基于飞桨实现项目1 车牌识别

已于 2023-05-08 18:04:32 修改
阅读量1k 收藏 13
点赞数
分类专栏： OCR 文章标签： git python 深度学习 计算机视觉
于 2023-04-26 17:56:04 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_51691064/article/details/130376518
版权

文章目录

1 项目介绍

车牌识别系统是指能够检测到受监控路面的车辆并自动提取车辆牌照信息(含汉字字符、英文字母、阿拉伯数字及号牌颜色)进行处理的技术。

本次是学习该博主https://blog.csdn.net/qq_36816848/category_12113641.html的项目智慧交通预测系统的一个总结，使用的是飞桨。
整个项目用DBNet进行文本检测(寻找文本位置)，然后用RARE进行文本识别(识别图像中的文字)。
做的事情有整理数据集，然后部署模型，训练模型，导出模型，最终进行测试。下面也从这几个方面进行总结。

原地址：https://aistudio.baidu.com/aistudio/projectdetail/4542547

2 环境配置

因为用的是Paddle，因此需要先配置paddle环境。
首先，拉取PaddleOCR：

#下载PaddleOCR
%cd ~/
!git clone -b release/2.1 https://github.com/PaddlePaddle/PaddleOCR.git

这里我执行时直接提示说已经存在，那就不用管了，可以安装使用PaddleOCR的环境：

%cd PaddleOCR
!pip install -r requirments.txt
!pip install --upgrade scipy
# !pip install -r requirements.txt -i https://mirror.baidu.com/pypi/simple
%cd ..

如果没有什么问题，到这就算配置完成基本环境了。

3 数据集

3.1 CCPD02020介绍

本次使用的是CCPD02020，其训练集，验证集和测试集已经分组完成：
在这里插入图片描述
打开任一文件夹后发现文件名称特别长，形式如下，以-为分隔符：0139453125-91_266-231&462_435&531-429&529_231&531_236&462_435&468-0_0_3_26_24_30_32_32-116-38.jpg
其实这是该图像的标注：

  1. 0139453125是区域
  2. 91_266对应两个角度, 水平91°, 竖直266°
  3. 231&462_435&531对应边界框左上(231, 462)和右下(435, 531)坐标
  4. 429&529_231&531_236&462_435&468对应四个角点坐标
  5. 0_0_3_26_24_30_32_32-116-38为映射为数字的车牌号码。第一个0为省份，根据映射关系provinces为皖。后面是数字和字母，根据对照表ads，比如第二个0为A，24是0。

映射关系：

车牌省份： 
provinces = [“皖”, “沪”, “津”, “渝”, “冀”, “晋”, “蒙”, “辽”, “吉”, “黑”, “苏”, “浙”, “京”, “闽”, “赣”, “鲁”, “豫”, “鄂”, “湘”, “粤”, “桂”, “琼”, “川”, “贵”, “云”, “藏”, “陕”, “甘”, “青”, “宁”, “新”, “警”, “学”, “O”]
字母和数字：
ads = [‘A’, ‘B’, ‘C’, ‘D’, ‘E’, ‘F’, ‘G’, ‘H’, ‘J’, ‘K’, ‘L’, ‘M’, ‘N’, ‘P’, ‘Q’, ‘R’, ‘S’, ‘T’, ‘U’, ‘V’, ‘W’, ‘X’, ‘Y’, ‘Z’, ‘0’, ‘1’, ‘2’, ‘3’, ‘4’, ‘5’, ‘6’, ‘7’, ‘8’, ‘9’, ‘O’]

3.2 解压数据集

在这里插入图片描述
项目中，数据是以zip格式给的，需要解压：

!unzip -q data/data168819/CCPD2020.zip -d work/CCPD2020

注意，这里必须在根路径(/home/aistudio)下，可以用!pwd查看

3.3 提取文本检测数据集

我们了解到数据图像的名称是标签，其实是文本检测和文本识别结合到一起的标签。这里需要进行提取。

#转换检测数据，打开注释执行三次生成训练所需txt文件，分别为train、val、test。
%cd ~ # 返回根目录的作用
import os, cv2
words_list = [
    "A", "B", "C", "D", "E",
    "F", "G", "H", "J", "K", 
    "L", "M", "N", "P", "Q", 
    "R", "S", "T", "U", "V", 
    "W", "X", "Y", "Z", "0", 
    "1", "2", "3", "4", "5", 
    "6", "7", "8", "9" ]

