车牌识别-模板匹配-BP神经网络-卷积神经网络[深度学习]
2017-04-29 11:45
267 查看
文章来源:http://blog.csdn.net/fighting_dreamer/article/details/56285738
1 车牌识别的步骤
车牌定位车牌分割
字符识别
正如上面所讲,车牌识别主要分为3个部分,其中第一部分车牌定位,一般采用颜色定位,特征定位等,这方面一堆资料我就不写了.分割一般采用投影法.识别的话方法就比较多了,有模板匹配,bp神经网络,卷积神经网络等.
2 一个简单的例子
先读取车牌图片[uuu,vvv]=uigetfile({'*.jpg;*.tif;*.png;*.gif;*.BMP;*.JPEG','All Image Files'} ,'MultiSelect', 'on');%获取一张车牌照片 path=strcat(vvv,uuu);%拼接图片路径 img_rgb=imread(path); imshow(img_rgb);title('原图');1
2
3
4
5
6
1
2
3
4
5
6
%% 开始二值化处理
figure1=figure(1);subplot(231);imshow(img_rgb);title('原图'); subplot(232);imshow(img_rgb);title('二值化后的图 ")1
2
3
4
5
1
2
3
4
5
调用rot_angle子函数,计算图像需要旋转的最佳角度要旋转的最佳角度,返回 后旋转图像.
Angle=rot_angle(s_b,6,-6,1) if Angle~=0 s_bw1=imrotate(s_bw1,Angle,'nearest','crop'); end1
2
3
4
5
1
2
3
4
5
%% % 调用字符分割函数分割处理好的车牌
devide_word=devide_word(plate);1
2
3
1
2
3
%% %调用训练好的cnn网络识别车牌
resault=recognize(plate_word)1
2
3
4
1
2
3
4
上面大体是,车牌识别的大概步骤,
识别采用卷积神经网络识别,效果最好.训练网络时样本数一定要大,
我的样本数大概是800多,
别的例子,证明卷积神经网络的优越性.
相关文章推荐
- 基于matlab的车牌识别-模板匹配-BP神经网络-卷积神经网络[深度学习]
- 深度学习--基于卷积神经网络的歌唱嗓音识别
- 深度学习与卷积神经网络--识别鸟
- 基于模板匹配的车牌识别系统实例
- 深度学习Caffe实战笔记(2)用LeNet跑车牌识别数据
- 字符识别OCR研究一(模板匹配&BP神经网络训练)
- 字符识别(模板匹配&BP神经网络训练)
- TensorFlow:实战Google深度学习框架(五)图像识别与卷积神经网络
- 基于模板匹配的车牌识别系统实例
- 基于模板匹配的车牌识别系统实例
- 基于模板匹配的车牌识别系统实例
- python深度学习库tensorflow——实现FC卷积神经网络识别mnist手写体
- 基于深度学习车牌识别中遮挡车牌分类
- 基于模板匹配的车牌识别系统实例
- 深度学习-使用cuda加速卷积神经网络-手写数字识别准确率99.7%
- 深度学习四:tensorflow-使用卷积神经网络识别手写数字
- 字符识别OCR研究一(模板匹配&BP神经网络训练)
- 字符识别(模板匹配&BP神经网络训练)
- 基于模板匹配的车牌识别系统实例
- 基于模板匹配的车牌识别系统实例