这次到CRNN部分了，CRNN网络很简单，就是CNN+RNN，因为RNN适用于时间序列类型的数据，车牌呢，其实也是有规律的，比如第一位是汉字，后面是字母+汉字；
前一部分通过MTCNN将车牌区域已经定位了，那这部分就需要拿CRNN来对其进行训练，使其能作为一个pipeline处理MTCNN输出的车牌图像；
首先是CNN+RNN的网络，这里使用的网络比较简单，CNN部分使用了浅层网络和BN层，最终输出sequence_length*512维的输出；输出正好可以输入后续的RNN网络，其中RNN网络的序列长度是可变的，根据输入特征的长度而定；
RNN的网络结构中，深度为2层，序列长度根据输入待定，隐层单元数是256，车牌的类别数量是69，所以可以认为是每个时间点的输出为一个69维的向量，对向量做softmax,获得预测的结果；当然，此时预测的结果还是不准确的，也就是CTC中B变换之前的一个序列预测，若要得到最终预测，还需要进行B变换；
序列长度的值和输入图像的宽度是有关联的，所以在使用时候，将MTCNN输入图像的宽度除以4，得到了序列的长度，当然，这个序列长度要考虑B变换前的预测长度，不能太短，太短的话，在进行CTC计算的时候，可能得到的结果还不够车牌号的规定位数。
在训练中，很简单，使用自带函数tf.nn.ctc_loss即可，使用ctcc损失函数进行计算；
通过这样的训练，我们就可以使用模型预测了；
最后，MTCNN+CRNN仅仅是一次小的尝试，目前的结果由于样本的关系，还没做大量的训练，也没做优化，流程整个跑通；后面有时间的话，可以按这个方案，用更多数据训练一下，另外，各个环节再优化一下。
