python tensorflow pytorch 深度学习车牌识别

﹏ヽ暗。殇╰゛Y 2022-12-27 07:24 141阅读 0赞

# 车牌识别相关资料收集整理 #

## 1、License Plate Detection with RetinaFace ##

链接：[https://github.com/zeusees/License-Plate-Detector][https_github.com_zeusees_License-Plate-Detector]

利用单物体检测算法Retinaface进行了车牌检测模型的训练，通过测试，检测效果和适用性都更突出，支持的模型也更为丰富。

开源版本的检测算法经过了多个版本迭代，考虑到检测的效率跟准确率，原始版本逐步淘汰，从最初的基于LBP和Harr特征的车牌检测，感兴趣的小伙伴可以参考 train-detector([https://github.com/openalpr/train-detector][https_github.com_openalpr_train-detector]) 这个仓库；到后来逐步的采用深度学习的方式，我们的上一个版本采用基于mobilenet-ssd的算法进行检测，大家可以移步 ([https://gitee.com/zeusees/Mobilenet-SSD-License-Plate-Detection][https_gitee.com_zeusees_Mobilenet-SSD-License-Plate-Detection]) 这里进行查看，后续请尽量采用新模型进行测试。

该版本的检测模型的训练，结合了CCPD数据集跟我们自有的数据，能够做到更多车牌种类的支持。

Clone and install

1.  git clone [https://github.com/zeusees/License-Plate-Detector.git][https_github.com_zeusees_License-Plate-Detector.git]
2.  Pytorch version 1.2.0
3.  Python 3.6
4.  python detect.py

基于C++的NCCNN模型测试

Source Code Compile

1.  cd Prj-ncnn
2.  cmake .
3.  make

支持车牌种类

*  蓝色单层车牌
 *  黄色单层车牌
 *  绿色新能源车牌、民航车牌
 *  黑色单层车牌
 *  白色警牌、军牌、武警车牌
 *  黄色双层车牌
 *  绿色农用车牌
 *  白色双层军牌

参考

*  [Retinaface (Pytorch)][Retinaface _Pytorch]
 *  [Pytorch\_Retina\_License\_Plate][Pytorch_Retina_License_Plate]
 *  [CCPD][]

## 2、License-Plate-Recognition-Items ##

[https://github.com/Haveoneriver/License-Plate-Recognition-Items][https_github.com_Haveoneriver_License-Plate-Recognition-Items]

**车牌识别的思路**

车牌识别的思路其实就是和验证码识别是一样的道理，在中国的车牌中一共有7位字符可以对这7个字符进行one-hot编码生成一个向量 一张车牌对应一个车牌标签即这7个字符生成的向量

**使用google的colaboratory训练resnet34模型**

train.ipynb是在colaboratory中运行的

**在model.fit\_generator()可以调参，我没有调参使用的默认的参数，调参数可以上keras查看模型调参函数的设置**

\#训练的时候每轮1000个样本共5轮，一个batch\_size=32，所以一共有16W张图片

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是使用训练好的模型进行测试 ###

调用评价函数时： 跑完后的是每个字符的准确率不是整张图片的准确率

## 3、百度paddle ##

[https://gitee.com/paddlepaddle/PaddleOCR/blob/develop/deploy/hubserving/readme.md][https_gitee.com_paddlepaddle_PaddleOCR_blob_develop_deploy_hubserving_readme.md]

基于OCR的方法识别车牌，

## 4、Python+Tensorflow+CNN实现车牌识别 ##

[https://blog.csdn.net/weixin\_43397593/article/details/102372100][https_blog.csdn.net_weixin_43397593_article_details_102372100]

自己生成车牌和采用简单的CNN模型做深度学习，

本次项目目标是实现对自动生成的带有各种噪声的车牌识别。在噪声干扰情况下，车牌字符分割较困难，此次车牌识别是将车牌7个字符同时训练，字符包括31个省份简称、10个阿拉伯数字、24个英文字母（'O’和’I’除外），共有65个类别，7个字符使用单独的loss函数进行训练。  
（运行环境：tensorflow1.14.0-GPU版）

本次构建的CNN模型较为简单，只有6卷积层+3池化层+1全连接层，可以通过增加模型深度以及每层之间的神经元数量来优化模型，提高识别的准确率。此次训练数据集来源于自动生成的车牌，由于真实的车牌图像与生成的车牌图像在噪声干扰上有所区分，所以识别率上会有所出入。如果使用真实的车牌数据集，需要对车牌进行滤波、均衡化、腐蚀、矢量量化等预处理方法。

## 5、TensorFlow车牌识别完整版（含车牌数据集） ##

[https://blog.csdn.net/u011808673/article/details/81215459][https_blog.csdn.net_u011808673_article_details_81215459]

在之前发布的一篇博文《[MNIST数据集实现车牌识别--初步演示版][MNIST_--]》中，我们演示了如何使用TensorFlow进行车牌识别，但是，当时采用的数据集是MNIST数字手写体，只能分类0-9共10个数字，无法分类省份简称和字母，局限性较大，无实际意义。

经过图像定位分割处理，博主收集了相关省份简称和26个字母的图片数据集，结合前述博文中贴出的python+TensorFlow代码，实现了完整的车牌识别功能。本着分享精神，在此送上全部代码和车牌数据集。

车牌数据集下载地址（约4000张图片）：[https://pan.baidu.com/s/1RyoMbHtLUlsMDsvLBCLZ2w][https_pan.baidu.com_s_1RyoMbHtLUlsMDsvLBCLZ2w]

省份简称训练+识别代码（**保存文件名为train-license-province.py**）（**拷贝代码请务必注意python文本缩进，只要有一处缩进错误，就无法得到正确结果，或者出现异常**）：

