本文正在参加 人工智能创作者扶持方案
先展示一下作用(视频放不出来,感兴趣的话能够去下面链接看一下(都是自己账号)):
live.csdn.net/v/282420
先看一下yolo发展史
源码链接(含具体教程):www.hedaoapp.com/goods/goods…
二、单目测距原理
图中有一个车辆，且车辆在地面上，其接地点Q必定在地面上。那么Q点的深度便能够求解出来。具体求解过程懒得打公式了，就截图了。在单目测距过程中，实际物体上的Q点在成像的图片上对应Q’点，Q’点间隔o1点沿y轴的间隔为o1p’。这个间隔o1p’除以y轴像素焦距fy (单位为pixel) ，再求arctan即可得到角度b’。然后按图中过程很容易理解了。
三、预备工作
参阅我这篇文章：
榜首步：将整个代码从github上下载下来，
网址：GitHub – ultralytics/yolov5: YOLOv5 in PyTorch > ONNX > CoreML > TFLite
也能够直接到GitHub上搜yolov5
主要是装置版别与配置声明中所需在库。
matplotlib>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
Pillow
PyYAML>=5.3.1
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0
tensorboard>=2.4.1
seaborn>=0.11.0
pandas
pycocotools>=2.0 # COCO mAP
albumentations>=1.0.2
(1)装置pytorch（建议装置gpu版别cpu版别太慢）
这些库中或许就pytorch比较难装置，其他库用pip install 根本能完成。
可直接在Anaconda Prompt里输入：
pip install torch==1.7.0+cu101 torchvision==0.8.1+cu101 torchaudio===0.7.0 -f download.pytorch.org/whl/torch_s… 1.运转检测
下载完yolov5后，运转detect，能够协助咱们检查上面的环境是不是装置成功。
假如运转不报错，咱们会在runs//detect//exp 文件夹下看到两张现已预测出的相片。
3.运转检测
下载完yolov5后，运转detect，能够协助咱们检查上面的环境是不是装置成功。
假如运转不报错，咱们会在runs//detect//exp 文件夹下看到两张现已预测出的相片。
假如报错，问题也不大，看便是装置的环境版别比较低或许没装置，咱们稍微调试一下就OK了。
五、数据集
咱们先要创建几个文件夹用来存放数据和模型。
在yolov5-master如下图所示文件夹
1.制造标签
这里我是以穿越前方为例，供给100个现已符号好的数据（放在文末）。你也能够自己符号，一百张作用不是很好，能够多符号几张。
(1)装置labelme
在Anaconda Prompt里pip install labelme
(2)运用labelme
在Anaconda Prompt里输入labelme，会弹出一个窗口。
然后翻开图片所在的文件夹
点击rectangle，符号想要辨认的东西。
环境预备
Anaconda 4.10.3 Tensorflow 2.6.0 python3.7.8 coding: utf-8 pycharm解说器： D:\Anaconda\envs\tensorflow\python.exe 以及各种第三方库
思路流程
1、将图片经过opencv切开辨认定位车牌，切开保存
2、辨认省份简称、辨认城市代号、辨认车牌编号
功用描绘
car_num_main.py :将图片转为灰度图画，灰度图画二极化，分割图画并别离保存为.jpg和.bmp文件 train-license-province.py : 省份简称练习辨认 train-license-letters.py :城市代号练习辨认 train-license-digits.py :车牌编号练习辨认
细节论述
1、图片切开后别离保存在两个文件夹./img_cut and ./img_cut_not_3240
2、辨认车牌需进入终端，在指令行中进入脚本所在目录， 输入履行如下指令：python train-license-province.py train
进行省份简称练习 输入履行如下指令：python train-license-province.py predict
进行省份简称辨认 输入履行如下指令：python train-license-letters.py train
进行城市代号练习 输入履行如下指令：python train-license-letters.py predict
进行城市代号辨认 输入履行如下指令：python train-license-digits.py train
进行车牌编号练习 输入履行如下指令：python train-license-digits.py predict 进行车牌编号辨认
3、即将辨认的图片调为.jpg格式,巨细调为像素600*413最佳，可依据代码酌情调试
4、具体能够精确辨认的车牌号拜见数据集中练习集
过程展示
PS D:\pycharm\pycharm_work> cd .\chepai\
PS D:\pycharm\pycharm_work\chepai> python train-license-province.py train
