CNN+GRU+CTC实现不定长字符串识别（一）

背景

来自于TinyMind的一个比赛，名为人民币面值及编码识别
地址：https://www.tinymind.cn/competitions/47
本篇文章的前提是已经将编码定位并切割下来，图片中只有相应的编码，样子如下：

当然不是这样也可以，随便什么训练集，如果没有的话可以参考我之前的文章进行生成，或者直接下载我上传的文件。
地址：链接：https://pan.baidu.com/s/1KQuAdHe4nc53yeDz3jk_1A 提取码：1ttg
在这里我还要感谢分享自己代码的大佬们，不然我可能一点都做不出来，
地址：https://github.com/mind/RMB
我也是在网上找了很多的源码，但是出了很多的问题，有的甚至不支持windows，而且研究了很长时间也没有用keras复现出来，所以这里给学到这里的人一个方向，我只用了一个py脚本实现了模型的训练和验证，并且很通俗易懂，我把脚本放到了码云上，想要了解的可以看一看
地址：https://gitee.com/dong_rui/rmb_code

使用方法

源码

犹豫代码比较长，讲起来也比较麻烦，所以长话短说，讲一讲使用方法，我先把源码粘贴出来，比较长，可以直接点上边的锚跳过这段：

import cv2
import random
import os
import pandas as pd
import numpy as np
from imgaug import augmenters as iaa
from tqdm import tqdm
import shutil
from sklearn.model_selection import KFold
from keras.applications.resnet50 import *
from keras.applications.densenet import *
from keras.applications.nasnet import *
from keras.applications.inception_resnet_v2 import *
from keras.applications.inception_v3 import *
from keras.applications.xception import *
from keras.applications.vgg16 import *
from keras.utils import to_categorical
from keras.activations import *
from keras.models import *
from keras.layers import *
from keras.models import *
from keras.optimizers import *
from keras.regularizers import l2
from keras.utils import *
import keras.backend as K
from keras.callbacks import *
import tensorflow as tf
import matplotlib.pyplot as plt
config = tf.ConfigProto(gpu_options=tf.GPUOptions(allow_growth=True))
sess = tf.Session(config=config)

pat = 'Train' #Train or Recognition 两种模式
characters = '0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ' #可能出现的字母或数字
train_val_images_path = 'H:\data\RMB\cut_images' #训练集和验证集图片地址
train_val_labels_path = 'F:\DeepLearn\RMB_CNN_GRU_CTC\\train_id_label.csv'
test_images_path = 'F:\DeepLearn\RMB_CNN_GRU_CTC\\test'#测试集地址

l2_rate = 1e-5
rnn_size = 256

BASE_MODEL_NAME="DenseNet169"
batch_size = 16

width, height, n_len, n_class = 246, 65, 10, len(characters)+1

print(width, height, n_len, n_class)

kf_id = 2

config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.9
K.set_session(tf.Session(config=config))

# 训练集和校验集

csv_data = pd.read_csv(train_val_labels_path)
csv_data = np.array(csv_data)

kf = KFold(n_splits=5)


for i, (train_index, test_index) in enumerate(kf.split(csv_data)):
    assert kf_id<5
    if i == kf_id:
        train_csv = cs