1.車(chē)牌檢測(cè)和識(shí)別項(xiàng)目介紹

車(chē)牌的檢測(cè)和識(shí)別的應(yīng)用非常廣泛，比如交通違章車(chē)牌追蹤，小區(qū)或地下車(chē)庫(kù)門(mén)禁。在對(duì)車(chē)牌識(shí)別和檢測(cè)的過(guò)程中，因?yàn)檐?chē)牌往往是規(guī)整的矩形，長(zhǎng)寬比相對(duì)固定，色調(diào)紋理相對(duì)固定，常用的方法有：基于形狀、基于色調(diào)、基于紋理、基于文字特征等方法，近年來(lái)隨著深度學(xué)習(xí)的發(fā)展也會(huì)使用目標(biāo)檢測(cè)的一些深度學(xué)習(xí)方法。該項(xiàng)目主要的流程如下圖所示：

1.輸入原始圖片，通過(guò)二值化，邊緣檢測(cè)，和基于色調(diào)的顏色微調(diào)等辦法檢測(cè)出原圖中的車(chē)牌號(hào)的位置；
2.把檢測(cè)到的車(chē)牌(ROI)裁剪，為車(chē)牌號(hào)的識(shí)別做準(zhǔn)備；
3.基于裁剪的車(chē)牌號(hào)，使用直方圖的波峰波谷分割裁剪的車(chē)牌號(hào)（如上圖中的第3步）
4.訓(xùn)練機(jī)器學(xué)習(xí)模型做車(chē)牌識(shí)別，這里訓(xùn)練了2個(gè)SVM,一個(gè)SVM用來(lái)識(shí)別省份簡(jiǎn)稱(chēng)(如 魯)，另一個(gè)SVM用來(lái)識(shí)別字母和數(shù)字。
5.通過(guò)PyQt5把整個(gè)算法封裝成GUI程序，并打包發(fā)布安裝軟件。

2.項(xiàng)目代碼解析

下圖描述了整個(gè)項(xiàng)目的代碼結(jié)構(gòu)，可以訪問(wèn)https://github.com/DataXujing/vehicle-license-plate-recognition 查看，其結(jié)構(gòu)如下：

3.項(xiàng)目演示

可以通過(guò)訪問(wèn)項(xiàng)目地址 ( https://github.com/DataXujing/vehicle-license-plate-recognition ）查看整個(gè)應(yīng)用,或者訪問(wèn)安裝程序下載地址 （https://pan.baidu.com/s/1IazbGFLlQkb8BQmK_EAeRA 提取碼：v103 ）安裝安裝程序進(jìn)行測(cè)試，這里展示一些識(shí)別結(jié)果和測(cè)試視頻：

4.TODO

目前識(shí)別的效果針對(duì)于某些場(chǎng)景下仍然很不理想，技術(shù)層面上的主要原因有兩個(gè)，一個(gè)是車(chē)牌檢測(cè)算法并沒(méi)有檢測(cè)到車(chē)牌（這主要是檢測(cè)算法的問(wèn)題），可以嘗試一些目標(biāo)檢測(cè)的算法，比如Faster R-CNN(速度可能慢一些)，YOLO系列, SSD系列等的經(jīng)典的目標(biāo)檢測(cè)算法，然后做矯正或進(jìn)一步的區(qū)域篩選；另一個(gè)原因是是在識(shí)別算法上，本次我們僅是基于少量的訓(xùn)練數(shù)據(jù)訓(xùn)練了SVM，可以嘗試增加訓(xùn)練集并把模型替換成一些更復(fù)雜的機(jī)器學(xué)習(xí)模型如XGBoost,LightGBM,CatBoost等模型或使用CNN訓(xùn)練一個(gè)多分類(lèi)的深度學(xué)習(xí)模型， 亦或者是直接考慮一些基于Attention的CNN-RNN架構(gòu)的OCR識(shí)別模型。