要完成此任务，让我们了解一下体系结构。我们需要识别车牌，这里特别是印度，所有的国家都有不同类型的车牌字符和车牌形状。因此，总的来说，我们需要首先检测车牌，然后再识别字符。在这方面我们还有一个分叉，即所有的车辆都有不同形状和大小的车牌。在这项任务中，我们只关注汽车，以及任何形状和大小与印度汽车车牌相同的车牌。一旦我们识别了车牌，我们就必须识别车牌的字符。最后，我们必须将这些识别的数字输入API，该API可以给我们提供车辆信息。

工作流程：

模型创建：

Image→HaarCascade Indian_License_Platform→提取的车牌→字符分割→印度车牌字符的数据集→CNN模型训练→模型预测(字符分割)→提取的车牌号码indian_license_plate DataSet of characters of Indian License Plate

在这里，HaarCascade将只检测与汽车号牌相关的大小和形状的车牌。

模型测试：

导入模型和必要函数→新车牌→Haar级联→提取车牌→字符分割→模型预测(分割字符)→接口

最终的视频流WebApp

导入模型和必要函数→从用户→获取每一帧的视频→HaarCascade→提取车牌→字符分割→模型预测(分割字符)→→网页最终输出

获取车辆信息的接口

http://www.carregistrationapi.in/http://www.carregistrationapi.in/

如何训练模特？

如前所述，我们必须训练模型来识别车牌的字符，即字母和数字。创建这样一个模型需要做的事情很少，这里将对此进行说明。从图像中提取任何对象的标准程序是通过查找轮廓。

什么是等高线？

等高线可以简单地解释为连接所有连续点(沿边界)的曲线，具有相同的颜色或强度。轮廓是形状分析和目标检测与识别的有用工具。

• 为获得更好的准确性，请使用二进制图像。因此，在找到轮廓之前，应用阈值或精明边缘检测。从OpenCV 3.2及更高版本开始，findContours()不再修改图像源。
• 在OpenCV中，查找轮廓就像从黑色背景中查找白色对象一样。所以请记住，要找到的物体应该是白色的，背景应该是黑色的。

欲了解更多信息，请访问：https://docs.opencv.org/4.5.2/d4/d73/tutorial_py_contours_begin.htmlhttps://docs.opencv.org/4.5.2/d4/d73/tutorial_py_contours_begin.html

段字符：

现在，我们知道我们必须首先将图像转换为二值图像，然后对其进行阈值处理。一旦我们做到这一点，我们甚至必须使我们的字符在黑色背景下生长得完美。为此，我们在CV2模块中设置了阈值函数。

什么是门槛？

对于每个像素，应用相同的阈值。如果像素值小于阈值，则将其设置为0，否则将其设置为最大值。函数cv.Threshold用于应用阈值。第一个参数是源图像，它应该是灰度，第二个参数是用于对像素值进行分类的阈值，第三个参数是分配给超过阈值的像素值的最大值。OpenCV提供了第四个参数中给出的不同类型的阈值。在我们的例子中，我们一起使用了BINARY和OTSU。二进制将在图像上创建完美的黑白对比度，而OTSU将从图像中去除所有噪声。

欲了解更多信息，请访问：https://docs.opencv.org/4.5.2/d7/d4d/tutorial_py_thresholding.htmlhttps://docs.opencv.org/4.5.2/d7/d4d/tutorial_py_thresholding.html

什么是侵蚀和膨胀？

我们已经对图像进行了阈值处理，现在要设置图像中所有的字符都是明亮的，并且有完美的边缘和曲线，我们需要进行形态学操作。这两个形态学操作将帮助我们使字符变得更加清晰。例句：D不会显示为O

腐蚀和膨胀是最基本的形态学操作，形态学操作是基于形状处理图像的一组操作，形态学操作将结构元素应用于输入图像并生成输出图像。腐蚀和膨胀有广泛的用途：

• 消除噪音
• 分离单个元素并在图像中加入不同的元素。
• 在图像中发现强度凸起或孔洞。

扩张：

该操作包括将图像A与某个核B进行卷积，核B可以具有任何形状或大小，通常是正方形或圆形。执行此操作时，图像的较亮部分会增长。

侵蚀：

这与膨胀正好相反，它在给定核的面积上计算局部最小值。

欲了解更多信息，请访问：https://docs.opencv.org/3.4/db/df6/tutorial_erosion_dilatation.htmlhttps://docs.opencv.org/3.4/db/df6/tutorial_erosion_dilatation.html

F1的比分是多少？

这只是一个衡量标准，我们可以用它来衡量我们模型的准确性。那么，精确度指标有什么问题呢？答案很简单，比方说，在我们的数据集中，值/记录是这样的，它更有利于积极的一面，而不是消极的一面。用外行的话说，我们可能有80%的数据支持我们的预测，只有20%的数据反对，所以很明显我们的模型会偏向1。在这些情况下，我们可能会得到更多的假阳性和假阴性。总体而言，我们需要避免类型1的错误多于类型2的错误。要做到这一点，我们有F1分数。F1分数是准确率和召回率的调和平均值。

欲了解更多信息，请访问：https://towardsdatascience.com/f-beta-score-in-keras-part-i-86ad190a252fhttps://towardsdatascience.com/f-beta-score-in-keras-part-i-86ad190a252f

什么是Dropout Layer？

Dropout层随机地将输入单位设置为0，并在训练期间的每一步使用Rate频率，这有助于防止过度拟合。未设置为0的输入按1/(1-Rate)放大，以便所有输入的总和保持不变。请注意，仅当Training设置为True时，才会应用Dropout层，以便在推理过程中不会丢弃任何值。使用model.fit时，Training将自动适当地设置为True，而在其他上下文中，您可以在调用层时将kwarg显式设置为True。简而言之，Dropout层是一个掩码，它使一些神经元对下一层的贡献无效，并使所有其他神经元保持不变。我们可以将Dropout层应用于输入向量，在这种情况下，它会使其某些特征无效；但我们也可以将其应用于隐藏层，在这种情况下，它会使一些隐藏的神经元无效。丢弃层在训练CNN中很重要，因为它们防止了对训练数据的过度拟合。如果它们不存在，第一批训练样本会以不成比例的方式影响学习。这反过来又会阻止学习仅在以后的样品或批次中出现的特征。

按照以下步骤编码：

模型培训：代码code

模型测试：代码code

最终视频流测试：代码code

最终WebApp：代码code

演示视频：

视频链接Video Link