車(chē)牌識(shí)別相關(guān)資料收集整理

1、License Plate Detection with RetinaFace

鏈接：https://github.com/zeusees/License-Plate-Detector

利用單物體檢測(cè)算法Retinaface進(jìn)行了車(chē)牌檢測(cè)模型的訓(xùn)練，通過(guò)測(cè)試，檢測(cè)效果和適用性都更突出，支持的模型也更為豐富。

開(kāi)源版本的檢測(cè)算法經(jīng)過(guò)了多個(gè)版本迭代，考慮到檢測(cè)的效率跟準(zhǔn)確率，原始版本逐步淘汰，從最初的基于LBP和Harr特征的車(chē)牌檢測(cè)，感興趣的小伙伴可以參考 train-detector(https://github.com/openalpr/train-detector) 這個(gè)倉(cāng)庫(kù)；到后來(lái)逐步的采用深度學(xué)習(xí)的方式，我們的上一個(gè)版本采用基于mobilenet-ssd的算法進(jìn)行檢測(cè)，大家可以移步 (https://gitee.com/zeusees/Mobilenet-SSD-License-Plate-Detection) 這里進(jìn)行查看，后續(xù)請(qǐng)盡量采用新模型進(jìn)行測(cè)試。

該版本的檢測(cè)模型的訓(xùn)練，結(jié)合了CCPD數(shù)據(jù)集跟我們自有的數(shù)據(jù)，能夠做到更多車(chē)牌種類(lèi)的支持。

Clone and install

git clone?https://github.com/zeusees/License-Plate-Detector.git

Pytorch version 1.2.0

Python 3.6

python detect.py

基于C++的NCCNN模型測(cè)試

Source Code Compile

cd Prj-ncnn

cmake .

make

支持車(chē)牌種類(lèi)

• 藍(lán)色單層車(chē)牌
• 黃色單層車(chē)牌
• 綠色新能源車(chē)牌、民航車(chē)牌
• 黑色單層車(chē)牌
• 白色警牌、軍牌、武警車(chē)牌
• 黃色雙層車(chē)牌
• 綠色農(nóng)用車(chē)牌
• 白色雙層軍牌

參考

• Retinaface (Pytorch)
• Pytorch_Retina_License_Plate
• CCPD

2、License-Plate-Recognition-Items

https://github.com/Haveoneriver/License-Plate-Recognition-Items

車(chē)牌識(shí)別的思路

車(chē)牌識(shí)別的思路其實(shí)就是和驗(yàn)證碼識(shí)別是一樣的道理，在中國(guó)的車(chē)牌中一共有7位字符可以對(duì)這7個(gè)字符進(jìn)行one-hot編碼生成一個(gè)向量 一張車(chē)牌對(duì)應(yīng)一個(gè)車(chē)牌標(biāo)簽即這7個(gè)字符生成的向量

使用google的colaboratory訓(xùn)練resnet34模型

train.ipynb是在colaboratory中運(yùn)行的

在model.fit_generator()可以調(diào)參，我沒(méi)有調(diào)參使用的默認(rèn)的參數(shù)，調(diào)參數(shù)可以上keras查看模型調(diào)參函數(shù)的設(shè)置

#訓(xùn)練的時(shí)候每輪1000個(gè)樣本共5輪，一個(gè)batch_size=32，所以一共有16W張圖片

model.fit_generator(gen(), samples_per_epoch=1000,nb_epoch=5, nb_worker=1, pickle_safe=True, validation_data=gen(), nb_val_samples=1280)

test.py是使用訓(xùn)練好的模型進(jìn)行測(cè)試

調(diào)用評(píng)價(jià)函數(shù)時(shí)： 跑完后的是每個(gè)字符的準(zhǔn)確率不是整張圖片的準(zhǔn)確率

3、百度paddle

https://gitee.com/paddlepaddle/PaddleOCR/blob/develop/deploy/hubserving/readme.md

基于OCR的方法識(shí)別車(chē)牌，

4、Python+Tensorflow+CNN實(shí)現(xiàn)車(chē)牌識(shí)別

https://blog.csdn.net/weixin_43397593/article/details/102372100

自己生成車(chē)牌和采用簡(jiǎn)單的CNN模型做深度學(xué)習(xí)，

本次項(xiàng)目目標(biāo)是實(shí)現(xiàn)對(duì)自動(dòng)生成的帶有各種噪聲的車(chē)牌識(shí)別。在噪聲干擾情況下，車(chē)牌字符分割較困難，此次車(chē)牌識(shí)別是將車(chē)牌7個(gè)字符同時(shí)訓(xùn)練，字符包括31個(gè)省份簡(jiǎn)稱(chēng)、10個(gè)阿拉伯?dāng)?shù)字、24個(gè)英文字母（'O’和’I’除外），共有65個(gè)類(lèi)別，7個(gè)字符使用單獨(dú)的loss函數(shù)進(jìn)行訓(xùn)練。
（運(yùn)行環(huán)境：tensorflow1.14.0-GPU版）