con_list = [
    "皖", "沪", "津", "渝", "冀",
    "晋", "蒙", "辽", "吉", "黑",
    "苏", "浙", "京", "闽", "赣",
    "鲁", "豫", "鄂", "湘", "粤",
    "桂", "琼", "川", "贵", "云",
    "西", "陕", "甘", "青", "宁",
    "新"]

count = 0
data = open('work/train_data_det.txt', 'w', encoding='UTF-8')
# data = open('work/val_data_det.txt', 'w', encoding='UTF-8')
# data = open('work/test_data_det.txt', 'w', encoding='UTF-8')

for item in os.listdir('work/CCPD2020/CCPD2020/ccpd_green/train'):
# for item in os.listdir('work/CCPD2020/CCPD2020/ccpd_green/val'):
# for item in os.listdir('work/CCPD2020/CCPD2020/ccpd_green/test'):

    path = 'work/CCPD2020/CCPD2020/ccpd_green/train/'+item
    # path = 'work/CCPD2020/CCPD2020/ccpd_green/val/'+item
    # path = 'work/CCPD2020/CCPD2020/ccpd_green/test/'+item

    _, _, bbox, points, label, _, _ = item.split('-')
    points = points.split('_')
    points = [_.split('&') for _ in points]
    tmp = points[-2:]+points[:2]
    points = []
    for point in tmp:
        points.append([int(_) for _ in point])
    label = label.split('_')
    con = con_list[int(label[0])]
    words = [words_list[int(_)] for _ in label[1:]]
    label = con+''.join(words)
    line = path+'\t'+'[{"transcription": "%s", "points": %s}]' % (label, str(points))
    line = line[:]+'\n'
    data.write(line)

# 下面的代码没有什么作用
# total = []
# with open('work/train_data_det.txt', 'r', encoding='UTF-8') as f:
#     for line in f:
#         total.append(line)

# with open('work/val_data_det.txt', 'r', encoding='UTF-8') as f:
#     for line in f:
#         total.append(line)

# with open('work/test_data_det.txt', 'r', encoding='UTF-8') as f:
#     for line in f:
#         total.append(line)


# with open('work/train_det.txt', 'w', encoding='UTF-8') as f:
#     for line in total[:-500]:
#         f.write(line)

# with open('work/dev_det.txt', 'w', encoding='UTF-8') as f:
#     for line in total[-500:]:
#         f.write(line)

在这里插入图片描述
这三块，对应改变注释执行即可(总共进行三次)。下面一块被注释的代码没起到什么作用。
最终得到三个文件：

  1. train_data_det
  2. val_data_det
  3. test_data_det

三个文件中，每一行的内容都和下面很类似work/CCPD2020/CCPD2020/ccpd_green/train/303154296875-91_93-224&467_530&571-530&571_224&564_224&470_527&467-0_0_3_24_32_25_33_25-78-103.jpg [{"transcription": "皖AD08191", "points": [[224, 470], [527, 467], [530, 571], [224, 564]]}]
其中空格作为分割，前面是图像的路径，后面是标签(图中文本，图中被框出的文本的四个角的坐标)

3.4 提取文本识别数据集

#识别数据：转换成PaddleOCR使用的格式（图片名+内容），打开注释执行三次生成训练所需txt文件，分别为train、val、test。
%cd ~  # 切换到根路径
import os, cv2
words_list = [
    "A", "B", "C", "D", "E",
    "F", "G", "H", "J", "K", 
    "L", "M", "N", "P", "Q", 
    "R", "S", "T", "U", "V", 
    "W", "X", "Y", "Z", "0", 
    "1", "2", "3", "4", "5", 
    "6", "7", "8", "9" ]

con_list = [
    "皖", "沪", "津", "渝", "冀",
    "晋", "蒙", "辽", "吉", "黑",
    "苏", "浙", "京", "闽", "赣",
    "鲁", "豫", "鄂", "湘", "粤",
    "桂", "琼", "川", "贵", "云",
    "西", "陕", "甘", "青", "宁",
    "新"]

# if not os.path.exists('work/img'):   #所有数据集都放入一个文件夹，这里其实我没有用到
#     os.mkdir('work/img')

#训练、验证、测试集分开三个文件夹对应解开注释依次执行三次
# if not os.path.exists('work/train_rec_img'):
#     os.mkdir('work/train_rec_img')


