WPKENAN的博客

在上篇文档中作者已经简单的介绍了EasyPR，现在在本文档中详细的介绍EasyPR的开发过程。　　正如淘宝诞生于一个购买来的LAMP系统，EasyPR也有它诞生的原型，起源于优快云的taotao1233的一个博客，博主以读书笔记的形式记述了通过阅读“Mastering OpenCV”这本书完成的一个车牌系统的雏形。　　这个雏形有几个特点：1.将车牌系统划分为了两个过程，即车牌检测和字符识别。2

EasyPR–一个开源的中文车牌识别系统 　　我正在做一个开源的中文车牌识别系统，Git地址为：https://github.com/liuruoze/EasyPR。　　我给它取的名字为EasyPR，也就是Easy to do Plate Recognition的意思。我开发这套系统的主要原因是因为我希望能够锻炼我在这方

我撰写这系列文章的目的是：1、普及车牌识别中相关的技术与知识点；2、帮助开发者了解EasyPR的实现细节；3、增进沟通。　　EasyPR的项目地址在这：GitHub。要想运行EasyPR的程序，首先必须配置好openCV，具体可以参照这篇文章。　　在前两篇文章中，我们已经初步了解了EasyPR的大概内容，在本篇内容中我们开始深入EasyRP的程序细节。了解EasyPR是如何一步一步实现一个车牌的

在本篇文章中我们对前3个步骤，分别是高斯模糊、灰度化和Sobel算子进行分析。一、高斯模糊　1.目标　　对图像去噪，为边缘检测算法做准备。　　　2.效果　　在我们的车牌定位中的第一步就是高斯模糊处理。　　图1 高斯模糊效果　3.理论　　　详细说明可以看这篇:阮一峰讲高斯模糊。　　高斯模糊是非常有名的一种图像处理技术。顾名思义，其一般应用是将图像变得模糊，但同时高斯模糊也应用在图像

在本文中，会分析剩余的定位步骤。　　根据前文的内容，车牌定位的功能还剩下如下的步骤，见下图中未涂灰的部分。图1 车牌定位步骤　　我们首先从Soble算子分析出来的边缘来看。通过下图可见，Sobel算子有很强的区分性，车牌中的字符被清晰的描绘出来，那么如何根据这些信息定位出车牌的位置呢？图2 Sobel后效果　　我们的车牌定位功能做了个假设，即车牌是包含字符图块的一个最小的外接矩形。在大部分车牌处

在本篇文章中，我将对机器学习做个概要的介绍。本文的目的是能让即便完全不了解机器学习的人也能了解机器学习，并且上手相关的实践。这篇文档也算是EasyPR开发的番外篇，从这里开始，必须对机器学习了解才能进一步介绍EasyPR的内核。当然，本文也面对一般读者，不会对阅读有相关的前提要求。　　在进入正题前，我想读者心中可能会有一个疑惑：机器学习有什么重要性，以至于要阅读完这篇非常长的文章呢？　　我并不直

在前面的几篇文章中，我们介绍了EasyPR中车牌定位模块的相关内容。本文开始分析车牌定位模块后续步骤的车牌判断模块。车牌判断模块是EasyPR中的基于机器学习模型的一个模块，这个模型就是作者前文中从机器学习谈起中提到的SVM（支持向量机）。　　我们已经知道，车牌定位模块的输出是一些候选车牌的图片。但如何从这些候选车牌图片中甄选出真正的车牌，就是通过SVM模型判断/预测得到的。    　  图

神经网络是一门重要的机器学习技术。它是目前最为火热的研究方向–深度学习的基础。学习神经网络不仅可以让你掌握一门强大的机器学习方法，同时也可以更好地帮助你理解深度学习技术。　　本文以一种简单的，循序的方式讲解神经网络。适合对神经网络了解不多的同学。本文对阅读没有一定的前提要求，但是懂一些机器学习基础会更好地帮助理解本文。　　神经网络是一种模拟人脑的神经网络以期能够实现类人工智能的机器学习技术。人脑