車牌識別系統可以自動檢測并識別圖像中的車輛牌照，其算法主要包括牌照定位、牌照分割、字符識別等步驟。本文將給出一種基于深度學習的車牌識別系統方案。

要快速掌握開發人工智能系統的技能，推薦匯智網的 機器學習系列在線課程

由于可以自動地從視頻圖像中提取車輛牌照信息，因此車牌識別系統可以應用于以下行業：

• 公共安全：用于檢測被盜搶車輛，將車牌與盜搶車輛數據庫記錄比對即可發現。
• 停車管理：停車場入口自動放行、出口自動計費。
• 道路安全：與雷達測試配合使用，識別超速車輛并記錄違章

我們的項目包含以下三個步驟：車輛牌照檢測、牌照字符分割、牌照字符識別。

1、車輛牌照檢測

我們使用Yolo（You Only Look One）算法來檢測車輛牌照。Yolo是一個基于卷積神經網絡的深度學習目標檢測架構。該架構由 Joseph Redmon , Ali Farhadi, Ross Girshick和Santosh Divvala引入，2015年推出第一個版本，然后逐漸升級至版本3：

• Yolo v1；論文
• Yolo v2：論文
• Yolo v3；論文

Yolo是一個端到端訓練的單一網絡，可以用來預測目標的類別與邊界框。Yolo網絡速度極快，可以每秒45幀的速度實時處理圖像。其中一個較小規模的網絡，被稱為Fast YOLO，甚至達到了令人咂舌的155幀/秒的處理速度。

下面我們來實現YOLO V3網絡。首先，我們準備一個有700張包含土耳其車輛牌照的圖片的數據集，對每一張圖片，我們都使用一個桌面應用LabelImg標注出車牌位置并存入一個xml文件。數據下載及網絡訓練腳本如下：

# First download Darknet project $ git clone https://github.com/pjreddie/darknet.git# in "darknet/Makefile" put affect 1 to OpenCV, CUDNN and GPU if you # want to train with you GPU then time thos two commands $ cd darknet $ make# Load convert.py to change labels (xml files) into the appropriate # format that darknet understand and past it under darknet/https://github.com/KhazriAchraf/ANPR# Unzip the dataset $ unzip dataset.zip# Create two folders, one for the images and the other for labels $ mkdir darknet/images $ mkdir darknet/labels# Convert labels format and create files with location of images # for the test and the training $ python convert.py# Create a folder under darknet/ that will contain your data $ mkdir darknet/custom# Move files train.txt and test.txt that contains data path to # custom folder $ mv train.txt custom/ $ mv test.txt custom/# Create file to put licence plate class name "LP" $ touch darknet/custom/classes.names $ echo LP > classes.names# Create Backup folder to save weights $ mkdir custom/weights# Create a file contains information about data and cfg # files locations $ touch darknet/custom/darknet.data# in darknet/custom/darknet.data file paste those informations classes = 1 train = custom/train.txt valid = custom/test.txt names = custom/classes.names backup = custom/weights/# Copy and paste yolo config file in "darknet/custom" $ cp darknet/cfg/yolov3.cfg darknet/custom# Open yolov3.cfg and change : # " filters=(classes + 5)*3" just the ones before "Yolo" # in our case classes=1, so filters=18 # change classes=... to classes=1# Download pretrained model $ wget https://pjreddie.com/media/files/darknet53.conv.74 -O ~/darknet/darknet53.conv.74# Let's train our model !!!!!!!!!!!!!!!!!!!!! $ ./darknet detector train custom/darknet.data custom/yolov3.cfg darknet53.conv.74

在網絡訓練完之后，為了識別圖像中的車輛牌照，我們從darknet/custom/weights中選擇最新的模型并在文件object_detection_yolo.py中寫入其路徑名稱，我們也將使用yolov3.cfg文件，注釋掉訓練部分，然后執行：

python object-detection_yolo.py --image= image.jpg

這就是我們的結果：

2、車牌字符分割

現在我們要分割出我們的車牌號碼。這個步驟的輸入是車牌圖像，我們必須能夠提取出單個字符的圖像。由于這一步驟的輸出將用于識別步驟，因此對于一個車牌識別系統而言，車牌分割步驟非常重要。為了盡可能的正確分割車牌字符，我們需要進行必要的預處理。

像素投影直方圖用來找出字符區域的上限和下限、左邊及右邊。我們使用水平投影來找出字符的頂部 和底部位置，使用垂直投影來找出字符的左邊和右邊位置：

從車輛牌照中提取數字的另一個方法時使用形態學的開/閉操作來生成一些連通區域，然后再使用連通跟蹤算法提取這些連通區域。

3、車牌字符識別

識別階段是我們的車牌自動檢測與識別系統的最后一個環節，識別是基于前面環節得到的單個字符圖像。我們的模型將對這些圖像進行預測，從而得到最終的車牌號碼。

為了盡可能利用訓練數據，我們將每個字符單獨切割，得到一個車牌字符數據集，該數據集中包含11個類（數字0-9以及阿拉伯單詞），每個類包含30~40張字符圖像，圖像為28X28的PNG格式。

然后，我們就多層感知器MLP和K近鄰分類器KNN的比較進行了一些調研，研究結果標明，對于多層感知器而言，如果隱層的神經元增多，那么分類器的性能就會提高；同樣，對于KNN而言，性能也是隨著近鄰數量的增多而提高。不過由于KNN的可調整潛力要遠遠小于MLP，因此我們最終選擇在這個階段使用多層感知器MLP網絡來識別分割后的車牌字符：

你可以在這里找到代碼及數據集：github

---

原文鏈接：車輛牌照自動檢測與識別 —— 匯智網

總結

以上是生活随笔為你收集整理的python车牌识别系统开源代码_汽车牌照识别系统【YOLO+MLP】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。