车牌识别

数据集获取

1. 车牌数据集下载地址：https://pan.baidu.com/s/1mhJPo3u

2. 对下载的数据集进行解压，结构如下，包括测试样本和训练样本：

3. 测试集内图片如下：

4. 训练集主要有训练集、验证集组成，结构如下：

5. 训练集包括：数字0-9、字母A-Z、还有中文字符京、闽、粤、苏、沪、浙，如下：

6. 验证集也包括：数字0-9、字母A-Z、还有中文字符京、闽、粤、苏、沪、浙，如下：

实现

省份训练+识别

字母训练+识别

数字训练+识别

处理流程

1. 数据集内的图像都是经过二值化处理后的黑白图（黑底白字），大小为32*40；

2. 首先，读取训练集内的中文字符/数字/字母图，获取图片总数及对应的标签文件；

3. 然后，定义CNN网络进行训练，对训练结果进行优化；

4. 最后，保存训练模型；模型保存在train-saver文件夹；

5. 文件夹内包括训练的数字、字母、省份3个训练文件，如下：

6. 3个文件夹内都包括训练生成的模型文件，如下：

7. 预测：读取训练的模型数据，输入测试图进行测试；

运行结果

省份运行结果

1. 在Anaconda Prompt内通过cd命令，进入到程序目录下；

2. 然后输入：

python train-license-province.py train

进行省份的训练，如下：

3. 训练后进行预测，输入命令：

python train-license-province.py predict

字母运行结果

1. 输入命令

python train-license-letters.py train

进行训练，如下：

2. 训练后进行预测，输入命令：

python train-license-letters.py predict

数字运行结果

1. 输入命令：

python train-license-digits.py train 

  进行训练，如下：

2. 训练后进行预测，命令如下：

python train-license-digits.py predict

改进点

1. 正常采集的车牌图片应该是彩色、有噪声、带旋转等多种复杂情况混合的，固需要对图像多做写预处理；

2. 目前，数目、数字、中文训练集、验证集、测试集图片数量较少（在100-200之间），应考虑扩充数据集，提高识别准确率；

3. 如果电脑配置高的，可以将程序进行优化，考虑将中文、字母、数字作为一体进行训练；

4. 如果条件有限，数据集无法采集到，可以考虑人工的方法生成车牌图像；