# if not os.path.exists('work/val_rec_img'):
#     os.mkdir('work/val_rec_img')

if not os.path.exists('work/test_rec_img'):
    os.mkdir('work/test_rec_img')

count = 0

# data = open('work/train_data_rec.txt', 'w', encoding='UTF-8')
# data = open('work/val_data_rec.txt', 'w', encoding='UTF-8')
data = open('work/test_data_rec.txt', 'w', encoding='UTF-8')

# for item in os.listdir('work/CCPD2020/CCPD2020/ccpd_green/train'):
# for item in os.listdir('work/CCPD2020/CCPD2020/ccpd_green/val'):
for item in os.listdir('work/CCPD2020/CCPD2020/ccpd_green/test'):

    # path = 'work/CCPD2020/CCPD2020/ccpd_green/train/'+item
    # path = 'work/CCPD2020/CCPD2020/ccpd_green/val/'+item
    path = 'work/CCPD2020/CCPD2020/ccpd_green/test/'+item
    
    #原来的 path = 'work/CCPD2020/ccpd_base/'+item

    _, _, bbox, _, label, _, _ = item.split('-')
    bbox = bbox.split('_')
    x1, y1 = bbox[0].split('&')
    x2, y2 = bbox[1].split('&')
    label = label.split('_')
    con = con_list[int(label[0])]
    words = [words_list[int(_)] for _ in label[1:]]
    label = con+''.join(words)
    bbox = [int(_) for _ in [x1, y1, x2, y2]]
    img = cv2.imread(path)
    crop = img[bbox[1]:bbox[3], bbox[0]:bbox[2], :]

    # cv2.imwrite('work/train_rec_img/%06d.jpg' % count, crop)
    # data.write('work/train_rec_img/%06d.jpg\t%s\n' % (count, label))

    # cv2.imwrite('work/val_rec_img/%06d.jpg' % count, crop)
    # data.write('work/val_rec_img/%06d.jpg\t%s\n' % (count, label))
    
    cv2.imwrite('work/test_rec_img/%06d.jpg' % count, crop)
    data.write('work/test_rec_img/%06d.jpg\t%s\n' % (count, label))
    count += 1
data.close()

with open('work/word_dict.txt', 'w', encoding='UTF-8') as f:
    for line in words_list+con_list:
        f.write(line+'\n')

# 下面的代码没有什么作用
# total = []
# with open('work/train_data_rec.txt', 'r', encoding='UTF-8') as f:
#     for line in f:
#         total.append(line)

# with open('work/val_data_rec.txt', 'r', encoding='UTF-8') as f:
#     for line in f:
#         total.append(line)

# with open('work/test_data_rec.txt', 'r', encoding='UTF-8') as f:
#     for line in f:
#         total.append(line)

同样25-34，38-40，42-44，46-48，64-71五块，对应改变注释执行即可(总共进行三次)。下面一块被注释的代码没起到什么作用。
而data.close()后面的with模块，生成的是标签映射关系，如A对应1，43对应吉。
最终，生成文件及目录：

  1. word_dicrt.txt
  2. train_data_rec.txt
  3. val_data_rec.txt
  4. test_data_rec.txt
  5. train_rec_img
  6. val_rec_img
  7. test_rec_img

其中234是训练文件，每一行内容类似work/train_rec_img/000000.jpg 皖AD08191。空格隔开，前面是图像的路径，后面是理想下识别得到的文字。
567是文本识别的训练集，里面是训练，验证，测试图像。

到这里数据集就准备完毕了，其实还是有很多注释的部分，暂时没遇到需要这些的东西。

4 模型

PaddleOCR提供的检测与识别模型：
在这里插入图片描述
模型库：https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.6/doc/doc_ch/models_list.md#1.1
该博主用以MobileNetV3为backbone的DBNet和RARE进行示例。
其中DBNet原理总结：https://blog.csdn.net/weixin_51691064/article/details/130272531

4.1 下载模型

首先下载预训练模型：

!wget -P ./pretrain_models/ https://paddleocr.bj.bcebos.com/ch_models/ch_det_mv3_db.tar
!wget -P ./pretrain_models/ https://paddleocr.bj.bcebos.com/rec_mv3_tps_bilstm_attn.tar

