License_Plate_Detection_Pytorch

这是一个基于 PyTorch 的两阶段轻量级且鲁棒的车牌识别系统，结合了 MTCNN 和 LPRNet。MTCNN 是一种非常著名的实时检测模型，最初主要用于人脸检测，此处经过修改用于车牌检测。LPRNet 是另一种实时端到端深度神经网络，用于后续的车牌字符识别。该网络以其在无需预先进行字符分割的情况下，以较低的计算成本实现优异性能而著称。本工作中嵌入了空间变换层，以提升特征质量，从而提高识别精度。在 CCPD 基础数据集上，该系统的识别准确率可达 99%，且在 Nvidia Quadro P4000 上的处理速度约为 80 毫秒/图像。以下是所提出的流程示意图：

MTCNN

修改后的 MTCNN 结构如下所示。由于实验发现在此任务中跳过 Rnet 并不会影响精度，因此本项目仅使用了提案网络（Pnet）和输出网络（Onet）。Onet 接受 24（高）× 94（宽）的 BGR 图像，这与 LPRNet 的输入尺寸一致。

LPRNet 性能

LPRNet 的代码主要参考了 sirius-ai 的仓库。唯一的不同之处在于，我们插入了空间变换层，以进一步提升在 CCPD 数据库上的识别准确率，具体结果如下：

	基础集（4.5万张）	数据库	错误率	旋转	倾斜	天气	挑战
准确率 %	99.1	96.3	97.3	95.1	96.4	97.1	83.2

MTCNN 的训练

• 下载 CCPD 数据并将其放入 'ccpd' 文件夹。
• 运行 'MTCNN/data_set/preprocess.py' 以拆分训练数据和验证数据，并分别存入 'ccpd_train' 和 'ccpd_val' 文件夹。
• 运行 'MTCNN/data_preprocessing/gen_Pnet_train_data.py'、'MTCNN/data_preprocessing/gen_Onet_train_data.py'、'MTCNN/data_preprocessing/assemble_Pnet_imglist.py' 和 'MTCNN/data_preprocessing/assemble_Onet_imglist.py' 来准备训练数据。
• 运行 'MTCNN/train/Train_Pnet.py' 和 'MTCNN/train/Train_Onet.py' 进行训练。

LPRNet 的训练

• 运行 'LPRNet/data/preprocess.py' 来准备数据集。
• 运行 'LPRNet/LPRNet_Train.py' 进行训练。

测试

• 运行 'MTCNN/MTCNN.py' 进行车牌检测。
• 运行 'LPRNet/LPRNet_Test.py' 进行车牌识别。
• 运行 'main.py' 可同时完成检测和识别。

参考文献

• MTCNN
• LPRNet
• 空间变换层
• LPRNet_Pytorch

如果您觉得本项目对您的研究有所帮助，请为它点亮星标！

License_Plate_Detection_Pytorch 快速上手指南

本项目是一个基于 PyTorch 的两阶段轻量级车牌识别系统，结合了改进的 MTCNN（用于车牌检测）和 LPRNet（用于车牌字符识别）。在 CCPD 数据集上识别准确率高达 99%，单张图片处理耗时约 80ms（Nvidia Quadro P4000）。

环境准备

• 操作系统: Linux / Windows / macOS
• Python: 3.6+
• 深度学习框架: PyTorch (建议 1.0+)
• 硬件要求: 支持 CUDA 的 NVIDIA GPU（推荐），也可在 CPU 上运行但速度较慢。
• 前置依赖:
  • opencv-python
  • numpy
  • torch
  • torchvision

国内加速建议：安装 PyTorch 时推荐使用清华或阿里镜像源。

pip install torch torchvision -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

1. 克隆项目代码

   git clone https://github.com/szad670401/License_Plate_Detection_Pytorch.git
   cd License_Plate_Detection_Pytorch
   

2. 安装 Python 依赖 在项目根目录下创建并激活虚拟环境（可选），然后安装依赖：

   pip install -r requirements.txt
   

   (注：若项目中无 requirements.txt 文件，请手动执行：pip install opencv-python numpy torch torchvision)

3. 准备数据集（仅训练需要） 若仅需使用预训练模型进行测试，可跳过此步。若需重新训练：

   • 下载 CCPD 数据集 并放入 ccpd 文件夹。
   • 按照 README 中的顺序运行预处理脚本生成训练数据。

基本使用

本项目提供了独立的检测、识别脚本以及整合的主程序。确保已下载好对应的预训练权重文件（通常位于 weights 或模型默认加载路径下）。

1. 完整流程（检测 + 识别）

运行主脚本即可对图片进行端到端的车牌检测与识别：

python main.py

默认会读取测试图片并输出识别结果，具体输入图片路径可在 main.py 中修改。

2. 单独进行车牌检测

仅使用 MTCNN 模型定位车牌位置：

python MTCNN/MTCNN.py

3. 单独进行车牌字符识别

仅使用 LPRNet 模型对裁剪后的车牌图像进行字符识别：

python LPRNet/LPRNet_Test.py

代码调用示例（Python）

你也可以在自己的代码中直接导入模块使用：

# 示例：调用检测模块
from MTCNN.MTCNN import detect_face  # 具体函数名请参考源码实际定义

# 示例：调用识别模块
from LPRNet.LPRNet_Test import recognize_plate # 具体函数名请参考源码实际定义

# 注意：由于原项目结构较为扁平，建议直接参考 main.py 中的调用逻辑集成到您的项目中