基于卷积神经网络的车牌识别

简介: 基于卷积神经网络的车牌识别

一,环境介绍

语言环境:Python

开发工具:IDEA或PyCharm

使用算法:CNN神经网络

二,项目简介

随着交通管理、智慧城市等领域的快速发展,车牌识别技术逐渐成为一种非常重要的技术。车牌识别技术已经成为交通管理、智慧城市等领域中非常重要的一种技术。传统的车牌识别技术主要是通过图像处理和机器学习等方法实现,但这些方法存在着一些缺点,比如鲁棒性较差、识别率不高等问题。而卷积神经网络作为一种有效的图像处理和特征提取方法,已经被广泛被各个行业和领域进行应用,用于处理和识别图像等信息,因此,将卷积神经网络应用于车牌识别技术中,具有一定的研究价值和实际应用意义。

本文的目标是设计一种基于卷积神经网络的车牌识别系统,实现对车牌图像的自动化识别和分割。具体来说,我们需要完成以下几个任务: (1)实现车牌图像的预处理和特征提取,包括图像灰度化、二值化、降噪和图像分割等操作。 (2)设计并训练卷积神经网络,实现对车牌字符的自动识别和分割。 (3)在测试数据集上评估系统的性能,并分析其优缺点。

本文采用了基于卷积神经网络的方法,实现车牌识别系统的设计。具体来说,我们采用了以下几个步骤:(1)图像预处理:将上传的车牌图片首先完成灰度化处理,紧接着对其进行二值化和降躁,并进行分割后,得到处理后的车牌图像。 (2)特征提取:对处理后的车牌图像通过多次卷积和池化,将图片的特征提取出来 (3)分类和识别:通过全连接层将提取出来的特征与车牌字符进行分类和识别,实现车牌字符的自动识别和分割。(4)网络训练:采用交叉熵损失函数和随机梯度下降算法对网络进行优化和训练。最终的测试结果表明,本文设计的车牌识别系统具有较好的性能,平均识别率达到了96.5%。

本文主要研究如何基于CNN来实现一个车牌识别系统,在技术开发上具体使用Python开发语言并结合Django实现一个基于WEB形式的试验系统,产生的分析数据和识别记录存储在sqlite数据库中。在对本系统进行研究的过程中,主要从理论上对卷积神经网络算法进行了研究和学习,对其涉及到的各个层的结构和作用进行了学习和实践。通过对本题的研究,获得以如下成果:

(1)研究学习了CNN算法的内容

(2)学习了Python的应用开发。

(3)学习了Django 的web开发和应用。

(4)学习和掌握了sqlite数据库的应用。

(5)综合软件开发技术和CNN算法实现了车牌的智能识别系统。

在分析了车牌识别系统的基本功能需求分析后,在本文中着重研究如何利用CNN技术来完成对图像的识别处理和车牌的识别。基于CNN的车牌识别系统整体业务流程设计,具体包括以下几个方面:

(1)数据集准备:首先需要收集一定量的车牌图像数据,并进行标注,形成用于训练和测试的数据集。

(2)数据预处理:在对车牌进行识别时,需要对含有车牌的图像做一下前置处理,将干扰的图像元素从图像中剥离,进行图像归一化等操作,以便于CNN进行识别。

(3)特征提取:基于CNN的车牌识别系统可以通过卷积层、池化层等操作来提取车牌的特征,避免了传统方法需要手工设计特征的问题。

(4)模型训练:通过使用标注数据集进行模型训练,采用交叉熵损失函数和梯度下降算法进行优化,得到车牌识别模型。

(5)模型评估:通过使用测试数据集对训练得到的车牌识别模型进行评估,计算模型的准确率和召回率等指标。

(6)模型优化:根据模型评估结果,对模型进行优化,包括增加数据集、调整模型结构、采用正则化等操作,以提高模型的准确率和鲁棒性。

(7)系统实现:将训练好的车牌识别模型应用于实际场景中,实现车牌识别系统。

由于卷积神经网络在识别过程中对图像的大小有一定要求,且受车牌图像质量、光照、天气、摄像头分辨率等影响,所以在实际应用中会受到一定程度的限制,另外,由于卷积神经网络只对车牌图像中的字符进行识别,对于车辆牌照外的部分,没有进行处理。本文提出了两种改进方法:一是基于颜色信息对车牌区域进行了二次分割;二是利用卷积神经网络对车牌区域进行了二次识别。

系统的整体功能设计流程虽然有七个,但其实主要包含在三个模块中,具体的整体设计结构图如图4-1所示。

图4-1 整体设计结构

通过实验仿真分析验证,两种改进方法均有效。其中一种方法具有更好的识别效果,可以在实际应用中进行推广使用。

1、二次分割 对于车牌区域进行二次分割,主要是通过利用 RGB颜色空间中,对字符颜色的信息进行提取,再利用颜色特征对图像进行二次分割,由于车牌区域面积较小,因此先将图像进行了预处理,然后再利用边缘检测的方法进行分割。具体步骤为:

