效果：

  

此项目在基于u-net，cv2以及cnn的中文车牌定位，矫正和端到端识别软件_不啻逍遥然的博客-CSDN博客的基础上增强了绿牌识别，绿牌训练数据近10万。结合博主开源的蓝牌模型，目前完美匹配蓝、绿牌识别场景。识别准确率达96%以上。

用了什么技术，原理是什么？

技术架构

• Python：轻量框架，搭建简单，更专注于业务功能
• opencv：跨平台计算机视觉库，用作图像处理
• Tensorflow: 机器学习的框架，用作大量数据需要处理，或是深度学习
• cnn： 卷积神经网络（Convolutional Neural Network，简称CNN），是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括卷积层和池化层
• unet： 对图像中的每个像素点分类，即像素级别的分类任务

识别出一个车牌，计算机做了哪些工作？

机器识图的过程：机器识别图像并不是一下子将一个复杂的图片完整识别出来，而是将一个完整的图片分割成许多个小部分，把每个小部分里具有的特征提取出来（也就是识别每个小部分），再将这些小部分具有的特征汇总到一起，就可以完成机器识别图像的过程了

​​​​​​​​​​​​​​

怎么做一个车牌识别应用？

1. 拟定题目
2. 寻找并可视化数据，发现规律，开发程序
3. 为机器学习算法准备数据
4. 选择模型，进行训练
5. 测试模型，发现问题并微调模型
6. docker部署、持续更新训练

简单分为两个阶段，第一阶段是训练模型，第二阶段是使用模型做识别。难点主要在模型的训练，训练又分为unet和cnn两个模块，最终会得到两个相应的模型，一个用作定位，一个用作识别。车牌识别属于Supervised Learning(监督学习)，下面会讲到机器学习的分类。

unet训练

我们可以通过图像分割算法对一张输入图片进行分割，分割后的图形其实是对原图中的区域进行的分类标注，例如这里我们可以将原图标注为2类，一类就是车牌区域，还有一类就是无关的背景区域使用，用于训练unet模型。u-net部分的数据集我一共标注了1500多张，最终效果很棒，达到了定位的效果。

cnn训练

cnn训练我准备了10万张左右的有效牌照数据。每张图片都是统一的宽240，高80的车牌图片，要实现车牌的端到端识别，显然是多标签分类问题，每张输入图片有8个标签（8个字符），模型输出前的结构都是可以共享的，只需将输出修改为8个即可，8个输出对应了8个loss，总loss就是8个loss的和，使用keras可以很方便地实现。

最终，训练集上准确率acc1（即车牌省份字符）为95%，其余字符均为99%左右，本地测试集准确率为95%，识别效果较佳。

训练、优化不再赘述了，重点说下使用方式：

github ： GitHub - leo187/End-to-end-for-chinese-plate-recognition: 基于u-net，cv2以及cnn的中文车牌定位，矫正和端到端识别软件，其中unet和cv2用于车牌定位和矫正，cnn进行车牌识别，unet和cnn都是基于tensorflow的keras实现

1.修改配置

2.启动应用

---

训练不易，如有帮助请帮忙点赞，多谢！