車牌識(shí)別

　　概述

　　基于深度學(xué)習(xí)的車牌識(shí)別，其中，車輛檢測(cè)網(wǎng)絡(luò)直接使用YOLO偵測(cè),。而后,，才是使用網(wǎng)絡(luò)偵測(cè)車牌與識(shí)別車牌號(hào)。

　　車牌的偵測(cè)網(wǎng)絡(luò),，采用的是resnet18，網(wǎng)絡(luò)輸出檢測(cè)邊框的仿射變換矩陣，可檢測(cè)任意形狀的四邊形,。

　　車牌號(hào)序列模型，采用Resnet18+transformer模型,，直接輸出車牌號(hào)序列,。

　　數(shù)據(jù)集上，車牌檢測(cè)使用CCPD 2019數(shù)據(jù)集,，在訓(xùn)練檢測(cè)模型的時(shí)候,，會(huì)使用程序生成虛假的車牌，覆蓋于數(shù)據(jù)集圖片上,，來加強(qiáng)檢測(cè)的能力,。

　　車牌號(hào)的序列識(shí)別，直接使用程序生成的車牌圖片訓(xùn)練,，并佐以適當(dāng)?shù)?a class="innerlink" href="http://forexkbc.com/tags/圖像增強(qiáng)" target="_blank">圖像增強(qiáng)手段,。模型的訓(xùn)練直接采用端到端的訓(xùn)練方式，輸入圖片,，直接輸出車牌號(hào)序列,，損失采用CTCLoss。

　　一,、網(wǎng)絡(luò)模型

　　1,、車牌的偵測(cè)網(wǎng)絡(luò)模型：

　　網(wǎng)絡(luò)代碼定義如下：

　　該網(wǎng)絡(luò)，相當(dāng)于直接對(duì)圖片劃分cell,，即在16X16的格子中,，偵測(cè)車牌，輸出的為該車牌邊框的反射變換矩陣,。

　　2,、車牌號(hào)的序列識(shí)別網(wǎng)絡(luò)：

　　車牌號(hào)序列識(shí)別的主干網(wǎng)絡(luò)：采用的是ResNet18+transformer,，其中有ResNet18完成對(duì)圖片的編碼工作，再由transformer解碼為對(duì)應(yīng)的字符,。

　　網(wǎng)絡(luò)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(shù)據(jù)加載

　　1、車牌號(hào)的數(shù)據(jù)加載

　　同過程序生成一組車牌號(hào)：

　　再通過數(shù)據(jù)增強(qiáng),，

　　主要包括：

　　三,、訓(xùn)練

　　分別訓(xùn)練即可

　　其中，偵測(cè)網(wǎng)絡(luò)的損失計(jì)算,，如下：

　　偵測(cè)網(wǎng)絡(luò)輸出的反射變換矩陣,，但對(duì)車牌位置的標(biāo)簽給的是四個(gè)角點(diǎn)的位置，所以需要響應(yīng)轉(zhuǎn)換后,，做損失,。其中，該cell是否有目標(biāo),，使用CrossEntropyLoss,，而對(duì)車牌位置損失，采用的則是L1Loss,。

　　四,、推理

　　1、偵測(cè)網(wǎng)絡(luò)的推理

　　按照一般偵測(cè)網(wǎng)絡(luò),，推理即可,。只是,，多了一步將反射變換矩陣轉(zhuǎn)換為邊框位置的計(jì)算,。

　　另外，在YOLO偵測(cè)到得測(cè)量圖片傳入該級(jí)進(jìn)行車牌檢測(cè)的時(shí)候,，會(huì)做一步操作,。代碼見下，將車輛檢測(cè)框的圖片扣出,，然后resize到長(zhǎng)寬均為16的整數(shù)倍,。

　　2、序列檢測(cè)網(wǎng)絡(luò)的推理

　　對(duì)網(wǎng)絡(luò)輸出的序列,，進(jìn)行去重操作即可,，如間隔標(biāo)識(shí)符為“*”時(shí)：

更多信息可以來這里獲取==>>電子技術(shù)應(yīng)用-AET<<