欧美vvv,亚洲第一成人在线,亚洲成人欧美日韩在线观看,日本猛少妇猛色XXXXX猛叫

車牌識別具有廣泛的應(yīng)用前景，基于傳統(tǒng)方法的車牌識別效果一般比較差，隨著計算機(jī)視覺技術(shù)的快速發(fā)展，深度學(xué)習(xí)的方法能夠更好的完成車牌識別任務(wù)。

本文提供了車牌識別方案的部署鏈接，您可以在網(wǎng)頁上體驗該模型的效果：車牌識別方案在線體驗

本文介紹了使用完成車牌識別任務(wù)的方法，其檢測效果如下圖：

原圖如下：

檢測結(jié)果如下：

目錄

一、概述

基于深度學(xué)習(xí)的車牌識別任務(wù)可以拆解為2個步驟：車牌檢測-車牌識別。其中車牌檢測的目的是確認(rèn)圖片中車牌的位置，根據(jù)檢測到的車牌位置把圖片中的ROI裁剪出來，車牌識別算法用于識別裁剪出的車牌圖像中的具體內(nèi)容。

本文使用工具實現(xiàn)了車牌識別任務(wù)，首先使用的檢測算法DBNet檢測出車牌位置，再將車牌位置裁剪送入文本識別算法CRNN來識別車牌的具體內(nèi)容。

：

二、使用 1、數(shù)據(jù)集準(zhǔn)備

本文選擇的數(shù)據(jù)集為，下載鏈接為：(New plate) - 飛槳AI

CPPD數(shù)據(jù)集的圖片文件名具有特殊規(guī)則，具體規(guī)則如下：

例如: 025--154&&473-386&&&&402--37-15.jpg

每個名稱可以分為七個字段，以-符號作為分割。這些字段解釋如下。

下載好了數(shù)據(jù)集，需要把數(shù)據(jù)集轉(zhuǎn)換為需要的標(biāo)注格式，代碼如下（修改圖片的存儲路徑為自己的路徑）：

import cv2
import os
import json
from tqdm import tqdm
import numpy as np
provinces = ["皖", "滬", "津", "渝", "冀", "晉", "蒙", "遼", "吉", "黑", "蘇", "浙", "京", "閩", "贛", "魯", "豫", "鄂", "湘", "粵", "桂", "瓊", "川", "貴", "云", "藏", "陜", "甘", "青", "寧", "新", "警", "學(xué)", "O"]
alphabets = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'J', 'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z', 'O']
ads = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'J', 'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z', '0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'O']
def make_label(img_dir, save_gt_folder, phase):
    crop_img_save_dir = os.path.join(save_gt_folder, phase, 'crop_imgs')
    os.makedirs(crop_img_save_dir, exist_ok=True)
    f_det = open(os.path.join(save_gt_folder, phase, 'det.txt'), 'w', encoding='utf-8')

    f_rec = open(os.path.join(save_gt_folder, phase, 'rec.txt'), 'w', encoding='utf-8')
    i = 0
    for filename in tqdm(os.listdir(os.path.join(img_dir, phase))):
        str_list = filename.split('-')
        if len(str_list) < 5:
            continue
        coord_list = str_list[3].split('_')
        txt_list = str_list[4].split('_')
        boxes = []
        for coord in coord_list:
            boxes.append([int(x) for x in coord.split("&")])
        boxes = [boxes[2], boxes[3], boxes[0], boxes[1]]
        lp_number = provinces[int(txt_list[0])] + alphabets[int(txt_list[1])] + ''.join([ads[int(x)] for x in txt_list[2:]])
        # det
        det_info = [{'points':boxes, 'transcription':lp_number}]
        f_det.write('{}\t{}\n'.format(os.path.join(phase, filename), json.dumps(det_info, ensure_ascii=False)))
        # rec
        boxes = np.float32(boxes)
        img = cv2.imread(os.path.join(img_dir, phase, filename))
        # crop_img = img[int(boxes[:,1].min()):int(boxes[:,1].max()),int(boxes[:,0].min()):int(boxes[:,0].max())]
        crop_img = get_rotate_crop_image(img, boxes)
        crop_img_save_filename = '{}_{}.jpg'.format(i,'_'.join(txt_list))
        crop_img_save_path = os.path.join(crop_img_save_dir, crop_img_save_filename)
        cv2.imwrite(crop_img_save_path, crop_img)
        f_rec.write('{}/crop_imgs/{}\t{}\n'.format(phase, crop_img_save_filename, lp_number))
        i+=1
    f_det.close()
    f_rec.close()
def get_rotate_crop_image(img, points):

