TensorFlow车牌识别实战：完整代码与数据集分享

1星 50 浏览量更新于2023-03-16 17 收藏 236KB PDF 举报

本文将详细介绍如何使用TensorFlow实现一个完整的车牌识别系统，特别关注的是针对车牌数据集的深度学习模型。首先，文章回顾了之前基于MNIST数据集的简单车牌识别案例，指出其局限性在于只能识别数字而无法区分省份简称和字母。为了克服这一问题，作者收集了一个包含省份简称和26个字母的车牌图片数据集，共计约4000张图片。文章的核心部分提供了详细的省份简称识别代码（train-license-province.py）。代码使用Python 3.5和TensorFlow库，导入了必要的模块如`sys`, `os`, `time`, `random`, `numpy`, 和 `tensorflow`等。关键步骤包括： 1. **数据预处理**：设置输入节点`x`和标签`y_`，其中`x`是图片像素值矩阵，`y_`是对应的省份类别标签。`x_image`变量用于重塑输入图片为三维数组，便于卷积操作。 2. **定义卷积层**：定义了一个`conv_layer`函数，用于构建卷积神经网络的基础单元，包括卷积层、激活函数（如ReLU）、池化层等组件，这些是识别模型的主要组成部分。 3. **网络结构**：网络可能包含多个卷积层、池化层，以及全连接层，用于提取特征并最终分类。通过迭代训练（`iterations`）和保存模型（`SAYER_DIR`），模型能够学习和优化车牌字符的特征表示。 4. **数据集加载与处理**：使用`PIL`库读取图片，并对其进行预处理，如调整大小（`SIZE`）和标准化。`WIDTH`和`HEIGHT`定义了图片的固定尺寸，`NUM_CLASSES`表示总共有6个类别（包括省份简称）。 5. **训练过程**：通过`for`循环执行训练，每次迭代更新模型参数以最小化损失函数，直到达到设定的迭代次数。 6. **性能评估**：文章没有提供具体的评估指标，但通常会计算准确率、损失等指标，以衡量模型在测试数据上的性能。 7. **下载资源**：文章提供了车牌数据集的下载链接，这对于想要跟随教程实践的同学来说是必不可少的。通过阅读和学习这份代码，读者可以深入了解如何将TensorFlow应用于车牌识别任务，不仅限于数字，还包括更复杂的字符识别。这不仅有助于提高机器学习技能，也为实际应用场景中的车牌自动识别提供了实用的代码模板。

TensorFlow车牌识别完整版代码（含车牌数据集）车牌识别完整版代码（含车牌数据集）

主要介绍了TensorFlow车牌识别完整版代码（含车牌数据集），文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的

朋友们下面随着小编来一起学习学习吧

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_car_license_dataset_jb51.rar

省份简称训练+识别代码（保存文件名为train-license-province.py）（拷贝代码请务必注意python文本缩进，只要有一处缩进错误，就无法得到正确结果，或者出现异常）：

#!/usr/bin/python3.5

# -*- coding: utf-8 -*-

import sys

import os

import time

import random

import numpy as np

import tensorflow as tf

from PIL import Image

SIZE = 1280

WIDTH = 32

HEIGHT = 40

NUM_CLASSES = 6

iterations = 300

SAVER_DIR = "train-saver/province/"

PROVINCES = ("京","闽","粤","苏","沪","浙")

nProvinceIndex = 0

time_begin = time.time()

# 定义输入节点，对应于图片像素值矩阵集合和图片标签(即所代表的数字)

x = tf.placeholder(tf.float32, shape=[None, SIZE])

y_ = tf.placeholder(tf.float32, shape=[None, NUM_CLASSES])

x_image = tf.reshape(x, [-1, WIDTH, HEIGHT, 1])

# 定义卷积函数

def conv_layer(inputs, W, b, conv_strides, kernel_size, pool_strides, padding):

L1_conv = tf.nn.conv2d(inputs, W, strides=conv_strides, padding=padding)

L1_relu = tf.nn.relu(L1_conv + b)

return tf.nn.max_pool(L1_relu, ksize=kernel_size, strides=pool_strides, padding='SAME')

# 定义全连接层函数

def full_connect(inputs, W, b):

return tf.nn.relu(tf.matmul(inputs, W) + b)

if __name__ =='__main__' and sys.argv[1]=='train':

# 第一次遍历图片目录是为了获取图片总数

input_count = 0

for i in range(0,NUM_CLASSES):

dir = './train_images/training-set/chinese-characters/%s/' % i # 这里可以改成你自己的图片目录，i为分类标签

for rt, dirs, files in os.walk(dir):

for filename in files:

input_count += 1

# 定义对应维数和各维长度的数组

input_images = np.array([[0]*SIZE for i in range(input_count)])

input_labels = np.array([[0]*NUM_CLASSES for i in range(input_count)])

# 第二次遍历图片目录是为了生成图片数据和标签

index = 0

for i in range(0,NUM_CLASSES):

dir = './train_images/training-set/chinese-characters/%s/' % i # 这里可以改成你自己的图片目录，i为分类标签

for rt, dirs, files in os.walk(dir):

for filename in files:

filename = dir + filename

img = Image.open(filename)

width = img.size[0]

height = img.size[1]

for h in range(0, height):

for w in range(0, width):

# 通过这样的处理，使数字的线条变细，有利于提高识别准确率

if img.getpixel((w, h)) > 230:

input_images[index][w+h*width] = 0

else:

input_images[index][w+h*width] = 1

input_labels[index][i] = 1

index += 1

# 第一次遍历图片目录是为了获取图片总数

val_count = 0

for i in range(0,NUM_CLASSES):

dir = './train_images/validation-set/chinese-characters/%s/' % i # 这里可以改成你自己的图片目录，i为分类标签

for rt, dirs, files in os.walk(dir):

for filename in files:

val_count += 1

# 定义对应维数和各维长度的数组

val_images = np.array([[0]*SIZE for i in range(val_count)])

val_labels = np.array([[0]*NUM_CLASSES for i in range(val_count)])

# 第二次遍历图片目录是为了生成图片数据和标签

index = 0

for i in range(0,NUM_CLASSES):

dir = './train_images/validation-set/chinese-characters/%s/' % i # 这里可以改成你自己的图片目录，i为分类标签

for rt, dirs, files in os.walk(dir):

下载后可阅读完整内容，剩余9页未读，立即下载

weixin_38693589

粉丝: 5
资源: 928

TensorFlow车牌识别实战：完整代码与数据集分享

Tensorflow车牌识别完整项目全部源代码

车牌识别Tensorflow_CNN_python_opencv.zip

Tensorflow,OpenCV实现的CNN车牌识别代码

TensorFlow车牌识别项目源码完整版

tensorflow车牌识别

TensorFlow基于MNIST数据集实现车牌识别(初步演示版).pdf

车牌识别完整版 基于OPENCV3 完全实现车牌的字符提取 分割 识别 准确率高达95%

基于python下的 车牌识别代码

ValidationCodeRecognition_C#_车牌识别_车牌_车牌号识别_验证码识别_

基于yolov8车牌检测 识别中文车牌识别检测支持12种中文车牌支持双层车牌源码+模型+项目说明.zip

最新资源

车牌识别完整版基于OPENCV3 完全实现车牌的字符提取分割识别准确率高达95%

基于python下的车牌识别代码

基于yolov8车牌检测识别中文车牌识别检测支持12种中文车牌支持双层车牌源码+模型+项目说明.zip