概述

基于深度學習的車牌識別，其中，車輛檢測網絡直接使用YOLO偵測。而后，才是使用網絡偵測車牌與識別車牌號。

車牌的偵測網絡，采用的是resnet18，網絡輸出檢測邊框的仿射變換矩陣，可檢測任意形狀的四邊形。

車牌號序列模型，采用Resnet18+transformer模型，直接輸出車牌號序列。

數據集上，車牌檢測使用CCPD 2019數據集，在訓練檢測模型的時候，會使用程序生成虛假的車牌，覆蓋于數據集圖片上，來加強檢測的能力。

車牌號的序列識別，直接使用程序生成的車牌圖片訓練，并佐以適當的圖像增強手段。模型的訓練直接采用端到端的訓練方式，輸入圖片，直接輸出車牌號序列，損失采用CTCLoss。

一、網絡模型

1、車牌的偵測網絡模型：

網絡代碼定義如下：

該網絡，相當于直接對圖片劃分cell，即在16X16的格子中，偵測車牌，輸出的為該車牌邊框的反射變換矩陣。

2、車牌號的序列識別網絡：

車牌號序列識別的主干網絡：采用的是ResNet18+transformer，其中有ResNet18完成對圖片的編碼工作，再由transformer解碼為對應的字符。

網絡代碼定義如下：

其中的Block類的代碼如下：

位置編碼的代碼如下：

Block類使用的自注意力代碼如下：

二、數據加載

1、車牌號的數據加載

同過程序生成一組車牌號:

再通過數據增強，

主要包括：

三、訓練

分別訓練即可

其中，偵測網絡的損失計算，如下：

偵測網絡輸出的反射變換矩陣，但對車牌位置的標簽給的是四個角點的位置，所以需要響應轉換后，做損失。其中，該cell是否有目標，使用CrossEntropyLoss，而對車牌位置損失，采用的則是L1Loss。

四、推理

1、偵測網絡的推理

按照一般偵測網絡，推理即可。只是，多了一步將反射變換矩陣轉換為邊框位置的計算。

另外，在YOLO偵測到得測量圖片傳入該級進行車牌檢測的時候，會做一步操作。代碼見下，將車輛檢測框的圖片扣出，然后resize到長寬均為16的整數倍。

2、序列檢測網絡的推理

對網絡輸出的序列，進行去重操作即可，如間隔標識符為“*”時：

完整代碼

https://github.com/HibikiJie/LicensePlate

審核編輯：陳陳