注意，这里是在PaddleOCR文件夹下完成的。其中第一个是文本检测模型DBNet，第二个是文本识别模型RARE。
解压模型参数

%cd pretrain_models 
!tar -xf ch_det_mv3_db.tar && rm -rf ch_det_mv3_db.tar
!tar -xf rec_mv3_tps_bilstm_attn.tar && rm -rf rec_mv3_tps_bilstm_attn.tar

%cd pretrain_models 是进入PaddleOCR的pretrain_models文件夹，即预训练模型下载的位置。解压后两个压缩包被删除，pretrain_models目录下多了两个文件夹，即det_mv3_db和rec_mv3_tps_bilstm_attn，分别是文本检测模型和文本识别模型。
进去后，emmm…看不懂

4.2 文本检测训练

为了训练模型，我们需要修改配置文件下数据集的路径。首先找到PaddleOCR目录下的configs/det/det_mv3_db.yml，可以看到里面的内容如下：
在这里插入图片描述
其中包含了epoch总数等各种信息。
接下来，打开里面的数据集文件路径./configs/det/det_db_icdar15_reader.yml修改数据集路径。该文件内容如下：
在这里插入图片描述
这里图像数据路径写根路径/home/aistudio/即可，猜测是执行train.py，自动数据集将后面的路径进行拼接了。这就要求我们解压数据集时不要修改解压路径，否则可能出错。

修改完数据路径后，进行训练：

%cd ~/PaddleOCR
# 设置PYTHONPATH路径
%env PYTHONPATH=$PYTHONPATH:.
# GPU单卡训练
%env CUDA_VISIBLE_DEVICES=0
!python3 tools/train.py -c configs/det/det_mv3_db.yml

%cd ~/PaddleOCR作用是返回PaddleOCR目录，如果手动返回了，不要这行也可以。
我用的环境是V100 16G，挺慢的。因此仅仅训练了10个epoch，可以选择更大的。
保存的模型参数等文件如下图：
在这里插入图片描述

4.3 文本识别检测

和文本检测很像，也是先修改数据集路径，然后训练。
这次，先找到PaddleOCR目录下的configs/rec/rec_mv3_tps_bilstm_attn.yml，内容如下：
在这里插入图片描述
其中的东西也与文本检测类似，重点关注配置数据集路径文件./configs/rec/rec_chinese_reader.yml。
打开后如下：
在这里插入图片描述
同样，图像数据设置为根路径即可，后面路径训练脚本自动拼接，要求提取文本识别数据集中的路径代码不能随意更改。
然后执行训练脚本：

# %cd ~/PaddleOCR
# GPU单卡训练
%env CUDA_VISIBLE_DEVICES=0
!python3 tools/train.py -c configs/rec/rec_mv3_tps_bilstm_attn.yml

上面文本检测和文本识别脚本都是单卡训练，如果要多卡训练，比如四张，%env CUDA_VISIBLE_DEVICES=0改为%env CUDA_VISIBLE_DEVICES=0,1,2,3

到这里模型训练部分就完成了。

4.4 修改模型

假如我们不想使用DBNet或者RARE，可以对模型进行修改。
首先选择模型，有两个入口：

  1. 拉取的PaddleOCR的README文件
  2. 官方模型库https://github.com/PaddlePaddle/PaddleOCR/blob/release/2.6/doc/doc_ch/models_list.md

其次，下载模型后，参照4.1节中解压模型压缩文件，路径最好不变。
最后修改配置文件，比如文本检测：

%cd ~/PaddleOCR
# 设置PYTHONPATH路径
%env PYTHONPATH=$PYTHONPATH:.
# GPU单卡训练
%env CUDA_VISIBLE_DEVICES=0
!python3 tools/train.py -c configs/det/det_mv3_db.yml

从上面可以看到DBNet配置文件为configs/det/det_mv3_db.yml，那么就到里面去修改pretrain_weights的值为解压的模型文件路径。
如果下载的模型对配置文件有要求，将上述训练命令中-c的参数修改为指定配置文件。
比如
在这里插入图片描述
我要使用第一个，要求的配置文件是ch_PP-OCRv3_det_cml.yml，那就将-c设置为上述配置文件。修改的模型路径也是上述配置文件的pretrain_weights值。

