車牌識別相關資料收集整理

1、License Plate Detection with RetinaFace

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

利用單物體檢測算法Retinaface進行了車牌檢測模型的訓練，通過測試，檢測效果和適用性都更突出，支持的模型也更為豐富。

開源版本的檢測算法經過了多個版本迭代，考慮到檢測的效率跟準確率，原始版本逐步淘汰，從最初的基于LBP和Harr特征的車牌檢測，感興趣的小伙伴可以參考 train-detector(https://github.com/openalpr/train-detector) 這個倉庫；到后來逐步的采用深度學習的方式，我們的上一個版本采用基于mobilenet-ssd的算法進行檢測，大家可以移步 (https://gitee.com/zeusees/Mobilenet-SSD-License-Plate-Detection) 這里進行查看，后續請盡量采用新模型進行測試。

該版本的檢測模型的訓練，結合了CCPD數據集跟我們自有的數據，能夠做到更多車牌種類的支持。

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模型測試

Source Code Compile

cd Prj-ncnn

cmake .

make

支持車牌種類

• 藍色單層車牌
• 黃色單層車牌
• 綠色新能源車牌、民航車牌
• 黑色單層車牌
• 白色警牌、軍牌、武警車牌
• 黃色雙層車牌
• 綠色農用車牌
• 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

車牌識別的思路

車牌識別的思路其實就是和驗證碼識別是一樣的道理，在中國的車牌中一共有7位字符可以對這7個字符進行one-hot編碼生成一個向量 一張車牌對應一個車牌標簽即這7個字符生成的向量

使用google的colaboratory訓練resnet34模型

train.ipynb是在colaboratory中運行的

在model.fit_generator()可以調參，我沒有調參使用的默認的參數，調參數可以上keras查看模型調參函數的設置

#訓練的時候每輪1000個樣本共5輪，一個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是使用訓練好的模型進行測試

調用評價函數時： 跑完后的是每個字符的準確率不是整張圖片的準確率

3、百度paddle

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

基于OCR的方法識別車牌，

4、Python+Tensorflow+CNN實現車牌識別

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

自己生成車牌和采用簡單的CNN模型做深度學習，

本次項目目標是實現對自動生成的帶有各種噪聲的車牌識別。在噪聲干擾情況下，車牌字符分割較困難，此次車牌識別是將車牌7個字符同時訓練，字符包括31個省份簡稱、10個阿拉伯數字、24個英文字母（'O’和’I’除外），共有65個類別，7個字符使用單獨的loss函數進行訓練。
（運行環境：tensorflow1.14.0-GPU版）

本次構建的CNN模型較為簡單，只有6卷積層+3池化層+1全連接層，可以通過增加模型深度以及每層之間的神經元數量來優化模型，提高識別的準確率。此次訓練數據集來源于自動生成的車牌，由于真實的車牌圖像與生成的車牌圖像在噪聲干擾上有所區分，所以識別率上會有所出入。如果使用真實的車牌數據集，需要對車牌進行濾波、均衡化、腐蝕、矢量量化等預處理方法。

5、TensorFlow車牌識別完整版（含車牌數據集）

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

在之前發布的一篇博文《MNIST數據集實現車牌識別--初步演示版》中，我們演示了如何使用TensorFlow進行車牌識別，但是，當時采用的數據集是MNIST數字手寫體，只能分類0-9共10個數字，無法分類省份簡稱和字母，局限性較大，無實際意義。

經過圖像定位分割處理，博主收集了相關省份簡稱和26個字母的圖片數據集，結合前述博文中貼出的python+TensorFlow代碼，實現了完整的車牌識別功能。本著分享精神，在此送上全部代碼和車牌數據集。

車牌數據集下載地址（約4000張圖片）：https://pan.baidu.com/s/1RyoMbHtLUlsMDsvLBCLZ2w

省份簡稱訓練+識別代碼（保存文件名為train-license-province.py）（拷貝代碼請務必注意python文本縮進，只要有一處縮進錯誤，就無法得到正確結果，或者出現異常）：

6、基于MNIST數據集實現車牌識別--初步演示版

和5是姊妹篇

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

?

7、車牌識別github資源

資源比較老舊

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

8、HyperLPR

開源的第三方庫，車牌識別，和1類似

https://github.com/zeusees/HyperLPR

9、FakeLPR車牌識別(3) ----- 車牌端到端識別

介紹

前一篇介紹了車牌的角點定位，這一篇就到端到端識別車牌了

1.粗定位

2.角點檢測矯正

3.端到端識別字符

本文介紹第三步，端到端識別車牌，思路和前一篇中的角點檢測一樣，通過 caffe 實現多標簽分類來識別車牌

10、使用騰訊云 GPU 學習深度學習系列之五：文字的識別與定位

基于CNN和OCR識別，方法和4類似

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

?

11、keras-ocr

采用深度學習 同8的方法類似，但沒中文的OCR識別，

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

12、基于u-net，cv2以及cnn的中文車牌定位，矯正和端到端識別軟件

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進行邊緣檢測獲得車牌區域坐標，并將車牌圖形矯正，3.利用卷積神經網絡cnn進行車牌多標簽端到端識別

實現效果：拍攝角度傾斜、強曝光或昏暗環境等都能較好地識別，甚至有些百度AI車牌識別未能識別的圖片也能識別

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

方法同4、10

13、keras+resnet34實現車牌識別

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

自己生產車牌，然后訓練

14、通過GAN網絡生成車牌

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

?

?

?

總結

以上是生活随笔為你收集整理的python tensorflow pytorch 深度学习 车牌识别的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。