先上效果图 
车牌识别的几个步骤：
给一张图片
1.从图片上找到车牌的区域
2.从图片上截取车牌的区域
3.从这个车牌区域中分割出一个一个的字符图片，保存
4.字符图片挨个识别：先识别省份，再识别城市、再识别号码
5.三个部分合在一起，得到最终的车牌的详细信息
怎么去识别: 用模型去做 模型=数据（特征数据+标签数据）+算法 （CNN）卷积神经网络
tensorflow:数据流编程 平台的工作方式：数据流图
1.创建图
2.给图中添加需要的模块
3.带入数据 进行计算 让数据在图中流动起来
图像识别的流程： 使用卷积神经网络来做
1.特征提取
2.主要特征提取
3.主要特征汇总
4.分类汇总 预测属于哪一个类别（得到的都是概率）
构建模型代码段：opencv.py
初始化参数
WIDTH=32 #设置图片的宽和高
HEIGHT=40
IMAGESIZE=1280 #32*40
interations=40 #训练次数
#2.给你的图片本应该是什么类别的 经过计算之后得出的结论是什么 该图片属于各种类别的概率 概率最大的就是识别出的类
NUM_CLASSES=34 #一张图片的分类可能是34种中的一种 最后要得出每一种的概率
#要识别的车牌号码的集合 34类输出
LETTER_NUM=('0','1','2','3','4','5','6','7','8','9',
'A','B','C','D','E','F','G','H','J','K','L','M',
'N','P','Q','R','S','T','U','V','W','X','Y','Z')
输入层
#输入层：保存图片的信息 需要保存的地方 ---占位符
#x存特征数据 y存标签数据
x=tf.placeholder(tf.float32,shape=[None,IMAGESIZE]) #创建一个占位符 Shape第一个参数表示图片的数量(None表示多少张图片都可以 不做限制） 第二个参数是size
y=tf.placeholder(tf.float32,shape=[None,NUM_CLASSES]) #标签,规定了标签的数量
#修改一个图片的形状 保证每一张图片都是32*40
x_imgs=tf.reshape(x,[-1,WIDTH,HEIGHT,1]) #最后的1表示单通道 （灰度图） -1表示不限制有多少张图片 但是对宽度高度和单通道做了限制
特征提取
#小部分每一个值的权重（tf.Variable()创建变量）
W_con1=tf.Variable(tf.random_normal([8,8,1,16],stddev=0.1),name='W_con1') #小区域8*8,单通道深度为1，将深度从1变成16 stddev=0.1设置标准差 生成的随机数不会相差太大
#偏置
b_con1=tf.Variable(tf.constant(0.1,shape=[16]),name='b_con1') #生成16个偏置 值都为0.1 #设置的偏置个数需要和输出的深度一致
#图片初始大小32*40*1
#卷积操作（区域乘以小区域对应的权重）
jj_con1=tf.nn.conv2d(x_imgs,W_con1,strides=[1,1,1,1],padding="SAME") #strides第1和第4个参数固定 第2个参数是水平步长 第3个参数是垂直步长 SAME表示图片的大小不发生变化(32*40)
#激活函数
#把小于0的值用0替代 relu(0,x)取0和这个数的较大一方 【已经把小于0的那些无用内容剔除了---去除无效特征】 激活函数
jh_con1=tf.nn.relu(jj_con1+b_con1) #乘对应的权重并加上偏置后 relu把小于0的值用0替代
#池化
#主要特征提取---提取（均值 最大值）（一般都是2*2的区域) 取区域中的最大值 进行池化
ch_con1=tf.nn.max_pool(jh_con1,ksize=[1,2,2,1],strides=[1,2,2,1],padding="SAME") #区域是2*2 移动步长也需要设置为2,2（水平步长和垂直步长）
#池化后图片的大小变为 （16*20）*16 在W_con1=tf.Variable()中将tf.random_normal的深度从1设置到16 因为池化区域和池化步长为（2 2） 所以相应的从32*40-》16*20
再做一次卷积池化
#做第二次 第一次输出的深度是16 这次将深度从16变为32 且区域变为5*5
W_con2=tf.Variable(tf.random_normal([5,5,16,32],stddev=0.1),name='W_con1')
b_con2=tf.Variable(tf.constant(0.1,shape=[32]),name='b_con2') #生成32个偏置【shape与输出的深度要同步】值都为0.1
