車牌識別的N種辦法——從OCR到深度學習
隨著科學技術的發展，人工智能技術在我們的生活中的應用越來越廣泛，人臉識別、車牌識別、目標識別等眾多場景已經落地應用，給我們的生活品質得到很大的提升，辦事效率大大提高，同時也節約了大量的勞動力。
今天我們來講一講車牌識別這個任務，車牌識別技術經過多年的發展，技術路線也呈現多樣化，我們來介紹一下其中的兩種：
第一種，單個字符識別
首先，在地面上有傳感器感應區域，當有車輛經過時自動進行拍照，然后對拍的照片進行預處理，變成灰度圖像，去除噪聲等，把一些干擾因素去掉，同時降低圖像的大小，便于后期進行邊緣提取；
其次，利用邊緣提取技術，比如canny算子、sobel算子，把圖像輪廓提取出來，根據車牌長寬比大概為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；
最后，利用模板匹配或者是已經訓練好的深度學習模型進行識別，單獨把每個字符識別后進行串聯得到整張車牌號碼。
這種方法的瓶頸在于怎么樣把每一個字符準確地切割出來，這涉及到很多圖像處理技術，比如高斯模糊、圖像銳化、圖像膨脹、伽馬變化、仿射變換等等，目前對于英文字符和數字的識別準確度在96%左右，漢字識別的準確度在95%左右。
第二種辦法，整張車牌識別
首先，與第一種車牌識別一樣，利用傳感器進行車輛感應，把整輛車進行拍照；
其次，利用訓練好的車牌檢測算法，比如YOLO算法或者其他的目標檢測算法把車牌檢測出來。為了提升車牌識別的準確度，可以利用圖像預處理技術對圖像進行處理，降低干擾項；
最后，利用已經訓練好的深度學習模型對整張車牌進行識別。比如LPRNet、Darknet等
## 第一種方法 ——利用 pytesseract 進行識別
pytesseract是一個OCR識別工具，具體的 pytesseract 安裝可百度安裝，直接使用這個工具進行識別得到的準確度還有點低，達不到理想的效果，需要利用車牌數據進行訓練才可以使用。
## 第二種識別辦法——PaddleOCR
PaddleOCR 是百度paddlepaddle下的OCR模塊，可以用它來識別車牌，直接下載預訓練模型進行識別，對于數字和子母都得到不錯的準確率，但是針對中文識別的效果并不理想，需要自己的數據集進行再訓練。
要想利用這個模型進行訓練車牌識別，需要大量的車牌數據，人工收集不僅耗費時間長，要涉及每個省份的車牌需要比較大的成本。
另外的辦法是利用圖像處理技術進行數據生成，加上圖像增強技術來制作數據集，這將在我們的第三章識別方法中講到。
將結果導出到Excel文件夾
## 第三種辦法 ——LPRNet算法
由于要收集滿足深度學習的數據需要花費大量的時間，有一種辦法是通過數據生成的辦法生成大量的模擬數據集。
緊接著，我們可以利用LPRNet算法進行車牌識別，從GitHub上下載有tensorflow、torch兩個版本。
第一步，生成藍色車牌數據集
第二步，根據算法模型要求將圖像名稱修改并放到指定的文件夾中
第三步，模型訓練和測試
## (1) 藍色車牌生成
需要生成多少張車牌數據可通過修改最后一行代碼的數字即可
## (2) 生產黃色車牌
生成車牌的步驟是把字符寫到純凈的背景圖片上，藍色的車牌是把白色的字寫到藍色底的車牌上，可以直接把字符寫到底牌上去，但是黃色底的車牌不能簡單把黑色字寫上去，寫上去的結果是字符被隱藏起來，需要特別處理。
正確的做法是：
第一步，構造一張車牌大小的純黑色車牌，往上面寫白色字符
第二步，將黑白色進行反轉，把這牌的字符和背景進行翻轉
第三步，將一張沒有字符的黃色底牌和反轉后的車牌進行結合，然后經過高斯模糊、改變光線、旋轉角度等各種隨機組合模擬出于生活中拍攝處理的圖像。
字符和背景反轉
字符和底牌相結合，并進行畸變、模糊、旋轉等各種方法，構造出多種多樣的車牌圖像。
## (3) 生產新能源車牌
新能源車牌的生成辦法與黃色車牌的生成辦法是一樣的，但是新能源車牌長度比藍牌、黃牌多一位，而且指定第三個字符為D或者F，但是我們我們在生成時不考慮，只是修改代碼讓程序生成同樣長度的車牌即可。
以上為車牌生成部分代碼，其他代碼參考之前的部分
(4) 重命名各種車牌名稱，使得它適合訓練便簽生成要求
(5) 統計各個省份的車牌數量
主要是確認中文字符數量均衡
(6) 把車牌移動到訓練和測試兩個文件夾中
(7) 模型訓練及測試
接下來進行模型訓練。。。 （略）
用第三種方法 LPRNet 來進行車牌識別這個項目是一個很不錯的，涉及到圖像處理，深度學習等各種圖像相關的知識，完成這個項目訓練后，項目工程能力得到較大提升，對于以后找工作和工作中遇到的問題處理都有比較大的幫助。
能認真看到這的小伙伴幫忙點個贊！
