主要步骤：准备车牌单个字符图像作为神经网络分类器的训练数据，越多越好。当然需要对每幅图像提取特征，这里使用的是水平和垂直累计直方图和缩小后的图像信息。获取车牌图像，这里的车牌图像已经完成抠图，并且是灰度图像。将车牌图像中每个字符分割成单一图像（OCR类实现）。提取分割出的字符图像特征信息，并使用分类识别字符（OCR类实现）。 程序运行过程：              

所谓细化就是经过一层层的剥离，从原来的图中去掉一些点，但仍要保持原来的形状，直到得到图像的骨架。骨架，可以理解为物体的中轴，例如一个长方形的骨架是它的长方向上的中轴线；正方形的骨架是它的中心点；圆的骨架是它的圆心，直线的骨架是它自身，孤立点的骨架也是自身。得到了骨架，就相当于突出物体的主要结构和形状信息，去除了多余信息，根据这些信息可以实现图像上特征点的检测，如端点，交叉点和拐点。下面先介绍经

有关于自编码器的原理，请参考博客http://blog.csdn.net/xukaiwen_2016/article/details/70767518；对于对其与原理熟悉的可以直接看下面代码。              首先是使用到的相关库，数学运算相关操作库Numpy和对数据进行预处理的模块Scikit-lean中的preprocessing，使用TensorFlow的MNIST作为

在知乎上看到一段介绍卷积神经网络的文章，感觉讲的特别直观明了，我整理了一下。首先介绍原理部分。       通过一个图像分类问题介绍卷积神经网络是如何工作的。下面是卷积神经网络判断一个图片是否包含“儿童”的过程，包括四个步骤：图像输入（InputImage）→卷积（Convolution）→最大池化（MaxPooling）→全连接神经网络（Fully-ConnectedNeural

图像预处理是一个非常简单，通过提高训练数据的多样性，进而对训练模型的召回率，适应性有着非常大的提升作用。另外在训练时，需要更多的训练次数，比如说我对每张图片进行了一次旋转，那么训练次数就要提高一倍。也就是说训练集多样性增加，同时训练次数也要增加。代码：import tensorflow as tffrom scipy import miscimport numpy as np#