jj_con2=tf.nn.conv2d(ch_con1,W_con2,strides=[1,1,1,1],padding="SAME") #第一次的输出和第二次的权重进行卷积操作
jh_con2=tf.nn.relu(jj_con2+b_con2) #乘对应的权重并加上偏置后 relu把小于0的值用0替代
ch_con2=tf.nn.max_pool(jh_con2,ksize=[1,1,1,1],strides=[1,1,1,1],padding="SAME") #这里将池化大小从2*2变成1*1（图片大小与池化区域大小有关）
#图片的大小变为(16*20)*32
全连接层
#图片数据转成1行 转为一维 从16*20*32转到512 这是全连接层？
W_fc1=tf.Variable(tf.random_normal([16*20*32,512],stddev=0.1),name="W_fc1") #权重
b_fc1=tf.Variable(tf.constant(0.1,shape=[512]),name="b_fc1") #生成偏置 512个0.1
h_fc1_flat=tf.reshape(ch_con2,[-1,16*20*32]) #特征值 [-1,16*20*32] -1表示不管有多少张图片 但是每张图片大小要保证16*20*32
#采用 权重*特征值+偏置的 然后取最大值
h_fc1=tf.nn.relu(tf.matmul(h_fc1_flat,W_fc1)+b_fc1) #matmuL()注意要把权重放在右边
删除部分神经元
#删除部分神经元---剩余多少神经元参与工作
keep_prob=tf.placeholder(tf.float32) #删除神经元的个数
h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)
输出分类
#输出--分类 有NUM_CLASS个类
W_fc2=tf.Variable(tf.random_normal([512,NUM_CLASSES],stddev=0.1),name="W_fc2") #权重
b_fc2=tf.Variable(tf.constant(0.1,shape=[NUM_CLASSES]),name="b_fc2") #生成偏置
#直接计算结果
y_con=tf.matmul(h_fc1_drop,W_fc2)+b_fc2
计算误差和精确率
#网络搭建完成 接下来我们计算真实结果和识别出来结果的差距
#softmax_cross_entropy_with_logits 用来计算真实结果y和识别出来结果y_con的交叉熵
#reduce_mean 求均值 用均值来表示他们之间的差距
cross=tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y,logits=y_con))
#要让差距越来越小 AdamOptimizer 优化器 获得最小的cross
train_step=tf.train.AdamOptimizer(1e-4).minimize(cross) #AdamOptimizer设置了学习率
#只能看到损失值 不方便我们观察准确率
#准确率怎么表示---图片属于哪个分类 找最大值对应的下标 下标是几 就属于哪个分类
#tf.argmax(input,axis)根据axis取值的不同返回每行或者每列最大值的索引
#equal:bool类型的真和假 通过argmax其实就是从数组中挑出概率取到最大值的下标
#例：【20，15，30，40】 下标为3概率取到最大值 两者进行对比就可以判断预测值和真实值是否相同
"""
例：
A = [[1,3,4,5,6]]
B = [[1,3,4,3,2]]
输出：[[ True True True False False]] 转为float32后这里就可以求出均值了 均值即表示准确率
"""
correct=tf.equal(tf.argmax(y_con,1),tf.argmax(y,1))
#把bool类型转成数字类型 tf.cast进行数据类型的转换
accuracy=tf.reduce_mean(tf.cast(correct,tf.float32)) #准确率
读取图片
下面这段是直接拿来的
#读取图片的函数
#这个函数的作用就是把读取到的每一张图片:图片特征数据和图片属于哪一个分类(标签数据)整合再一起 为模型训练准备好完整的数据集！
def picRead_pre():
input_count = 0
for i in range(0, NUM_CLASSES):
