opencv默认的imread是以BGR的方式进行存储的, 而matplotlib的imshow默认则是以RGB格式展示

我用Python自制了一个精密的车牌识别器！老板给了我两万？亏了吗

2. 图像降噪

我用Python自制了一个精密的车牌识别器！老板给了我两万？亏了吗

3. 边缘检测

我用Python自制了一个精密的车牌识别器！老板给了我两万？亏了吗

4.轮廓寻找

我用Python自制了一个精密的车牌识别器！老板给了我两万？亏了吗

（这里主要用形态学矩形算法寻找，这里直接给出结果）

5.字符分割

这里字符分割主要用到聚类算法，比如光谱聚类，Python有专门的模块可以处理。

我用Python自制了一个精密的车牌识别器！老板给了我两万？亏了吗

这里有七张图片，每张图片是汽车牌照的每一个字符。

二、深度学习

接下来我们开始训练深度学习模型，进行识别。

import os
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
import tensorflow as tf
from tensorflow import keras
from sklearn.model_selection import train_test_split
###############################################################################
汽车图片
rootpath = 'D:\car_img\charSamples'
try:
os.makedirs('D:\car_img\img')
except FileExistsError:
pass
文件目录列表
file_list1 = []
for root, dirs, files in os.walk(rootpath):
for file in files:
if os.path.splitext(file)[1] == '.png':
file_list1.append(os.path.join(root, file))
len(file_list1)
批量改变图片像素, 并重命名图片名称为1-1700
num = 0
for filename in file_list1:
im = Image.open(filename)
new_im =im.resize((12, 12))
new_im.save('D:/car_img/img/{}.png'.format(str(num).zfill(4)))
num += 1
rootpath2 = 'D:\car_img\img'
file_list2 = []
for root, dirs, files in os.walk(rootpath2):
for file in files:
if os.path.splitext(file)[1] == '.png':
file_list2.append(os.path.join(root, file))
M = []
for filename in file_list2:
im = Image.open(filename)
width,height = im.size
im_L = im.convert('L')
Core = im_L.getdata()
arr1 = np.array(Core,dtype='float32') / 255.0
list_img = arr1.tolist()
M.extend(list_img)
X = np.array(M).reshape(len(file_list2),width,height)
X.shape
这里训练的数据主要是数字和字母，由于没有各省简称的图片，这里就没训练了。
class_names = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'A', 'B', 'C',
'D', 'E' ,'F', 'G', 'H', 'J', 'K', 'L', 'M', 'N', 'P', 'Q', 'R',
'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z']
class_names[30]
用字典储存图像信息
index = list(range(34))
dict_label = dict(zip(index, class_names))
用列表输入标签
label = index*50
label.sort()
len(label)
y = np.array(label)
按照4:1的比例将数据划分训练集和测试集
train_images, test_images, train_labels, test_labels = train_test_split(
X, y, test_size=0.2, random_state=0)
###############################################################################
plt.figure()
plt.imshow(train_images[2])
plt.colorbar()
plt.grid(False)
###############################################################################
显示来自训练集的前25个图像，并在每个图像下面显示类名。
验证数据的格式是否正确，准备构建神经网络
plt.figure(figsize=(10,10))
for i in range(25):
plt.subplot(5,5,i+1)
plt.xticks([])
plt.yticks([])
plt.grid(False)
plt.imshow(train_images[i], cmap=plt.cm.binary)
plt.xlabel(class_names[train_labels[i]])

我用Python自制了一个精密的车牌识别器！老板给了我两万？亏了吗

训练模型：

###############################################################################
第一个输入层有12个节点(或神经元)。
第二个(也是最后一个)层是34个节点（类别）的softmax层————返回一个2个概率分数的数组，其和为1。
每个节点包含一个分数，表示当前图像属于两个类别的概率
model = keras.Sequential([
keras.layers.Flatten(input_shape=(12, 12)),
keras.layers.Dense(2**10, activation=tf.nn.relu),
keras.layers.Dense(len(class_names), activation=tf.nn.softmax)
])
###############################################################################
模型拟合
model.compile(optimizer=tf.train.AdamOptimizer(),
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
model.fit(train_images, train_labels, epochs=5)
test_loss, test_acc = model.evaluate(test_images, test_labels)
print('Test accuracy:', test_acc)

