爲了用深度學習來訓練一個車牌識別的字符識別模型，首先需要解決的問題是處理數據的問題，爲了能夠把數據傳入到網絡裏進行訓練，我這裏使用的one_hot編碼，具體的細節如下：
首先準備數據集：
一部分自己的數據集，一部分是 Easypr的數據集（後500張圖片作爲測試集，其他的作爲訓練集）67617張類別：65類
0-9共十個類，A-Z共二十四個類(除了O,I)，
中文漢字共三十一個類( '鄂','贛','甘','貴','桂','黑','滬','冀','吉','津','晉','京','遼','魯','蒙','閩','寧','青','瓊','陝','蘇','皖','湘','新','豫', '渝','粵','雲','藏','浙')
歸一化：
將每張輸入字符圖片大小歸一化爲20X20，並轉成灰度；
圖片的命名格式：
將數據集中的圖片命名爲label.num.jpg(比如：0.0.jpg)，目的是在於更方便的取得圖片的標籤與圖片；
省份使用拼音字符串存儲：
chuan.0.jpg
標籤使用one-hot編碼：
得到圖片類別標籤後，將其轉成one-hot編碼；
處理成.npy的數據格式：
將之前處理好的圖片數據與標籤，使用numpy函數形成數據文件.npy。
顯示處理過的部分數據：
圖1爲車牌字符的圖片
圖2爲車牌字符圖片相對應的標籤即類別
核心代碼如下：
def label_img(img):
label = np.eye(65, dtype=int)
word_lable = img
label = np.eye(65, dtype=int)
word_lable = img
def create_train_data():
training_data = []
for fpathe, dirs, fs in tqdm(os.walk(train_dir)):
for f in fs:
img = cv2.imread(os.path.join(fpathe, f),cv2.IMREAD_GRAYSCALE)
image_name = os.path.join(fpathe, f).split('\\')[2]
image=image_name.split('.')[0]
label = label_img(image)
img = cv2.resize(img, (IMG_SIZE, IMG_SIZE))
training_data.append([np.array(img), np.array(label)])
shuffle(training_data)
np.save('路徑，training_data）
return training_data