dir = './train_images/training-set/%s/' % str(i) # 这里可以改成你自己的图片目录，i为分类标签
for rt, dirs, files in os.walk(dir):
for filename in files:
input_count += 1
# 定义对应维数和各维长度的数组
# input_images特征数据
input_images = np.array([[0] * IMAGESIZE for i in range(input_count)])
# 标签数据：
input_labels = np.array([[0] * NUM_CLASSES for i in range(input_count)])
# 第二次遍历图片目录是为了生成图片数据和标签
index = 0
for i in range(0, NUM_CLASSES):
dir = './train_images/training-set/%s/' % str(i) # 这里可以改成你自己的图片目录，i为分类标签
for rt, dirs, files in os.walk(dir):
for filename in files:
filename = dir + filename
img = Image.open(filename)
width = img.size[0]
height = img.size[1]
for h in range(0, height):
for w in range(0, width):
# 通过这样的处理，使数字的线条变细，有利于提高识别准确率
if img.getpixel((w, h)) > 230:
input_images[index][w + h * width] = 0
else:
input_images[index][w + h * width] = 1
input_labels[index][i] = 1
index += 1
# 第一次遍历图片目录是为了获取图片总数
val_count = 0
for i in range(0, NUM_CLASSES):
dir = './train_images/training-set/%s/' % str(i) # 这里可以改成你自己的图片目录，i为分类标签
for rt, dirs, files in os.walk(dir):
for filename in files:
val_count += 1
# 定义对应维数和各维长度的数组
val_images = np.array([[0] * IMAGESIZE for i in range(val_count)])
val_labels = np.array([[0] * NUM_CLASSES for i in range(val_count)])
# 第二次遍历图片目录是为了生成图片数据和标签
index = 0
for i in range(0, NUM_CLASSES):
dir = './train_images/training-set/%s/' % str(i) # 这里可以改成你自己的图片目录，i为分类标签
for rt, dirs, files in os.walk(dir):
for filename in files:
filename = dir + filename
img=Image.open(filename)
width = img.size[0]
height = img.size[1]
for h in range(0, height):
for w in range(0, width):
# 通过这样的处理，使数字的线条变细，有利于提高识别准确率
if img.getpixel((w, h)) > 230:
val_images[index][w + h * width] = 0
else:
val_images[index][w + h * width] = 1
val_labels[index][i] = 1
index += 1
# 返回图片的特征数据，标签数据以及图片张数
return input_images, input_labels, input_count, val_images, val_labels, val_count
模型的训练与保存
#启动图 把数据带入 让数据在图中流动
#怎么启动图：
with tf.Session() as sess: #Session提供了Operation执行和Tensor求值的环境;
#怎么执行初始化
sess.run(init)
# 要训练 需要数据--大量的图片数据 需要读取每一张图片
input_images, input_labels, input_count, val_images, val_labels, val_count=picRead_pre()
