HyperLPR源码分析11

最新推荐文章于 2024-10-09 17:25:12 发布

CyberHayek

最新推荐文章于 2024-10-09 17:25:12 发布

阅读量2k

点赞数

文章标签： python 机器学习深度学习

本文链接：https://blog.csdn.net/CyberHayek/article/details/122114818

版权

本文主要分析了HyperLPR中的slidingWindowsEval函数，该函数采用模板匹配法进行车牌识别。首先介绍获取图像并预处理的过程，包括图像转灰度和直方图均衡化。接着是图像分割，通过两轮分割确定每个文字区域。最后，利用预训练模型进行文字识别。

摘要由CSDN通过智能技术生成

2021SC@SDUSC

在本次分析中，我将会对前几次的成果做出总结，总结一下slidingWindowsEval函数的总体思路是什么样的。

slidingWindowsEval函数，进行车牌识别的思路就是模板匹配法，这是车牌识别的一个重要算法，这个算法只有一个总体思想，具体实现细节多种多样，根据具体情况不同而定。

一、获取图像并进行预处理


   windows_size = 16;
    stride = 1
    height= image.shape[0]
    t0 = time.time()
    data_sets = []

    for i in range(0,image.shape[1]-windows_size+1,stride):
        data = image[0:height,i:i+windows_size]
        data = cv2.resize(data,(23,23))
        # cv2.imshow("image",data)
        data = cv2.equalizeHist(data)
        data = data.astype(np.float)/255
        data=  np.expand_dims(data,3)
        data_sets.append(data)

    res = model2.predict(np.array(data_sets))
    print("分割",time.time() - t0)

    pin = res
    p = 1 -  (res.T)[1]