车牌识别项目:基于tensorflow的卷积神经网络实现车牌自动识别

打算做一个基于tensorflow的卷积神经网络实现车牌识别系统,为了不重复造轮子,搜集了些资料,以便形成整体框架.

关于自己所做项目

Tkinter: Tkinter 模块(Tk 接口)是 Python 的标准 Tk GUI 工具包的接口,Python 使用 Tkinter 可以快速的创建 GUI 应用程序【1】。messagebox是tkinter中的消息框、对话框;

filedialog是tkinter中的文件对话框2】

2】https://www.cnblogs.com/progor/p/8506513.html

1】https://www.runoob.com/python/python-gui-tkinter.html

The Python Imaging Library (PIL) adds image processing capabilities to your Python interpreter. This library supports many file formats, and provides powerful image processing and graphics capabilities.

翻译成中文介绍PIL

PIL ImageGrab屏幕截屏

http://www.pythonware.com/products/pil/

 

Opencv

 

Numpy

 

requests是使用Apache2 licensed 许可证的HTTP库。

用python编写。

比urllib2模块更简洁。

Request支持HTTP连接保持和连接池,支持使用cookie保持会话,支持文件上传,支持自动响应内容的编码,支持国际化的URL和POST数据自动编码。

在python内置模块的基础上进行了高度的封装,从而使得python进行网络请求时,变得人性化,使用Requests可以轻而易举的完成浏览器可有的任何操作。

现代,国际化,友好。

requests会自动实现持久连接keep-alive

https://www.cnblogs.com/ranxf/p/7808537.html

 

PyMySQL 是在 Python3.x 版本中用于连接 MySQL 服务器的一个库

博客

http://www.voidcn.com/article/p-cxqqmtiu-bqh.html

网上找的车牌识别资料,别人总结的。比较关注的是tensorflow版和cnn版本,主要是因为项目需要:

TensorFlow版:

https://github.com/matthewearl/deep-anpr

deep-anpr开源项目学习笔记

cnn版本的车牌识别:https://github.com/huxiaoman7/mxnet-cnn-plate-recognition

另外还在CSDN上找到两篇文章:

端到端车牌/验证码识别(tensorflow版)——(2)

端到端车牌/验证码识别(tensorflow版)——(1)

TensorFlow车牌识别完整版(含车牌数据集)

论文

OCR—ccpd论文及程序解读

Towards End-to-End License Plate Detection and Recognition: A Large Dataset and Baseline 

数据集

CCPD数据集

这是一个用于车牌识别的大型国内的数据集,由中科大的科研人员构建出来的。发表在ECCV2018论文Towards End-to-End License Plate Detection and Recognition: A Large Dataset and Baseline 
https://github.com/detectRecog/CCPD

该数据集在合肥市的停车场采集得来的,采集时间早上7:30到晚上10:00.涉及多种复杂环境。

一共包含超多25万张图片,每种图片大小720x1160x3。一共包含9项。每项占比如下图:

第二个数据集

http://vision.princeton.edu/projects/2010/SUN/SUN397.tar.gz

车牌识别开源框架:

HyperLPR

HyperLPR是北京智云视图科技有限公司(www.zeusee.com)开源的一个使用深度学习针对对中文车牌识别的实现,与较为流行的开源的 EasyPR 相比,它的检测速度和鲁棒性和多场景的适应性都要好于目前开源的EasyPR.

HyperLPR可以识别多种中文车牌包括白牌,新能源车牌,使馆车牌,教练车牌,武警车牌.

https://github.com/zeusees/HyperLPR

HyperLPR中文车牌识别安装(Windows版)

EasyPR

非常详细的讲解车牌识别easypr

关于我的项目的一些说明:

Tkinter: Tkinter 模块(Tk 接口)是 Python 的标准 Tk GUI 工具包的接口,Python 使用 Tkinter 可以快速的创建 GUI 应用程序【1】。messagebox是tkinter中的消息框、对话框;

filedialog是tkinter中的文件对话框2】

2】https://www.cnblogs.com/progor/p/8506513.html

1】https://www.runoob.com/python/python-gui-tkinter.html

The Python Imaging Library (PIL) adds image processing capabilities to your Python interpreter. This library supports many file formats, and provides powerful image processing and graphics capabilities.

翻译成中文介绍PIL

PIL ImageGrab屏幕截屏

http://www.pythonware.com/products/pil/

 

Opencv

 

Numpy

 

requests是使用Apache2 licensed 许可证的HTTP库。

用python编写。

比urllib2模块更简洁。

Request支持HTTP连接保持和连接池,支持使用cookie保持会话,支持文件上传,支持自动响应内容的编码,支持国际化的URL和POST数据自动编码。

在python内置模块的基础上进行了高度的封装,从而使得python进行网络请求时,变得人性化,使用Requests可以轻而易举的完成浏览器可有的任何操作。

现代,国际化,友好。

requests会自动实现持久连接keep-alive

https://www.cnblogs.com/ranxf/p/7808537.html

 

PyMySQL 是在 Python3.x 版本中用于连接 MySQL 服务器的一个库

 

 

 

 

 

  • 3
    点赞
  • 54
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
基于卷积神经网络车牌识别代码可以分为以下几个步骤: 1. 数据准备:收集车牌图像数据集,并进行标注,将车牌区域和对应的字符进行标记。 2. 数据预处理:对车牌图像进行预处理,包括图像增强、尺寸调整、灰度化、二值化等操作,以提高模型的识别效果。 3. 构建卷积神经网络模型:使用深度学习框架(如TensorFlow、PyTorch等)构建卷积神经网络模型。一般可以采用卷积层、池化层、全连接层等结构,通过多次卷积和池化操作提取图像特征,并通过全连接层进行分类。 4. 模型训练:使用准备好的数据集对卷积神经网络模型进行训练。训练过程中,可以采用交叉熵损失函数作为目标函数,使用优化算法(如梯度下降)对模型参数进行更新。 5. 模型评估:使用测试集对训练好的模型进行评估,计算准确率、召回率等指标,以评估模型的性能。 6. 车牌识别:使用训练好的模型对新的车牌图像进行识别。将图像输入到模型中,通过模型的输出得到车牌的字符信息。 下面是一个简单的基于卷积神经网络车牌识别代码示例: ```python import tensorflow as tf # 构建卷积神经网络模型 model = tf.keras.Sequential([ tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)), tf.keras.layers.MaxPooling2D((2, 2)), tf.keras.layers.Flatten(), tf.keras.layers.Dense(64, activation='relu'), tf.keras.layers.Dense(10) ]) # 编译模型 model.compile(optimizer='adam', loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True), metrics=['accuracy']) # 训练模型 model.fit(train_images, train_labels, epochs=10) # 评估模型 test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2) # 车牌识别 predictions = model.predict(new_images) ```
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

haimianjie2012

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值