# input_images:x 输入, input_labels:y 输出, input_count 数据总数
#开始训练 不要一下子全部给他 只给一部分 分块给他
#每一次给60张图片 input_count表示图片的总数
batch_size=60 #分组大小设置为60
batches_count=int(input_count/batch_size) #分组的数量
res=input_count%batch_size #最后一次训练 使用剩余图片
#训练次数：100次
for i in range(interations): #训练次数
for n in range(batches_count): #一次完整的图片全部训练需要做几次
#怎么把数据带入图中 [0,60) [60,120) 每次喂入一组数据
sess.run(train_step,feed_dict={x:input_images[n*batch_size:(n+1)*batch_size],
y:input_labels[n*batch_size:(n+1)*batch_size],
keep_prob:0.5}) #只给一半的神经元
if res>0: #如果图片剩余
start_index=batches_count*batch_size #整数组的最后一个为hi
sess.run(train_step,feed_dict={x:input_images[start_index:input_count-1],
y:input_labels[start_index:input_count-1],
keep_prob:0.5})
#每做五次 打印一次结果
if i%1==0:
#得到准确率
accry=sess.run(accuracy,feed_dict={x:val_images,
y:val_labels,
keep_prob:1.0}) #给全部的神经元
print("第 %d 次训练 准确率为 %0.5f%%"%(i,accry*100))
print("训练完成")
#模型的保存
saver=tf.train.Saver()
saver.save(sess,"./model/letter_digits_model.ckpt")
#模型保存完了 怎么使用呢
#加载模型 首先必须构建一个一模一样的网络
加载模型代码段：loadCNN.py
前面的部分都和构建模型一样
#使用模型
#1.构建一模一样的网络
#2.启动图
#3.读取一张图片进行预测
#4.将图片数据存储到img_data中
#5.把数据带入计算结果
#模型使用的流程：1.构建模型 2.训练模型 3.保存模型 4.加载模型（构建一个一模一样的模型） 5.给图片进行预测 6.结果对比
import os
import numpy as np
import tensorflow as tf
from PIL import Image
def load_digitModel():
WIDTH=32
HEIGHT=40
IMAGESIZE=1280 #32*40
#2.给你的图片本应该是什么类别的 经过计算之后得出的结论是什么 该图片属于各种类别的概率 概率最大的就是识别出的类
NUM_CLASSES=34 #一张图片的分类可能是34种中的一种 最后要得出每一种的概率
#要识别的车牌号码的集合 34类输出
LETTER_NUM=('0','1','2','3','4','5','6','7','8','9',
'A','B','C','D','E','F','G','H','J','K','L','M',
'N','P','Q','R','S','T','U','V','W','X','Y','Z')
#输入层：保存图片的信息 需要保存的地方 ---占位符
#x存特征数据 y存标签数据
x=tf.placeholder(tf.float32,shape=[None,IMAGESIZE]) #创建一个占位符 Shape第一个参数表示图片的数量(None表示多少张图片都可以 不做限制） 第二个参数是size
y=tf.placeholder(tf.float32,shape=[None,NUM_CLASSES]) #标签,规定了标签的数量
#修改一个图片的形状 保证每一张图片都是32*40
x_imgs=tf.reshape(x,[-1,WIDTH,HEIGHT,1]) #最后的1表示单通道 （灰度图） -1表示不限制有多少张图片 但是对宽度高度和单通道做了限制
#特征提取：卷积层实现--提取图像中每一个小部分的特征 自己约定 暂时定为8*8
#小部分每一个值的权重（tf.Variable()创建变量）