获取车牌图像的 RGB颜色空间矢量;

计算图像中车牌区域的亮度值;

由亮度值计算出图像中的阈值K值;

由灰度值计算出每个像素点的二值化颜色,并进行了二次分割;

根据分割出的每个像素点的二值化颜色信息,得到了二次分割后车牌区域。从实验仿真结果可以看出,二次分割方法是有效可行的,因为二次分割后,将车牌区域包含在了一个较小的区域内,不会出现车牌区域外扩的现象。该方法可以将车牌识别系统中车牌识别部分进行简化处理。

2、卷积神经网络 卷积神经网络是由多层的神经元进行连接而组成的一个复杂网络。它主要分为卷积层、池化层、全连接层和输出层等四个层次。其原理是通过对卷积层神经元的特征提取,然后对其进行相应处理,经过全连接层的特征提取,然后输出结果。 其作用主要是将输入的图像数据转化为特征向量,再通过输出层将特征向量输入到反向传播算法中进行训练,使模型进行预测。对于有许多局部感受野的网络来说,具有一种“低维逼近”的效果,即能充分利用图像中低层次信息;对于有许多维度信息的网络来说,具有“高维逼近”的效果,即能充分利用图像的空间信息。通过这样训练后,网络模型在不同特征空间中的分类能力都会得到提高。从分类上来看,有多个局部感受野特征图进行学习训练的网络,其分类结果要比只有一个感受野特征图学习训练的网络要好。 在一个卷积神经网络中,包括输入层、池化层、全连接层和输出层。其中卷积层负责将输入图像分解为较小范围内不同尺度、不同分辨率图像;池化层对图像中的不同区域进行平均处理;全连接层则通过权重共享机制,将多个不同尺度、不同分辨率图像组合成一个大尺度、高分辨率图像。其中卷积层和池化层都是一种常用的深度神经网络结构。前者采用逐点卷积运算来提取图像特征向量;后者则将每个卷积核中参数聚合后作为输入到下一层。 二者的区别在于卷积神经网络在多个卷积核上进行特征提取。而全连接层与输出层都是无连接关系的网络。

三,系统展示

四,核心代码展示

from re import U
import simplejson
from django.shortcuts import render
from django.contrib.auth import authenticate, login, logout
from django.contrib.auth.models import User
from django.http.request import HttpRequest
from index.utils import success, error
from functools import wraps
from django.http import HttpResponseRedirect
from django.urls import reverse
from django.http import JsonResponse
# 用户登录装饰器,用于限制必须登录的情况
def login_required(func):
    @wraps(func)
    def wrap(request: HttpRequest, *args, **kwargs):
        # 如果用户已登陆,允许访问
        if request.user.is_authenticated:
            return func(request, *args, **kwargs)
        return error(code=401)
    return wrap
# 用户登录视图
def login_view(request: HttpRequest):
    data = simplejson.loads(request.body)
    user = authenticate(
        request, username=data.get("username"), password=data.get("password")
    )
    if user:
        # 账号密码成功,进入主页面
        return success(data=user.id)
    return error("帐号或密码错误")
@login_required
def get_user_view(request: HttpRequest):
    id_ = request.headers.get("access-token")
    user = User.objects.filter(id=id_).first()
    if user:
        return success(
            data={"name": user.username, "role": [], "isSuperuser": user.is_superuser}
        )
# 用户注册视图
def signup(request):
    data = simplejson.loads(request.body)
    if not all((data.get("username"), data.get("password"), data.get("password2"))):
        return error("信息不全")
    if data.get("password") != data.get("password2"):
        return error("二次密码不一致")
    if User.objects.filter(username=data.get("username")).exists():
        return error("帐号已存在")
    user = User.objects.create_user(
        username=data.get("username"), password=data.get("password"), is_staff=True
    )  # , is_superuser=True
    # 注册新用户
    user.save()
    return success(data=user.id)
# 工具函数
def to_dict(l):
    def _todict(obj):
        j = {k: v for k, v in obj.__dict__.items() if not k.startswith("_")}
        return j
    return [_todict(i) for i in l]
from base64 import b64decode
import time
import re
import json
from django.http import HttpResponse, JsonResponse
from django.shortcuts import render
from django.core.files.base import ContentFile
from subprocess import call
import os
from django.db.models.fields.files import ImageFieldFile
from django.db.models import ImageField
from datetime import datetime
from . import detect as dt
from django.core.paginator import Paginator
from django.db.models import Q
from hashlib import md5
from .models import *
def to_dict(l, exclude=tuple()):
    # 将数据库模型 变为 字典数据 的工具类函数
    def transform(v):
        # print(type(v))
        if isinstance(v, datetime):
            return v.strftime("%Y-%m-%d %H:%M:%S")
        elif isinstance(v, ImageFieldFile):
            return f"http://127.0.0.1:8000/media/{v.url}"
        return v
    def _todict(obj):
        j = {
            k: transform(v)
            for k, v in obj.__dict__.items()
            if not k.startswith("_") and k not in exclude
        }
        return j
    return [_todict(i) for i in l]
def plate_detect(request):
    """车牌识别"""
    data = request.json
    image = data.get("image")
    ext, bcontent = re.search(r"data:image/(.*?);base64,(.*)", image).groups()
    name = str(int(time.time() * 1000)) + f".{ext}"
    content = b64decode(bcontent)
    hash_md5 = md5(content).hexdigest()
    p = Photo.objects.filter(md5=hash_md5, user=request.user).first()
    if p is None:
        result = dt(image)
        if result is None:
            result = []
        p = Photo(
            md5=hash_md5,
            user=request.user,
            result=json.dumps(result, ensure_ascii=False, indent=4),
        )
        p.image.save(name, ContentFile(content))
        p.save()
        p = Photo.objects.get(pk=p.id)
    i = to_dict([p])[0]
    i["image"] = "http://127.0.0.1:8000/media/" + i["image"]
    i["result"] = json.loads(i["result"])
    return JsonResponse(i)
def get_list(request):
    # 列表
    body = request.json
    pagesize = body.get("pagesize", 10)
    page = body.get("page", 1)
    query = {
        k[1:]: v
        for k, v in body.items()
        if k.startswith("_") and (v != "" and v is not None)
    }
    q = Q(**query)
    objs = Photo.objects.filter(q).order_by("-id")
    paginator = Paginator(objs, pagesize)
    pg = paginator.page(page)
    result = to_dict(pg.object_list)
    for i in result:
        i["image"] = "http://127.0.0.1:8000/media/" + i["image"]
        i["result"] = json.loads(i["result"])
    return JsonResponse({"total": paginator.count, "result": result})