PS D:\pycharm\pycharm_work\chepai> python train-license-province.py predict
PS D:\pycharm\pycharm_work\chepai> python train-license-digits.py predict 技能简介
一、Tensorflow
TensorFlow是一个开放源代码软件库，用于进行高性能数值核算。借助其灵活的架构，用户能够轻松地将核算工作部署到多种平台（CPU、GPU、TPU）和设备（桌面设备、服务器集群、移动设备、边缘设备等）。
TensorFlow 是一个用于研究和生产的开放源代码机器学习库。TensorFlow 供给了各种 API，可供初学者和专家在桌面、移动、网络和云端环境下进行开发。
TensorFlow是选用数据流图（data flow graphs）来核算,所以首先咱们得创建一个数据流流图,然后再将咱们的数据（数据以张量(tensor)的方式存在）放在数据流图中核算。节点（Nodes）在图中表明数学操作,图中的边（edges）则表明在节点间相互联络的多维数据数组, 即张量（tensor)。练习模型时tensor会不断的从数据流图中的一个节点flow到另一节点。
二、OpenCV
OpenCV是一个依据BSD答应（开源）发行的跨平台核算机视觉和机器学习软件库，能够运转在Linux、Windows、Android和Mac OS操作体系上。它轻量级而且高效——由一系列 C 函数和少数 C++ 类构成，同时供给了Python、Ruby、MATLAB等言语的接口，完成了图画处理和核算机视觉方面的许多通用算法。
OpenCV供给的视觉处理算法非常丰富，并且它部分以C言语编写，加上其开源的特性，处理得当，不需要添加新的外部支撑也能够完整的编译链接生成履行程序，所以许多人用它来做算法的移植，OpenCV的代码经过适当改写能够正常的运转在DSP体系和ARM嵌入式体系中。其应用范畴比如：人机互动，物体辨认，图画分割，人脸辨认，动作辨认，运动跟踪，机器人，运动剖析，机器视觉，结构剖析，轿车安全驾驭等范畴。
体系规划
车牌自动辨认是以核算机视觉处理、数字图画处理、模式辨认等技能为根底，对摄像机所拍照的车辆图画或许视频图画进行处理剖析，得到每辆车的车牌号码，然后完成辨认的过程。在此根底上，可完成停车场出入口收费办理、盗抢车辆办理、高速公路超速自动化办理、闯红灯电子警察、公路收费办理等各种交通监管功用。 一、体系处理流程
车牌自动辨认体系的规划包括车辆图画获取、车牌区域定位、车牌特征概括提取和车牌内容辨认环节。
二、车牌获取
车牌图画获取是进行车牌辨认的首要环节，车牌图画能够从摄像机拍照的车辆图画或许视频图画中进行抽取，车牌图画的获取也可由用户手机拍照后传入车牌辨认体系。
三、灰度图画生成
摄像机拍照的含有车牌信息的车辆图画是五颜六色的，为了进步车牌辨认的抗外界搅扰的能力，先将五颜六色车辆图画生成二值的灰度图画，完成依据色彩的车牌区域定位。由于国内的车牌往往是蓝底白字，因而，能够使用图画的色彩或许色彩饱和度特征，生成二值灰度图画，然后完成更加精确地定位车牌方位。
四、车牌区域定位
车牌区域的定位选用依据形状的办法。由于车辆图画背景比较复杂，所以应该依据车牌的特征进行初次挑选。车牌的特征能够选择中国车牌的巨细、份额特征，由于车牌都是固定的矩形形状，经过首先寻觅图画上具有矩形特征的区域，然后再抽取这些区域，再结合车牌的长宽的份额特征能够挑选出相应的矩形区域，然后完成对车牌的精确定位。
五、特征概括提取
OpenCV 与 Python 的接口中运用 cv2.fifindContours() 函数来查找检测物体的概括。
图3 和 图4 为特征概括提取前后的作用对比图 ：
六、车牌内容辨认
车牌内容辨认时，经过核算候选车牌区域蓝色数值（均值）的最大值，确定终究的车牌区域。对于选定的车牌概括，首先进行粗定位，即对车牌进行左右边界回归处理，去除车牌两边剩余的部分，然后进行精定位，即将车牌送入 CRNN 网络进行字符辨认，使用左右边界回归模型，预测出车牌的左右边框，进一步裁剪，进行精定位。依据文字特征的办法是依据文字概括特征进行辨认，经过相应的算法解析，得到成果。
项目完成
核心代码展示 一、检测车牌
三、单字符切开
单字符分割主要战略便是检测列像素的总和变化，由于没有字符的区域根本是黑色，像素值低；有字符的区域白色较多，列像素和就变大了！
列像素变化的阈值是个问题，看到许多博客是固定的阈值进行检测，除非你处理后的二值化图画非常完美，否则有的图片混入了白色区域就会分割错误！
考虑到车牌中只要7个字符，所以先判别得到宽度巨细，假如小于总宽的七分之一视为搅扰放弃；其实也能够加大到总宽的8分之一（由于车牌中心或许有连接符）。
车牌的切开作用如图所示：
四、单字符辨认
终究作用如图所示：
注：此图为以下三个程序的运转成果图，我将图片拼接到一块了。。 train-license-province.py : 省份简称练习辨认 train-license-letters.py :城市代号练习辨认 train-license-digits.py :车牌编号练习辨认
最后
车牌辨认做不到100%辨认成功，但经过练习现已根本能够达到98%以上的辨认度，能够将capture_img文件中的图片（留意图片格式与巨细会直接影响辨认度，车牌名改为 car1.jpg）替换为自己的车牌照经过练习进行辨认车牌照。
