作者简介： CSDN、阿里云人工智能领域博客专家，新星方案计算机视觉导师，百度飞桨PPDE，专注大数据与AI知识共享。✨大众号：GoAI的学习小屋 ，免费共享书本、简历、导图等，更有交流群共享瑰宝材料，重视大众号回复“加群”或➡️点击链接 加群。
专栏推荐： 点击拜访➡️ 《计算机视觉》 总结目标检测、图像分类、分割OCR、等方向材料。 点击拜访➡️ 《深入浅出OCR》: 对标全网最全OCR教程，含理论与实战总结。
【才智交通项目实战】 OCR车牌检测与辨认项目实战（一）：项目总览
导读：本项目为新系列【才智交通项目实战】《OCR车牌检测和辨认》(一)，该系列将分为多篇文章打开分别对项目流程、数据集、检测、辨认算法、可视化进行详细介绍，本篇为该系列第一篇，将侧重介绍本次项目开源的CCPD车牌数据集，，用于本次车牌检测和辨认模型算法开发，后续系列文章将陆续更新。
本系列项目目录，后续将更新对应文章：
1.才智交通预测体系（PaddleOCR版别）
参阅：blog.csdn.net/qq_36816848…
2.OCR车牌检测+辨认
本篇项目， 代码暂未公开，需求代码和辅导可加群联系。
3.车辆检测
后续更新
1.项目背景：
车牌辨认技术是智能交通的重要环节，现在已广泛使用于例如停车场、收费站等等交通设施中，供给高效便捷的车辆认证的服务，其间较为典型的使用场景为卡口体系。车牌辨认即辨认车牌上的文字信息，属于光学字符辨认（OCR）的一项子使命。 
项目流程：
1.基于YOLOv5的车牌检测
YOLOv5练习代码和测验代码（Pytorch）
- 整套YOLOv5项目工程，含练习代码train.py和测验代码demo.py
- 支撑高精度版别yolov5s练习和测验
- 支撑轻量化版别yolov5练习和测验
- 根据本篇博文阐明，简单装备即可开端练习：train.py
- 源码包含了练习好的yolov5及其他模型，装备好环境，可直接运行demo.py
- 测验代码demo.py支撑图片，视频和摄像头测验
2.基于CRNN和LPRNet的车牌辨认
支撑如下：
- 1.单行蓝牌
- 2.单行黄牌
- 3.新能源车牌
- 4.白色警用车牌
- 5.教练车牌
- 6.武警车牌
- 7.双层黄牌
- 8.双层白牌
- 9.使馆车牌
- 10.港澳粤Z牌
- 11.双层绿牌
- 12.民航车牌
2.车牌号码阐明
绿牌和蓝牌区别如下：
色彩区别： 小型新能源车牌采用“渐变绿”的配色，大型新能源车牌采用“黄绿双拼色”，绿牌的字体色彩为黑色；而传统燃油车蓝牌则采用“纯蓝色”规划，字体色彩为白色； 号码编排：普通蓝牌共有7位字符；新能源车牌有8位字符；新能源绿牌的号码共有6位数，其间小型新能源轿车车牌的字母规划在第一位，大型新能源轿车车牌的字母规划在最终一位。其间车牌首字母为“D/A/B/C/E”的，代表“纯电动车”；首字母为“F/G/H/J/K”的，代表“非纯电动轿车”。而普通燃油车蓝牌的号码只要5位数，首字母或数字一般不代表任何意义，只要部分地区会给营运类车型划分特定字母。
以下为计算后本次车牌辨认用到的字典文件：
省份：[“皖”, “沪”, “津”, “渝”, “冀”, “晋”, “蒙”, “辽”, “吉”, “黑”, “苏”, “浙”, “京”, “闽”, “赣”, “鲁”, “豫”, “鄂”, “湘”, “粤”, “桂”, “琼”, “川”, “贵”, “云”, “藏”, “陕”, “甘”, “青”, “宁”, “新”] 地市：[‘A’, ‘B’, ‘C’, ‘D’, ‘E’, ‘F’, ‘G’, ‘H’, ‘J’, ‘K’, ‘L’, ‘M’, ‘N’, ‘P’, ‘Q’, ‘R’, ‘S’, ‘T’, ‘U’, ‘V’, ‘W’,‘X’, ‘Y’, ‘Z’] 车牌字典：[‘A’, ‘B’, ‘C’, ‘D’, ‘E’, ‘F’, ‘G’, ‘H’, ‘J’, ‘K’, ‘L’, ‘M’, ‘N’, ‘P’, ‘Q’, ‘R’, ‘S’, ‘T’, ‘U’, ‘V’, ‘W’, ‘X’,‘Y’, ‘Z’, ‘0’, ‘1’, ‘2’, ‘3’, ‘4’, ‘5’, ‘6’, ‘7’, ‘8’, ‘9’]
3.车牌数据集CCPD
（1）车牌数据集CCPD阐明
CCPD (Chinese City Parking Dataset, ECCV)是我国城市车牌数据集，共有两个： CCPD2019 : 主要是蓝牌数据，约34W,巨细为12G左右； CCPD2020 : 主要是新能源绿牌数据，约1万. 巨细为800M左右；
CCPD官方原始数据集下载地址：github.com/detectRecog…
