车牌检测与信息提取系统。
source link: https://panchuang.net/2021/08/06/%e8%bd%a6%e7%89%8c%e6%a3%80%e6%b5%8b%e4%b8%8e%e4%bf%a1%e6%81%af%e6%8f%90%e5%8f%96%e7%b3%bb%e7%bb%9f%e3%80%82-2/
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
- 创建一个模型，该模型将检测实况流或视频中的汽车，并识别汽车号牌上的字符。
- 然后，它将使用字符并使用RTOAPI获取所有者信息，并将在Web门户中显示(使用HTML、CSS和JS)
我们开始吧
在第一部分中，我们创建了一个模型，可以在直播的视频或照片中检测到汽车。为此，我们必须创建汽车的大型数据集，我们使用卷积神经网络(CNN)从这些数据集训练模型。
卷积神经网络(CNN)：
采用“卷积神经网络(CNN)”进行目标检测。它使用一种称为整流线性单位的激活函数。它使用转移学习，这是一种强大的深度学习技术，其中可以使用预先训练的模型进行特征提取。它使用TensorFlow库进行高性能的数值计算。与其他分类算法相比，CNN所需的预处理要低得多。虽然在原始的方法中，过滤器是手工设计的，但经过足够的培训，CNN有能力学习这些过滤器/特性。
它们有三种主要类型的层，它们是：
- 全连接(FC)层
卷积层是卷积网络的第一层。虽然卷积层之后可以是附加的卷积层或池层，但完全连通的层是最后一层。随着每一层的增加，CNN的复杂性增加，识别出图像的更大部分。早期的图层侧重于简单的功能，如颜色和边缘。当图像数据在CNN的各层中前进时，它开始识别对象的较大元素或形状，直到它最终识别出想要的对象。
因此，我们正在使用这种类型的方法：
现在用于显示和训练模型：
但是现在我们将使用haarcasade_Russia_plate_num.xml从汽车中检测车牌，然后我们测试模型以检查输出。
正如你所看到的，模型运行良好，显示了正确的车牌字符，现在我们的第一部分完成了，让我们开始第二部分。
因此，我们将使用Flask应用程序，在该应用程序中，所有细节的获取都将在API的帮助下进行。
此任务使用的API：-
即时通讯条例没有提供注册用户的详细信息，也可能会有公司为他们提供获取详细信息的接口的服务收费，但有一个我使用过的网站，它免费提供10个请求，睡觉你必须付费。
网址是：carregistrationapi.incarregistrationapi.in
烧瓶应用程序：-
app.py：-
index.html：-
res.html：-
所以我们的Web应用程序也工作得很好，这意味着我们的任务已经成功完成。
谢谢你！！
原创文章，作者：fendouai，如若转载，请注明出处：https://panchuang.net/2021/08/06/%e8%bd%a6%e7%89%8c%e6%a3%80%e6%b5%8b%e4%b8%8e%e4%bf%a1%e6%81%af%e6%8f%90%e5%8f%96%e7%b3%bb%e7%bb%9f%e3%80%82-2/
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK