文章目录

序言
识别方案
- 方案1
- 方案2
- 选择方案：
准备数据
- 数据的准备
- 读取数据集
- 构建神经网络
- 进行训练
- 查看模型的准确度
- 优化
- 测试效果
进行车牌字符预测
- 实测
- 总结
- 下一章
完整代码：
- 数据处理
- 神经网络
- 训练
- 查看效果
- 预测方法
- 运行

序言

上篇文章中，我们实现了简单的车牌提取功能，并分成了多个图片保存在本地上，接下来，我们要进行车牌字符的识别。
车牌的文字如下：

识别方案

有两种识别字符的方案

方案1

运用模板匹配，opencv自带的template进行匹配。
缺点：对特殊的字符样式可能无法识别，只能识别较为规则的字符
优点：不需要太多的特征数据集即可识别大部分字符

方案2

运用卷积神经网络训练一个神经系统进行识别
缺点：需要大量的训练数据，对训练数据要求较高
优点：能识别各种不标准的车牌特征

选择方案：

本文中将以第二种方案进行识别

准备数据

数据集下载

为大家准备好了数据集，分为两种格式。
第二种是以不同背景和数字颜色组成的
大家可根据项目需求进行选择，这里我选的是第一种黑白图的数据集进行训练的。

数据的准备

读取数据集

数据较少，所以需要做一些变换，增加泛化。

# 读取文件
from keras.preprocessing.image import ImageDataGeneratortrain_gen = ImageDataGenerator(rescale=1/255.0, horizontal_flip=True, rotation_range=30, vertical_flip=True, featurewise_center=True, width_shift_range=12, height_shift_range=12)
valid_gen = ImageDataGenerator(rescale=1/255.0, horizontal_flip=True, rotation_range=30, vertical_flip=True, featurewise_center=True, width_shift_range=12, height_shift_range=12)
test_gen = ImageDataGenerator(rescale= 1/ 255.0)train_img_gen = train_gen.flow_from_directory('./tf_car_license_dataset/train_images/training-set/', target_size=(32, 32), batch_size=32, color_mode='grayscale')
valid_img_gen = train_gen.flow_from_directory('./tf_car_license_dataset/train_images/validation-set/', target_size=(32, 32), batch_size=32, color_mode='grayscale')

一共有四十个类目

构建神经网络

这里运用了两层的卷积神经网络，并进行两次池化操作，最后用全连接层进行分类，优化函数选择adam 损失函数用交叉熵损失函数。

- 这里
# 构建神经网络
model = keras.Sequential([keras.layers.Conv2D(32, (3, 3), 1, padding='same', activation="relu", input_shape = (32, 32, 1)),keras.layers.MaxPool2D(2, 2),keras.layers.Conv2D(64, (3, 3), 1, activation='relu'),keras.layers.MaxPool2D(2, 2),keras.layers.Flatten(),keras.layers.Dense(128, activation='relu'),keras.layers.Dense(40, activation='softmax')
])
model.compile(optimizer='adam', loss = keras.losses.categorical_crossentropy, metrics=['acc'])
model.summary()

进行训练

history = model.fit(train_img_gen, validation_data = valid_img_gen, epochs=30, batch_size=128)

查看模型的准确度

import matplotlib.pyplot as plt
losses = history.history['loss']
val_losses = history.history['val_loss']
acc = history.history['acc']
val_acc = history.history['val_acc']
plt.figure(figsize=(12, 6))
plt.subplot(121)
plt.xlabel('fit_nums')
plt.ylabel('losses')
plt.plot(losses,'b-')
plt.plot(val_losses,'b--')
plt.subplot(122)
plt.xlabel('fit_nums')
plt.ylabel('acc')
plt.plot(acc, 'b-', label='acc')
plt.plot(val_acc, 'b--', label = 'val_acc')
plt.legend()
plt.show()
history.history

可以看到，训练的效果在不断增强，不过准确率不是很好，还有过拟合的风险，后面优化下。

优化

增加了一下训练次数，可以看到效果增强了点，

实验下预测效果。

测试效果

运用PIL的Image

from PIL import Imageimg = Image.open('./tf_car_license_dataset/test_images/1.bmp')
img = img.resize((32, 32))
# 这里变成输入的格式（count， size，size， 层数）
img_arr = np.array(img).reshape((1, 32, 32, 1))

注意：因为我们训练时输入的是灰度图像，没有三通道的，所以之前的图片需要特殊处理成灰度图在进行输入

model.predict(img_arr)

可以看到，这里输出了，one-hot的编码数组，接下来只需要取最大值就可以了

template = ['0','1','2','3','4','5','6','7','8','9','A','B','C','D','E','F','G','H','J','K','L','M','N','P','Q','R','S','T','U','V','W','X','Y','Z','京','闽','粤','苏','沪','浙']
template[np.argmax(model.predict(img_arr))]

‘闽’

查看相应的预测效果

进行车牌字符预测

def test_img(path):img = Image.open(path).convert("L")img = img.resize((32, 32))img_arr = np.array(img).reshape((1, 32, 32, 1))template = ['0','1','2','3','4','5','6','7','8','9','A','B','C','D','E','F','G','H','J','K','L','M','N','P','Q','R','S','T','U','V','W','X','Y','Z','京','闽','粤','苏','沪','浙']return template[np.argmax(model.predict(img_arr))]# return model.predict(img_arr)

这里直接返回预测的字符

实测

import os
out = ""
for path in os.listdir('./split/'):out += test_img('./split/' + path)print(out)

