效果：

??

此項目在基于u-net，cv2以及cnn的中文車牌定位，矯正和端到端識別軟件_不啻逍遙然的博客-CSDN博客的基礎上增強了綠牌識別，綠牌訓練數據近10萬。結合博主開源的藍牌模型，目前完美匹配藍、綠牌識別場景。識別準確率達96%以上。

用了什么技術，原理是什么？

技術架構

• Python：輕量框架，搭建簡單，更專注于業務功能
• opencv：跨平臺計算機視覺庫，用作圖像處理
• Tensorflow: 機器學習的框架，用作大量數據需要處理，或是深度學習
• cnn： 卷積神經網絡（Convolutional Neural Network，簡稱CNN），是一種前饋神經網絡，人工神經元可以響應周圍單元，可以進行大型圖像處理。卷積神經網絡包括卷積層和池化層
• unet： 對圖像中的每個像素點分類，即像素級別的分類任務

識別出一個車牌，計算機做了哪些工作？

機器識圖的過程：機器識別圖像并不是一下子將一個復雜的圖片完整識別出來，而是將一個完整的圖片分割成許多個小部分，把每個小部分里具有的特征提取出來（也就是識別每個小部分），再將這些小部分具有的特征匯總到一起，就可以完成機器識別圖像的過程了

??????????????

怎么做一個車牌識別應用？

擬定題目

尋找并可視化數據，發現規律，開發程序

為機器學習算法準備數據

選擇模型，進行訓練

測試模型，發現問題并微調模型

docker部署、持續更新訓練

簡單分為兩個階段，第一階段是訓練模型，第二階段是使用模型做識別。難點主要在模型的訓練，訓練又分為unet和cnn兩個模塊，最終會得到兩個相應的模型，一個用作定位，一個用作識別。車牌識別屬于Supervised Learning(監督學習)，下面會講到機器學習的分類。

unet訓練

我們可以通過圖像分割算法對一張輸入圖片進行分割，分割后的圖形其實是對原圖中的區域進行的分類標注，例如這里我們可以將原圖標注為2類，一類就是車牌區域，還有一類就是無關的背景區域使用，用于訓練unet模型。u-net部分的數據集我一共標注了1500多張，最終效果很棒，達到了定位的效果。

cnn訓練

cnn訓練我準備了10萬張左右的有效牌照數據。每張圖片都是統一的寬240，高80的車牌圖片，要實現車牌的端到端識別，顯然是多標簽分類問題，每張輸入圖片有8個標簽（8個字符），模型輸出前的結構都是可以共享的，只需將輸出修改為8個即可，8個輸出對應了8個loss，總loss就是8個loss的和，使用keras可以很方便地實現。

最終，訓練集上準確率acc1（即車牌省份字符）為95%，其余字符均為99%左右，本地測試集準確率為95%，識別效果較佳。

訓練、優化不再贅述了，重點說下使用方式：

github ：?GitHub - leo187/End-to-end-for-chinese-plate-recognition: 基于u-net，cv2以及cnn的中文車牌定位，矯正和端到端識別軟件，其中unet和cv2用于車牌定位和矯正，cnn進行車牌識別，unet和cnn都是基于tensorflow的keras實現

1.修改配置

2.啟動應用

---

訓練不易，如有幫助請幫忙點贊，多謝！

總結

以上是生活随笔為你收集整理的车牌识别平台开源（支持蓝牌、绿牌，准确率高达96%）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。