高精度车牌识别算法 |
您所在的位置：网站首页 › 车牌号测试准不准确 › 高精度车牌识别算法 |
高精度车牌识别算法
|
车牌识别属于OCR的一种，但它也有自己的特点。考虑到边缘设备部署，我们没有用lstm，仅用普通的卷积层便实现了高精度的车牌识别方案。车牌识别的应用场景也十分广泛，常见的停车场收费系统，车牌识别算法也是智能交通算法中的基础算法和最为重要的算法。 场景识别准确率道路卡口场景99.6%小角度场景99.0%大角度车牌场景98.2% 二 车牌识别本方案采用多标签识别的技术，同时设计的一个分类分支，判断输入是否为车牌。其中车牌全部识别正确的准确率为99.6%，判断输入是否为车牌的识别准确率为99.92%。 直接看测试代码： from __future__ import division import os from utils.plate_string_gp import pla_list from recog.models import resnet18 import numpy as np import torch import torch.nn.functional as F import cv2 from PIL import Image, ImageDraw, ImageFont from tqdm import tqdm import glob torch.backends.cudnn.enabled = False class Plate_recog(): def __init__(self, recog_path, use_cuda=True): self.pla_trans() self.cuda = torch.cuda.is_available() and use_cuda self.recog = self._load_model(recog_path) def _load_model(self, model_path): model = resnet18(num_classes=len(self.pla_dic)+1) weight = torch.load(model_path) model.load_state_dict(weight) model.eval() if self.cuda: model.cuda() return model def run_recog(self, img, input_size=(192,64)): img = cv2.resize(img, input_size) input_img = np.transpose(img, (2,0,1)) input_img = torch.from_numpy(input_img).float()/255. if self.cuda: input_img = input_img.cuda() res, res2 = self.recog(input_img.unsqueeze(0)) res2 = F.softmax(res2[0,:], dim=0) if res2[0] > res2[1]: return [False, '不是中国车牌', ''] else: is_plate = True plate = '' p_score = 1 for i in range(8): res_softmax = F.softmax(res[0,:,i], dim=0) _, ind_list = torch.sort(res_softmax) ind = ind_list[-1].item() if ind == len(self.pla_dic.keys()): # 7 strings continue if ind == len(self.pla_dic.keys()) - 1: # blur ind = ind_list[-2].item() p_score *= res_softmax[ind].item() plate += self.pla_dic[ind] return [is_plate, plate, p_score] def pla_trans(self): self.pla_dic = {} for idx, v in enumerate(pla_list()): self.pla_dic[idx] = v if __name__ =='__main__': os.environ['CUDA_VISIBLE_DEVICES'] = '0' recog = Plate_recog("recog.pth") img_list = glob.glob("imgs/*.jpg") for img_path in img_list: img = cv2.imread(img_path) is_plate, plate, p_score = recog.run_recog(img) print("%s的识别结果:%s" % (img_path, plate)) 三 识别效果车牌检测用了centernet和yolov5两种算法，不同的场景采用不同的算法。 注：所有训练数据都是开源数据，训练代码和训练数据以后开源。如需技术交流，请联系博主。 同时推荐另外两个与本文相关的博客:行人属性识别，车辆属性识别。
|
【本文地址】