mvcnn代码详解_Tensorflow,OpenCV实现的CNN车牌识别代码

【实例简介】

某位大牛在github上分享的 CNN 车牌识别源代码,在将其装到Windows的Python下运行时碰到了各种报错(WIN8下python3.6,Opencv3.0),有些问题搜遍网络也没找到解决方法。最后终于调通,可以进行训练和预测。不过训练的收敛速度不太理想,有待继续研究。分享出来给有兴趣的同学,或许可少走些弯路。

【实例截图】

【核心代码】

deep-anpr

└── deep-anpr

├── 1.jpg

├── 2.jpg

├── common.py

├── CutJpg.py

├── deepAnpr.wpr

├── deepAnpr.wpu

├── detect.py

├── extractbgs.py

├── FONTS

│   ├── platech.ttf

│   └── UKNumberPlate.ttf

├── gen.py

├── LICENSE

├── model.py

├── __pycache__

│   ├── common.cpython-36.pyc

│   ├── gen.cpython-36.pyc

│   └── model.cpython-36.pyc

├── README.md

├── S1.jpg

├── test

│   ├── 00000000_HR56YRX_1.png

│   ├── 00000000_TA39KMF_0.png

│   ├── 00000000_XI65GPZ_1.png

│   ├── 00000001_DP97SXZ_1.png

│   ├── 00000001_WV13ZOC_1.png

│   ├── 00000002_RF53ACD_0.png

│   ├── 00000002_XJ12TQK_0.png

│   ├── 00000003_ZH32UQM_0.png

│   ├── 00000004_NZ30VOX_1.png

│   ├── 00000005_VO81DWU_1.png

│   ├── 00000006_PE65FJQ_0.png

│   ├── 00000007_GT19SBO_1.png

│   ├── 00000008_QP01LSG_0.png

│   ├── 00000009_GR61QLE_0.png

│   ├── 00000010_CS80BXR_0.png

│   ├── 00000011_SS57ROT_1.png

│   ├── 00000012_BU00GLA_0.png

│   ├── 00000013_NU77AZD_1.png

│   ├── 00000014_HZ69KOQ_0.png

│   ├── 00000015_WF58IRM_1.png

│   ├── 00000016_AH92RKS_0.png

│   ├── 00000017_CY32HYJ_0.png

│   ├── 00000018_LT32XZU_0.png

│   ├── 00000019_VT14UEU_1.png

│   ├── 00000020_RJ43EOY_0.png

│   ├── 00000021_ZC47BCM_0.png

│   ├── 00000022_IK59CXY_1.png

│   ├── 00000023_GK39MFI_0.png

│   ├── 00000024_YT50LIL_0.png

│   ├── 00000025_VN94ASA_1.png

│   ├── 00000026_EN13DBG_1.png

│   ├── 00000027_JP40OQV_1.png

│   ├── 00000028_VN90AOK_1.png

│   ├── 00000029_XR70MWV_1.png

│   ├── 00000030_GO36AOQ_1.png

│   ├── 00000031_EA37PHZ_0.png

│   ├── 00000032_GP44JNE_0.png

│   ├── 00000033_WX16ZFI_1.png

│   ├── 00000034_VG95HJA_1.png

│   ├── 00000035_XZ52MYG_0.png

│   ├── 00000036_NZ57DDQ_1.png

│   ├── 00000037_RI28RXE_0.png

│   ├── 00000038_SU65GWA_1.png

│   ├── 00000039_XA01AYG_1.png

│   ├── 00000040_EX77FCU_1.png

│   ├── 00000041_PU01BZP_1.png

│   ├── 00000042_HS56ODF_1.png

│   ├── 00000043_UL53MKI_1.png

│   ├── 00000044_IY93RUQ_0.png

│   ├── 00000045_HO36VDE_0.png

│   ├── 00000046_IO03UCX_1.png

│   ├── 00000047_NB87NXL_0.png

│   ├── 00000048_LZ17NWM_1.png

│   ├── 00000049_RB46XVY_1.png

│   ├── 00000050_VG90STR_1.png

│   ├── 00000051_KW82OXZ_0.png

│   ├── 00000052_DW04ECV_0.png

│   ├── 00000053_PE11TJB_1.png

│   ├── 00000054_RV70EXZ_1.png

│   ├── 00000055_UE20XIP_0.png

│   ├── 00000056_AP01XNZ_1.png

│   ├── 00000057_VT51PTB_0.png

│   ├── 00000058_DR34LVE_0.png

│   ├── 00000059_NE34IDV_0.png

│   ├── 00000060_PL84EBA_0.png

│   ├── 00000061_NG21OOS_0.png

│   ├── 00000062_GO56VSU_1.png

│   ├── 00000063_HD07GYK_0.png

│   ├── 00000064_KI68VQT_0.png

│   ├── 00000065_GR79KOB_0.png

│   ├── 00000066_ST74BYE_0.png

│   ├── 00000067_AB64PSQ_0.png

│   ├── 00000068_FA49KKL_0.png

│   ├── 00000069_OJ27TNP_1.png

│   ├── 00000070_ZN80XHD_1.png

│   ├── 00000071_KS15XAE_0.png

│   ├── 00000072_QR59RDO_0.png

│   ├── 00000073_UH16QWM_1.png

│   ├── 00000074_WY18BLP_1.png

│   ├── 00000075_XP08RWQ_0.png

│   ├── 00000076_TD69LYI_0.png

│   ├── 00000077_YJ53GAZ_0.png

│   ├── 00000078_DE21DOY_1.png

│   ├── 00000079_IH67WKY_0.png

│   ├── 00000080_GR35LBF_1.png

