安卓端的车牌识别，支持动态识别，支持从相册选取图片，喜欢的朋友们可以下载，有问题的可以私聊我

基于OpenCV的车牌识别源码+车牌图像处理源码，比较简单的源码，可以稍微了解下，大神就不用参考了。

提供了车牌字符的训练样本，主要应用于基于神经网络的车牌识别问题！

目前百度的AI接口相对完善，对于文字识别类的操作还需要开发者一一去尝试，去评估这效果到底是怎么的。 文字识别的接口相对简单，官方提供的SDK也集成很好，笔者只是在这上面做了一些前期性的功能数据校验和过滤，以及返回结果的处理。

这是一个使用Pytork在MTCNN和LPRNet中进行的两阶段轻量级的车牌识别。MTCNN是一种非常著名的实时检测模型，主要用于人脸识别。它被修改用于车牌检测。LPRNet是另一种实时端到端DNN，用于后续识别。该网络性能优越，计算量小，无需进行初步字符分割。在这项工作中嵌入了空间变换层，以便更好地识别特征。在Nivida Quadro P4000上，在CCPD基础数据集上的识别准确率高达99%，每幅图像约80ms。 Training on LPRNet run 'LPRNet/data/preprocess.py' to prepare the dataset run 'LPRNet/LPRNet_Train.py' for training Test run 'MTCNN/MTCNN.py' for license plate detection run 'LPRNet/LPRNet_Test.py' for license plate recognition run 'main.py' for both

Ubuntu Keras 2.2.4, TensorFlow 1.5.0 OpenCV 2.4.9, NumPy 1.14 Python 2.7. 为了方便地运行代码，须安装了带有TensorFlow后端的Keras框架。Darknet框架自包含在“Darknet”文件夹中，必须在运行测试之前进行编译。要构建darknet，只需在darknet文件夹中键入“make”： cd darknet && make 构建Darknet框架后，执行“GetNetworks.sh”脚本 使用脚本“run.sh”来运行test。它需要3个参数： 输入目录（-i）：应至少包含1张JPG或PNG格式的图像； 输出目录（-o）：在识别过程中，许多临时文件将在该目录中生成，并最终被删除。其余文件将与自动注释图像相关； CSV文件（-c）：指定输出CSV文件。 配置后运行，详情见包内文档。

配置依赖后即可运行 Tensorflow Numpy cv2 imutils 运行“python3 finalPrototype.py”来运行 在Yolo training文件夹中，有一些cfg文件、权重和用来训练2个Yolo的python代码 在CNN培训文件夹中，有用来培训CNN进行字符识别的python代码

C++11 项目平台：Microsoft Visual Studio 2015 计算机视觉库：Opencv 3.2+opencv-contrib V3.1 cmake3.8.1 项目以数字图像处理和机器学习为基础，以1485张图片组成的原始数据集为出发点，研究了从原始图片集中得到用于分类器训练的数据集；针对车牌区域特点和输入图片的特点，提出了四种不同的车牌区域提取方法，经过校正后得到车牌区域候选；参考自然场景下的文本检测方法和车牌中的字符分布特点，对车牌候选区域提取改进的最大稳定极值区域，通过使用非极大值抑制和区域校正得到字符候选人，通过字符判断分类器和字符搜索，实现非车牌区域的滤除和车牌区域7个字符的提取，其中字符判断使用基于20个描述性特征的支持向量机实现；通过使用金字塔梯度方向直方图特征得到了用于数字和字母识别的三层BP神经网络模型，定义了10层的卷积神经网络模型MyLeNet实现汉字的识别；搭建和编写了一个完整的工程项目，该项目整合了研究过程中的所有方法的程序实现，可以对数据集进行操作也可实现单张图片的自动识别，体现了端到端和数据驱动的思想。 包含设.计和论.文，

使用 "Darknet yolov3-tiny" 训练检测模型 1. 下载data.zip,提取码: j7c2. https://pan.baidu.com/share/init?surl=_Wgy_3mBgNREXXn7HRfAHw 2. 将data.zip解压到darknet.exe所在目录下. 3. 进入data/voc目录下运行voc_label.bat重新生成2019_train.txt, 2019_val.txt. 4. 修改cfg/yolov3-tiny.cfg 见文档 5执行 darknet.exe detector train data/voc.data cfg/yolov3-tiny.cfg 6. 训练过程 见文档

基于YOLOV5的车牌定位和识别源码，识别精度高达92%