TensorFlow车牌识别完整版代码（含车牌数据集）_tf_car_license_dataset_jb51.rar

5星 · 超过95%的资源 130 浏览量更新于2023-05-03 评论 2 收藏 235KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

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）

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):

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:

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

else:

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

val_labels[index][i] = 1

index += 1

with tf.Session() as sess:

# 第一个卷积层

W_conv1 = tf.Variable(tf.truncated_normal([8, 8, 1, 16], stddev=0.1), name="W_conv1")

b_conv1 = tf.Variable(tf.constant(0.1, shape=[16]), name="b_conv1")

conv_strides = [1, 1, 1, 1] kernel_size = [1, 2, 2, 1] pool_strides = [1, 2, 2, 1] L1_pool = conv_layer(x_image, W_conv1,

b_conv1, conv_strides, kernel_size, pool_strides, padding='SAME')

# 第二个卷积层

W_conv2 = tf.Variable(tf.truncated_normal([5, 5, 16, 32], stddev=0.1), name="W_conv2")

b_conv2 = tf.Variable(tf.constant(0.1, shape=[32]), name="b_conv2")

conv_strides = [1, 1, 1, 1] kernel_size = [1, 1, 1, 1] pool_strides = [1, 1, 1, 1] L2_pool = conv_layer(L1_pool, W_conv2,

b_conv2, conv_strides, kernel_size, pool_strides, padding='SAME')

# 全连接层

W_fc1 = tf.Variable(tf.truncated_normal([16 * 20 * 32, 512], stddev=0.1), name="W_fc1")

b_fc1 = tf.Variable(tf.constant(0.1, shape=[512]), name="b_fc1")

h_pool2_flat = tf.reshape(L2_pool, [-1, 16 * 20*32])

h_fc1 = full_connect(h_pool2_flat, W_fc1, b_fc1)

# dropout

keep_prob = tf.placeholder(tf.float32)

h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)

# readout层

W_fc2 = tf.Variable(tf.truncated_normal([512, NUM_CLASSES], stddev=0.1), name="W_fc2")

b_fc2 = tf.Variable(tf.constant(0.1, shape=[NUM_CLASSES]), name="b_fc2")

# 定义优化器和训练op

y_conv = tf.matmul(h_fc1_drop, W_fc2) + b_fc2

cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y_conv))

train_step = tf.train.AdamOptimizer((1e-4)).minimize(cross_entropy)

correct_prediction = tf.equal(tf.argmax(y_conv, 1), tf.argmax(y_, 1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

# 初始化saver

saver = tf.train.Saver()

sess.run(tf.global_variables_initializer())

time_elapsed = time.time() - time_begin

print("读取图片文件耗费时间：%d秒" % time_elapsed)

time_begin = time.time()

print ("一共读取了 %s 个训练图像， %s 个标签" % (input_count, input_count))

# 设置每次训练op的输入个数和迭代次数，这里为了支持任意图片总数，定义了一个余数remainder，譬如，如果每次训练op

的输入个数为60，图片总数为150张，则前面两次各输入60张，最后一次输入30张（余数30）

batch_size = 60

iterations = iterations

batches_count = int(input_count / batch_size)

remainder = input_count % batch_size

print ("训练数据集分成 %s 批, 前面每批 %s 个数据，最后一批 %s 个数据" % (batches_count+1, batch_size, remainder))

# 执行训练迭代

for it in range(iterations):

# 这里的关键是要把输入数组转为np.array

for n in range(batches_count):

train_step.run(feed_dict={x: input_images[n*batch_size:(n+1)*batch_size], y_: input_labels[n*batch_size:(n+1)*batch_size],

keep_prob: 0.5})

if remainder > 0:

start_index = batches_count * batch_size;

train_step.run(feed_dict={x: input_images[start_index:input_count-1], y_: input_labels[start_index:input_count-1], keep_prob:

0.5})

# 每完成五次迭代，判断准确度是否已达到100%，达到则退出迭代循环

iterate_accuracy = 0

if it%5 == 0:

iterate_accuracy = accuracy.eval(feed_dict={x: val_images, y_: val_labels, keep_prob: 1.0})

print ('第 %d 次训练迭代: 准确率 %0.5f%%' % (it, iterate_accuracy*100))

if iterate_accuracy >= 0.9999 and it >= 150:

break;

print ('完成训练!')

time_elapsed = time.time() - time_begin

print ("训练耗费时间：%d秒" % time_elapsed)

time_begin = time.time()

# 保存训练结果

if not os.path.exists(SAVER_DIR):

print ('不存在训练数据保存目录，现在创建保存目录')

os.makedirs(SAVER_DIR)

saver_path = saver.save(sess, "%smodel.ckpt"%(SAVER_DIR))

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

saver = tf.train.import_meta_graph("%smodel.ckpt.meta"%(SAVER_DIR))

with tf.Session() as sess:

model_file=tf.train.latest_checkpoint(SAVER_DIR)

saver.restore(sess, model_file)

# 第一个卷积层

W_conv1 = sess.graph.get_tensor_by_name("W_conv1:0")

b_conv1 = sess.graph.get_tensor_by_name("b_conv1:0")

conv_strides = [1, 1, 1, 1] kernel_size = [1, 2, 2, 1] pool_strides = [1, 2, 2, 1] L1_pool = conv_layer(x_image, W_conv1,

剩余13页未读，继续阅读

无能为力就要努力

2023-07-28

这份代码简洁明了，注释详细，帮助开发者们更好地理解和应用于自己的项目中。

weixin_38694343

粉丝: 3
资源: 915

会员权益专享

TensorFlow车牌识别完整版代码（含车牌数据集）

评论5

会员权益专享

最新资源

TensorFlow车牌识别完整版代码（含车牌数据集）

评论5

黄色车牌数据集（小轿车、大货车）

车牌识别_-_代码.rar

tf_car_dataset

tensorflow车牌识别

tensorflow车牌号识别源码

深度学习tensorflow车牌号识别代码

tensorflow 车牌识别

基于tensorflow的汽车车牌识别

python车牌识别系统开源代码_Python+Tensorflow+CNN实现车牌识别的示例代码

TensorFlow2实现车牌识别

yolov5车牌识别数据集

matlab车牌识别数据集.zip下载

车牌识别 数据集 csdn

基于tensorflow 进行 车牌号识别

matlab车牌识别源代码

num09_车牌识别 习友路 数据集

yolov5车牌识别代码

利用yolo4实现车牌识别的代码

中文车牌识别数据集 -(csdn)

yolov7车牌识别源代码

会员权益专享

最新资源

车牌识别数据集 csdn

基于tensorflow 进行车牌号识别

num09_车牌识别习友路数据集