车牌字符识别HyperLPR中端到端的字符识别方法

最新推荐文章于 2024-05-19 08:11:04 发布

huangyiping_dream

最新推荐文章于 2024-05-19 08:11:04 发布

阅读量2.9k

点赞数

分类专栏：车牌识别文章标签：车牌字符识别

本文链接：https://blog.csdn.net/huangyiping12345/article/details/102678228

版权

本文介绍了HyperLPR项目中针对车牌字符识别的C++和Python端到端方法。C++部分使用了SegmenationFree-Inception.caffemodel，而Python部分包括了两个模型，ocr_plate_all_w_rnn_2.h5和ocr_plate_all_gru.h5，后者性能最佳。项目提供了训练和测试结果，展示了在不同车牌类型上的良好识别效果。

摘要由CSDN通过智能技术生成

项目主页：https://github.com/zeusees/HyperLPR

1 C++中端到端的字符识别方法

此部分C++代码在HyperLPR-master\Prj-Win中test_segmentationFree.cpp、SegmentationFreeRecognizer.h、SegmentationFreeRecognizer.cpp、Pipeline.h，模型文件是\HyperLPR-master\Prj-Linux\lpr\model中SegmenationFree-Inception.caffemodel、SegmenationFree-Inception.prototxt。

1.1 模型网络结构

C++代码中的模型是用caffe实现的，在现有代码中，没有模型网络结构和模型训练，只给出了训练好的模型文件，所以如果要重新训练，需实现模型网络结构。模型网络结构详见SegmenationFree-Inception.caffemodel，模型的输入shape为 3 * 160 *40，输出shape为1 * 84 * 20（此模型能够识别长度可变的车牌字符，且python中端到端的字符识别采用ctc loss作为损失函数，后处理过程与ctc loss也极为相似，但没看见此模型的训练代码，只能猜测此模型是用ctc los训练）。如图：

1.2 测试结果

经过测试，该模型能够识别蓝牌和绿牌等长度可变的车牌，性能较好。用CCPD数据集测试结果如下：

2 python中端到端的字符识别方法

此部分测试的python代码在HyperLPR-master中demo.py、HyperLPRLite.py；此部分训练的python代码在hyperlpr-train-master中main.py。

2.1 模型网络结构

python代码中端到端的字符识别方法有两种：第一，ocr_plate_all_w_rnn_2.h5模型，此模型有训练代码（详见main.py，用keras实现），模型的输入shape为? * 160 * 40 * 3，输出shape为? * 16 * 1 * 84，损失函数为ctc loss。第二࿰