非受限场景下的车牌识别

简介

本仓库包含ECCV 2018论文"非受限场景下的车牌检测与识别（License Plate Detection and Recognition in Unconstrained Scenarios）"的作者实现版本。

• 论文页面：http://sergiomsilva.com/pubs/alpr-unconstrained/

若在任何出版物中使用本代码生成的结果，请引用我们的论文：

@INPROCEEDINGS{silva2018a,
  author={S. M. Silva 和 C. R. Jung}, 
  booktitle={2018欧洲计算机视觉会议(ECCV)}, 
  title={License Plate Detection and Recognition in Unconstrained Scenarios}, 
  year={2018}, 
  pages={580-596}, 
  doi={10.1007/978-3-030-01258-8_36}, 
  month={9月},}

系统需求

为方便运行代码，您需要安装带有TensorFlow后端的Keras框架（Keras framework）。Darknet框架已包含在"darknet"文件夹中，需先编译才能运行测试。编译Darknet请在该目录执行make命令：

$ cd darknet && make

当前版本在Ubuntu 16.04系统上测试通过，使用Keras 2.2.4、TensorFlow 1.5.0、OpenCV 2.4.9、NumPy 1.14和Python 2.7环境。

下载模型

编译完成Darknet框架后，请执行"get-networks.sh"脚本下载所有训练好的模型：

$ bash get-networks.sh

运行简单测试

使用"run.sh"脚本执行我们的车牌识别方案。需要3个参数：

• 输入目录（-i）： 至少包含1张JPG或PNG格式图片；
• 输出目录（-o）： 识别过程中会在此目录生成临时文件，最终会保留自动生成的标注文件；
• CSV文件（-c）： 指定输出CSV文件路径。

$ bash get-networks.sh && bash run.sh -i samples/test -o /tmp/output -c /tmp/output/results.csv

训练车牌检测器

要从零开始训练车牌检测网络，或使用新样本进行微调，可使用train-detector.py脚本。在samples/train-detector目录中包含3个标注示例文件。注意该目录需替换为完整训练集标注文件和对应原始数据集图片才能复现实验结果。

以下命令可从零开始训练网络（基于train-detector文件夹数据）：

$ mkdir models
$ python create-model.py eccv models/eccv-model-scracth
$ python train-detector.py --model models/eccv-model-scracth --name my-trained-model --train-dir samples/train-detector --output-dir models/my-trained-model/ -op Adam -lr .001 -its 300000 -bs 64

进行微调时，请通过--model参数指定您的模型。

关于GPU和CPU的说明

考虑到并非所有用户都配备NVIDIA显卡，且CUDA环境配置可能较为复杂，我们选择将Darknet的makefile默认配置设置为CPU模式而非GPU模式，以优先保证易用性而非性能。因此车辆检测和OCR处理速度会非常缓慢。如需加速处理，请修改Darknet makefile中的变量配置以启用GPU支持。

alpr-unconstrained 快速上手指南

环境准备

系统要求

• 操作系统：Ubuntu 16.04
• 硬件：建议NVIDIA GPU（可选）
• Python版本：2.7.x

前置依赖

# 安装OpenCV（2.4.9）
sudo apt-get install python-opencv

# 安装深度学习框架（使用清华源加速）
pip install keras==2.2.4 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install tensorflow==1.5.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装数值计算库
pip install numpy==1.14

安装步骤

# 1. 克隆仓库
git clone https://github.com/sergiomsilva/alpr-unconstrained.git
cd alpr-unconstrained

# 2. 编译Darknet框架
cd darknet && make
cd ..

# 3. 下载预训练模型（约1.2GB）
bash get-networks.sh

基本使用

运行示例测试

# 使用自带测试图片进行识别
bash run.sh -i samples/test -o /tmp/output -c /tmp/output/results.csv

输入输出说明

• 输入目录：包含JPG/PNG格式图片（示例图片在samples/test）
• 输出目录：生成带标注的图片和临时文件（需确保有写入权限）
• CSV文件：保存识别结果（包含车牌号、坐标等信息）

提示：首次运行会自动下载模型文件，请保持网络畅通。CPU模式下处理速度较慢，如需加速可修改darknet/Makefile启用GPU支持。