5 导出模型

%cd ~/PaddleOCR
# 导出检测模型
!python3 tools/export_model.py \
        -c configs/det/det_mv3_db.yml \
        -o Global.checkpoints=./myoutput/det_db/best_accuracy \
        Global.save_inference_dir=./inference/mydet_db

# 导出识别模型
!python3 tools/export_model.py \
        -c configs/rec/rec_mv3_tps_bilstm_attn.yml \
        -o Global.checkpoints=./myoutput/rec_RARE_atten_new/best_accuracy \
        Global.save_inference_dir=./inference/myrec_rare

我第一次执行时有两个包没有安装，pip安装即可。
其次，导出模型前，PaddleOCR/interface/mydet_db和PaddleOCR/interface/myrec_rare路径下已经存在model和params两个文件。导出后仍是这两个名称的文件，在没有报错的情况下，是正常的(覆盖了)。
在这里插入图片描述

6 模型测试

首先安装深度学习数据增强库imgaug：

!pip install imgaug

然后执行训练脚本：

%cd ~/PaddleOCR
!python3 tools/infer/predict_system.py \
    --image_dir="../imgtest" \
    --det_model_dir="./inference/mydet_db" \
    --rec_model_dir="./inference/myrec_rare" \
    --rec_image_shape="3, 32, 320" \
    --rec_char_type="ch" \
    --rec_algorithm="RARE" \
    --use_space_char False \
    --max_text_length 8 \
    --rec_char_dict_path="../word_dict.txt" \
    --use_gpu False

结果类似即正确：
在这里插入图片描述
原文中结果的置信度基本接近1，可能我这是文本检测训练的不足，置信度略低。

7 模型部署

7.1 ONNX

首先安装环境：

!pip install onnx==1.10.1 onnxruntime-gpu==1.10 paddle2onnx
!paddle2onnx --model_dir ./stac --model_filename model.pdmodel --params_filename model.pdiparams --opset_version 11 --save_file result.onnx

导出检测模型：

%cd ~/PaddleOCR
!paddle2onnx \
    --model_dir ./inference/mydet_db \
    --model_filename __model__ \
    --params_filename __params__ \
    --save_file ./out_onnx/det/det.onnx \
    --opset_version 12 \
    --enable_onnx_checker True

其中--model_dir是模型的保存路径，--save_file是onnx文件的保存路径，修改这两个即可。
导出识别模型：

%cd ~/PaddleOCR
!paddle2onnx \
    --model_dir ./inference/rec_RARE_attn_new \
    --model_filename __model__ \
    --params_filename __params__ \
    --save_file ./out_onnx/rec/rec.onnx \
    --opset_version 12 \
    --enable_onnx_checker True

8 参考

https://aistudio.baidu.com/aistudio/projectdetail/4542547
https://blog.csdn.net/qq_36816848/category_12113641.html
https://aistudio.baidu.com/aistudio/projectdetail/4359114?channelType=0&channel=0