W_con1=tf.Variable(tf.random_normal([8,8,1,16],stddev=0.1),name='W_con1') #小区域8*8,单通道深度为1，将深度从1变成16 stddev=0.1设置标准差 生成的随机数不会相差太大
#偏置
b_con1=tf.Variable(tf.constant(0.1,shape=[16]),name='b_con1') #生成16个偏置 值都为0.1 #设置的偏置个数需要和输出的深度一致
#图片初始大小32*40*1
#卷积操作（区域乘以小区域对应的权重）
jj_con1=tf.nn.conv2d(x_imgs,W_con1,strides=[1,1,1,1],padding="SAME") #strides第1和第4个参数固定 第2个参数是水平步长 第3个参数是垂直步长 SAME表示图片的大小不发生变化(32*40)
#激活函数
#把小于0的值用0替代 relu(0,x)取0和这个数的较大一方 【已经把小于0的那些无用内容剔除了---去除无效特征】 激活函数
jh_con1=tf.nn.relu(jj_con1+b_con1) #乘对应的权重并加上偏置后 relu把小于0的值用0替代
#池化
#主要特征提取---提取（均值 最大值）（一般都是2*2的区域) 取区域中的最大值 进行池化
ch_con1=tf.nn.max_pool(jh_con1,ksize=[1,2,2,1],strides=[1,2,2,1],padding="SAME") #区域是2*2 移动步长也需要设置为2,2（水平步长和垂直步长）
#池化后图片的大小变为 （16*20）*16 在W_con1=tf.Variable()中将tf.random_normal的深度从1设置到16 因为池化区域和池化步长为（2 2） 所以相应的从32*40-》16*20
#做第二次 第一次输出的深度是16 这次将深度从16变为32 且区域变为5*5
W_con2=tf.Variable(tf.random_normal([5,5,16,32],stddev=0.1),name='W_con1')
b_con2=tf.Variable(tf.constant(0.1,shape=[32]),name='b_con2') #生成32个偏置【shape与输出的深度要同步】值都为0.1
jj_con2=tf.nn.conv2d(ch_con1,W_con2,strides=[1,1,1,1],padding="SAME") #第一次的输出和第二次的权重进行卷积操作
jh_con2=tf.nn.relu(jj_con2+b_con2) #乘对应的权重并加上偏置后 relu把小于0的值用0替代
ch_con2=tf.nn.max_pool(jh_con2,ksize=[1,1,1,1],strides=[1,1,1,1],padding="SAME") #这里将池化大小从2*2变成1*1（图片大小与池化区域大小有关）
#图片的大小变为(16*20)*32
#图片数据转成1行 转为一维 从16*20*32转到512 这是全连接层？
W_fc1=tf.Variable(tf.random_normal([16*20*32,512],stddev=0.1),name="W_fc1") #权重
b_fc1=tf.Variable(tf.constant(0.1,shape=[512]),name="b_fc1") #生成偏置 512个0.1
h_fc1_flat=tf.reshape(ch_con2,[-1,16*20*32]) #特征值 [-1,16*20*32] -1表示不管有多少张图片 但是每张图片大小要保证16*20*32
#采用 权重*特征值+偏置的 然后取最大值
h_fc1=tf.nn.relu(tf.matmul(h_fc1_flat,W_fc1)+b_fc1) #matmuL()注意要把权重放在右边
#删除部分神经元---剩余多少神经元参与工作
keep_prob=tf.placeholder(tf.float32) #删除神经元的个数
h_fc1_drop=tf.nn.dropout(h_fc1,keep_prob)
#输出--分类 有NUM_CLASS个类
W_fc2=tf.Variable(tf.random_normal([512,NUM_CLASSES],stddev=0.1),name="W_fc2") #权重
b_fc2=tf.Variable(tf.constant(0.1,shape=[NUM_CLASSES]),name="b_fc2") #生成偏置
#直接计算结果
y_con=tf.nn.softmax(tf.matmul(h_fc1_drop,W_fc2)+b_fc2)