本次構(gòu)建的CNN模型較為簡(jiǎn)單，只有6卷積層+3池化層+1全連接層，可以通過(guò)增加模型深度以及每層之間的神經(jīng)元數(shù)量來(lái)優(yōu)化模型，提高識(shí)別的準(zhǔn)確率。此次訓(xùn)練數(shù)據(jù)集來(lái)源于自動(dòng)生成的車(chē)牌，由于真實(shí)的車(chē)牌圖像與生成的車(chē)牌圖像在噪聲干擾上有所區(qū)分，所以識(shí)別率上會(huì)有所出入。如果使用真實(shí)的車(chē)牌數(shù)據(jù)集，需要對(duì)車(chē)牌進(jìn)行濾波、均衡化、腐蝕、矢量量化等預(yù)處理方法。

5、TensorFlow車(chē)牌識(shí)別完整版（含車(chē)牌數(shù)據(jù)集）

https://blog.csdn.net/u011808673/article/details/81215459

在之前發(fā)布的一篇博文《MNIST數(shù)據(jù)集實(shí)現(xiàn)車(chē)牌識(shí)別--初步演示版》中，我們演示了如何使用TensorFlow進(jìn)行車(chē)牌識(shí)別，但是，當(dāng)時(shí)采用的數(shù)據(jù)集是MNIST數(shù)字手寫(xiě)體，只能分類(lèi)0-9共10個(gè)數(shù)字，無(wú)法分類(lèi)省份簡(jiǎn)稱(chēng)和字母，局限性較大，無(wú)實(shí)際意義。

經(jīng)過(guò)圖像定位分割處理，博主收集了相關(guān)省份簡(jiǎn)稱(chēng)和26個(gè)字母的圖片數(shù)據(jù)集，結(jié)合前述博文中貼出的python+TensorFlow代碼，實(shí)現(xiàn)了完整的車(chē)牌識(shí)別功能。本著分享精神，在此送上全部代碼和車(chē)牌數(shù)據(jù)集。

車(chē)牌數(shù)據(jù)集下載地址（約4000張圖片）：https://pan.baidu.com/s/1RyoMbHtLUlsMDsvLBCLZ2w

省份簡(jiǎn)稱(chēng)訓(xùn)練+識(shí)別代碼（保存文件名為train-license-province.py）（拷貝代碼請(qǐng)務(wù)必注意python文本縮進(jìn)，只要有一處縮進(jìn)錯(cuò)誤，就無(wú)法得到正確結(jié)果，或者出現(xiàn)異常）：

6、基于MNIST數(shù)據(jù)集實(shí)現(xiàn)車(chē)牌識(shí)別--初步演示版

和5是姊妹篇

https://blog.csdn.net/shadown1ght/article/details/78078499

?

7、車(chē)牌識(shí)別github資源

資源比較老舊

https://blog.csdn.net/yang_daxia/article/details/90449150

8、HyperLPR

開(kāi)源的第三方庫(kù)，車(chē)牌識(shí)別，和1類(lèi)似

https://github.com/zeusees/HyperLPR

9、FakeLPR車(chē)牌識(shí)別(3) ----- 車(chē)牌端到端識(shí)別

介紹

前一篇介紹了車(chē)牌的角點(diǎn)定位，這一篇就到端到端識(shí)別車(chē)牌了

1.粗定位

2.角點(diǎn)檢測(cè)矯正

3.端到端識(shí)別字符

本文介紹第三步，端到端識(shí)別車(chē)牌，思路和前一篇中的角點(diǎn)檢測(cè)一樣，通過(guò) caffe 實(shí)現(xiàn)多標(biāo)簽分類(lèi)來(lái)識(shí)別車(chē)牌

10、使用騰訊云 GPU 學(xué)習(xí)深度學(xué)習(xí)系列之五：文字的識(shí)別與定位

基于CNN和OCR識(shí)別，方法和4類(lèi)似

https://cloud.tencent.com/developer/article/1005199

?

11、keras-ocr

采用深度學(xué)習(xí) 同8的方法類(lèi)似，但沒(méi)中文的OCR識(shí)別，

https://github.com/faustomorales/keras-ocr

12、基于u-net，cv2以及cnn的中文車(chē)牌定位，矯正和端到端識(shí)別軟件

https://blog.csdn.net/qq_32194791/article/details/106748685

https://github.com/duanshengliu/End-to-end-for-chinese-plate-recognition

整體思路：1.利用u-net圖像分割得到二值化圖像，2.再使用cv2進(jìn)行邊緣檢測(cè)獲得車(chē)牌區(qū)域坐標(biāo)，并將車(chē)牌圖形矯正，3.利用卷積神經(jīng)網(wǎng)絡(luò)cnn進(jìn)行車(chē)牌多標(biāo)簽端到端識(shí)別

實(shí)現(xiàn)效果：拍攝角度傾斜、強(qiáng)曝光或昏暗環(huán)境等都能較好地識(shí)別，甚至有些百度AI車(chē)牌識(shí)別未能識(shí)別的圖片也能識(shí)別

環(huán)境：python:3.6, tensorflow:1.15.2, opencv: 4.1.0.25

方法同4、10

13、keras+resnet34實(shí)現(xiàn)車(chē)牌識(shí)別

https://blog.csdn.net/weixin_38226321/article/details/107299660

自己生產(chǎn)車(chē)牌，然后訓(xùn)練

14、通過(guò)GAN網(wǎng)絡(luò)生成車(chē)牌

https://www.cnblogs.com/kevin-dx/p/13900592.html

?

?

?

總結(jié)

以上是生活随笔為你收集整理的python tensorflow pytorch 深度学习 车牌识别的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。