车牌识别图像中非常有用的图像素材，有bmp，jpg俩种格式，每种格式都有level1-level3三种难易程度不同的图片。

OV7670,TFT,stm32F1

基于`opencv-python`的车牌识别，主要参考CSDN上几个版主的，对进行了一定的优化，一定程度上提高了识别的准确率。并重写了一个GUI界面，添加数据导出功能。

包含全部数字字母以及33个行省简称汉字字符模板图片，.jpg格式大小为20×40

使用拍摄的自然车辆图片提取车牌并处理成优质的单个字符，包含字母大写、阿拉伯数字与行政简称，每个类别都有五十张以上的样本，能满足神经网络的训练识别使用！

做车牌识别的过程中收集到的字符模版，共135个jpg文件，每个的尺寸为32X48,已二值化。 其中包含了车牌中出现的所有数字和字母，并且每个字符都提供了两个以上的模版。 另外还包括：粤、京、浙、苏、湘这几个中文的模版。

经过图像定位分割处理，收集了相关省份简称和26个字母的图片数据集。可以给人工智能机器学习用的，学习完了就能进行车牌识别了

在之前发布的一篇博文《MNIST数据集实现车牌识别–初步演示版》中，我们演示了如何使用TensorFlow进行车牌识别，但是，当时采用的数据集是MNIST数字手写体，只能分类0-9共10个数字，无法分类省份简称和字母，局限性较大，无实际意义。 经过图像定位分割处理，博主收集了相关省份简称和26个字母的图片数据集，结合前述博文中贴出的python+TensorFlow代码，实现了完整的车牌识别功能。本着分享精神，在此送上全部代码和车牌数据集。 车牌数据集下载地址（约4000张图片）：tf_car_license_dataset_jb51.rar 省份简称训练+识别代码（保存文件名为train-l

本文研宄并实现了一个车牌自动识别系统，该系统由车牌定位模块、字符分割模块、卷积神经网络识别模块三个部分组成。首先本文主要利用Ｔｅｎｓｏｒｆｌｏｗ开发平台，搭建ＣＮＮ卷积神经网络，通过采集到的车牌图片训练神经网络，使得系统具有较好的车牌识别图片能力。其次在车牌识别的嵌入式系统硬件实现部分，本文具体研究了利用ＳＴＭ３２ＭＰ１５７嵌入式芯片搭建车辆识别嵌入式系统外围电路的设计与原理，以及如何利用ＳＴＭ３２ＣＵＢＥ－ＡＩ软件将训练好的ＣＮＮ神经网络部署到嵌入式平台中，实时进行车牌识别。最后通过试验得到了识别结果，并达到了预期的效果，分析出了相应的车牌号。本文的主要工作与创新之处总结如下：１．对车牌自动识别技术的发展现状做了全面深入的调研与总结概括，将其分为车牌定位、字符分割、字符识别、免分割车牌识别四个阶段。明确了每个阶段的主流方法以及它们的优缺点２．提出了基于ＣＮＮ卷积神经网络的车牌定位方案３．设计并实现了一个简便的嵌入式车牌自动识别系统，并使用自有的数据集对该系统进行了测试。系统在识别速度和识别准确率两方面都达到了符合预期的表现。实验结果表明，与其他单函数方法相比，卷积神经网络方法具有较高的精度和较低的漏测率。同时在图像识别精度和车牌定位精度上有很大的提高。此外，与现有车辆识别系统对比，本文提出的设计方案，在确保较高的准确率和识别率的同时大幅降低了整体方案的硬件成本。

（1）研究在非受限场景中鲁棒的车牌检测算法。针对不同场景下的车牌检测中的挑战，本文提出一种基于卷积神经网络的鲁棒车牌检测方法。在经典的目标检测算法 Faster R-CNN的基础上，引入了车牌的特征先验和上下文信息实现精准的车牌检测。在提取特征阶段，结合不同分辨率的卷积特征建立融合特征图，提升多尺度的车牌分类和回归的准确性。与 Faster R-CNN 不同的是，本文在 RPN 阶段引入角度和分支结构以生成适合车牌的候选区域。此外，为了深入挖掘车牌及其上下文间的联系，提出了一种上下文融合网络增强车牌的特征表示。经实验证明，与现有的方法相比，提出的算法在公开数据集 AOLP 和 SSIG 上车牌检测均展现出了优秀的性能。 （2）研究在非受限场景中准确的车牌识别算法。本文提出一种基于 LSTM 和注意力机制的车牌识别算法。通过将车牌图像内整个字符串作为识别目标，设计卷积层进行特征提取，结合循环神经网络与 CTC 序列模型，实现七位蓝牌和八位新能源车牌不限长度字符序列的识别。考虑在特征映射时单一车牌字符的特征表示能力不足的问题，在循环层引入了注意力机制，将 LSTM 单元邻近的隐藏状态自适应加权以增强字符的表征能力。此外，为了减少 CTC转录时连续相同字符的转录缺失问题，采用一种间隔符语义增强策略。相比于现有车牌识别算法，本文提出的方法避免了分割环节造成的错误累积，实现端到端的不限长度的车牌字符序列识别。 （3）设计并实现了基于非受限场景下的车牌识别系统，详细描述系统结构框架及功能模块。通过分析车牌识别系统功能性、复杂性以及信息显示的需求，设计功能模块包括输入与展示模块、车牌检测与识别算法模块以及相关的处理流程控制模块。经实际测试，所设计的车牌识别面向多种场景下的车辆牌照，相比于较为主流的车牌识别系统 Easy PR 和 Hyper LPR识别达到 7%性能提升。