五,相关作品展示

基于Java开发、Python开发、PHP开发、C#开发等相关语言开发的实战项目

基于Nodejs、Vue等前端技术开发的前端实战项目

基于微信小程序和安卓APP应用开发的相关作品

基于51单片机等嵌入式物联网开发应用

基于各类算法实现的AI智能应用

基于大数据实现的各类数据管理和推荐系统


相关文章
|
9天前
|
机器学习/深度学习 TensorFlow 算法框架/工具
PYTHON TENSORFLOW 2二维卷积神经网络CNN对图像物体识别混淆矩阵评估|数据分享
PYTHON TENSORFLOW 2二维卷积神经网络CNN对图像物体识别混淆矩阵评估|数据分享
37 7
|
7天前
|
机器学习/深度学习 存储 监控
数据分享|Python卷积神经网络CNN身份识别图像处理在疫情防控下口罩识别、人脸识别
数据分享|Python卷积神经网络CNN身份识别图像处理在疫情防控下口罩识别、人脸识别
18 0
|
1天前
|
机器学习/深度学习 PyTorch TensorFlow
【Python机器学习专栏】卷积神经网络(CNN)的原理与应用
【4月更文挑战第30天】本文介绍了卷积神经网络(CNN)的基本原理和结构组成,包括卷积层、激活函数、池化层和全连接层。CNN在图像识别等领域表现出色,其层次结构能逐步提取特征。在Python中,可利用TensorFlow或PyTorch构建CNN模型,示例代码展示了使用TensorFlow Keras API创建简单CNN的过程。CNN作为强大深度学习模型,未来仍有广阔发展空间。
|
3天前
|
机器学习/深度学习 算法 TensorFlow
TensorFlow 2keras开发深度学习模型实例:多层感知器(MLP),卷积神经网络(CNN)和递归神经网络(RNN)
TensorFlow 2keras开发深度学习模型实例:多层感知器(MLP),卷积神经网络(CNN)和递归神经网络(RNN)
|
5天前
|
机器学习/深度学习 数据可视化 数据挖掘
【视频】少样本图像分类?迁移学习、自监督学习理论和R语言CNN深度学习卷积神经网络实例
【视频】少样本图像分类?迁移学习、自监督学习理论和R语言CNN深度学习卷积神经网络实例
12 1
|
5天前
|
机器学习/深度学习 人工智能 自然语言处理
|
14天前
|
机器学习/深度学习 人工智能 数据可视化
【视频】CNN(卷积神经网络)模型以及R语言实现回归数据分析
【视频】CNN(卷积神经网络)模型以及R语言实现回归数据分析
24 0
|
14天前
|
机器学习/深度学习 数据可视化 数据挖掘
R语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类:训练与结果评估可视化
R语言深度学习卷积神经网络 (CNN)对 CIFAR 图像进行分类:训练与结果评估可视化
30 9
|
15天前
|
机器学习/深度学习 数据采集 TensorFlow
R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据(MNIST)
R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据(MNIST)
30 0
|
15天前
|
机器学习/深度学习 算法 网络架构
matlab使用贝叶斯优化的深度学习:卷积神经网络CNN
matlab使用贝叶斯优化的深度学习:卷积神经网络CNN
14 0