快准狠！Intel论文揭示自家车牌识别算法:LPRNet

(关注52CV——有价值有深度的公众号~)
来自工业界的最佳实践。
车牌识别是一个老生常谈的话题，在工业界已经得到广泛应用。当深度学习在各种视觉识别任务上刷新更高精度的时候，却常常被认为计算量远大于传统方法。Intel公司俄罗斯IOTG计算机视觉组的工程师最近发布了一篇论文，揭示了自家已经商用的车牌识别算法，使用轻量级深度神经网络进行车牌识别，达到快准狠的新高度，即速度超快、精度超准、硬件利用率超狠。
本文来自于论文《LPRNet: License Plate Recognition via Deep Neural Networks》。

文章的的第一作者已经离开Intel，这篇论文是他们17年的工作，通过Linkedin得知，两位作者来自Intel收购的Itseez公司，也就是之前维护OpenCV的俄罗斯公司。
该文提出了LPRNet – 自动车牌识别的end-to-end方法，识别之前无需进行初步的字符分割。该方法使用了深度神经网络，能够实时运算，在中国车牌识别准确度上高达95％，速度上在nVIDIA GeForce GTX 1080显卡运算每个车牌3ms，在英特尔酷睿i7-6700K上每个车牌1.3ms。LPRNet由轻量级卷积神经网络组成，因此可以端到端的方式进行训练。论文称，LPRNet是第一个不使用RNN的实时车牌识别系统。因为速度快，LPRNet算法可用于自动车牌识别的嵌入式解决方案，即使在具有挑战性的中国车牌上也具有高精度。
需要说明的是，LPRNet解决的是识别的问题，文中车牌检测使用的是LBP-cascade。

LPRNet特性
1.实时、高精度、支持车牌字符变长、无需字符分割、对不同国家支持从零开始end-to-end的训练；
2.第一个不需要使用RNN的足够轻量级的网络，可以运行在各种平台，包括嵌入式设备；
3.鲁棒，LPRNet已经应用于真实的交通监控场景，事实证明它可以鲁棒地应对各种困难情况，包括透视变换、镜头畸变带来的成像失真、强光、视点变换等。

车牌识别的挑战
图像模糊、很差的光线条件、车牌数字的变化（比如中国和日本的车牌有一些特殊字符）、车牌变形、天气影响（比如雨雪天气）、车牌上的字符个数有变化。