TensorFlow基于MNIST数据集的车牌识别演示：原理与实现

小岛来信

发布时间：2026-10-13 | 5人浏览过

原创

本文演示如何利用TensorFlow和MNIST手写数字数据集实现车牌识别。尽管MNIST仅含数字，通过筛选工整样本并配合OpenCV预处理，可初步识别车牌中的数字部分。文章提供了核心代码逻辑、实验结果分析及后续完善方向的指引，适合图像处理与机器学习初学者参考。

在前文《如何从TensorFlow的mnist数据集导出手写体数字图片》中，我们详细讲解了如何将MNIST手写数字数据集导出并保存为本地BMP格式文件。

车牌识别的应用背景与实验动机

车牌识别技术已广泛应用于交通监控、停车场收费系统及自动驾驶等领域。由于其原理相对直观，该场景非常适合作为结合图像处理与机器学习的入门案例。

基于此，我们尝试一个具有挑战性的设想：在TensorFlow框架下，利用卷积神经网络（CNN）结合MNIST数据集来构建车牌识别模型。

MNIST数据集的局限性与预处理策略

需要注意的是，真实车牌不仅包含0-9数字，还涉及A-Z字母及各省简称。由于MNIST数据集仅包含0-9数字，其本身不足以支持完整的车牌识别。因此，本文实验仅作为技术演示。

此外，车牌数字通常为正体印刷，而MNIST为手写体。为提高识别准确率，需从MNIST数据集中筛选形状规则、工整的图片作为训练集。下图展示了一部分经过筛选的较工整数字样本：

如需获取这些筛选后的图片样本，可在评论区留言或私信提供邮箱地址。

为了演示流程，我们从网络获取了以下示例图片：

假设该车牌号为闽0-16720（实际为闽O-1672Q），本实验暂忽略省份简称，仅针对0-16720这组数字进行识别测试。

经过OpenCV进行定位与分割处理后，原图被拆解为若干独立的字符图像。

模型实现与代码解析

接下来，通过以下代码将分割后的字符图片输入到前文《如何用TensorFlow训练和识别/分类自定义图片》中构建的网络模型：


 license_num = []
 for n in range(2,8):
  path = "result/%s.bmp" % (n)
  img = Image.open(path)
  width = img.size[0]
  height = img.size[1]
 
  img_data = [[0]*784 for i in range(1)]
  for h in range(0, height):
   for w in range(0, width):
    if img.getpixel((w, h)) < 190:
     img_data[0][w+h*width] = 0
    else:
     img_data[0][w+h*width] = 1
 
  # 获取softmax结果前三位的index和概率值
  soft_max = tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)
  result = sess.run(soft_max, feed_dict = {x: np.array(img_data), keep_prob: 1.0})
  max1 = 0
  max2 = 0
  max3 = 0
  max1_index = 0
  max2_index = 0
  max3_index = 0
  for j in range(10):
   if result[0][j] > max1:
    max1 = result[0][j]
    max1_index = j
    continue
   if (result[0][j]>max2) and (result[0][j]<=max1):
    max2 = result[0][j]
    max2_index = j
    continue
   if (result[0][j]>max3) and (result[0][j]<=max2):
    max3 = result[0][j]
    max3_index = j
    continue
  license_num.append(max1_index)
 
  print ("softmax结果前三位概率：%s: %.2f%% %s: %.2f%% %s: %.2f%%"
    % (max1_index,max1*100, max2_index,max2*100, max3_index,max3*100))
 print ("车牌号为: %s" % license_num)