CCPD2019数据集包含将近30万张图片、图片尺寸为720x1160x3，共包含8种类型图片，每种类型、数量及类型阐明如下表：
| 类型 | 图片数 | 阐明 |
|---|---|---|
| ccpd_base | 199998 | 正常车牌 |
| ccpd_challenge | 10006 | 比较有挑战的车牌 |
| ccpd_db | 20001 | 光线较暗或较亮车牌 |
| ccpd_fn | 19999 | 间隔摄像头较远或较近 |
| ccpd_np | 3036 | 没上牌的新车 |
| ccpd_rotate | 9998 | 水平歪斜20-50度，笔直歪斜-10-10度 |
| ccpd_tilt | 10000 | 水平歪斜15-45度，笔直歪斜-15-45度 |
| ccpd_weather | 9999 | 雨天、雪天或大雾的车牌 |
| 一共283037张车牌图像 |
（2）车牌数据集CCPD标示格局
CCPD数据集没有专门的标示文件，每张图像的文件名便是对应的数据标示(label)。CCPD车牌数据集图片文件名包含车牌四个角点，车牌水平缓笔直视点以及车牌号码等信息。
详细字段解释参阅：
如图片【025-95_113-154&383_386&473-386&473_177&454_154&383_363&402-0_0_22_27_27_33_16-37-15.jpg】，其文件名的意义如下：
- 025：车牌区域占整个画面的比例；
- 95_113： 车牌水平缓笔直视点, 水平95, 竖直113
- 154&383_386&473：标示框左上、右下坐标，左上(154, 383), 右下(386, 473)
- 86&473_177&454_154&383_363&402：标示框四个角点坐标，次序为右下、左下、左上、右上
- 0_0_22_27_27_33_16：车牌号码映射关系如下: 第一个0为省份 对应省份字典provinces中的’皖’,；第二个0是该车所在地的地市一级代码，对应地市一级代码字典alphabets的’A’；后5位为字母和文字, 检查车牌号ads字典，如22为Y，27为3，33为9，16为S，最终车牌号码为皖AY339S
（3）车牌数据集CCPD可视化作用（Python）
经过解析图片的python脚本，调用parser_annotations(image_file)函数，即可回来标示信息，并可视化车牌标示的结果
代码需求用到pybaseutils工具，请使用pip装置即可：pip install pybaseutils
# -*-coding: utf-8 -*-
import os
import cv2
import numpy as np
from tqdm import tqdm
from pybaseutils import file_utils, image_utils
def get_plate_licenses(plate):
provinces = ["皖", "沪", "津", "渝", "冀", "晋", "蒙", "辽", "吉", "黑", "苏", "浙", "京", "闽", "赣", "鲁", "豫", "鄂", "湘", "粤",
"桂", "琼", "川", "贵", "云", "藏", "陕", "甘", "青", "宁", "新", "警", "学", "O"]
alphabets = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'J', 'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'U', 'V',
'W', 'X', 'Y', 'Z', 'O']
ads = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'J', 'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X',
'Y', 'Z', '0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'O']
result = [provinces[int(plate[0])], alphabets[int(plate[1])]]
result += [ads[int(p)] for p in plate[2:]]
result = "".join(result)