【智慧交通项目实战】《 OCR车牌检测与识别》（四）：基于Pyqt的项目可视化
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
07-03 9629
本项目为新系列【智慧交通项目实战】《OCR车牌检测和识别》(四)--项目可视化，该系列将分为多篇文章展开分别对项目流程、数据集、检测、识别算法、可视化进行详细介绍。本篇为该系列第四篇，将着重介绍车牌识别项目可视化，对Pyqt可视化界面、配置进行详进行详细解读，后续将陆续更新其他项目实战文章。
百度飞桨python训练营结营创意赛项目——车牌检测
wtlll的博客
05-06 1132
基于paddlehub的车牌信息识别Paddlehub简介项目说明代码展示总结心得 纸船 Paddlehub简介 PaddleHub是飞桨预训练模型管理工具和迁移学习工具，可以便捷地获取PaddlePaddle生态下的预训练模型，涵盖了图像分类、目标检测、词法分析、语义模型、情感分析、语言模型、视频分类、图像生成、图像分割九类主流模型。本课程将持续更新关于PaddleHub产品使用的案例及教程...
车牌识别 百度飞桨深度学习7日—Day03
weixin_44224103的博客
04-07 810
百度深度学习7日—Day03车牌识别车牌识别前期工作静态图实现和动态图实现的区别数据预处理模型定义训练部分校验部分预测 车牌识别 生活中车牌识别已经随处可见，那么，大家想知道车牌识别通过深度学习该如何实现嘛？现在，让我们通过百度飞桨paddlepaddle来实现一下吧 环境：paddlepaddle 1.7.0（用到动态图） 数据集： 百度ai数据集 车牌数据 推荐：白嫖百度ai V100显卡的算...
百度飞浆Paddle OCR检测和识别【OCR数据收集、标注、数据集划分、检测识别模型训练、导出模型】
最新发布
lemon.qing@foxmail.com
09-20 2250
1、我的电脑没有GPU，如果不使用AI Studio训练的话，第一遍我是按照CPU进行环境配置和训练的，可以参考这篇文章，我按着弄了一遍，可以使用的。2、使用AI Studio平台进行数据GPU训练，每天都可以领到可以使用的点数，作为零氪用户也可以使用A100训练，完全够用的。Ai Studio进行训练方便简单快捷，不需要配置复杂的环境，或者解决各种离谱的代码报错。本文使用Ai Studio进行训练的。
百度飞桨（4）—— 车牌识别
qq_37668436的博客
05-26 2085
前言 本节学习车牌识别，小改lenet-5网络。 视屏教程：百度飞浆 存在的问题 本地用pycharm读文件顺序和AI studio读取顺序不同… …导致加载本地匹配码总是错位，无奈只能静态的存匹配关系了。但是这样适配到别的机器上就要修改test_list.list和train_list.list文件里面的路径了，可以使用pycharm的replace_all功能替换。 网络搭建 参考上一节的Lenet-5网络分析：百度飞桨（3）—— 手势识别 本节使用的数据是20 × 20大小的单通道图片，所以输入层相对
TechDay公开课实录:PaddlePaddle车牌识别实战和心得
weixin_34245082的博客
01-21 261
车牌识别作为一种常见的图像识别的应用场景，已经是一个非常成熟的业务了，在传统的车牌识别中，可以使用字符分割+字符识别的方式来进行车牌识别，而深度学习兴起后，出现了很多端到端的车牌识别模型，不用分割字符，直接输入车牌图片即可识别出车牌字符。2019年1月5日百度深度学习线下技术公开课PaddlePaddle TechDay第一期演讲则邀请了...
用PaddlePaddle（飞浆）实现车牌识别
Wenrui Xie的博客
07-31 6578
项目描述：本次实践是一个多分类任务，需要将照片中的每个字符分别进行识别，完成车牌的识别 实践平台：百度AI实训平台-AI Studio、PaddlePaddle1.8.0 动态图 数据集介绍（自己去网上下载车牌识别数据集） 数据集文件名为characterData.zip，其中有65个文件夹 包含0-9，A-Z，以及各省简称 图片为12020的灰度图像 本次实验中，取其中的10%作为测试集，90%作为训练集 #导入需要的包 import os im.
百度飞桨—— 车牌识别学习与修改
weixin_43893363的博客
02-02 2174
目录1. 数据集描述2. 技术路线3. 模型结构4 .训练集上的表现5 .测试集上的表现6. 主要问题解决过程7.运行结果8.代码 1. 数据集描述       本数据集图片数约3.2万张，划分为65个部分。分别包含车牌中0到9（10个数字），A到Z（24个英文字母），以及31个省简称的图片数据。其中，图片分辨率为20*20的灰度图像。数据集中的10%作为测试集，90%作为训练集。 2. 技术路线     &
基于paddle的车牌识别
01-04
本项目是基于PaddlePaddle（飞桨）深度学习框架实现的车牌识别系统，结合了目标检测与PPOCR模型，以提高识别的准确性和效率。 一、目标检测 目标检测是计算机视觉领域的一个重要任务，旨在从图像中定位并识别出...
基于深度卷积神经网络的车牌识别
weixin_50260062的博客
07-24 8807