我用Python自制了一个精密的车牌识别器！老板给了我两万？亏了吗

###############################################################################
prediction
predictions = model.predict(test_images)
predictions[0]
np.argmax(predictions[0])
dict_label[np.argmax(predictions[0])]
###############################################################################
定义画图函数
def plot_image(i, predictions_array, true_label, img):
predictions_array, true_label, img = predictions_array[i], true_label[i], img[i]
plt.grid(False)
plt.xticks([])
plt.yticks([])
plt.imshow(img, cmap=plt.cm.binary)
predicted_label = np.argmax(predictions_array)
if predicted_label == true_label:
color = '#00bc57'
else:
color = 'red'
plt.xlabel('{} {:2.0f}% ({})'.format(class_names[predicted_label],
100*np.max(predictions_array),
class_names[true_label]),
color=color)
###############################################################################
def plot_value_array(i, predictions_array, true_label):
predictions_array, true_label = predictions_array[i], true_label[i]
plt.grid(False)
plt.xticks([])
plt.yticks([])
thisplot = plt.bar(range(len(class_names)), predictions_array,
color='#FF7F0E', width=0.5)
plt.ylim([0, 1])
predicted_label = np.argmax(predictions_array)
thisplot[predicted_label].set_color('red')
thisplot[true_label].set_color('#00bc57')

我们看看测试第一张图片，预测准确，并且预测为‘D’的概率最大23%

我用Python自制了一个精密的车牌识别器！老板给了我两万？亏了吗

我们再看看测试第12张图片，预测准确，并且预测为‘S’的概率为99%。

我用Python自制了一个精密的车牌识别器！老板给了我两万？亏了吗

我们再看看预测的15张图片，识别都准确。

#绘制预测标签和真实标签以及预测概率柱状图
正确的预测用绿色表示，错误的预测用红色表示
num_rows = 5
num_cols = 3
num_images = num_rowsnum_cols
plt.figure(figsize=(22num_cols, 2num_rows))
for i in range(num_images):
plt.subplot(num_rows, 2num_cols, 2i+1)
plot_image(i, predictions, test_labels, test_images)
plt.subplot(num_rows, 2num_cols, 2i+2)
plot_value_array(i, predictions, test_labels)

我用Python自制了一个精密的车牌识别器！老板给了我两万？亏了吗

导入外部图像

#从外部获取未知图像
filedir = 'D:/car_img/card/'
file_list_pred = []
for root, dirs, files in os.walk(filedir):
for file in files:
if os.path.splitext(file)[1] == '.jpg':
file_list_pred.append(os.path.join(root, file))
批量改变未知图片像素
num = 0
for filename in file_list_pred:
im = Image.open(filename)
new_im =im.resize((12, 12))
new_im.save('D:/car_img/card_pred/{}.jpg'.format(num))
num += 1
获取未知图片列表
filedir = 'D:/car_img/card_pred/'
file_list_pred = []
for root, dirs, files in os.walk(filedir):
for file in files:
if os.path.splitext(file)[1] == '.jpg':
file_list_pred.append(os.path.join(root, file))
file_list_pred.pop(0)

这里由于没有收集到各省的简称图像数据，没有进行训练，机器也没有学习，所以这次只是别字母和数字。机器就像人一样，将字母和数字的数据给他学习，他就会判断识

我用Python自制了一个精密的车牌识别器！老板给了我两万？亏了吗

# 对于多个图像
N = []
for filename in file_list_pred:
im = Image.open(filename)
width,height = im.size
im_L = im.convert('L')
Core = im_L.getdata()
arr1 = np.array(Core,dtype='float')/255.0
arr1.shape
list_img = arr1.tolist()
N.extend(list_img)
pred_images = np.array(N).reshape(len(file_list_pred),width,height)
prediction
predictions = model.predict(pred_images)
card = []
for i in range(len(file_list_pred)):
img = pred_images[i]
plt.imshow(img, cmap=plt.cm.binary)
将图像添加到唯一的成员批处理中.
img = (np.expand_dims(img,0))
预测图像:
predictions_single = model.predict(img)
###############################################################################
plot_value_array(0, predictions_single, test_labels)
_ = plt.xticks(range(len(class_names)), class_names, rotation=45)
print('第'+str(i)+'张图像识别为: '+dict_label[np.argmax(predictions_single[0])])
card.append(dict_label[np.argmax(predictions_single[0])])
card_str=', '.join(card)

进行最后的图像识别：

我用Python自制了一个精密的车牌识别器！老板给了我两万？亏了吗

我们将识别的文字结果转换为语音播报出来：

至此，由由openCV的图形处理，Python的深度学习模型，和借助百度API文字转语音，来完成整个汽车牌照识别已经基本完成。让人来识别这几个字母和数字可能很简单，那是因为我们从小就在学习数字和字母，机器也一样，只要给他大量的数据进行训练，他就会识别这些图片文字。背后运用的算法主要是些分类算法，聚类算法，还有一些统计学方法。当我们给机器训练的数据量越小，识别的误差越大。因此，为了有效更准确的的识别图片文字，我们需要有大量的数据作为训练集，还有要比较好的算法。人对于真实世界的视觉和认识，正如计算机对真实世界的视觉和算法。人看图片是各种颜色和形态，计算机看图片是RGB数字和几何。人对图像的识别靠后天学习和经验，计算机对图像的识别靠机器学习和算法。

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。