TensorFlow基于MNIST数据集实现车牌识别(初步演示版) - 行业资讯

在前几天写的一篇博文《如何从TensorFlow的mnist数据集导出手写体数字图片》中,我们介绍了如何通过TensorFlow将mnist手写体数字集导出到本地保存为bmp文件。

车牌识别在当今社会中广泛存在,其应用场景包括各类交通监控和停车场出入口收费系统,在自动驾驶中也得到一定应用,其原理也不难理解,故很适合作为图像处理+机器学习的入门案例。

现在我们不妨酝酿一个大胆的想法:在TensorFlow中通过卷积神经网络+ mnist数字集实现车牌识别。

实际上车牌字符除了数字0 - 9,还有字母a - z,以及各省份的简称。只包含数字0 - 9的mnist是不足以识别车牌的。故本文所做实验仅出于演示目的。

由于车牌数字是正体,而mnist是手写体,为提高识别率,需要从mnist图片集中挑选出形状比较规则工整的图片作为训练图片,否则识别率不高。作为参考,下图是我挑选出来的一部分较工整数字:

(如果你需要我挑选出来的图片,可以评论或私信我留下邮箱)
　　

出于演示目的,我们从网上找到下面这张图片:

现在我们假设该车牌号为闽0 - 16720(实际上是闽o - 1672 q),暂不识别省份简称,只识别0 - 16720。

上图经过opencv定位分割处理后,得到以下几张车牌字符。

现在我们通过如下代码,将这几张字符图片输入到上一篇博文《如何用TensorFlow训练和识别/分类自定义图片》中构建的网络:
　　

　　　　　　license_num=[] 　　n的范围(8): 　　路径="结果/% s。bmp“% (n) 　　img=Image.open(路径) 　　宽度=img.size [0] 　　身高=img.size [1] 　　　　img_data=https://www.yisu.com/zixun/[[0] * 784我的范围(1)] 　　对h范围(0,高度): 　　w的范围(0,宽度): 　　如果img。获取像素((w h)) <190: 　　img_data [0] [w + h *宽度)=0 　　其他: 　　img_data [0] [w + h *宽度]=1 　　　　#获取softmax结果前三位的索引和概率值　　soft_max=tf.nn.softmax (tf。matmul (h_fc1_drop W_fc2) + b_fc2) 　　结果=sess.run (soft_max feed_dict={x: np.array (img_data) keep_prob: 1.0}) 　　max1=0 　　max2=0 　　max3=0 　　max1_index=0 　　max2_index=0 　　max3_index=0 　　j的范围(10): 　　如果结果[0][j]> max1: 　　max1结果[0]=[j] 　　max1_index j=继续　　如果结果[0][j]> max2)和结果([0][j] <=max1): 　　max2结果[0]=[j] 　　max2_index j=继续　　如果结果[0][j]> max3)和结果([0][j] <=max2): 　　max3结果[0]=[j] 　　max3_index j=继续　　license_num.append (max1_index) 　　　　打印(“softmax结果前三位概率:% s: %。2 f % % % s: %。2 f % % % s: % .2f % %” 　　% (max1_index max1 * 100、max2_index max2 * 100, max3_index, max3 * 100)) 　　打印(“车牌号为:% s“% license_num) 　　　　

然后运行程序,结果如下:

TensorFlow基于MNIST数据集实现车牌识别(初步演示版)