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

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

我应该更喜欢检测和识别单个字符而不是整个车牌吗

也有很多老方法，他们更喜欢图像预处理和直接传递到OCR。什么是最好的

---

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：

对整个图像进行简单的图像预处理

车牌检测（可能采用滑动窗口法）

对提取的板材零件进行图像处理（过滤器和几何变换），使其更加清晰。单独的字符

将CNN部署到每个角色。（由于实时性的原因，我可能会尝试一些短CNN，例如MNIST手写数字数据中使用的LeNet）（可能需要多线程）

---

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。