构建识别车牌模型的最佳方法（ALPR）

我正在尝试使用像CNN这样的深度学习技术来检测和读取车牌号码的深度学习模型。我将在张量流中建立一个模型。但我仍然不知道构建这种模型的最佳方法是什么。构建识别车牌模型的最佳方法（ALPR）

我检查了几个模型这样 https://matthewearl.github.io/2016/05/06/cnn-anpr/

我也查了一些研究论文，但没有显示具体的方式。

所以我就准备要遵循的步骤是

图像使用OpenCV的预处理（灰度，转换等我不知道很多关于这部分）
车牌检测（可能是通过滑动窗口方法）
使用CNN通过构建合成数据集来训练，如上面的链接。

我的问题

有没有什么更好的方法来做到这一点？

RNN也可以结合CNN后的可变长度数字吗？

我应该更喜欢检测和识别个别字符，而不是整个板块？

有许多老方法喜欢图像预处理和直接传递到OCR.What会是最好的？

PS-我想制作一个商业实时系统。所以我需要很好的准确性。

来源

2017-06-16 Arpit Khurana

如果您希望CNN能够在真实的光照，移动，角度和故意混淆的情况下阅读真实生活中的车牌，那么您将需要大量的示例图像数据集。综合数据只会让你到目前为止。就像凯西李建议的那样，建立一系列约束步骤可能是你最好的选择，但是你的系统只能和最薄弱的环节一样强大。如果您的牌照检测只有97％，那么97％是您的准确度上限。如果您的CNN每个字符的准确率为99％，并且有8个字符，那么您的上限精度为.99^8 = 92％。 – Wontonimo

是的，我明白了。我需要一种方法来确保我只是从号码牌中读取，忽略图像中的其他文本，如招牌或其他东西 –

首先，我不认为结合RNN和CNN可以实现实时系统。如果我想要实时系统，我个人更喜欢检测单个字符，因为车牌上不会超过10个字符。当检测长度可变的平板时，检测单个字符更加可行。

在我学会深度学习之前，我也尝试过使用OCR来检测钢板。在我的情况下，OCR速度很快，但精度有限，特别是当版面不够清晰时。即使图像处理无法施救一些不清楚的情况下.......

所以，如果我是你，我会尝试如下：整个图像

车牌检测上

简单的图像预处理（可能通过滑动窗口方法）
对提取的板部分进行图像处理（滤波器和几何变换）以使其更加清晰。单独的字符。
将CNN部署到每个角色。（也许我会尝试一些短的CNNs，因为是实时的，比如LeNet在MNIST手写数字数据中使用）（可能需要多线程）

希望我的回答能帮上忙。

来源

2017-06-16 16:06:58

那么......如何“分隔”字符。并且这里以我的国家/地区号码格式不是静态的。它可以有很多形式，所以我不认为滑动窗口方法可以用于检测。我需要以某种方式找到我猜想的白色和黄色的盘子（区域），但是那样会在较低的光线下停止工作。 –

字符分离和版检测需要一些图像处理技术。你可以自己搜索那些。我相信很多论文都与他们有关。一种可用于字符分离的常用方法是连接组件标签。对于平板检测，首先对图像进行一些预处理，如滤波器，形状检测等。 –

构建识别车牌模型的最佳方法（ALPR）

回答

相关问题