车辆检测，车牌识别WPOD-NET OCR-Net

出处“来自微信公众号：我爱计算机视觉”

https://github.com/zeusees/License-Plate-Detector

检测+识别，颜色，能调用，不能训练

https://github.com/DataXujing/vehicle-license-plate-recognition

c++的，只能调用,不能训练

https://github.com/xiangweizeng/mobile-lpr

来自巴西阿雷格里港大学的学者发表于ECCV2018的论文《License Plate Detection and Recognition in Unconstrained Scenarios》，给出了一整套完整的车牌识别系统设计，着眼于解决在非限定场景有挑战的车牌识别应用，其性能优于目前主流的商业系统，代码已经开源，非常值得参考。
作者信息：

展示了该系统在室外环境，角度变换等场景强大的车牌定位、识别能力。

很多车牌识别论文中常用的数据库往往是正面拍摄的，但实际应用中，各种可能的情况都有，作者首先给出了一些对车牌识别有挑战的数据示例：

该文提出的系统很好的解决了这类有挑战的车牌识别问题。

系统架构

作者提出的车牌识别系统，包含车牌识别的所有环节，主要有三大步骤：车辆检测、车牌检测与校正、OCR。
下图展示了整个系统流程：

输入图像首先使用YOLOv2进行车辆检测（作者使用原始的YOLOv2，没有做任何改动），检测到的车辆图像再输入到WPOD-NET网络，进行车牌检测和车票卷曲校正系统的回归，然后对车牌进行校正输入到OCR-Net网络，识别出车牌字符。

WPOD-NET用于车牌区域检测于校正系统回归示意图：

平面目标的全卷积网络检测，对于系统输出的车牌区域特征图，划分成（m,n）个cell，查找高目标概率的cell,根据这些cell的位置，计算将该区域转换成方形车牌的仿射系数。

WPOD-NET架构图

为训练WPOD-NET对数据进行了各种常规的数据增广：

车牌识别OCR部分使用一种改进的YOLO网络，其架构如下：

为训练该OCR系统也进行了大量数据增广：

为评估该系统，作者收集了常用的数据集，并自建了挑战的数据集CD-HARD。

实验结果
作者将该文系统与目前主流的商业车牌识别系统相比较，包括OpenALPR、Sighthound、Amazon Rekognition。

在整个数据集上取得了远超过其他系统的性能，在OpenALPR数据集上取得了与最好系统相匹敌的性能，尤其在具有挑战的CD-HARD数据集上取得了异常明显的性能优势。

一些校正并识别后的车牌示例：

运行速度
在配置为Intel Xeon CPU 、12Gb RAM、 NVIDIA Titan X GPU的机器上，平均达到5fps。

工程主页：
http://www.inf.ufrgs.br/~crjung/alpr-datasets/

https://github.com/sergiomsilva/alpr-unconstrained