多标签分类,端到端的中文车牌识别基于mxnet

该项目基于MXNet实现了一种端到端的中文车牌识别方案,并通过渲染车牌加上畸变、噪声等手段生成了大量训练数据。目前识别率达到了81%,但模型尚未完全收敛。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

代码地址:https://github.com/ibyte2011/end-to-end-for-chinese-plate-recognition

最优参考价值的是生成训练数据。

  • 项目介绍

多标签分类,端到端的中文车牌识别基于mxnet . 从xlvector的ocr代码修改,减少了参数,由于我没有显卡。单线程 9 samples/s 速度 ,用CPU在MBP上跑了50w张样本。识别率到了81%。不过还没有完全收敛。

##依赖:

  • Numpy
  • Mxnet
  • Opencv

##生成的车牌样张 通过渲染车牌加上畸变、噪声、与自然环境结合生成车牌的样本。

image image image image image image image image  image image image image 


目标识别是计算机视觉一个重要的研究领域,由此延伸出的车辆型号识别具有重 要的实际应用价值,特别是在当今交通状况复杂的大城市,智能交通系统成为发展趋 势,这离不开对车辆型号进行识别分类的工作,本文围绕如何利用计算机视觉的方 法进行车辆型号的识别分类展开了一系列研究: 本文对当前的目标识别分类的特征和算法做了总结和归纳。分析比较了作为图 像特征描述常见的特征算子,总结归纳了他们的提取方法、特征性能以及相互之间的 关联。另外,介绍了在目标识别工作中常用的分类方法,阐述了他们各自的原理和工作 方法。研究了深度神经网络的理论依据,分析比较了深度神经网络不同的特征学习方 法,以及卷积神经网络的训练方法。分析比较不同特征学习方法的特点选取 k-means 作为本文使用的特征学习方法,利用卷积神经网络结构搭建深度学习模型,进行车辆 车型识别工作。 本文为了测试基于深度学习的车辆型号分类算法的性能在 30 个不同型号共 7158 张图片上进行实验;并在相同数据上利用改进了的 SIFT 特征匹配的算法进行对比实验; 进过实验测试,深度学习方法在进行车型分类的实验中取得 94%的正确率,并在与 SIFT 匹配实验结果对比后进一步证实:深度学习的方法能够应用在车辆型号识别领域
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值