    '''
    img_height, img_width = img.shape[0:2]
    left = int(np.min(points[:, 0]))
    right = int(np.max(points[:, 0]))
    top = int(np.min(points[:, 1]))
    bottom = int(np.max(points[:, 1]))
    img_crop = img[top:bottom, left:right, :].copy()
    points[:, 0] = points[:, 0] - left
    points[:, 1] = points[:, 1] - top
    '''
    assert len(points) == 4, "shape of points must be 4*2"
    img_crop_width = int(
        max(
            np.linalg.norm(points[0] - points[1]),
            np.linalg.norm(points[2] - points[3])))
    img_crop_height = int(
        max(
            np.linalg.norm(points[0] - points[3]),
            np.linalg.norm(points[1] - points[2])))
    pts_std = np.float32([[0, 0], [img_crop_width, 0],
                          [img_crop_width, img_crop_height],
                          [0, img_crop_height]])
    M = cv2.getPerspectiveTransform(points, pts_std)
    dst_img = cv2.warpPerspective(
        img,
        M, (img_crop_width, img_crop_height),
        borderMode=cv2.BORDER_REPLICATE,
        flags=cv2.INTER_CUBIC)
    dst_img_height, dst_img_width = dst_img.shape[0:2]
    if dst_img_height * 1.0 / dst_img_width >= 1.5:
        dst_img = np.rot90(dst_img)
    return dst_img

img_dir = 'CCPD2020/ccpd_green'   # 改成自己的路徑
save_gt_folder = 'CCPD2020/PPOCR'   # 改成自己的路徑
# phase = 'train' # change to val and test to make val dataset and test dataset
for phase in ['train','val','test']:
    make_label(img_dir, save_gt_folder, phase)

2、檢測模型

準(zhǔn)備好了數(shù)據(jù)集，首先需要訓(xùn)練車牌檢測模型，這里我們使用提供的文本檢測預(yù)訓(xùn)練模型進(jìn)行fine-，這樣可以減少訓(xùn)練時間，首先下載預(yù)訓(xùn)練檢測模型（先進(jìn)入文件夾）：

mkdir models
cd models
wget https://paddleocr.bj.bcebos.com/PP-OCRv3/chinese/ch_PP-OCRv3_det_distill_train.tar
tar -xf ch_PP-OCRv3_det_distill_train.tar
cd PaddleOCR

下載好了預(yù)訓(xùn)練模型，下面訓(xùn)練檢測模型（其中的和換成自己的數(shù)據(jù)集路徑）：

python tools/train.py -c configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_student.yml -o \
    Global.pretrained_model=models/ch_PP-OCRv3_det_distill_train/student.pdparams \
    Global.save_model_dir=output/CCPD/det \
    Global.eval_batch_step="[0, 772]" \
    Optimizer.lr.name=Const \
    Optimizer.lr.learning_rate=0.0005 \
    Optimizer.lr.warmup_epoch=0 \
    Train.dataset.data_dir=CCPD2020/ccpd_green \
    Train.dataset.label_file_list=[CCPD2020/PPOCR/train/det.txt] \
    Eval.dataset.data_dir=CCPD2020/ccpd_green \
    Eval.dataset.label_file_list=[CCPD2020/PPOCR/test/det.txt]

訓(xùn)練好了模型以后，可以使用下面的命令驗證一下精度（此步可以跳過，也要更換和路徑）：

python tools/eval.py -c configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_student.yml -o \
    Global.pretrained_model=output/CCPD/det/best_accuracy.pdparams \
    Eval.dataset.data_dir=CCPD2020/ccpd_green \
    Eval.dataset.label_file_list=[CCPD2020/PPOCR/test/det.txt]

可以使用如下命令來實現(xiàn)檢測模型推理（路徑修改為自己需要的路徑）：

python3 tools/infer_det.py -c configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_student.yml \
    -o Global.infer_img="src.jpg" Global.pretrained_model="./output/CCPD/det/best_accuracy" \
    PostProcess.box_thresh=0.6 PostProcess.unclip_ratio=2.0

3、識別模型

訓(xùn)練好了檢測模型，再來訓(xùn)練識別模型，同樣先下載預(yù)訓(xùn)練權(quán)重再fine-，下載權(quán)重命令如下：

mkdir models
cd models
wget https://paddleocr.bj.bcebos.com/PP-OCRv3/chinese/ch_PP-OCRv3_rec_train.tar
tar -xf ch_PP-OCRv3_rec_train.tar
cd PaddleOCR

