Press "Enter" to skip to content

基于CNN 对车牌数字进行识别,(二)

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

文章目录

上篇文章中,我们实现了简单的车牌提取功能,并分成了多个图片保存在本地上,接下来,我们要进行车牌字符的识别。
车牌的文字如下:

识别方案

有两种识别字符的方案

运用模板匹配,opencv自带的template进行匹配。
缺点:对特殊的字符样式可能无法识别,只能识别较为规则的字符
优点: 不需要太多的特征数据集即可识别大部分字符

运用卷积神经网络训练一个神经系统进行识别
缺点: 需要大量的训练数据, 对训练数据要求较高
优点: 能识别各种不标准的车牌特征

选择方案:

本文中将以第二种方案进行识别

准备数据

 

数据集下载

为大家准备好了数据集,分为两种格式。

第二种是以不同背景和数字颜色组成的

大家可根据项目需求进行选择,这里我选的是第一种黑白图的数据集进行训练的。

数据的准备

 

读取数据集

数据较少, 所以需要做一些变换,增加泛化。

# 读取文件
from keras.preprocessing.image import ImageDataGenerator
train_gen = ImageDataGenerator(rescale=1/255.0, horizontal_flip=True, rotation_range=30, vertical_flip=True, featurewise_center=True, width_shift_range=12, height_shift_range=12)
valid_gen = ImageDataGenerator(rescale=1/255.0, horizontal_flip=True, rotation_range=30, vertical_flip=True, featurewise_center=True, width_shift_range=12, height_shift_range=12)
test_gen = ImageDataGenerator(rescale= 1/ 255.0)
train_img_gen = train_gen.flow_from_directory('./tf_car_license_dataset/train_images/training-set/', target_size=(32, 32), batch_size=32, color_mode='grayscale')
valid_img_gen = train_gen.flow_from_directory('./tf_car_license_dataset/train_images/validation-set/', target_size=(32, 32), batch_size=32, color_mode='grayscale')

 

一共有四十个类目

构建神经网络

这里运用了两层的卷积神经网络,并进行两次池化操作,最后用全连接层进行分类,优化函数选择adam 损失函数用交叉熵损失函数。

- 这里
# 构建神经网络
model = keras.Sequential([
    keras.layers.Conv2D(32, (3, 3), 1, padding='same', activation="relu", input_shape = (32, 32, 1)),
    keras.layers.MaxPool2D(2, 2),
    keras.layers.Conv2D(64, (3, 3), 1, activation='relu'),
    keras.layers.MaxPool2D(2, 2),
    keras.layers.Flatten(),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(40, activation='softmax')
])
model.compile(optimizer='adam', loss = keras.losses.categorical_crossentropy, metrics=['acc'])
model.summary()

 

进行训练

 

history = model.fit(train_img_gen, validation_data = valid_img_gen, epochs=30, batch_size=128)

 

查看模型的准确度

 

import matplotlib.pyplot as plt
losses = history.history['loss']
val_losses = history.history['val_loss']
acc = history.history['acc']
val_acc = history.history['val_acc']
plt.figure(figsize=(12, 6))
plt.subplot(121)
plt.xlabel('fit_nums')
plt.ylabel('losses')
plt.plot(losses,'b-')
plt.plot(val_losses,'b--')
plt.subplot(122)
plt.xlabel('fit_nums')
plt.ylabel('acc')
plt.plot(acc, 'b-', label='acc')
plt.plot(val_acc, 'b--', label = 'val_acc')
plt.legend()
plt.show()
history.history

 

可以看到, 训练的效果在不断增强,不过准确率不是很好,还有过拟合的风险,后面优化下。

 

增加了一下训练次数, 可以看到效果增强了点,

实验下预测效果。

测试效果

 

运用PIL的Image

 

from PIL import Image
img = Image.open('./tf_car_license_dataset/test_images/1.bmp')
img = img.resize((32, 32))
# 这里变成输入的格式(count, size,size, 层数)
img_arr = np.array(img).reshape((1, 32, 32, 1))

 

注意: 因为我们训练时输入的是灰度图像,没有三通道的,所以之前的图片需要特殊处理成灰度图在进行输入

 

model.predict(img_arr)

 

