登录/ 注册
 找回密码
 立即注册
关闭

CSDN热搜

程序园 精品问答 技术交流 资源下载
返回列表 发新帖
首页 › 业界区 › 业界 ›源码调试-带你了解下车牌识别的深度学习模型-LPRNet ...

源码调试-带你了解下车牌识别的深度学习模型-LPRNet

予捻 5 小时前
​
视频演示

源码调试-带你了解下车牌识别的深度学习模型-LPRNet
 
大家好，这里是Coding茶水间。本期我们来调试运行一个经典的深度学习网络——LPRNet，它专门用于车牌识别任务。
LPRNet是由Intel团队开发的端到端深度学习模型，专为车牌识别优化，具有轻量级的特性。
下面我们一步步来探索它的源码、环境搭建和实际运行。
1. LPRNet简介

LPRNet支持识别蓝牌和绿牌（新能源车牌）。它基于PyTorch框架，结合OpenCV进行图像处理，适用于Python 3.0以上版本。
1.png

在GitHub上，作者提供了模型的识别效果展示，包括模糊、污损或倾斜的车牌图片。
2. 获取源码

打开LPRNet的GitHub页面（网址可在视频简介中获取）。点击“Code”按钮下载ZIP压缩包，或使用Git命令克隆仓库：
  1. git clone https://github.com/sirius-ai/LPRNet_Pytorch.git
复制代码
2.gif
下载后解压，使用VS Code或其他IDE打开项目。
3. 源码结构分析

项目结构如下：

  • data：数据集文件夹，包含测试用的车牌图片。这些图片包括模糊、污损或倾斜的样本。
  • load_data.py：用于加载数据集的脚本。
  • model：核心文件夹，包含LPRNet网络结构代码。
  • weights：预训练权重文件（Final_LPRNet_model.pth）。
  • train_LPRNet.py 和 test_LPRNet.py：训练和测试脚本。
3.png