這個權(quán)重中包含不需要的內(nèi)容（的權(quán)重），需要提取需要的權(quán)重：

import paddle
# 加載預(yù)訓(xùn)練模型
all_params = paddle.load("models/ch_PP-OCRv3_rec_train/best_accuracy.pdparams")
# 查看權(quán)重參數(shù)的keys
print(all_params.keys())
# 學(xué)生模型的權(quán)重提取
s_params = {key[len("Student."):]: all_params[key] for key in all_params if "Student." in key}
# 查看學(xué)生模型權(quán)重參數(shù)的keys
print(s_params.keys())
# 保存
paddle.save(s_params, "models/ch_PP-OCRv3_rec_train/student.pdparams")

開啟訓(xùn)練(注意路徑)：

python tools/train.py -c configs/rec/PP-OCRv3/ch_PP-OCRv3_rec.yml -o \
    Global.pretrained_model=models/ch_PP-OCRv3_rec_train/student.pdparams \
    Global.save_model_dir=output/CCPD/rec/ \
    Global.eval_batch_step="[0, 90]" \
    Optimizer.lr.name=Const \
    Optimizer.lr.learning_rate=0.0005 \
    Optimizer.lr.warmup_epoch=0 \
    Train.dataset.data_dir=CCPD2020/PPOCR \
    Train.dataset.label_file_list=[PPOCR/train/rec.txt] \
    Eval.dataset.data_dir=CCPD2020/PPOCR \
    Eval.dataset.label_file_list=[PPOCR/test/rec.txt]

驗證精度：

python tools/eval.py -c configs/rec/PP-OCRv3/ch_PP-OCRv3_rec.yml -o \

    Global.pretrained_model=output/CCPD/rec/best_accuracy.pdparams \
    Eval.dataset.data_dir=CCPD2020/PPOCR \
    Eval.dataset.label_file_list=[PPOCR/test/rec.txt]

使用如下命令測試識別模型的效果（需要注意的是，識別模型的輸入是車牌號圖片，不是完整的圖片，可以使用數(shù)據(jù)集處理時的PPOCR文件夾內(nèi)生成的裁剪后的車牌圖片）：

python3 tools/infer/predict_det.py --det_algorithm="DB" --det_model_dir="output/CCPD/det/infer" --image_dir="/home/aistudio/src.jpg" --use_gpu=True

4、模型導(dǎo)出

上面訓(xùn)練好的模型都是動態(tài)圖模型，將他們導(dǎo)出為靜態(tài)圖模型來部署，可以加快速度，首先導(dǎo)出檢測模型：

python tools/export_model.py -c configs/det/ch_PP-OCRv3/ch_PP-OCRv3_det_student.yml -o \
    Global.pretrained_model=output/CCPD/det/best_accuracy.pdparams \
    Global.save_inference_dir=output/CCPD/det/infer

測試一下導(dǎo)出的檢測模型推理效果（注意圖片路徑）：

python3 tools/infer/predict_det.py --det_algorithm="DB" --det_model_dir="output/CCPD/det/infer" --image_dir="src.jpg" --use_gpu=True

下面導(dǎo)出識別模型：

python tools/export_model.py -c configs/rec/PP-OCRv3/ch_PP-OCRv3_rec.yml -o \
    Global.pretrained_model=output/CCPD/rec/best_accuracy.pdparams \
    Global.save_inference_dir=output/CCPD/rec/infer

測試一下導(dǎo)出的識別模型推理效果（注意圖片路徑）：

python3 tools/infer/predict_rec.py --image_dir="PPOCR/test/crop_imgs" \
    --rec_model_dir="output/CCPD/rec/infer" --rec_image_shape="3, 48, 320" --rec_char_dict_path="ppocr/utils/ppocr_keys_v1.txt"

5、聯(lián)合推理

訓(xùn)練好了檢測和識別模型，下面就是聯(lián)合推理，測試效果，命令如下（和是上面導(dǎo)出的模型文件夾）：

python tools/infer/predict_system.py \
    --det_model_dir=output/CCPD/det/infer/ \
    --rec_model_dir=output/CCPD/rec/infer/ \
    --image_dir="src.jpg" \
    --rec_image_shape=3,48,320

這是識別的結(jié)果：

三、總結(jié)

本文總結(jié)了提供的車牌識別方案python識別圖片中數(shù)字，并進(jìn)行了簡化python識別圖片中數(shù)字，根據(jù)識別的結(jié)果來看可以很好地檢測車牌圖像。

附錄：

輕量級車牌識別方案

本文提供了車牌識別方案的部署鏈接，您可以再網(wǎng)頁上體驗該模型的效果：

車牌識別方案在線體驗