高精度车牌识别算法

一 车牌识别概述

车牌识别属于OCR的一种，但它也有自己的特点。考虑到边缘设备部署，我们没有用lstm，仅用普通的卷积层便实现了高精度的车牌识别方案。车牌识别的应用场景也十分广泛，常见的停车场收费系统，车牌识别算法也是智能交通算法中的基础算法和最为重要的算法。

场景	识别准确率
道路卡口场景	99.6%
小角度场景	99.0%
大角度车牌场景	98.2%

二 车牌识别

本方案采用多标签识别的技术，同时设计的一个分类分支，判断输入是否为车牌。其中车牌全部识别正确的准确率为99.6%，判断输入是否为车牌的识别准确率为99.92%。
直接看测试代码：

from __future__ import division
import os
from utils.plate_string_gp import pla_list
from recog.models import resnet18

import numpy as np
import torch
import torch.nn.functional as F
import cv2
from PIL import Image, ImageDraw, ImageFont
from tqdm import tqdm
import glob

torch.backends.cudnn.enabled = False

class Plate_recog():
    def __init__(self, recog_path, use_cuda=True):
        self.pla_trans()
        self.cuda = torch.cuda.is_available() and use_cuda
        self.recog = self._load_model(recog_path)

    def _load_model(self, model_path):
        model =  resnet18(num_classes=len(self.pla_dic)+1)
        weight = torch.load(model_path)
        model.load_state_dict(weight)
        model.eval()
        if self.cuda:
            model.cuda()
        return model

    def run_recog(self, img, input_size=(192,64)):
        img = cv2.resize(img, input_size)
        input_img = np.transpose(img, (2,0,1))
        input_img = torch.from_numpy(input_img).float()/255.
        if self.cuda:
            input_img = input_img.cuda()

        res, res2 = self.recog(input_img.unsqueeze(0))
        res2 = F.softmax(res2[0,:], dim=0)
        if res2[0] > res2[1]:
            return [False, '不是中国车牌', '']
        else:
            is_plate = True

        plate = ''
        p_score = 1
        for i in range(8):
            res_softmax = F.softmax(res[0,:,i], dim=0)
            _, ind_list = torch.sort(res_softmax)
            ind = ind_list[-1].item()
            if ind  == len(self.pla_dic.keys()): # 7 strings
                continue
            if ind == len(self.pla_dic.keys()) - 1: # blur
                ind = ind_list[-2].item()
            p_score *= res_softmax[ind].item()
            plate += self.pla_dic[ind]
        return [is_plate, plate, p_score]

    def pla_trans(self):
        self.pla_dic = {}
        for idx, v in enumerate(pla_list()):
            self.pla_dic[idx] = v


if __name__ =='__main__':
    os.environ['CUDA_VISIBLE_DEVICES'] = '0'
    recog = Plate_recog("recog.pth")
    img_list = glob.glob("imgs/*.jpg")
    for img_path in img_list:
        img = cv2.imread(img_path)
        is_plate, plate, p_score = recog.run_recog(img)
        print("%s的识别结果:%s" % (img_path, plate))

三 识别效果

车牌检测用了centernet和yolov5两种算法，不同的场景采用不同的算法。

注：所有训练数据都是开源数据，训练代码和训练数据以后开源。如需技术交流，请联系博主。
同时推荐另外两个与本文相关的博客:行人属性识别，车辆属性识别。