在with tf.Session()中加载保存好的模型
init=tf.global_variables_initializer() #变量初始化
with tf.Session() as sess:
sess.run(init)
#加载保存好的模型
saver=tf.train.Saver()
saver.restore(sess,"./model/letter_digits_model.ckpt")
#开始使用模型进行预测
#给图片--读图片
licence_num="" #用于拼接车牌号码
for i in range(3,8): #这里是根据车牌分割之后 result文件夹下面的图片来读取的
path="./result/imgs%d.jpg"%(i) #%d
img=Image.open(path)
width=img.size[0]
height=img.size[1]
#创建一个空的二维数组 保存图片中的相关信息(图片宽度和高度的信息）
img_data=[[0]*IMAGESIZE for i in range(1)]
for h in range(0,height):
for w in range(0,width):
#图片是黑白的 因此对像素点进行拆分 将拆分的结果表示成1和0两种情况
if img.getpixel((w,h))max: #[[]] 被嵌套了 所以先用[0]取一下
max=result[0][j]
max_index=j
#把每一张图片识别出来的数符加到末尾
licence_num=licence_num+LETTER_NUM[max_index] #把各个字母数字拼接起来
print("车牌号码:%s"%licence_num)
return licence_num
其它相关的代码可以参考专栏中的其它博客 动手能力强的同学可以把专栏中的代码结合一下自己实现！
当然都懂大家想走捷径的心哈哈哈哈 完整的项目工程文件可以私信我 一杯奶茶的钱(15r) 大家少走些弯路 希望大家都可以快速完成自己的项目！(应付作业 狗头）
注意：项目仅供学习 不接受毕设或作业代做 如果您觉得项目本身有参考价值 可以根据需要进行修改融入自己的项目中 最后希望大家都有所进步！
如果需要简历项目扩充，也欢迎私信我~
同时，也可以提供相关的项目辅导或者毕设辅导~ 技术一流 很好商量~
平时csdn的推送消息会被淹(日常收不到消息推送呜呜呜...)，可以在私信我的同时用邮箱call我一下 (yangsober@163.com )
（项目安装包）
（项目文件）
（车牌识别界面）
（使用上述 AI车牌识别按钮需要将AIDeal.py文件修改问自己的百度API，可以参照我主页的另一篇博客 也可以直接使用 车牌号码识别按钮调用已经训练好的模型）
百度智能云的使用——以人脸识别为例_SOBE_rrr的博客-CSDN博客_百度智能云人脸识别
（项目文件中还包含当时写的一些其它UI 可以自己取舍）
（当时写着玩的人脸识别与颜值打分系统也留在文件里 )（手动狗头） 需要把这里换成自己的百度API
项目入口(MainWin.py)
登录密码自行设置哦
（还可以提供简单的项目答疑哦）
Original: https://blog.csdn.net/SOBE_rrr/article/details/119924079
Author: SOBE_rrr
Title: 利用CNN卷积神经网络实现车牌识别（tensorflow）附完整Python项目代码
相关阅读
Title: PanoSim 5 功能模块简介--Sensor Builder
4.3 SensorBuilder
SensorBuilder 是用来给所选车辆添加传感器的模块。本章介绍该模块的操作界面，关于传感器模型参数的具体介绍，请参看 5.4 传感器模型。双击 PanoSim5 安装包中的图标或点击 Experiment GUI 界面提供的快捷接 口"Tools-SensorBuilder"可以启动 PanoSim SensorBuilder GUI 界面。SensorBuilder 启动时显 示以下界面，传感器主界面功能分区如图 4.30 所示。
图 4.30 SensorBuilder GUI 主界面
4.3.1 工具栏
图 4.31 SensorBuilder 工具栏
如图 4.31 所示，SensorBuilder 工具栏中包括传感器工具、查看工具、数据工具与帮助 支持四大区域，具体介绍如下。
4.3.1.1 Sensor Tools
SensorBuilder 主要用于被测车辆和被测车辆所搭载传感器的设置，可以显示所有可用 的被测车辆和传感器列表，能够加载被测车辆模型并显示传感器感知范围，完成为被测车 辆添加传感器、编辑传感器内外部参数等操作。
（1）Vehicle
