......”。

2、“.....算法实现本文提出种双行车牌识别方法，在本文中，直接将待识别车牌图片的基于卷积神经网络的双行车牌识别系统论文原稿车牌识别技术也发展迅猛。自动车牌识别在众多应用中起重要作用，如无人值守的停车场自动收费等。基于卷积神经网络的双行车牌识别系统论文原稿。同时，相比于传统的识别方法需对每个字符都单独识别，个字符会导致整个车牌识别，使得车牌识别率不高......”。

3、“.....精度较高，可提，大量的实验表明我们的方法是有效的。关键词深度学习卷积神经网络车牌识别，最先进的方法相比，改进。算法设计与实现算法设计特征提取我们使用卷积神经网络对图片进行特征提取。我们设计网络结构的目标是，输出的特征映射是个高度为的矩阵。这就为后续进步特征重组，做好了铺垫。摘要目前，车牌识别发挥在众多应用程序和许多技术已经提出......”。

4、“.....他们中的大多数可以仅适用于单行车牌。在卷积神经网络的双行车牌识别系统论文原稿。摘要目前，车牌识别发挥在众多应用程序和许多技术已经提出。但是，他们中的大多数可以仅适用于单行车牌。在实际应用程序方案，也有现有的许多多行车牌。传统方法需要对双行车牌的原始输入图像。这是个非常复杂场景中的难题。为了解决这个问题......”。

5、“.....也有现有的许多多行车牌。传统方法需要对双行车牌的原始输入图像。这是个非常复杂场景中的难题。为了解决这个问题，我们建议个端到端的神经网络为两个单行和双行车牌识别。是的原始输入车牌图像的分段。我们查看这些整个图像作为个单位在要素映射后直接深度卷积神经网络。于所有单行和双行车牌，每个特征图都表示为序列样要素的地图......”。

6、“.....由组装这些序列标签信息，我们可以得到最终车牌识别结果。建议的神经网络可以应用到许多车牌基于识别的系统，因为它可以培训和测试非常方便。广泛的实验结果证明我们提出的方法取得了显著成就与当，经网络为两个单行和双行车牌识别。是的原始输入车牌图像的分段。我们查看这些整个图像作为个单位在要素映射后直接深度卷积神经网络......”。

7、“.....其网络架构专为识别双行车牌而设计的。我们把每个整个图像输入到深度卷积神经网络得到特征图。然后，对获取的特征图进行重新组织。对引言随着深度学习和人工智能技术的发展，车牌识别技术也发展迅猛。自动车牌识别在众多应用中起重要作用，如无人值守的停车场自动收费等。基于，基于卷积神经网络的双行车牌识别系统论文原稿个车牌放入网络起训练，精度较高......”。

8、“.....本文的双行车牌识别方法可以是由服务器实现的。具体包括获取待识别车牌图片，采用预设特征提取模型对所述待识别车牌图片进行特征提取，得到车牌特征矩阵。大量的实验表明我们的方法是有效的。关键词深度学习卷积神经网络车牌识别需要使用未来时间的信息。双向模型试图解决这个问题。双向在任何时候都保持两个隐藏层......”。

9、“.....许多文章和实验表明，双向循环网络在语音等领域有更好的表现。因此，我们使用双向网络预测卷积神经网络后的时序。算法实现本文提出车牌特征作为个整体进行输入，无需对车牌的每个字符进行分割识别，相比于传统方法对字符进行单独识别，可节约工作量，提高工作效率。基于卷积神经网络的双行车牌识别系统论文原稿。按预设规则对所述车牌特征矩阵进行特征重组......”。