│   ├── 00000081_WX77XXT_0.png

│   ├── 00000082_XT91NPA_0.png

│   ├── 00000083_TY50HOH_0.png

│   ├── 00000084_VT85VDZ_0.png

│   ├── 00000085_IB71XTN_1.png

│   ├── 00000086_MK23DKW_1.png

│   ├── 00000087_BS91DPN_1.png

│   ├── 00000088_GC44VNI_1.png

│   ├── 00000089_OD99BCF_0.png

│   ├── 00000090_KO91RJR_0.png

│   ├── 00000091_VS95FGY_1.png

│   ├── 00000092_YS31JRK_0.png

│   ├── 00000093_YY59PDE_1.png

│   ├── 00000094_WI05IBY_0.png

│   ├── 00000095_CL46WWU_1.png

│   ├── 00000096_LQ45ZNR_1.png

│   ├── 00000097_KD09VNI_0.png

│   ├── 00000098_ST24SCE_0.png

│   ├── 00000099_YX27MSD_1.png

│   ├── 00000100_LT16NUG_0.png

│   ├── 00000101_QW98GOT_1.png

│   ├── 00000102_IM03GAV_1.png

│   ├── 00000103_LG64TMX_0.png

│   ├── 00000104_JR09KEP_0.png

│   ├── 00000105_YX30LEE_0.png

│   ├── 00000106_VW07TTX_0.png

│   ├── 00000107_UU82RSU_0.png

│   ├── 00000108_RZ62SPK_1.png

│   ├── 00000109_OK37FHI_1.png

│   ├── 00000110_UY76RZS_0.png

│   ├── 00000111_BR21ZUN_1.png

│   ├── 00000112_LF80PJC_1.png

│   ├── 00000113_GC30DML_1.png

│   ├── 00000114_OK72PZK_1.png

│   ├── 00000115_XC24WNM_1.png

│   ├── 00000116_YP88VCS_0.png

│   ├── 00000117_RW02ZHC_1.png

│   ├── 00000118_GI53PZJ_0.png

│   ├── 00000119_BN37WXU_1.png

│   ├── 00000120_WW96LQJ_1.png

│   ├── 00000121_EL20SZW_1.png

│   ├── 00000122_XY88BMP_1.png

│   ├── 00000123_HP51IGO_1.png

│   ├── 00000124_PH08GBU_0.png

│   ├── 00000125_ZV49QIL_0.png

│   ├── 00000126_VI16QFY_0.png

│   ├── 00000127_FD49SCQ_0.png

│   ├── 00000128_LV47BVT_0.png

│   ├── 00000129_ZY55HOK_1.png

│   ├── 00000130_BX09RBR_1.png

│   ├── 00000131_YS13CHG_0.png

│   ├── 00000132_BH78TMV_1.png

│   ├── 00000133_EN86PUX_1.png

│   ├── 00000134_ZB65HJA_1.png

│   ├── 00000135_EQ94RNT_0.png

│   ├── 00000136_YF95XTC_0.png

│   ├── 00000137_DE29SLI_0.png

│   ├── 00000138_IE95YCN_1.png

│   ├── 00000139_PO88VEH_1.png

│   ├── 00000140_DR12YBW_0.png

│   ├── 00000141_QC25OQC_1.png

│   ├── 00000142_JV11DWL_0.png

│   ├── 00000143_NM51VHC_0.png

│   ├── 00000144_KS35KIQ_1.png

│   ├── 00000145_EO42GZI_0.png

│   ├── 00000146_LZ44ZVI_0.png

│   ├── 00000147_ZW67VUC_1.png

│   ├── 00000148_QE40CMM_1.png

│   ├── 00000149_MW99MNW_1.png

│   ├── 00000150_CH39PTL_0.png

│   ├── 00000151_YR85GRN_1.png

│   ├── 00000152_LD11QFC_1.png

│   ├── 00000153_GC10ZKK_0.png

│   ├── 00000154_CT55VBG_0.png

│   ├── 00000155_HR29SPW_1.png

│   ├── 00000156_DP99EWG_1.png

│   ├── 00000157_GW04UPU_0.png

│   ├── 00000158_LF14HBB_0.png

│   ├── 00000159_LM20VMX_1.png

│   ├── 00000160_AU63ZAD_1.png

│   ├── 00000161_WY92ITJ_0.png

│   ├── 00000162_TX11UII_0.png

│   ├── 00000163_II39QAP_1.png

│   ├── 00000164_DD55ELK_1.png

│   ├── 00000165_NG60UFU_0.png

│   ├── 00000166_KQ12ZRI_1.png

│   ├── 00000167_MV93CBM_1.png

│   ├── 00000168_LW33NYQ_1.png

│   ├── 00000169_FB82CMB_1.png

│   ├── 00000170_FX19WNU_0.png

│   ├── 00000171_IQ55DBD_0.png

│   ├── 00000172_NK50MOX_1.png

│   ├── 00000173_HQ64NGR_1.png

│   ├── 00000174_AZ99KPW_0.png

│   ├── 00000175_PD91DJS_0.png

│   ├── 00000176_PU10NRQ_0.png

│   ├── 00000177_CF25XCE_0.png

│   ├── 00000178_MX70TAR_1.png

│   ├── 00000179_SO31QEM_0.png

<
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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
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