ALPR

基于4种轻量级深度卷积网络的无场景约束全自动车牌识别

车辆检测器控制系统开启状态，提前加载模型，补光灯控制光照，识别控制道闸

车辆检测+车辆分类+车牌定位+车牌修复（强光）+车牌识别

检测：yolov3_tiny（darknet）突出速度

分类：b-cnn（resnet-18）突出准确率

定位：retina-net（mobilenetv1）突出速度

修复：dcgan(TODO)

识别：lpr-net（cnn + ctc）速度与准确率

本次提交以pyqt5界面形式展示

更换车辆检测网络为仅使用yolov3_tiny(pytorch版本)

分类功能暂时不做，修复功能待完善

检测对应文件夹：yolov3_tiny_car_det

size	gtx titan x(fps)
33M	220

定位对应文件夹：plate_location

利用RetinaFace进行迁移学习实现的车牌检测、车牌四角定位、车牌矫正对齐

可参考我的博客链接，RETINAFACE论文笔记

https://www.cnblogs.com/ywheunji/p/12285421.html

数据

地址

https://github.com/detectRecog/CCPD

performance

使用mobilenet0.25作为骨干网时，模型大小仅为1.7M

model	inference@gtx 1060(ms)
1.7M	0.5-

识别对应文件夹：lprnet_Plate_Recognition

可参考我的博客链接，lprnet论文笔记

https://www.cnblogs.com/ywheunji/p/12268340.html

performance

• include blue/green license plate.
• test images number is 27320.

model	personal test imgs(%)	inference@gtx 1060(ms)
1.7M	96.0+	0.5-

环境：

• python3
• openv-python 3.x
• pytorch 1.1
• pyqt5.9
• imutils
• Pillow

打开可视化界面：

直接运行camershow.py文件即可进入pyqt的ui界面，支持视频，单张，摄像头模式

目前完成状态：

基本功能建造完成，待优化cpu版本的速度

优化暂无时间做，若追求速度，可直接把车辆检测去掉，基本不影响准确率，可达到低性能设备实时检测效果

参考文献

http://openaccess.thecvf.com/content_ECCV_2018/papers/Sergio_Silva_License_Plate_Detection_ECCV_2018_paper.pdf

https://github.com/lyl8213/Plate_Recognition-LPRnet

https://github.com/gm19900510/Pytorch_Retina_License_Plate

https://github.com/CaptainEven/Vehicle-Car-detection-and-multilabel-classification

https://blog.csdn.net/weixin_43008870/article/details/86496263

http://www.szjiuding.com/237.html

https://github.com/eriklindernoren/PyTorch-YOLOv3