使用深度学习进行自动车牌检测和识别

重磅干货，第一时间送达

介绍

在现代世界的不同方面，信息技术的大规模集成导致了将车辆视为信息系统中的概念资源。由于没有任何数据，自主信息系统就没有任何意义，因此需要在现实和信息系统之间改革车辆信息。这可以通过人工代理或特殊智能设备实现，这些设备将允许在真实环境中通过车辆牌照识别车辆。在智能设备中,，提到了车辆牌照检测和识别系统。车辆牌照检测和识别系统用于检测车牌，然后识别车牌，即从图像中提取文本，所有这一切都归功于使用定位算法的计算模块，车牌分割和字符识别。车牌检测和读取是一种智能系统，由于其在以下几个领域的潜在应用，因此具有相当大的潜力：

1.指挥部队：该系统用于检测被盗和搜查的车辆，将检测到的车牌与报告车辆的车牌进行比较。

2.道路安全：该系统用于检测超过一定速度的车牌，将车牌读取系统与道路雷达耦合。

3.停车管理：车辆进出口的管理。

step1：车牌检测

为了检测许可证，我们将使用基于卷积神经网络的Yolo（You Only Look One）深度学习对象检测体系结构。该体系结构是由Joseph Redmon、Ali Farhadi、Ross Girshick和Santosh Divvala于2015年推出的第一个版本，以及更高版本2和3。

论文链接：

Yolo v1：https://arxiv.org/pdf/1506.02640.pdf

Yolo v2：https://arxiv.org/pdf/1612.08242.pdf

Yolo v3：https://arxiv.org/pdf/1804.02767.pdf

Yolo是一个经过端到端训练的单一网络，用于执行预测对象边界框和对象类的回归任务。这个网络速度非常快，它以每秒45帧的速度实时处理图像。一个较小的网络版本Fast YOLO每秒处理155帧，速度惊人。

实现YOLO V3：

首先，我们准备了一个由700张包含突尼斯车牌的汽车图像组成的数据集，对于每张图像，我们使用一个名为LabelImg的桌面应用程序创建一个xml文件（之后更改为文本文件，其中包含与Darknet配置文件输入兼容的坐标。Darknet:project用于重新培训YOLO预训练模型）。

# First download Darknet project$ git clone https://github.com/pjreddie/darknet.git# in "darknet/Makefile" put affect 1 to OpenCV, CUDNN and GPU if you # want to train with you GPU then time thos two commands$ cd darknet$ make# Load convert.py to change labels (xml files) into the appropriate # format that darknet understand and past it under darknet/ https://github.com/GuiltyNeuron/ANPR# Unzip the dataset$ unzip dataset.zip# Create two folders, one for the images and the other for labels$ mkdir darknet/images$ mkdir darknet/labels# Convert labels format and create files with location of images# for the test and the training$ python convert.py# Create a folder under darknet/ that will contain your data$ mkdir darknet/custom# Move files train.txt and test.txt that contains data path to# custom folder$ mv train.txt custom/$ mv test.txt custom/# Create file to put licence plate class name "LP"$ touch darknet/custom/classes.names$ echo LP > classes.names# Create Backup folder to save weights$ mkdir custom/weights# Create a file contains information about data and cfg # files locations$ touch darknet/custom/darknet.data# in darknet/custom/darknet.data file paste those informationsclasses = 1train = custom/train.txtvalid = custom/test.txtnames = custom/classes.namesbackup = custom/weights/# Copy and paste yolo config file in "darknet/custom"$ cp darknet/cfg/yolov3.cfg darknet/custom# Open yolov3.cfg and change :# " filters=(classes + 5)*3" just the ones before "Yolo"# in our case classes=1, so filters=18# change classes=... to classes=1# Download pretrained model$ wget https://pjreddie.com/media/files/darknet53.conv.74 -O ~/darknet/darknet53.conv.74# Let's train our model !!!!!!!!!!!!!!!!!!!!!$ ./darknet detector train custom/darknet.data custom/yolov3.cfg darknet53.conv.74

完成训练后，要从图像中检测发光板，请从darknet/custom/weights中选择最新的模型，并将其路径或名称放入object_detection_yolo.py文件中，我们还将使用yolov3.cfg文件，仅在该文件中，在训练前放入，以便我们可以先删除训练，然后运行：

python object-detection_yolo.py --image= image.jpg

运行结果：

Step2：车牌检测

现在我们必须分段我们的车牌号，输入是板的图像，我们必须能够提取单字符图像。这一步骤的结果作为识别阶段的输入非常重要。在自动读取车牌的系统中。分割是车牌自动识别最重要的过程之一，因为任何其他步骤都是基于分割的。如果分割失败，识别阶段将不正确。为确保正确分割，必须执行初步处理。

像素投影直方图包括查找每个字符的上下限、左下限和右上限，我们操作水平投影以查找字符的顶部和底部位置，一组直方图的值是沿水平方向上特定线的白色像素的总和。当所有的值沿水平方向的所有直线进行计算，得到水平投影直方图。然后将直方图的平均值用作阈值，以确定上限和下限。直方图分段大于阈值的中心区域记录为由上限和下限分隔的区域。然后，我们以同样的方式计算垂直投影直方图，但通过按图像的列更改行，使每个字符具有两个限制（左和右）。

从车牌中提取数字的另一种方法是使用开/关形态学来制作某种连接区域，然后使用连接组件算法来提取连接区域。

Step3：车牌识别

识别阶段是自动车牌阅读器系统开发的最后一步。因此，它关闭图像采集过程中经过的所有过程，然后是板的位置，直到分割。识别必须从分割阶段结束时获得的图像中提取字符。用于此识别的学习模型必须能够读取图像并渲染相应的字符。

为了最大限度地利用可用于学习的数据，我们在应用车牌分割之前使用的相同图像处理步骤后，通过在正方形中调整每个字符的大小来单独切割每个字符。结果，我们获得了一组由11个类组成的数据，对于每个类，我们有30-40张28X28像素尺寸的PNG格式的图像；从0到9的数字和阿拉伯语单词（突尼斯）。

然后，我们在科学论文的基础上对多层感知器（MLP）和分类器K近邻（KNN）进行了比较研究。结果我们发现：如果使用MLP分类器时隐层神经元的数量也增加，并且如果使用KNN时最近邻数也增加，则性能会提高。在这里，调整k-NN分类器性能的能力非常有限。但是，可调整的隐藏层数量和可调整的MLP连接权重为细化决策区域提供了更大的机会。因此，我们将在此阶段选择多层感知器。

本文代码Github链接：

https://github.com/GuiltyNeuron/ANPR