TensorFlow基于MNIST数据集实现车牌识别(初步演示版)

2024-02-28 02:54:36

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-1672Q），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 = []
  for n in range(2,8):
    path = "result/%s.bmp" % (n)
    img = Image.open(path)
    width = img.size[0]
    height = img.size[1]

    img_data = [[0]*784 for i in range(1)]
    for h in range(0, height):
      for w in range(0, width):
        if img.getpixel((w, h)) < 190:
          img_data[0][w+h*width] = 0
        else:
          img_data[0][w+h*width] = 1

    # 获取softmax结果前三位的index和概率值
    soft_max = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
    result = 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
    for j in range(10):
      if result[0][j] > max1:
        max1 = result[0][j]
        max1_index = j
        continue
      if (result[0][j]>max2) and (result[0][j]<=max1):
        max2 = result[0][j]
        max2_index = j
        continue
      if (result[0][j]>max3) and (result[0][j]<=max2):
        max3 = result[0][j]
        max3_index = j
        continue
    license_num.append(max1_index)

    print ("softmax结果前三位概率：%s: %.2f%%  %s: %.2f%%  %s: %.2f%%"
        % (max1_index,max1*100, max2_index,max2*100, max3_index,max3*100))
  print ("车牌号为: %s" % license_num)

然后运行程序，结果如下：

可以看出，分类结果为016720，是正确的，而softmax计算结果可信度也是可以接受的。

后续将给出包含省份简称和字母A-Z的完整例子。

最后附上本文程序的完整代码（运行之前需要确保你的数据集和待识别图片的位深度都是8，也就是一个像素的颜色值用一个字节（8bits）表示，不然会出错）：

PS：支持省份简称和字母的车牌识别程序详见《TensorFlow车牌识别完整版（含车牌数据集）》

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持我们。

python实现车牌识别的示例代码

某天回家之时,听到有个朋友说起他正在做一个车牌识别的项目于是对其定位车牌的位置算法颇有兴趣,今日有空得以研究,事实上车牌识别算是比较成熟的技术了, 这里我只是简单实现. 我的思路为: 对图片进行一些预处理,包括灰度化.高斯平滑.中值滤波.Sobel算子边缘检测等等. 利用OpenCV对预处理后的图像进行轮廓查找,然后根据一些参数判断该轮廓是否为车牌轮廓. 效果如下: test1: test2 实现代码如下(对图像预处理(滤波器等)的原理比较简单,这里只是对一些函数进行调包): import c
Python+OpenCV实现车牌字符分割和识别

最近做一个车牌识别项目,入门级别的,十分简单. 车牌识别总体分成两个大的步骤: 一.车牌定位:从照片中圈出车牌二.车牌字符识别这里只说第二个步骤,字符识别包括两个步骤: 1.图像处理原本的图像每个像素点都是RGB定义的,或者称为有R/G/B三个通道.在这种情况下,很难区分谁是背景,谁是字符,所以需要对图像进行一些处理,把每个RGB定义的像素点都转化成一个bit位(即0-1代码),具体方法如下: ①将图片灰度化名字拗口,但是意思很好理解,就是把每个像素的RGB都变成灰色的RGB值,而灰色的
android车牌识别系统EasyPR使用详解

上篇文章介绍了身份证识别,现在我们来说说关于车牌识别. EasyPR是一个开源的中文车牌识别系统,gitHub地址 EasyPR有如下特点: 1. 它基于openCV这个开源库,这意味着所有它的代码都可以轻易的获取. 2. 它能够识别中文.例如车牌为苏EUK722的图片,它可以准确地输出std:string类型的"苏EUK722"的结果. 3. 它的识别率较高.目前情况下,字符识别已经可以达到90%以上的精度. 使用方法 package com.android.guocheng.eas
OpenCV+Python识别车牌和字符分割的实现

本篇文章主要基于python语言和OpenCV库(cv2)进行车牌区域识别和字符分割,开篇之前针对在python中安装opencv的环境这里不做介绍,可以自行安装配置! 车牌号检测需要大致分为四个部分: 1.车辆图像获取 2.车牌定位. 3.车牌字符分割 4.车牌字符识别具体介绍车牌定位需要用到的是图片二值化为黑白后进canny边缘检测后多次进行开运算与闭运算用于消除小块的区域,保留大块的区域,后用cv2.rectangle选取矩形框,从而定位车牌位置车牌字符的分割前需要准备的是只保留车牌
TensorFlow基于MNIST数据集实现车牌识别(初步演示版)