## 6、基于MNIST数据集实现车牌识别--初步演示版 ##

和5是姊妹篇

[https://blog.csdn.net/shadown1ght/article/details/78078499][https_blog.csdn.net_shadown1ght_article_details_78078499]

## 7、车牌识别github资源 ##

资源比较老旧

[https://blog.csdn.net/yang\_daxia/article/details/90449150][https_blog.csdn.net_yang_daxia_article_details_90449150]

## 8、[HyperLPR][] ##

开源的第三方库，车牌识别，和1类似

[https://github.com/zeusees/HyperLPR][HyperLPR]

## 9、FakeLPR车牌识别(3) ----- 车牌端到端识别 ##

### 介绍 ###

前一篇介绍了车牌的角点定位，这一篇就到端到端识别车牌了

1.粗定位

2.角点检测矫正

**3.端到端识别字符**

本文介绍第三步，端到端识别车牌，思路和前一篇中的角点检测一样，通过 caffe 实现多标签分类来识别车牌

## 10、使用腾讯云 GPU 学习深度学习系列之五：文字的识别与定位 ##

基于CNN和OCR识别，方法和4类似

[https://cloud.tencent.com/developer/article/1005199][https_cloud.tencent.com_developer_article_1005199]

## 11、[keras-ocr][] ##

采用深度学习 同8的方法类似，但没中文的OCR识别，

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

## 12、基于u-net，cv2以及cnn的中文车牌定位，矫正和端到端识别软件 ##

[https://blog.csdn.net/qq\_32194791/article/details/106748685][https_blog.csdn.net_qq_32194791_article_details_106748685]

[https://github.com/duanshengliu/End-to-end-for-chinese-plate-recognition][https_github.com_duanshengliu_End-to-end-for-chinese-plate-recognition]

整体思路：1.利用u-net图像分割得到二值化图像，2.再使用cv2进行边缘检测获得车牌区域坐标，并将车牌图形矫正，3.利用卷积神经网络cnn进行车牌多标签端到端识别

实现效果：拍摄角度倾斜、强曝光或昏暗环境等都能较好地识别，甚至有些[百度AI车牌识别][AI]未能识别的图片也能识别

环境：python:3.6, tensorflow:1.15.2, opencv: 4.1.0.25

方法同4、10

## 13、keras+resnet34实现车牌识别 ##

[https://blog.csdn.net/weixin\_38226321/article/details/107299660][https_blog.csdn.net_weixin_38226321_article_details_107299660]

自己生产车牌，然后训练

## 14、通过GAN网络生成车牌 ##

[https://www.cnblogs.com/kevin-dx/p/13900592.html][https_www.cnblogs.com_kevin-dx_p_13900592.html]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FpbmdmZW5neGQx_size_16_color_FFFFFF_t_70][]

[https_github.com_zeusees_License-Plate-Detector]: https://github.com/zeusees/License-Plate-Detector
[https_github.com_openalpr_train-detector]: https://github.com/openalpr/train-detector
[https_gitee.com_zeusees_Mobilenet-SSD-License-Plate-Detection]: https://gitee.com/zeusees/Mobilenet-SSD-License-Plate-Detection
[https_github.com_zeusees_License-Plate-Detector.git]: https://github.com/zeusees/License-Plate-Detector.git
[Retinaface _Pytorch]: https://github.com/biubug6/Pytorch_Retinaface
[Pytorch_Retina_License_Plate]: https://github.com/gm19900510/Pytorch_Retina_License_Plate
[CCPD]: https://github.com/detectRecog/CCPD
[https_github.com_Haveoneriver_License-Plate-Recognition-Items]: https://github.com/Haveoneriver/License-Plate-Recognition-Items
[https_gitee.com_paddlepaddle_PaddleOCR_blob_develop_deploy_hubserving_readme.md]: https://gitee.com/paddlepaddle/PaddleOCR/blob/develop/deploy/hubserving/readme.md
[https_blog.csdn.net_weixin_43397593_article_details_102372100]: https://blog.csdn.net/weixin_43397593/article/details/102372100
[https_blog.csdn.net_u011808673_article_details_81215459]: https://blog.csdn.net/u011808673/article/details/81215459
[MNIST_--]: http://blog.csdn.net/shadown1ght/article/details/78078499
[https_pan.baidu.com_s_1RyoMbHtLUlsMDsvLBCLZ2w]: https://pan.baidu.com/s/1RyoMbHtLUlsMDsvLBCLZ2w
[https_blog.csdn.net_shadown1ght_article_details_78078499]: https://blog.csdn.net/shadown1ght/article/details/78078499
[https_blog.csdn.net_yang_daxia_article_details_90449150]: https://blog.csdn.net/yang_daxia/article/details/90449150
[HyperLPR]: https://github.com/zeusees/HyperLPR
[https_cloud.tencent.com_developer_article_1005199]: https://cloud.tencent.com/developer/article/1005199
[keras-ocr]: https://github.com/faustomorales/keras-ocr
[https_blog.csdn.net_qq_32194791_article_details_106748685]: https://blog.csdn.net/qq_32194791/article/details/106748685
[https_github.com_duanshengliu_End-to-end-for-chinese-plate-recognition]: https://github.com/duanshengliu/End-to-end-for-chinese-plate-recognition
[AI]: https://ai.baidu.com/tech/ocr_cars/plate
[https_blog.csdn.net_weixin_38226321_article_details_107299660]: https://blog.csdn.net/weixin_38226321/article/details/107299660
[https_www.cnblogs.com_kevin-dx_p_13900592.html]: https://www.cnblogs.com/kevin-dx/p/13900592.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FpbmdmZW5neGQx_size_16_color_FFFFFF_t_70]: /images/20221120/2106872f999b4224b7eb7db7068d31e2.png