源码调试-带你了解下车牌识别的深度学习模型-LPRNet

​
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。

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

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。
  

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

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。
  

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！