可以看到,这里输出了,one-hot的编码数组,接下来只需要取最大值就可以了

 

template = ['0','1','2','3','4','5','6','7','8','9',
            'A','B','C','D','E','F','G','H','J','K','L','M','N','P','Q','R','S','T','U','V','W','X','Y','Z',
            '京','闽','粤','苏','沪','浙']
template[np.argmax(model.predict(img_arr))]

 

‘闽’

查看相应的预测效果

进行车牌字符预测

 

def test_img(path):
    img = Image.open(path).convert("L")
    img = img.resize((32, 32))
    img_arr = np.array(img).reshape((1, 32, 32, 1))
    template = ['0','1','2','3','4','5','6','7','8','9',
            'A','B','C','D','E','F','G','H','J','K','L','M','N','P','Q','R','S','T','U','V','W','X','Y','Z',
            '京','闽','粤','苏','沪','浙']
    return template[np.argmax(model.predict(img_arr))]
    # return model.predict(img_arr)

 

这里直接返回预测的字符

 

import os
out = ""
for path in os.listdir('./split/'):
    out += test_img('./split/' + path)
    
print(out)

 

可以看到预测效果不太好

测试效果不怎幺好,数据集太少了,无法拟合不同的图片,接下来进行神经网络优化,提升下泛化能力。
如果有更多的数据集,我们可以训练出精度很高的神经网络,但基本的实现思路就是这样子,

接下来我将用模板匹配的方式进行效果预测,看看会不会有更好的结果

 

完整代码:

 

数据处理

 

import tensorflow.keras as keras
import numpy as np
# 读取文件
from keras.preprocessing.image import ImageDataGenerator
train_gen = ImageDataGenerator(rescale=1/255.0, horizontal_flip=True, rotation_range=30, vertical_flip=True, featurewise_center=True, width_shift_range=12, height_shift_range=12)
valid_gen = ImageDataGenerator(rescale=1/255.0, horizontal_flip=True, rotation_range=30, vertical_flip=True, featurewise_center=True, width_shift_range=12, height_shift_range=12)
test_gen = ImageDataGenerator(rescale= 1/ 255.0)
train_img_gen = train_gen.flow_from_directory('./tf_car_license_dataset/train_images/training-set/', target_size=(32, 32), batch_size=32, color_mode='grayscale')
valid_img_gen = train_gen.flow_from_directory('./tf_car_license_dataset/train_images/validation-set/', target_size=(32, 32), batch_size=32, color_mode='grayscale')

 

神经网络

 

# 构建神经网络
model = keras.Sequential([
    keras.layers.Conv2D(32, (3, 3), 1, padding='same', activation="relu", input_shape = (32, 32, 1)),
    keras.layers.MaxPool2D(2, 2),
    keras.layers.Conv2D(64, (3, 3), 1, activation='relu'),
    keras.layers.MaxPool2D(2, 2),
    keras.layers.Flatten(),
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(40, activation='softmax')
])
model.compile(optimizer='adam', loss = keras.losses.categorical_crossentropy, metrics=['acc'])
model.summary()

 

history = model.fit(train_img_gen, validation_data = valid_img_gen, epochs=30, batch_size=128)

 

查看效果

 

import matplotlib.pyplot as plt
losses = history.history['loss']
val_losses = history.history['val_loss']
acc = history.history['acc']
val_acc = history.history['val_acc']
plt.figure(figsize=(12, 6))
plt.subplot(121)
plt.xlabel('fit_nums')
plt.ylabel('losses')
plt.plot(losses,'b-')
plt.plot(val_losses,'b--')
plt.subplot(122)
plt.xlabel('fit_nums')
plt.ylabel('acc')
plt.plot(acc, 'b-', label='acc')
plt.plot(val_acc, 'b--', label = 'val_acc')
plt.legend()
plt.show()
history.history

 

预测方法

 

def test_img(path):
    img = Image.open(path).convert("L")
    img = img.resize((32, 32))
    img_arr = np.array(img).reshape((1, 32, 32, 1))
    template = ['0','1','2','3','4','5','6','7','8','9',
            'A','B','C','D','E','F','G','H','J','K','L','M','N','P','Q','R','S','T','U','V','W','X','Y','Z',
            '京','闽','粤','苏','沪','浙']
    return template[np.argmax(model.predict(img_arr))]
    # return model.predict(img_arr)

 

import os
out = ""
for path in os.listdir('./split/'):
    out += test_img('./split/' + path)
    
print(out)

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。