车牌识别具有广泛的应用前景，基于传统方法的车牌识别效果一般比较差，随着计算机视觉技术的快速发展，深度学习的方法能够更好的完成车牌识别任务。

 本文提供了车牌识别方案的部署链接，您可以在网页上体验该模型的效果：车牌识别方案在线体验

本文介绍了使用PaddleOCR完成车牌识别任务的方法，其检测效果如下图：

原图如下：

检测结果如下：

目录

一、概述 

二、使用

1、数据集准备

2、检测模型

3、识别模型

4、模型导出

5、联合推理

 三、总结

附录：

一、概述 

基于深度学习的车牌识别任务可以拆解为2个步骤：车牌检测-车牌识别。其中车牌检测的目的是确认图片中车牌的位置，根据检测到的车牌位置把图片中的ROI裁剪出来，车牌识别算法用于识别裁剪出的车牌图像中的具体内容。

本文使用PaddleOCR工具实现了车牌识别任务，首先使用PaddleOCR的检测算法DBNet检测出车牌位置，再将车牌位置裁剪送入文本识别算法CRNN来识别车牌的具体内容。

PaddleOCR github：https://github.com/PaddlePaddle/PaddleOCR.git

二、使用

1、数据集准备

本文选择的数据集为CCPD2020，下载链接为：CCPD2020(New energy plate) - 飞桨AI Studio

CPPD数据集的图片文件名具有特殊规则，具体规则如下：

例如: 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

每个名称可以分为七个字段，以-符号作为分割。这些字段解释如下。

025：车牌面积与整个图片区域的面积比。025 (25%)

95_113：水平倾斜程度和垂直倾斜度。水平 95度 垂直 113度

154&383_386&473：左上和右下顶点的坐标。左上(154,383) 右下(386,473)

386&473_177&454_154&383_363&402：整个图像中车牌的四个顶点的精确（x，y）坐标。这些坐标从右下角顶点开始。(386,473) (177,454) (154,383) (363,402)

0_0_22_27_27_33_16：CCPD中的每个图像只有一个车牌。每个车牌号码由一个汉字，一个字母和五个字母或数字组成。有效的中文车牌由七个字符组成：省（1个字符），字母（1个字符），字母+数字（5个字符）。“ 0_0_22_27_27_33_16”是每个字符的索引。这三个数组定义如下。每个数组的最后一个字符是字母O，而不是数字0。我们将O用作“无字符”的符号，因为中文车牌字符中没有O。因此以上车牌拼起来即为 皖AY339S

37：牌照区域的亮度。 37 (37%)

15：车牌区域的模糊度。15 (15%)

下载好了数据集，需要把数据集转换为PaddleOCR需要的标注格式，代码如下（修改图片的存储路径为自己的路径）：

2、检测模型

准备好了数据集，首先需要训练车牌检测模型，这里我们使用PaddleOCR提供的文本检测预训练模型进行fine-tuning，这样可以减少训练时间，首先下载预训练检测模型（先进入PaddleOCR文件夹）：

下载好了预训练模型，下面训练检测模型（其中的data_dir和label_file_list换成自己的数据集路径）：

训练好了模型以后，可以使用下面的命令验证一下精度（此步可以跳过，也要更换data_dir和label_file_list路径）：

可以使用如下命令来实现检测模型推理（路径修改为自己需要的路径）：

3、识别模型

训练好了检测模型，再来训练识别模型，同样先下载预训练权重再fine-tuning，下载权重命令如下：

这个权重中包含不需要的内容（Teacher的权重），需要提取需要的权重：

开启训练(注意路径)：

验证精度：

使用如下命令测试识别模型的效果（需要注意的是，识别模型的输入是车牌号图片，不是完整的图片，可以使用数据集处理时的PPOCR文件夹内生成的裁剪后的车牌图片）：

4、模型导出

上面训练好的模型都是动态图模型，将他们导出为静态图模型来部署，可以加快速度，首先导出检测模型：

测试一下导出的检测模型推理效果（注意图片路径）：

下面导出识别模型：

测试一下导出的识别模型推理效果（注意图片路径）：

5、联合推理

训练好了检测和识别模型，下面就是联合推理，测试效果，命令如下（det_model_dir和rec_model_dir是上面导出的模型文件夹）：

这是识别的结果：

三、总结

本文总结了PaddleOCR提供的车牌识别方案，并进行了简化，根据识别的结果来看可以很好地检测车牌图像。

为大家准备了OpenCV学习视频及配套课件代码！深度学习以及计算机视觉学习资料！

可添加VX公众号：咕泡AI，回复333免费领学习资料！

【1】人工智能学习课程及配套资料

【2】超详解人工智能学习路线图及学习大纲

【3】学人工智能必看优质书籍电子书汇总

【4】人工智能面试题库大全以及问题总结

【5】人工智能经典论文100篇+解读+复现教程

【6】计算机视觉技术教学课程+YOLO等项目教学

【7】人工智能最新行业报告