为了用深度学习来训练一个车牌识别的字符识别模型，首先需要解决的问题是处理数据的问题，为了能够把数据传入到网络里进行训练，我这里使用的one_hot编码，具体的细节如下：
首先准备数据集：
一部分自己的数据集，一部分是 Easypr的数据集（后500张图片作为测试集，其他的作为训练集）67617张类别：65类
0-9共十个类，A-Z共二十四个类(除了O,I)，
中文汉字共三十一个类( '鄂','赣','甘','贵','桂','黑','沪','冀','吉','津','晋','京','辽','鲁','蒙','闽','宁','青','琼','陕','苏','皖','湘','新','豫', '渝','粤','云','藏','浙')
归一化：
将每张输入字符图片大小归一化为20X20，并转成灰度；
图片的命名格式：
将数据集中的图片命名为label.num.jpg(比如：0.0.jpg)，目的是在于更方便的取得图片的标签与图片；
省份使用拼音字符串存储：
chuan.0.jpg
标签使用one-hot编码：
得到图片类别标签后，将其转成one-hot编码；
处理成.npy的数据格式：
将之前处理好的图片数据与标签，使用numpy函数形成数据文件.npy。
显示处理过的部分数据：
图1为车牌字符的图片
图2为车牌字符图片相对应的标签即类别
核心代码如下：
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('路径，training_data）
return training_data