我用AI回怼美女汽车销售系列[yolo车牌识别](一)-CSDN博客

本文链接：https://blog.csdn.net/cjnewstar111/article/details/123160063

事情的起因

做了这么多年程序猿，正当我准备买辆代步车犒劳日益飙升的发际线，纠结于新能源还是油车之时，某新能源美女销售直接跟我说“现在买油车的都是傻子，谁还考虑买油车”。我感觉受到了极大的侮辱，这不是在说我嘛。随后，美女销售稍微放缓态度，说销售不骗人，让我自己去路上看看，路上开的一大半都是电车。作为爱较真的我，对“路上一大半是电车”的结论深表怀疑。但是又苦于拿不出证据。于是我准备对路上的汽车进行一个较大的采样和统计。然后狠狠的怼回去。到时候，美女销售一定会被我的智慧所深深折服。。。

有了上面的起因。我就准备着手开始统计路上的油车和新能源车的比例。而最容易的判断就是车牌。蓝牌为油车，绿牌为电车。于是就想着使用目标检测训练一个识别蓝牌与绿牌的网络。然后带着笔记本到外面兜一圈，不就可以快速且自动的统计了。

正当我庆幸自己的聪明才智之时，一个致命缺陷出现了。就是由于只是判断蓝牌和绿牌，那么当摄像头对着同一辆车的时候（例如等红灯），这一辆车会被统计非常多次，这无疑对最后的统计结果产生较大的偏差。因此不能只识别蓝牌还是绿牌，需要对车牌号进行识别，一个车牌号只统计一次。多次检测到同一个车牌号需要丢弃。问题似乎变得复杂了一些，从单纯的目标检测变成了车牌识别。然后为了折服美女销售，我并没有打算放弃。

实际上已经有一些车牌识别的成熟网络存在。然而作为爱折腾且爱较真的直男，我不想直接拿一个现成的车牌识别网络进行调用，那样太没有乐趣了。于是就想直接用目标检测网络扩展一个车牌识别网络出来。自己设计网络，才更有乐趣和成就感！由于以前从来没有做过车牌车别以及OCR之类的工作。凭着直觉感觉应该不难（针对我这个项目确实不难，因为不需要一些苛刻条件下的识别，并且识别错误几个数值影响不大）。因此我准备直接在比较流行的检测网络（yolox）上扩展一个车牌识别的网络。设计的网络如下，大致上是一个two stage的流程，先用传统的yolox检测出车牌，然后通过RoiAlign从特征图中抠出车牌进行后面网络的车牌识别（使用简单的分类）。

为了验证该网络的可行性，我决定先做一个实验。并且为了降低编码复杂性，我准备把网络一拆为二，使用yolox进行车牌的检测，然后将车牌从原图中抠出来，送到一个独立的分类网络进行车牌的分类。我们知道车牌有蓝牌和绿牌之分，蓝牌的位数是7位，绿牌的位数是8位，于是使用了两个分类网络，一个做蓝牌的识别，一个做绿牌的识别。检测网络负责检测蓝牌和绿牌，检测出蓝牌，抠图后送入蓝牌分类网络，检测出绿牌，抠图后送入绿牌分类网络。

设计好网络，下面就是训练数据了。这是深度学习一个绕不过去的坑。好在车牌识别这种通用任务，已经有一些比较好的开源数据集了。我这里使用CCPD数据集。

CCPD数据集简介

由中科大团队建立，并发表在ECCV2018会议上，论文题目是《Towards End-to-End License Plate Detection and Recognition: A Large Dataset and Baseline》官网地址是 https://github.com/detectRecog/CCPD

该数据集在合肥市的停车场采集得来的，采集时间早上7:30到晚上10:00。涉及多种复杂环境，包括模糊、倾斜、阴雨天等等。CCPD数据集一共包含将近30万张图片，每种图片大小720x1160x3。

CCPD数据集类型

一共包含8种类型，具体如下：

另外在2020年，CCPD专门增加了新能源车的类别。这个要注意，针对我这个项目，CCPD2020必须要下载，否则缺少新能源车的绿牌样本。

CCPD部分图片展示

CCPD的标注格式

通过文件名来标注车牌相关的信息，例如下面的图片文件名：

由分隔符'-'将文件名分成几个部分:

025为区域,
95_113 对应两个角度, 水平95°, 竖直113°
154&383_386&473对应边界框坐标:左上(154, 383), 右下(386, 473)
386&473_177&454_154&383_363&402对应四个角点坐标
0_0_22_27_27_33_16为车牌号码，CCPD有两个映射字典。一个省份字典，即将各个省份映射为一个数字，另一个是字符字典，将各个字符映射为一个数字，部分字典如下图所示，详细的字典信息可以查看CCPD官网。