4. 环境要求


  • Python 3.0+
  • PyTorch
  • OpenCV
  • NumPy 等基础库
确保安装这些依赖后，即可运行。
5. 测试模型性能

使用作者提供的test_LPRNet.py对测试图片进行批量验证，检查模型性能。
6. 单张图片识别

在实际应用中，我们常需要对单张车牌图像进行识别。下面是针对单张图片的自定义代码（基于LPRNet）。代码使用OpenCV读取图片，进行预处理，并输出识别结果。
代码实现
  1. # -*- coding: utf-8 -*-
  2. # /usr/bin/env/python3
  4. '''
  5. 单图片验证LPRNet模型
  6. '''
  8. from data.load_data import CHARS, CHARS_DICT
  9. from PIL import Image, ImageDraw, ImageFont
  10. from model.LPRNet import build_lprnet
  11. from torch.autograd import Variable
  12. import torch.nn.functional as F
  13. import torch.nn as nn
  14. import numpy as np
  15. import argparse
  16. import torch
  17. import time
  18. import cv2
  19. import os
  21. def cv2ImgAddText(img, text, pos, textColor=(255, 0, 0), textSize=12):
  22.     if (isinstance(img, np.ndarray)):
  23.         img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
  24.     draw = ImageDraw.Draw(img)
  25.     fontText = ImageFont.truetype("data/NotoSansCJK-Regular.ttc", textSize, encoding="utf-8")
  26.     draw.text(pos, text, textColor, font=fontText)
  27.     return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR)
  29. def predict_single_image(image_path):
  30.     # 硬编码参数
  31.     img_size = [94, 24]          # 图像尺寸
  32.     lpr_max_len = 8              # 车牌最大长度
  33.     dropout_rate = 0             # dropout率
  34.     use_cuda = False             # 是否使用CUDA
  35.     pretrained_model = './weights/Final_LPRNet_model.pth'  # 预训练模型路径
  36.    
  37.     # 检查模型文件是否存在
  38.     if not os.path.exists(pretrained_model):
  39.         print(f"[Error] 预训练模型未找到: {pretrained_model}")
  40.         return
  41.    
  42.     # 构建模型
  43.     lprnet = build_lprnet(lpr_max_len=lpr_max_len, phase=False,
  44.                          class_num=len(CHARS), dropout_rate=dropout_rate)
  45.     device = torch.device("cuda:0" if use_cuda else "cpu")
  46.     lprnet.to(device)
  47.    
  48.     # 加载预训练模型
  49.     lprnet.load_state_dict(torch.load(pretrained_model, map_location=device))
  50.     lprnet.eval()
  51.    
  52.     # 读取并预处理图像
  53.     if not os.path.exists(image_path):
  54.         print(f"[Error] 图像未找到: {image_path}")
  55.         return
  56.    
  57.     # 使用OpenCV读取图像
  58.     img_orig = cv2.imread(image_path)
  59.     if img_orig is None:
  60.         print(f"[Error] 无法读取图像: {image_path}")
  61.         return
  62.    
  63.     # 调整图像大小并归一化
  64.     img = cv2.resize(img_orig, (img_size[0], img_size[1]))
  65.     img = img.astype('float32')
  66.     img -= 127.5
  67.     img *= 0.0078125
  68.     img = np.transpose(img, (2, 0, 1))  # HWC -> CHW
  69.    
  70.     # 转换为torch tensor并添加batch维度
  71.     img = torch.from_numpy(img).unsqueeze(0)
  72.     if use_cuda:
  73.         img = img.cuda()
  74.    
  75.     # 预测
  76.     with torch.no_grad():
  77.         prebs = lprnet(img)
  78.    
  79.     # 解码预测结果
  80.     prebs = prebs.cpu().numpy()[0]  # 去掉batch维度
  81.     preb_label = []
  82.     for j in range(prebs.shape[1]):
  83.         preb_label.append(np.argmax(prebs[:, j], axis=0))
  84.    
  85.     # 去除重复和空白标签
  86.     no_repeat_blank_label = []
  87.     pre_c = preb_label[0]
  88.     if pre_c != len(CHARS) - 1:  # 忽略空白标签
  89.         no_repeat_blank_label.append(pre_c)
  90.     for c in preb_label:
  91.         if (pre_c == c) or (c == len(CHARS) - 1):
  92.             if c == len(CHARS) - 1:
  93.                 pre_c = c
  94.             continue
  95.         no_repeat_blank_label.append(c)
  96.         pre_c = c
  97.    
  98.     # 将数字标签转换为字符
  99.     plate_number = ''.join([CHARS[i] for i in no_repeat_blank_label])
  100.    
  101.     # 显示结果
  102.     result_img = cv2ImgAddText(img_orig, plate_number, (10, 30), textColor=(0, 255, 0), textSize=30)
  103.     cv2.imshow('License Plate Recognition', result_img)
  104.     print(f"识别结果: {plate_number}")
  105.     cv2.waitKey(0)
  106.     cv2.destroyAllWindows()
  108. if __name__ == "__main__":
  109.     # 直接在这里指定要测试的图像路径
  110.     test_image_path = "3.png"  # 替换为您的测试图像路径
  111.     predict_single_image(test_image_path)
复制代码
4.gif
7. 运行效果演示

选取一张车牌图片（例如从网上下载的分割好的图像），甚至可以对最后一位字符进行裁切测试。运行代码后，结果会直接叠加在图片上显示。
例如：

  • 测试一张蓝牌：识别准确。
  • 测试一张绿牌（新能源）：也支持识别。
5.png

6.png

8. 代码分析

预训练模型加载

设置预训练模型路径（如./weights/Final_LPRNet_model.pth），检查文件存在性。然后使用build_lprnet构建模型，选择设备（CPU或CUDA）。
图像读取与预处理

使用OpenCV读取图片：

  • Resize到94x24分辨率。
  • 转换为float32类型。
  • 减去127.5，使像素值范围变为-127.5到127.5（以0为中心，便于模型收敛）。
  • 乘以0.0078125，使范围接近-1到1（像素归一化）。
  • 转置维度：从HWC (Height, Width, Channels) 转为CHW。
  • 添加batch维度，成为4维张量（batch_size, channels, height, width）。
预测与解码

如果使用CUDA，将图像移到GPU。关闭梯度计算（with torch.no_grad()）以加速预测。得到输出后，解码为字符序列，去除重复和空白标签，最终转换为车牌号字符串。
显示结果

使用PIL在原图上添加文本，显示识别结果。
9. 注意事项


  • Mac用户默认使用CPU；NVIDIA显卡用户可启用CUDA加速。
  • 如果想获取单张图片处理代码，欢迎三连+关注，并留言邮箱。
  • 模型适用于已分割的车牌图像；实际应用中可结合检测模型（如YOLO）进行完整识别。
如果想深入了解车牌识别更多内容，欢迎关注Coding茶水间，我会持续输出相关教程！
​

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

使用道具 举报
B Color Image Link Quote Code Smilies
您需要登录后才可以回帖 登录 | 立即注册
发帖
予捻
5 小时前

0

粉丝关注

10

主题发布

板块介绍填写区域，请于后台编辑
微信扫一扫