Tensorflow——端到端车牌识别（数据制作、训练、评估、预测）

利用周末时间断断续续实现端到端车牌识别项目，具备完整的数据集、数据制作、训练、评估、预测业务。

项目特点：采用tensorflow中的keras库 + 训练时数据生成器data_generator；对学习keras API有一些参考意义。

项目地址：https://github.com/MrZhousf/license_plate_recognize

• 运行平台：tensorflow1.12.0+python3.6
• 神经网络：CNN+RNN
• 数据集：CCPD2019

依赖

pip install -r requirements.txt

数据集

CCPD2019车牌数据集：https://github.com/detectRecog/CCPD

训练数据生成

生成训练数据集： deal_ccpd_data.py

1. 下载CCPD2019数据集：https://github.com/detectRecog/CCPD

• 共有9种类型的车牌数据

2.  保存车牌图片-提取图片中的车牌

fetch_plate_img(img_dir=img_dir_, save_dir=save_dir_)

运行完成后，只保留了车牌图片且命名为车牌号码

3.  图片校验，删除有问题的图片

verify_img(img_dir=img_dir_, error_img_save_dir=error_img_save_dir_)

4.  统计出车牌中每个字符的个数

statistics(img_dir=img_dir_, log_txt=log_txt_)

统计结果如下，统计结果没有显示完全，可见车牌数据是安徽的居多（ccpd2019是中科大的学生收集与整理的）

5.  生成训练-评估数据：将数据按照百分比切割成训练集和评估集

generate_train_eval(img_dir=img_dir_, train_dir=train_dir_, eval_dir=eval_dir_, eval_percent=0.03)

CNN+RNN

model目录下为网络训练业务

1. 神经网络：license_plate_model.py
2. 训练+评估：train.py
3. 数据生成器：data_generator.py
4. 预测/测试：prediction.py

• 下载预训练模型13_0.213.hdf5并置于train_dir目录下，该模型训练了13个epoch，loss=0.213：https://download.csdn.net/download/zsf442553199/12115514

待完善

1. CCPD2019数据集有35万张车牌数据（包含各种天气），对于端到端的模型来说数据还有增加的空间
2. CCPD2019数据集未覆盖全国各地的车牌，安徽车牌居多，数据缺口较大
3. CCPD2019缺少新能源车、混动、货车以及特种车辆的车牌图片（黄牌、绿牌、黄绿牌、白牌、黑牌等）
4. 增加车牌检测网络，实现车牌检测+识别自动化，这个比较简单，可以采用yolov3实现，后续若有时间再提交一版

模型主要代码

    def create_model(self, data_format, training=True):
        if data_format == 'channels_first':
            # (batch, channels, height, width) default
            input_shape = (self.channels, self.image_height, self.image_width)
        else:
            # (batch, height, width, channels)
            assert data_format == 'channels_last'
            input_shape = (self.image_height, self.image_width, self.channels)
        inputs = self.layer.Input(shape=input_shape, name='input', dtype=tf.float32)
        # cnn
        tensor = self.build_cnn(inputs=inputs, data_format=data_format)
        # rnn
        tensor = self.build_rnn(tensor)
        # ctc
        y_pre = self.layer.Activation('softmax', name='softmax')(tensor)
        labels = self.layer.Input(name='labels', shape=[self.label_max_length], dtype=tf.float32)
        input_len = self.layer.Input(name='input_length', shape=[1], dtype=tf.int64)
        label_len = self.layer.Input(name='label_length', shape=[1], dtype=tf.int64)
        loss_out = self.layer.Lambda(self.ctc_lambda_func, output_shape=(1,), name='ctc')(
            [y_pre, labels, input_len, label_len])
        if training:
            return tf.keras.models.Model(inputs=[inputs, labels, input_len, label_len], outputs=loss_out)
        else:
            return tf.keras.models.Model(inputs=[inputs], outputs=y_pre)