# 新能源车牌的要求，如果不是新能源车牌能够删掉这个if
# if result[2] != 'D' and result[2] != 'F' \
# and result[-1] != 'D' and result[-1] != 'F':
# print(plate)
# print("Error label, Please check!")
print(plate, result)
return result
def parser_annotations(image_file):
"""
:param image_file: 图片路径
:return: 回来标示信息info
"""
filename = os.path.basename(image_file)
try:
annotations = filename.split("-")
rate = annotations[0] # 车牌区域占整个画面的比例；
angle = annotations[1].split("_") # 车牌水平缓笔直视点, 水平95, 竖直113
box = annotations[2].replace("&", "_").split("_") # 标示框左上、右下坐标，左上(154, 383), 右下(386, 473)
point = annotations[3].replace("&", "_").split("_") # 标示框四个角点坐标，次序为右下、左下、左上、右上
plate = annotations[4].split("_") # licenses 标示框四个角点坐标，次序为右下、左下、左上、右上
plate = get_plate_licenses(plate)
box = [int(b) for b in box]
point = [int(b) for b in point]
point = np.asarray(point).reshape(-1, 2)
bboxes = [box]
angles = [angle]
points = [point]
plates = [plate]
labels = ["plate"] * len(bboxes)
except Exception as e:
bboxes = []
points = []
labels = []
plates = []
angles = []
info = {"filename": filename, "bboxes": bboxes, "points": points,
"labels": labels, "plates": plates, "angles": angles}
return info
def save_plate_licenses(image, bboxes, plates, out_dir, name=""):
crops = image_utils.get_bboxes_crop(image, bboxes)
for i in range(len(crops)):
label = plates[i]
# image_id = file_utils.get_time(format="p")
file = os.path.join(out_dir, "{}_{}_{:0=3d}.jpg".format(label, name, i))
file_utils.create_file_path(file)
cv2.imwrite(file, crops[i])
def converter_CCPD2voc(image_dir, vis=True):
"""
将CCPD数据集转换为VOC数据格局(xmin,ymin,xmax,ymax)
:param image_dir: BITVehicle数据集图片(*.jpg)根目录
:param annot_file: BITVehicle数据集标示文件VehicleInfo.mat
:param out_voc: 输出VOC格局数据集目录
:param vis: 是否可视化作用
"""
print("image_dir :{}".format(image_dir))
class_set = []
image_list = file_utils.get_images_list(image_dir)
for i, image_file in enumerate(tqdm(image_list)):
info = parser_annotations(image_file)
labels = info["labels"]
bboxes = info["bboxes"]
points = info["points"]
plates = info["plates"]
angles = info["angles"]
image_name = info["filename"]
print("i={},plates:{},angles(水平,笔直视点):{}".format(os.path.basename(image_file), plates, angles))
if len(labels) == 0:
continue
image_name = os.path.basename(image_name)
img_postfix = image_name.split(".")[-1]
image_id = image_name[:-len(img_postfix) - 1]
class_set = labels + class_set
class_set = list(set(class_set))
if not os.path.exists(image_file):
print("not exist:{}".format(image_file))
continue
image = cv2.imread(image_file)
if vis:
image = image_utils.draw_image_bboxes_text(image, bboxes, plates, color=(255, 0, 0), thickness=3,
fontScale=1.2, drawType="chinese")
# image = image_utils.draw_image_points_lines(image, points=points[0], line_color=(0, 0, 255))
image_utils.cv_show_image("det", image, use_rgb=False, delay=0)
print("class_set:{}".format(class_set))
if __name__ == "__main__":
image_dir = "./dataset/CCPD2020/ccpd_green/train"
converter_CCPD2voc(image_dir, vis=True)
文章参阅 ：
aistudio.baidu.com/aistudio/pr… blog.csdn.net/guyuealian/…
