有c 基礎(chǔ)的初學(xué)者想要一個(gè)月內(nèi)用基于c 的opencv實(shí)現(xiàn)從底層寫起車牌識(shí)別可能嗎？有些是困難的，但也有可能。難點(diǎn)不在代碼上，因?yàn)槊總€(gè)部分都有現(xiàn)成的解決方案、模型和源代碼，但是組裝它們可能還需要訓(xùn)

有c 基礎(chǔ)的初學(xué)者想要一個(gè)月內(nèi)用基于c 的opencv實(shí)現(xiàn)從底層寫起車牌識(shí)別可能嗎？

有些是困難的，但也有可能。難點(diǎn)不在代碼上，因?yàn)槊總€(gè)部分都有現(xiàn)成的解決方案、模型和源代碼，但是組裝它們可能還需要訓(xùn)練神經(jīng)網(wǎng)絡(luò)本身，這就需要對(duì)所選的C框架和機(jī)器學(xué)習(xí)有一定的了解。例如，opencv或Dlib可用于視頻捕獲和代碼框架，yolo2可用于實(shí)時(shí)車輛和車牌檢測(cè)，Tesseract可用于車牌識(shí)別。

OpenCV已經(jīng)將圖像處理(識(shí)別)的算法寫成函數(shù)了，那我們還有必要去學(xué)習(xí)這些算法嗎？

這取決于您的目的。比如說(shuō)現(xiàn)在的車這么先進(jìn)好用，你還需要了解變速箱的原理嗎？這取決于你的目的。如果只是普通駕駛，你不需要知道。如果你是一個(gè)機(jī)械師，你必須理解。如果你是一個(gè)汽車制造商的工程師，你必須對(duì)它非常了解。簡(jiǎn)言之，這取決于具體的需要。

車牌識(shí)別識(shí)別率低是咋回事？

我在大學(xué)時(shí)做過車牌識(shí)別。說(shuō)實(shí)話，這個(gè)東西要達(dá)到95%的識(shí)別率真的不容易。它需要很多樣本來(lái)學(xué)習(xí)。當(dāng)時(shí)我學(xué)習(xí)了一段時(shí)間的神經(jīng)網(wǎng)絡(luò)算法。最后，可能是樣品不夠，效果不理想。只有60%左右。對(duì)這個(gè)主題的建議是：去GitHub學(xué)習(xí)如何由高識(shí)別率的人來(lái)寫作。您的識(shí)別率只有50%，因?yàn)槟皇褂肙penCV提供的一些分區(qū)函數(shù)。編碼量和難度都不高，識(shí)別率很低。神經(jīng)網(wǎng)絡(luò)是一種很好的方法，但它需要大數(shù)據(jù)來(lái)校正。其實(shí)，最難的步驟就是這些：車牌區(qū)域是否完整切掉并進(jìn)行幾何校正，字符是否完整切掉，識(shí)別。神經(jīng)網(wǎng)絡(luò)主要用于最后一步。剩下的取決于你的代碼技能。

Opencv車牌號(hào)數(shù)字識(shí)別最后一步!大神幫忙~？

其中一個(gè)想法：銳化，然后灰度，然后用車牌的四個(gè)直角來(lái)描繪范圍。個(gè)人觀點(diǎn)：就難度而言，速度檢測(cè)是三者中難度最大的，其次是車牌檢測(cè)，還有運(yùn)動(dòng)目標(biāo)檢測(cè)。運(yùn)動(dòng)目標(biāo)檢測(cè)可以給你一些建議，比如高斯混合模型。