Skip to content

Latest commit

 

History

History
88 lines (65 loc) · 5.5 KB

ppvehicle_plate.md

File metadata and controls

88 lines (65 loc) · 5.5 KB
Raw

English | 简体中文

PP-Vehicle车牌识别模块

车牌识别，在车辆应用场景中有着非常广泛的应用，起到车辆身份识别的作用，比如车辆出入口自动闸机。PP-Vehicle中提供了车辆的跟踪及其车牌识别的功能，并提供模型下载：

任务 算法 精度 预测速度(ms) 预测模型下载链接
车辆检测/跟踪 PP-YOLOE-l mAP: 63.9 - 下载链接
车牌检测模型 ch_PP-OCRv3_det hmean: 0.979 - 下载链接
车牌识别模型 ch_PP-OCRv3_rec acc: 0.773 - 下载链接
  1. 跟踪模型使用PPVehicle数据集（整合了BDD100K-MOT和UA-DETRAC），是将BDD100K-MOT中的car, truck, bus, van和UA-DETRAC中的car, bus, van都合并为1类vehicle(1)后的数据集。
  2. 车牌检测、识别模型使用PP-OCRv3模型在CCPD2019、CCPD2020混合车牌数据集上fine-tune得到。

使用方法

  1. 从上表链接中下载模型并解压到PaddleDetection/output_inference路径下，并修改配置文件中模型路径，也可默认自动下载模型。设置deploy/pipeline/config/infer_cfg_ppvehicle.yml中VEHICLE_PLATE的enable: True

infer_cfg_ppvehicle.yml中配置项说明：

VEHICLE_PLATE:                                                            #模块名称
  det_model_dir: output_inference/ch_PP-OCRv3_det_infer/                  #车牌检测模型路径
  det_limit_side_len: 480                                                 #检测模型单边输入尺寸
  det_limit_type: "max"                                                   #检测模型输入尺寸长短边选择，"max"表示长边
  rec_model_dir: output_inference/ch_PP-OCRv3_rec_infer/                  #车牌识别模型路径
  rec_image_shape: [3, 48, 320]                                           #车牌识别模型输入尺寸
  rec_batch_num: 6                                                        #车牌识别batchsize
  word_dict_path: deploy/pipeline/ppvehicle/rec_word_dict.txt             #OCR模型查询字典
  basemode: "idbased"                                                     #流程类型，'idbased'表示基于跟踪模型
  enable: False                                                           #功能是否开启
  1. 图片输入时，启动命令如下(更多命令参数说明，请参考快速开始-参数说明)。
#单张图片
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \
                                                   --image_file=test_image.jpg \
                                                   --device=gpu \

#图片文件夹
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \
                                                   --image_dir=images/ \
                                                   --device=gpu \
  1. 视频输入时，启动命令如下
#单个视频文件
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \
                                                   --video_file=test_video.mp4 \
                                                   --device=gpu \

#视频文件夹
python deploy/pipeline/pipeline.py --config deploy/pipeline/config/infer_cfg_ppvehicle.yml \
                                                   --video_dir=test_videos/ \
                                                   --device=gpu \

  1. 若修改模型路径，有以下两种方式：

    • 方法一：./deploy/pipeline/config/infer_cfg_ppvehicle.yml下可以配置不同模型路径，车牌识别模型修改VEHICLE_PLATE字段下配置
    • 方法二：命令行中--config配置项后面增加-o VEHICLE_PLATE.det_model_dir=[YOUR_DETMODEL_PATH] VEHICLE_PLATE.rec_model_dir=[YOUR_RECMODEL_PATH]修改模型路径。

测试效果如下：

方案说明

  1. 目标检测/多目标跟踪获取图片/视频输入中的车辆检测框，模型方案为PP-YOLOE，详细文档参考PP-YOLOE
  2. 通过车辆检测框的坐标在输入图像中截取每个车辆
  3. 使用车牌检测模型在每张车辆截图中识别车牌所在位置，同理截取车牌区域，模型方案为PP-OCRv3_det模型，经CCPD数据集在车牌场景fine-tune得到。
  4. 使用字符识别模型识别车牌中的字符。模型方案为PP-OCRv3_rec模型，经CCPD数据集在车牌场景fine-tune得到。

性能优化措施：

  1. 使用跳帧策略，每10帧做一次车牌检测，避免每帧做车牌检测的算力消耗。
  2. 车牌结果稳定策略，避免单帧结果的波动，利用同一个id的历史所有车牌识别结果进行投票，得到该id最大可能的正确结果。

参考资料

  1. PaddeDetection特色检测模型PP-YOLOE。
  2. Paddle字符识别模型库PaddleOCR。