隨著科學(xué)技術(shù)的發(fā)展，人工智能技術(shù)在我們的生活中的應(yīng)用越來(lái)越廣泛，人臉識(shí)別、車(chē)牌識(shí)別、目標(biāo)識(shí)別等眾多場(chǎng)景已經(jīng)落地應(yīng)用，給我們的生活品質(zhì)得到很大的提升，辦事效率大大提高，同時(shí)也節(jié)約了大量的勞動(dòng)力。

　　今天我們來(lái)講一講車(chē)牌識(shí)別這個(gè)任務(wù)，車(chē)牌識(shí)別技術(shù)經(jīng)過(guò)多年的發(fā)展，技術(shù)路線(xiàn)也呈現(xiàn)多樣化，我們來(lái)介紹一下其中的兩種：

　　第一種，單個(gè)字符識(shí)別

　　首先，在地面上有傳感器感應(yīng)區(qū)域，當(dāng)有車(chē)輛經(jīng)過(guò)時(shí)自動(dòng)進(jìn)行拍照，然后對(duì)拍的照片進(jìn)行預(yù)處理，變成灰度圖像，去除噪聲等，把一些干擾因素去掉，同時(shí)降低圖像的大小，便于后期進(jìn)行邊緣提??；

　　其次，利用邊緣提取技術(shù)，比如canny算子、sobel算子，把圖像輪廓提取出來(lái)，根據(jù)車(chē)牌長(zhǎng)寬比大概為1:2.5左右把大部分不疑似的去掉；然后，再利用圖像灰度值在水平方向和豎直方向上的投影，將字符切割出來(lái)；

　　最后，利用模板匹配或者是已經(jīng)訓(xùn)練好的深度學(xué)習(xí)模型進(jìn)行識(shí)別，單獨(dú)把每個(gè)字符識(shí)別后進(jìn)行串聯(lián)得到整張車(chē)牌號(hào)碼。

　　這種方法的瓶頸在于怎么樣把每一個(gè)字符準(zhǔn)確地切割出來(lái)，這涉及到很多圖像處理技術(shù)，比如高斯模糊、圖像銳化、圖像膨脹、伽馬變化、仿射變換等等，目前對(duì)于英文字符和數(shù)字的識(shí)別準(zhǔn)確度在96%左右，漢字識(shí)別的準(zhǔn)確度在95%左右。

　　第二種辦法，整張車(chē)牌識(shí)別

　　首先，與第一種車(chē)牌識(shí)別一樣，利用傳感器進(jìn)行車(chē)輛感應(yīng)，把整輛車(chē)進(jìn)行拍照；

　　其次，利用訓(xùn)練好的車(chē)牌檢測(cè)算法，比如YOLO算法或者其他的目標(biāo)檢測(cè)算法把車(chē)牌檢測(cè)出來(lái)。為了提升車(chē)牌識(shí)別的準(zhǔn)確度，可以利用圖像預(yù)處理技術(shù)對(duì)圖像進(jìn)行處理，降低干擾項(xiàng)；

　　最后，利用已經(jīng)訓(xùn)練好的深度學(xué)習(xí)模型對(duì)整張車(chē)牌進(jìn)行識(shí)別。比如LPRNet、Darknet等

　　## 第一種方法 ——利用 pytesseract 進(jìn)行識(shí)別

　　pytesseract是一個(gè)OCR識(shí)別工具，具體的 pytesseract 安裝可百度安裝，直接使用這個(gè)工具進(jìn)行識(shí)別得到的準(zhǔn)確度還有點(diǎn)低，達(dá)不到理想的效果，需要利用車(chē)牌數(shù)據(jù)進(jìn)行訓(xùn)練才可以使用。

　　## 第二種識(shí)別辦法——PaddleOCR

　　PaddleOCR 是百度paddlepaddle下的OCR模塊，可以用它來(lái)識(shí)別車(chē)牌，直接下載預(yù)訓(xùn)練模型進(jìn)行識(shí)別，對(duì)于數(shù)字和子母都得到不錯(cuò)的準(zhǔn)確率，但是針對(duì)中文識(shí)別的效果并不理想，需要自己的數(shù)據(jù)集進(jìn)行再訓(xùn)練。

　　要想利用這個(gè)模型進(jìn)行訓(xùn)練車(chē)牌識(shí)別，需要大量的車(chē)牌數(shù)據(jù)，人工收集不僅耗費(fèi)時(shí)間長(zhǎng)，要涉及每個(gè)省份的車(chē)牌需要比較大的成本。

　　另外的辦法是利用圖像處理技術(shù)進(jìn)行數(shù)據(jù)生成，加上圖像增強(qiáng)技術(shù)來(lái)制作數(shù)據(jù)集，這將在我們的第三章識(shí)別方法中講到。

　　將結(jié)果導(dǎo)出到Excel文件夾

　　## 第三種辦法 ——LPRNet算法

　　由于要收集滿(mǎn)足深度學(xué)習(xí)的數(shù)據(jù)需要花費(fèi)大量的時(shí)間，有一種辦法是通過(guò)數(shù)據(jù)生成的辦法生成大量的模擬數(shù)據(jù)集。

　　緊接著，我們可以利用LPRNet算法進(jìn)行車(chē)牌識(shí)別，從GitHub上下載有tensorflow、torch兩個(gè)版本。

　　第一步，生成藍(lán)色車(chē)牌數(shù)據(jù)集

　　第二步，根據(jù)算法模型要求將圖像名稱(chēng)修改并放到指定的文件夾中

　　第三步，模型訓(xùn)練和測(cè)試

　　## (1) 藍(lán)色車(chē)牌生成

　　需要生成多少?gòu)堒?chē)牌數(shù)據(jù)可通過(guò)修改最后一行代碼的數(shù)字即可

　　## (2) 生產(chǎn)黃色車(chē)牌

　　生成車(chē)牌的步驟是把字符寫(xiě)到純凈的背景圖片上，藍(lán)色的車(chē)牌是把白色的字寫(xiě)到藍(lán)色底的車(chē)牌上，可以直接把字符寫(xiě)到底牌上去，但是黃色底的車(chē)牌不能簡(jiǎn)單把黑色字寫(xiě)上去，寫(xiě)上去的結(jié)果是字符被隱藏起來(lái)，需要特別處理。

　　正確的做法是：

　　第一步，構(gòu)造一張車(chē)牌大小的純黑色車(chē)牌，往上面寫(xiě)白色字符

　　第二步，將黑白色進(jìn)行反轉(zhuǎn)，把這牌的字符和背景進(jìn)行翻轉(zhuǎn)

　　第三步，將一張沒(méi)有字符的黃色底牌和反轉(zhuǎn)后的車(chē)牌進(jìn)行結(jié)合，然后經(jīng)過(guò)高斯模糊、改變光線(xiàn)、旋轉(zhuǎn)角度等各種隨機(jī)組合模擬出于生活中拍攝處理的圖像。

　　字符和背景反轉(zhuǎn)

　　字符和底牌相結(jié)合，并進(jìn)行畸變、模糊、旋轉(zhuǎn)等各種方法，構(gòu)造出多種多樣的車(chē)牌圖像。

　　## (3) 生產(chǎn)新能源車(chē)牌

　　新能源車(chē)牌的生成辦法與黃色車(chē)牌的生成辦法是一樣的，但是新能源車(chē)牌長(zhǎng)度比藍(lán)牌、黃牌多一位，而且指定第三個(gè)字符為D或者F，但是我們我們?cè)谏蓵r(shí)不考慮，只是修改代碼讓程序生成同樣長(zhǎng)度的車(chē)牌即可。

　　以上為車(chē)牌生成部分代碼，其他代碼參考之前的部分

　　(4) 重命名各種車(chē)牌名稱(chēng)，使得它適合訓(xùn)練便簽生成要求

　　(5) 統(tǒng)計(jì)各個(gè)省份的車(chē)牌數(shù)量

　　主要是確認(rèn)中文字符數(shù)量均衡

　　(6) 把車(chē)牌移動(dòng)到訓(xùn)練和測(cè)試兩個(gè)文件夾中

　　(7) 模型訓(xùn)練及測(cè)試

　　接下來(lái)進(jìn)行模型訓(xùn)練。。。 （略）

　　用第三種方法 LPRNet 來(lái)進(jìn)行車(chē)牌識(shí)別這個(gè)項(xiàng)目是一個(gè)很不錯(cuò)的，涉及到圖像處理，深度學(xué)習(xí)等各種圖像相關(guān)的知識(shí)，完成這個(gè)項(xiàng)目訓(xùn)練后，項(xiàng)目工程能力得到較大提升，對(duì)于以后找工作和工作中遇到的問(wèn)題處理都有比較大的幫助。

　　能認(rèn)真看到這的小伙伴幫忙點(diǎn)個(gè)贊！