车牌识别 远距离监控视角 自创简化模型 Pytorch_车牌识别模型

甲方一拍脑门，让我去实现车牌识别，还是远距离监控视角的，真开心。

数据？呵~ 不会有人期待甲方提供数据吧？？
先逛逛某宝，一万张车辆图片，0.4元/张。
甲方：阿巴阿巴…
嗯，那没事了。

再逛逛全球同性交友网站，感谢CCPD数据集~ 数量挺多的，补充了新能源绿色车牌，标注也很详细，除了车牌矩形框坐标，居然还有车牌4个角点坐标。我看了一下，矩形框标的有点随意了，于是我把角点坐标的最小包络矩形作为新的标注框，随手一个YOLOv5，这车牌检测的任务不就完成了嘛~ 四舍五入，车牌识别项目收工！

由于数据搜集的地域原因，其中一大半车牌的开头都是皖A，这…不得训练出来个人工智障，见个车牌就说是皖A？哎，只能含泪筛选出1W张用作车牌识别训练。

这数据量肯定不够呀，只能造假了…参考车牌生成代码，调调参数，解决个别字符的小bug，最终效果这样婶儿滴：

生成10+W张假车牌，再去全网捡捡零碎数据，东拼西凑了20+W张。凑合过吧，要啥自行车。

接下来进入正题，车牌切出来了，咋识别？

用传统方法，字符分割再识别单个字符？emmm，算了叭，传统是不可能传统的（我也不会！！）。

最典型的字符识别模型是CRNN+CTC，CTC Loss是为了解决字符对齐问题。因为车牌字符数目是固定的，这就大大简化了问题，其实没必要使用CTC Loss，直接用CNN、RNN和全连接，根据心情搭配一下都能训练。

之前我学习的时候，也玩过一个Seq2Seq的车牌识别模型（在这里！），但如果不加注意力机制，效果不咋样，我试了一下，直接暴力增大LSTM隐藏层的size，也能训练出来，只是模型有100+M。

咳…你才捞呢！

还是决定自己搭个网络玩儿，参考了CRNN的原网络和GitHub上的一些实现，先整一套尝尝，噔噔蹬蹬~

import torch.nn as nn

class Crnn(nn.Module):
    def __init__(self):
        super(Crnn, self).__init__()
        self.cnn = nn.Sequential(  # (N,3,32,100)
            nn.Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=1),     # (N,64,32,100)
            nn.ReLU(),
            nn.MaxPool2d((2, 2), 2),  # (N,3,16,50)
            nn.Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=1),   # (N,128,16,50)
            nn.ReLU(),
            nn.MaxPool2d((2, 2), 2),  # (N,128,8,25)
            nn.Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=1),  # (N,256,8,25)
            nn.ReLU(),
            nn.Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=1),  # (N,256,8,25)
            nn.ReLU(),
            nn.MaxPool2d((2, 1), stride=(2, 1)),  # (N,256,4,25)
            nn.Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=1),  # (N,512,4,25)
            nn.BatchNorm2d(512),
            nn.ReLU(),
            nn.Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=1),  # (N,512,4,25)
            nn.BatchNorm2d(512),
            nn.ReLU(),
            nn.AdaptiveMaxPool2d([1, 25])
        )
        self.lstm = nn.LSTM(input_size=512,
                             hidden_size=140,
                             batch_first=True,
                             bidirectional=True,
                             num_layers=2)

    def forward(self, x):
        cnn_out = self.cnn(x).reshape(-1, 512, 25).transpose(2, 1)  # (N,25,512)
        lstm_out, (h_n, c_n) = self.lstm(cnn_out, None)
        lstm_out = lstm_out[:, -1, :]  # (N, 140)
        out = lstm_out.reshape(-1, 8, 35)

        return out
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

32个中文字符和34个数字字母（不含I和O）由列表定义：

c1 = ['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', '西', '陕', '甘', '青', '宁', '新', '藏']
c2 = ['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', '']
1
2
3
4

拆成两个列表是节约输出的维度，减少参数量。

输入车牌尺寸是$100\ast 32$，因为CNN最后我用了个自适应平均池化，所以图片尺寸不对也不会报错。网络输出shape为$(N,8,35)$，普通车牌是7位的，新能源绿色车牌是8位的，所以需要增加一个空字符串，如果是7位车牌，最后一个字符就为空。

将标签做one-hot，损失函数直接用MSELoss。看起来有点捞，训练效果却出奇的好，10轮验证精度就到99%。模型大小26M，推理速度还行。拿实际的监控视频测试了一下，效果也还能看。

但用MSELoss做分类问题，多少有点别扭，而且输出的值无法表示概率。思考了一下怎么改用CrossEntropyLoss，直接把标签的one-hot去掉是会报错的，因为我们的输出是$(N,8,35)$，相当于是8个字符的分类结果，CrossEntropyLoss算的是一个分类结果，于是我把输出$(N,8,35)$reshape成$(N\ast 8,35)$，把标签$(N,8)$拉平成$(N\ast 8)$，这样就可以计算辣~

蓝鹅，效果很不好，精度到60+%就上不去了…
经过一番深思（才不是瞎猜的 哼！），我觉得循环网络的输出直接跟交叉熵损失不合适，一般的分类问题最后一层都是全连接输出的，于是把lstm层改成了全连接：

self.fc = nn.Linear(512, 280)
1

这样就可以训练辣，模型还更小了点，24M~

最后尝试将LSTM替换成GRU，再次减少参数。以及将pytorch自带的交叉熵损失改成Focal Loss，以增加对困难样本（主要是第一个中文字符）的训练力度。

之前领导为了跟甲方展示（吹niubility），按量买了百度的车牌识别。

卖的死贵，效果就这？就这？？

咱的效果：

哼哼哼~ 走咯~ 卖算法去咯~

我不是在黑百度，对不起！！

百度的技术是很厉害的，只是人家针对的是近距离的车牌。实际上，现在车牌识别使用最多的应该是停车场的道闸系统，都是近距离的，这种监控视角的，确实有难度，精度还达不到要求，我这个模型只是最简单的一种实现。

不足：

1. 货车的黄色车牌数据量太少，容易检测不到。（百度也是）
2. 汉字字符的识别精度不高。（百度也是）
3. 新能源绿色车牌的字符识别精度不高。（百度也是…）

在实际使用中，如果每一帧都识别的话，不仅费时，而且显示上会闪烁，就很鬼畜。所以我结合DeepSort跟踪算法，跟踪每一个车牌目标，设计规则，如在连续数帧都识别为同一车牌号后，就稳定显示，不再识别。

数据集还在筛选和补充，模型也还在改进，就不上传辣~
真有需要的同学私撩