車牌識別

　　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：

更多信息可以來這里獲取==>>電子技術應用-AET<<