点击该按钮可以显示 PanoSim DataBase 中所有可用的车辆模型，用户可以选中车辆模 型并长按左键拖动到中间窗口进行加载。加载出的车辆模型会以俯视图和侧视图的形式展 现，并以前轮接地点为原点显示传感器坐标系供用户精确调节传感器在车辆上的位置。具 体如图 4.32 所示：
图 4.32 车辆显示界面与列表
区域①：导入被测车辆的俯视图。 区域②：被测车辆透视后的俯视图，直观地展示出传感器坐标系在车辆坐标系 X-Y 平面中的位置。
区域③：显示出车辆的 3D 模型，如图 4.33 所示。
图 4.33 车辆 3D 模型显示界面
区域④：被测车辆透视后的侧视图，直观地展示出传感器坐标系在车辆坐标系 X-Z 平 面中的位置。
区域⑤：显示 PanoSim 中所有可用的车辆模型，用户可以通过长按左键拖动的方法加 载车辆模型。
（2）Sensor Tools
该组按钮可以显示 PanoSim 中所有可用的传感器，支持用户以拖动的形式将传感器放 置到车辆上并对传感器的内外参数进行修改，但注意传感器必须拖动到车辆的俯视图上。 传感器添加方法如图 4.34 所示。在图 4.34 中，右侧显示出所有可用传感器。该版本 PanoSim 支持的所有传感器类型如表 4-9 所示。
同一辆车上可以同时添加多传感器，得到界面如图 4.35 所示。图 4.35 主要被分为以下 三个区域：
区域①：被测车辆上搭载的传感器名称。 区域②：将传感器能够感知到的角度等信息可视化。 区域③：显示所选中传感器的具体参数。 每个传感器都包含内部参数和外部参数，这些参数的设置在区域③中完成。
图 4.34 传感器列表及加载方式
图 4.35 传感器参数列表
表 4-9 内置传感器列表
4.3.1.2 View Tools
该区域主要提供"预览"功能，用户可以预览车辆 3D 模型，并在 Unity 三维动画界面进 行视角切换。PanoSim 共提供鸟瞰视角（Bird View）、跟随视角（Tracking View）、驾驶员 视角（Driver View）三种视角，并可以调整动画界面分辨率和清晰度（低分辨率、高分辨 率、适应窗口）。如图 4.36~图 4.37 所示：
图 4.36 视角切换界面
图 4.37 分辨率切换界面
在动画界面，用户点击右下角的"菜单"图标，还可以点击传感器来显示传感器输出变 量，如图 4.38 所示。
图 4.38 传感器感知范围界面
4.3.1.3 Data Tools
该区域提供"Save"、"Save As"和"Data Management"三种功能，可以分别用来保存传感 器模型、另存传感器模型、管理传感器模型数据信息
4.3.1.4 Help Support
点击可访问用户手册，查看支持文档。如需更多技术支持，请跳转至 1.3 技术支持。
4.3.2 Sensor 配置窗口
车辆信息面板以树形结构显示所有的车载传感器元素，用户点击传感器名称即可在右 侧属性窗口查看传感器的属性参数并根据需要进行修改。如图 4.39 所示，①处显示的是车 辆名称，②处显示的是"Sensors"，③处显示的是车上所搭载的所有传感器名称。PanoSim 支持将多种传感器同时放置在一辆车上。
图 4.39 传感器创建界面
4.3.3 工作区
工作区可以用来显示被测车辆模型的俯视图以及侧视图、传感器感知范围、传感器在 车辆上的空间安装位置，及三维车辆模型。用户可调整传感器坐标系的坐标原点及旋转坐 标轴朝向，实现更改传感器探测的包络空间。当用户为车辆新添加传感器时，可以通过按住鼠标左键拖动的方式将对应文件拖到工作区，然后松开左键即可成功加载模型。此外， 用户还可以滚动鼠标滚轮来对界面进行缩放。当用户添加了多个传感器时，不同传感器的 感知范围会通过不同颜色来区分，如图 4.40 所示：
图 4.40 传感器感知范围显示界面
4.3.4 属性栏
属性栏主要用于显示当前传感器属性的数值等信息，还为用户提供编辑、修改传感器 参数等操作。
当界面文本框是灰色时，表明该项属性信息无法修改；当文本框是白色时，用户可以 对文本框内的信息进行修改。在传感器属性界面中，需要勾选属性，属性框由灰变白后才 能进行修改。用户修改的方式主要有两种：用户手动输入数值进行修改、用户通过文本框 后面的上下箭头对数值进行调整，如图 4.41 所示。
图 4.41 传感器参数设置界面
4.3.5 状态栏
传感器状态栏信息主要展示的是所使用被测车辆模型文件的保存路径信息，此外还会 显示其他重要的反馈，如图 4.42 所示。
图 4.42 传感器状态栏信息
Original: https://blog.csdn.net/PanoSim666/article/details/126227761
Author: PanoSim666
Title: PanoSim 5 功能模块简介--Sensor Builder