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
基于Tensorflow的MNIST手写数字识别分类

本文实例为大家分享了基于Tensorflow的MNIST手写数字识别分类的具体实现代码,供大家参考,具体内容如下代码如下: import tensorflow as tf import numpy as np from tensorflow.examples.tutorials.mnist import input_data from tensorflow.contrib.tensorboard.plugins import projector import time IMAGE_PIXELS
基于Tensorflow读取MNIST数据集时网络超时的解决方式

最近在学习TensorFlow,比较烦人的是使用tensorflow.examples.tutorials.mnist.input_data读取数据 from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets('/temp/mnist_data/') X = mnist.test.images.reshape(-1, n_steps, n_inputs) y = mnis
Python tensorflow实现mnist手写数字识别示例【非卷积与卷积实现】

本文实例讲述了Python tensorflow实现mnist手写数字识别.分享给大家供大家参考,具体如下: 非卷积实现 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data data_path = 'F:\CNN\data\mnist' mnist_data = input_data.read_data_sets(data_path,one_hot=True) #offline da
Tensorflow训练MNIST手写数字识别模型

本文实例为大家分享了Tensorflow训练MNIST手写数字识别模型的具体代码,供大家参考,具体内容如下 import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data INPUT_NODE = 784 # 输入层节点=图片像素=28x28=784 OUTPUT_NODE = 10 # 输出层节点数=图片类别数目 LAYER1_NODE = 500 # 隐藏层节点数,只有一个隐藏层 BATCH
详解如何从TensorFlow的mnist数据集导出手写体数字图片

在TensorFlow的官方入门课程中,多次用到mnist数据集. mnist数据集是一个数字手写体图片库,但它的存储格式并非常见的图片格式,所有的图片都集中保存在四个扩展名为idx3-ubyte的二进制文件. 如果我们想要知道大名鼎鼎的mnist手写体数字都长什么样子,就需要从mnist数据集中导出手写体数字图片.了解这些手写体的总体形状,也有助于加深我们对TensorFlow入门课程的理解. 下面先给出通过TensorFlow api接口导出mnist手写体数字图片的python代码,再对代
TensorFlow车牌识别完整版代码（含车牌数据集）

在之前发布的一篇博文<MNIST数据集实现车牌识别--初步演示版>中,我们演示了如何使用TensorFlow进行车牌识别,但是,当时采用的数据集是MNIST数字手写体,只能分类0-9共10个数字,无法分类省份简称和字母,局限性较大,无实际意义. 经过图像定位分割处理,博主收集了相关省份简称和26个字母的图片数据集,结合前述博文中贴出的python+TensorFlow代码,实现了完整的车牌识别功能.本着分享精神,在此送上全部代码和车牌数据集. 车牌数据集下载地址(约4000张图片):tf_ca
tensorflow实现残差网络方式(mnist数据集)

介绍残差网络是何凯明大神的神作,效果非常好,深度可以达到1000层.但是,其实现起来并没有那末难,在这里以tensorflow作为框架,实现基于mnist数据集上的残差网络,当然只是比较浅层的. 如下图所示: 实线的Connection部分,表示通道相同,如上图的第一个粉色矩形和第三个粉色矩形,都是3x3x64的特征图,由于通道相同,所以采用计算方式为H(x)=F(x)+x 虚线的的Connection部分,表示通道不同,如上图的第一个绿色矩形和第三个绿色矩形,分别是3x3x64和3x3x12
tensorflow基于CNN实战mnist手写识别(小白必看)

很荣幸您能看到这篇文章,相信通过标题打开这篇文章的都是对tensorflow感兴趣的,特别是对卷积神经网络在mnist手写识别这个实例感兴趣.不管你是什么基础,我相信,你在看完这篇文章后,都能够完全理解这个实例.这对于神经网络入门的小白来说,简直是再好不过了. 通过这篇文章,你能够学习到 tensorflow一些方法的用法 mnist数据集的使用方法以及下载 CNN卷积神经网络具体python代码实现 CNN卷积神经网络原理模型训练.模型的保存和载入 Tensorflow实战mnist手写数字
TensorFlow教程Softmax逻辑回归识别手写数字MNIST数据集

基于MNIST数据集的逻辑回归模型做十分类任务没有隐含层的Softmax Regression只能直接从图像的像素点推断是哪个数字,而没有特征抽象的过程.多层神经网络依靠隐含层,则可以组合出高阶特征,比如横线.竖线.圆圈等,之后可以将这些高阶特征或者说组件再组合成数字,就能实现精准的匹配和分类. import tensorflow as tf import numpy as np import input_data print('Download and Extract MNIST datas

TensorFlow基于MNIST数据集实现车牌识别(初步演示版)

相关推荐

随机推荐