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

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) 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) 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

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模型测试

Source Code Compile

cd Prj-ncnn
cmake .
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

2、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

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

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。