ANPR算法（车牌自动识别系统） 1.车牌检测 在整个视频帧中检测到车牌的位置。 2.车牌识别 当在图像中检测到车牌时，使用OCR（光学字符识别）算法来识别车牌上的字母和数字。 1.1车牌检测 这一步要检测当前帧中的所有车牌，我们将其分为两个主要步骤，分割和分类。 在第一步（分割）中，将应用不同的滤波器，形态学算子，轮廓算法来验证图像中可能包含...
深度学习图像识别：车牌识别系统
holdme95的博客
11-01 761
图像识别技术可能是以图像的主要特征为基础的。每个图像都有它的特征，如字母A有个尖，P有个圈、而Y的中心有个锐角等。对图像识别时眼动的研究表明，视线总是集中在图像的主要特征上，也就是集中在图像轮廓曲度最大或轮廓方向突然改变的地方，这些地方的信息量最大。而且眼睛的扫描路线也总是依次从一个特征转到另一个特征上。由此可见，在图像识别过程中，知觉机制必须排除输入的多余信息,抽出关键的信息。同时,在大脑里必定有一个负责整合信息的机制，它能把分阶段获得的信息整理成一个完整的知觉映象。车牌检测与识别。
百度paddle学习日记（三)—–车牌识别
01-20
百度paddle学习日记(三）——车牌识别 今天的任务也就开门见山了 车牌识别 意思和题目一样，让计算机能看懂 车牌！ 先介绍一下 本次使用CNN 也就是卷积神经网络。 通过过滤器和池化层对图像进行处理来达到学习的目的！ 训练数据和paddle教程可分别在以下两个网址获取： https://aistudio.baidu.com https://www.paddlepaddle.org.cn 废话不多说，直接上代码： #导入需要的包 import numpy as np import paddle as paddle import paddle.fluid as fluid from PIL i
车牌识别训练集
09-11
车牌识别训练集。车牌由三部分组成：数字+英文+汉字。该字符集包含着三项的集合，样本丰富，每个字符都在一千张以上。可用于车牌识别项目的开发和测试工作。
PaddleOCR车牌识别实战教程及源码
资源摘要信息: "车牌识别-基于PaddleOCR实现的车牌识别算法-附项目源码-优质项目实战.zip" 在当前的IT技术领域，车牌识别技术已经成为了智能交通系统、车辆管理、停车场自动化以及安保监控等多个方面的重要应用。它...
智能交通组合拳--飞桨实现车辆类别/车牌/车速检测、跨境头跟踪、车流密度检测、逆行检测
热门推荐
weixin_47567401的博客
03-04 1万+
1、车流量+拥堵情况2、车牌检测3、车辆种类逆行4、车辆视觉测速
百度飞桨PaddlePaddle车牌识别
微信公众号：码奋
04-08 1990
首先飞桨安装可以通过官网的提示安装 通过对7大疫情AI实战案例学习 其中包含-手势识别，车牌识别，口罩分类，PaddleSlim模型压缩的学习 #导入需要的包 import numpy as np import paddle as paddle import paddle.fluid as fluid from PIL import Image import cv2 impo...
飞桨深度学习7日入门CV - Day03 - 车牌识别
sinat_29950703的博客
04-08 1161
导读1：车牌识别 比一般的分类问题多了一个步骤，即将车牌的7个字符进行分割 导读2：车牌识别 的类别 分为70个 10个数字 0-9 26个英文字母 A-Z 34个省份简称 如min闽、liao辽、gan赣等 emm… 我怎么算的是70呢？教程中的类别数为65啊 问题不大，大家使用的数据集类别是多少就改为多少，文中的类别数都为65 1.数据准备 # 查看当前挂载的数据集目录 !ls /home...
快速实践大规模轻量级图片分类模型：飞桨识图 PP-ShiTu
m0_63642362的博客
12-18 3298
飞桨识图 PP-ShiTu是大规模轻量级图片分类模型，重建索引速度快，识别速度快，上手快！展示了官方的饮料数据集和斯坦福在线商品数据集上的效果。
人工智能 - paddlepaddle飞桨 - 深度学习基础教程 - 数字识别
YunWisdom
12-01 1806
人工智能 - paddlepaddle飞桨 - 深度学习基础教程 - 数字识别 本教程源代码目录在book/recognize_digits,初次使用请您参考Book文档使用说明。 说明:¶ 硬件环境要求： 本文可支持在CPU、GPU下运行 Docker镜像支持的CUDA/cuDNN版本： 如果使用了Docker运行Book，请注意：这里所提供的默认镜像的GPU环境为 CUDA ...
用python在百度飞桨中编程实现车牌的识别
04-03
由于百度飞桨深度学习框架已经提供了车牌识别的预训练模型，因此我们可以使用该模型来实现车牌的识别。 首先，需要安装PaddlePaddle和PaddleOCR库。可以使用以下命令进行安装： ``` !pip install paddlepaddle -i ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

白三点

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

实付元
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