这篇论文开源的车牌识别系统打败了目前最先进的商业软件
source link: https://mp.weixin.qq.com/s/JIoTsadw4JBkr0e40RwVQQ?amp%3Butm_medium=referral
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
(欢迎关注“我爱计算机视觉”公众号，一个有价值有深度的公众号~)
来自巴西阿雷格里港大学的学者发表于ECCV2018的论文《License Plate Detection and Recognition in Unconstrained Scenarios》，给出了一整套完整的车牌识别系统设计，着眼于解决在非限定场景有挑战的车牌识别应用，其性能优于目前主流的商业系统，代码已经开源，非常值得参考。
作者信息：
先来看看作者发布的demo视频：
展示了该系统在室外环境，角度变换等场景强大的车牌定位、识别能力。
很多车牌识别论文中常用的数据库往往是正面拍摄的，但实际应用中，各种可能的情况都有，作者首先给出了一些对车牌识别有挑战的数据示例：
该文提出的系统很好的解决了这类有挑战的车牌识别问题。
系统架构
作者提出的车牌识别系统，包含车牌识别的所有环节，主要有三大步骤：车辆检测、车牌检测与校正、OCR。
下图展示了整个系统流程：
输入图像首先使用YOLOv2进行车辆检测（作者使用原始的YOLOv2，没有做任何改动），检测到的车辆图像再输入到WPOD-NET网络，进行车牌检测和车票卷曲校正系统的回归，然后对车牌进行校正输入到OCR-Net网络，识别出车牌字符。
WPOD-NET用于车牌区域检测于校正系统回归示意图：
平面目标的全卷积网络检测，对于系统输出的车牌区域特征图，划分成（m,n）个cell，查找高目标概率的cell,根据这些cell的位置，计算将该区域转换成方形车牌的仿射系数。
WPOD-NET架构图
为训练WPOD-NET对数据进行了各种常规的数据增广：
车牌识别OCR部分使用一种改进的YOLO网络，其架构如下：
为训练该OCR系统也进行了大量数据增广：
为评估该系统，作者收集了常用的数据集，并自建了挑战的数据集CD-HARD。
实验结果
作者将该文系统与目前主流的商业车牌识别系统相比较，包括OpenALPR、Sighthound、Amazon Rekognition。
在整个数据集上取得了远超过其他系统的性能，在OpenALPR数据集上取得了与最好系统相匹敌的性能，尤其在具有挑战的CD-HARD数据集上取得了异常明显的性能优势。
一些校正并识别后的车牌示例：
运行速度
在配置为Intel Xeon CPU 、12Gb RAM、 NVIDIA Titan X GPU的机器上，平均达到5fps。
工程主页：
http://www.inf.ufrgs.br/~crjung/alpr-datasets/
https://github.com/sergiomsilva/alpr-unconstrained
论文、代码、数据下载：
在“我爱计算机视觉”公众号对话界面回复“alpr”，即可收到百度云下载地址。
更多精彩推荐：
(欢迎关注“我爱计算机视觉”公众号，一个有价值有深度的公众号~)
【本文由“我爱计算机视觉”发布,2018年09月10日】
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK