Opencv 建立车牌识别模型(ALPR)的最佳方法
我正在尝试建立一个深度学习模型,使用CNN等深度学习技术检测和读取车牌。我会用tensorflow做一个模型。但我仍然不知道什么是建立这种模型的最佳方法 我已经检查了几个这样的模型 我也查阅了一些研究论文,但没有一篇显示确切的方法 因此,我计划遵循的步骤是Opencv 建立车牌识别模型(ALPR)的最佳方法,opencv,tensorflow,conv-neural-network,anpr,Opencv,Tensorflow,Conv Neural Network,Anpr,我正在尝试建立一个深度学习模型,使用CNN等深度学习技术检测和读取车牌。我会用tensorflow做一个模型。但我仍然不知道什么是建立这种模型的最佳方法 我已经检查了几个这样的模型 我也查阅了一些研究论文,但没有一篇显示确切的方法 因此,我计划遵循的步骤是 使用opencv进行图像预处理(灰度、变换等我对这部分不太了解) 车牌检测(可能采用滑动窗口法) 通过构建一个合成数据集(如上述链接所示),使用CNN进行培训 我的问题 有没有更好的办法 RNN也可以在CNN之后合并为可变长度数字吗 我应该
PS-我想做一个商业实时系统。所以我需要很好的准确性 首先,我认为RNN和CNN的结合不能实现实时系统。若我想要实时系统,我个人更喜欢检测单个字符,因为车牌上的字符不会超过10个。当检测可变长度的车牌时,检测单个字符更为可行 在我学习深度学习之前,我也尝试过使用OCR来检测车牌。在我的例子中,OCR是快速的,但精度是有限的,尤其是当车牌不够清晰时。即使是图像处理也无法挽救一些不清楚的案例 因此,如果我是你,我将尝试以下方法:
希望我的回答能有所帮助 如果你想让CNN能够在现实生活中的光线、运动、角度和有目的的模糊处理下阅读现实生活中的车牌,那么你将需要一组大量的示例图像数据。合成数据只能帮你做到这一点。正如凯西·李(Kathy Lee)所建议的那样,构建一条受约束的步骤管道可能是你的最佳选择,但你的系统只与最薄弱的环节一样强大。如果你的车牌检测率只有97%,那么97%就是你的准确度上限。如果你的CNN每个字符有99%的准确率,并且有8个字符,那么你的最高准确率是.99^8=92%。是的,我明白了。我需要一种方法来确保我只阅读号码牌,而忽略图像中的其他文本,如招牌或其他东西……如何“分隔”字符。在我的国家,号码格式不是静态的。它可以有多种形式,所以我不认为滑动窗口方法可以用于检测。我想我需要找到白色和黄色的车牌(区域)。但在较暗的光线下,这将停止工作。字符分离和车牌检测都需要一些图像处理技术。你可以自己搜索。我相信很多文章都与他们有关。可以用于字符分离的一种常用方法是连接组件标签。对于车牌检测,还需要先对图像进行滤波、形状检测等预处理。