可以看到预测效果不太好

总结

测试效果不怎么好，数据集太少了，无法拟合不同的图片，接下来进行神经网络优化，提升下泛化能力。
如果有更多的数据集，我们可以训练出精度很高的神经网络，但基本的实现思路就是这样子，

接下来我将用模板匹配的方式进行效果预测，看看会不会有更好的结果

完整代码：

数据处理

import tensorflow.keras as keras
import numpy as np
# 读取文件
from keras.preprocessing.image import ImageDataGeneratortrain_gen = ImageDataGenerator(rescale=1/255.0, horizontal_flip=True, rotation_range=30, vertical_flip=True, featurewise_center=True, width_shift_range=12, height_shift_range=12)
valid_gen = ImageDataGenerator(rescale=1/255.0, horizontal_flip=True, rotation_range=30, vertical_flip=True, featurewise_center=True, width_shift_range=12, height_shift_range=12)
test_gen = ImageDataGenerator(rescale= 1/ 255.0)train_img_gen = train_gen.flow_from_directory('./tf_car_license_dataset/train_images/training-set/', target_size=(32, 32), batch_size=32, color_mode='grayscale')
valid_img_gen = train_gen.flow_from_directory('./tf_car_license_dataset/train_images/validation-set/', target_size=(32, 32), batch_size=32, color_mode='grayscale')

神经网络

# 构建神经网络
model = keras.Sequential([keras.layers.Conv2D(32, (3, 3), 1, padding='same', activation="relu", input_shape = (32, 32, 1)),keras.layers.MaxPool2D(2, 2),keras.layers.Conv2D(64, (3, 3), 1, activation='relu'),keras.layers.MaxPool2D(2, 2),keras.layers.Flatten(),keras.layers.Dense(128, activation='relu'),keras.layers.Dense(40, activation='softmax')
])
model.compile(optimizer='adam', loss = keras.losses.categorical_crossentropy, metrics=['acc'])
model.summary()

训练

history = model.fit(train_img_gen, validation_data = valid_img_gen, epochs=30, batch_size=128)

查看效果

import matplotlib.pyplot as plt
losses = history.history['loss']
val_losses = history.history['val_loss']
acc = history.history['acc']
val_acc = history.history['val_acc']
plt.figure(figsize=(12, 6))
plt.subplot(121)
plt.xlabel('fit_nums')
plt.ylabel('losses')
plt.plot(losses,'b-')
plt.plot(val_losses,'b--')
plt.subplot(122)
plt.xlabel('fit_nums')
plt.ylabel('acc')
plt.plot(acc, 'b-', label='acc')
plt.plot(val_acc, 'b--', label = 'val_acc')
plt.legend()
plt.show()
history.history

预测方法

def test_img(path):img = Image.open(path).convert("L")img = img.resize((32, 32))img_arr = np.array(img).reshape((1, 32, 32, 1))template = ['0','1','2','3','4','5','6','7','8','9','A','B','C','D','E','F','G','H','J','K','L','M','N','P','Q','R','S','T','U','V','W','X','Y','Z','京','闽','粤','苏','沪','浙']return template[np.argmax(model.predict(img_arr))]# return model.predict(img_arr)

运行

import os
out = ""
for path in os.listdir('./split/'):out += test_img('./split/' + path)print(out)

基于CNN 对车牌数字进行识别，（二）相关推荐

基于CNN的四位数字验证码识别
前言验证码技术作为一种反自动化技术,使得很多程序的自动化工作止步.今天作者采用一些数字图像处理和CNN方法来识别较为简单的数字验证码实验步骤实验步骤主要围绕以下展开图像预处理即滤除噪声和字符分 ...
基于CNN的性别、年龄识别及Demo实现
一.相关理论本篇博文主要讲解2015年一篇paper<Age and Gender Classification using Convolutional Neural Networks> ...
【智能算法】基于CNN算法深度学习车辆识别
目录 1.基于CNN算法深度学习车辆识别 2.文件准备 3.结果展示 1.基于CNN算法深度学习车辆识别 // The contents of this file are in the public ...
基于Python的车牌检测和识别系统
向AI转型的程序员都关注了这个号???????????? 人工智能大数据与深度学习公众号:datayx 1.车牌检测和识别项目介绍车牌的检测和识别的应用非常广泛,比如交通违章车牌追踪,小区或地下 ...
Android基于卷积神经网络的数字手势识别识别数字手势0-10 Android studio编译
这篇博客主要基于我做的一个数字手势识别APP,具体分享下如何一步步训练一个卷积神经网络模型(CNN)模型,然后把模型集成到Android Studio中,开发一个数字手势识别APP.Android基于 ...
基于MATLAB的车牌定位和识别
%function carreco clc; clear all; %========================================================== %说明: % ...
基于 YOLO 的车牌检测与识别
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达导读本文将重点介绍 ALPR 的端到端实现.它将侧重于两个过程: ...
基于Python的KNN数字验证码识别
一.主要内容本项目基于Python爬虫爬取验证码图片,对图片进行去噪.分割,通过KNN算法训练模型,实现验证其准确率. 二.系统流程首先从指定的网页中爬取验证码图片数据,然后对数据进行一个去噪和分 ...
深度学习（十四）基于CNN的性别、年龄识别
CNN应用之性别.年龄识别原文地址:http://blog.csdn.net/hjimce/article/details/49255013 作者:hjimce 一.相关理论本篇博文主要讲解201 ...

基于CNN 对车牌数字进行识别，（二）