HyperLPR车牌识别库代码分析（6）

2021SC@SDUSC

源代码下载地址：https://gitee.com/zeusees/HyperLPR

源码配置的详情见第一篇分析

 本篇内容将继续根据小组分配的任务进行分析，内容如下：

一、finemappingVertical（...）函数

        image_rgb = fv.finemappingVertical(image_rgb)
        image_rgb = fv.finemappingVertical(image_rgb)

        可以看出作者对图片执行了两次finemappingVertical操作。finemappingVertical源码如下：

def finemappingVertical(image):
    resized = cv2.resize(image,(66,16))
    resized = resized.astype(np.float)/255
    res= model.predict(np.array([resized]))[0]
    print("keras_predict",res)
    res  =res*image.shape[1]
    res = res.astype(np.int)
    H,T = res
    H-=3
    if H<0:
        H=0
    T+=2;
    if T>= image.shape[1]-1:
        T= image.shape[1]-1
    image = image[0:35,H:T+2]
    image = cv2.resize(image, (int(136), int(36)))
    return image

        先使用resize函数将已裁剪的图片再进行裁剪操作。

        再使用astype函数来将原来灰度图颜色通道[0, 255]转化为float类型[0,1]

        后self.modelFineMapping.predict函数输入66*16(float),输入进模型进行测试

model = getModel()
model.load_weights("./model/model12.h5")

model_finemapping()模型位于文件夹的该位置下：

该模型也是一个卷积神经网络模型，通过模型处理后，再次对文字进行裁剪输出。

keras网络模型：对车牌文字的左右边界进行回归
通过modelFineMapping.loadweights()函数加载模型文件
通过modelFineMapping.predict输出网络结果

输入：16*66*3 tensor
输出：长度为2的tensor

    总结：该函数是车牌精定位，先使用resize函数将已裁剪的图片再进行裁剪操作。再使用astype函数来将原来灰度图颜色通道[0, 255]转化为float类型[0,1]。后self.modelFineMapping.predict函数输入66*16(float),输入进模型进行测试。该模型也是一个卷积神经网络模型，通过模型处理后，再次进行裁剪输出。通过modelFineMapping.loadweights()函数加载模型文件。最后输出裁剪后的图像，将各个文字的左右边界裁剪下来，识别出文字。

参考文章：HyperLPR车牌识别代码解读

CSDN博主：口袋的天空Zard

原文链接：https://blog.csdn.net/qq_37423198/article/details/81266401