车牌识别数据集CCPD介绍_ccpd车牌数据集

转载自：https://blog.csdn.net/yang_daxia/article/details/88234138

该数据集在合肥市的停车场采集得来的，采集时间早上7:30到晚上10:00.涉及多种复杂环境。

一共包含超多25万张图片，每种图片大小720x1160x3。一共包含9项。每项占比如下图：

各项意义如下：

数据标注:文件名就是数据标注.

如: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

由分隔符'-'分为几个部分:

1)025为区域, 

2)95_113 对应两个角度, 水平95°, 竖直113°

3)154&383_386&473对应边界框坐标:左上(154, 383), 右下(386, 473)

4)386&473_177&454_154&383_363&402对应四个角点坐标

5)0_0_22_27_27_33_16为车牌号码 映射关系如下: 第一个为省份0 对应省份字典皖, 后面的为字母和文字, 查看ads字典.如0为A, 22为Y.....

 
 

   
   

    
    

   
   
   
   

    
    

     
     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"]
    
    
   
   

   
   

    
    

   
   
   
   

    
    
 
    
    
   
   

   
   

    
    

   
   
   
   

    
    

     
     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']
    
    
   
   
 
 
1

6)37亮度

7)15模糊度

所以根据文件名即可获得所有标注信息.

模型：

10层卷积提取特征，经过三个全连接层到边界框：此为检测部分，

提取1,3,5层的特征用于ROI池化，因为底层特征有益于提高语义分割的质量，高层特征受益不大，且花费更多的时间。然后经过ROI池化，resize后 拼接在一起，输入到车牌号码识别器。目标函数如下:

roi池化参考：https://blog.csdn.net/auto1993/article/details/78514071

smoothL1损失为了防止预测值和label相差过大，梯度爆炸：https://blog.csdn.net/weixin_35653315/article/details/54571681

=================================================================================================

发现老的ccpd的标注有很多不正确,最近ccpd更新了数据以及标注.

数据量 ccpd_base: 200k

ccpd_challenge : 50k  相对增加40k

ccpd_blur:20.6k

ccpd_db:10k  相对较少10k

ccpd_fn:20.9k

ccpd_weather :10k

ccpd_rotate:10k

ccpd:tilt:30k   相对增加20k

所以总体增加50k

同时增加了数据量,为了和论文对比还是使用原始的数据量把, 可以更新标注

base 有5万5千多张重复的车牌号码, 所以不能用车牌号码校对, 但是md5值不唯一,所以可以用这个来校对

ccpd子集之间有重复图片, 但是单个子集没有重复的, 这样就可以一个一个子集校对

使用车牌号码也无法校对, 因为有同一个车牌号码, 不同角度的车.

所以目前的结论为base可以根据MD5校对, 其他子集无法校对.