MTCNN+CRNN解決車牌識别問題-2

這次到CRNN部分了，CRNN網絡很簡單，就是CNN+RNN，因為RNN适用于時間序列類型的資料，車牌呢，其實也是有規律的，比如第一位是漢字，後面是字母+漢字；

前一部分通過MTCNN将車牌區域已經定位了，那這部分就需要拿CRNN來對其進行訓練，使其能作為一個pipeline處理MTCNN輸出的車牌圖像；

首先是CNN+RNN的網絡，這裡使用的網絡比較簡單，CNN部分使用了淺層網絡和BN層，最終輸出sequence_length*512維的輸出；輸出正好可以輸入後續的RNN網絡，其中RNN網絡的序列長度是可變的，根據輸入特征的長度而定；

RNN的網絡結構中，深度為2層，序列長度根據輸入待定，隐層單元數是256，車牌的類别數量是69，是以可以認為是每個時間點的輸出為一個69維的向量，對向量做softmax,獲得預測的結果；當然，此時預測的結果還是不準确的，也就是CTC中B變換之前的一個序列預測，若要得到最終預測，還需要進行B變換；

序列長度的值和輸入圖像的寬度是有關聯的，是以在使用時候，将MTCNN輸入圖像的寬度除以4，得到了序列的長度，當然，這個序列長度要考慮B變換前的預測長度，不能太短，太短的話，在進行CTC計算的時候，可能得到的結果還不夠車牌号的規定位數。

在訓練中，很簡單，使用自帶函數tf.nn.ctc_loss即可，使用ctcc損失函數進行計算；

通過這樣的訓練，我們就可以使用模型預測了；

最後，MTCNN+CRNN僅僅是一次小的嘗試，目前的結果由于樣本的關系，還沒做大量的訓練，也沒做優化，流程整個跑通；後面有時間的話，可以按這個方案，用更多資料訓練一下，另外，各個環節再優化一下。