开源的车牌识别系统打败了目前最先进的商业软件

        来自巴西阿雷格里港大学的学者发表于ECCV2018的论文《License Plate Detection and Recognition in Unconstrained Scenarios》,给出了一整套完整的车牌识别系统设计,着眼于解决在非限定场景有挑战的车牌识别应用,其性能优于目前主流的商业系统,代码已经开源,非常值得参考。
作者信息:


展示了该系统在室外环境,角度变换等场景强大的车牌定位、识别能力。

 

很多车牌识别论文中常用的数据库往往是正面拍摄的,但实际应用中,各种可能的情况都有,作者首先给出了一些对车牌识别有挑战的数据示例:

该文提出的系统很好的解决了这类有挑战的车牌识别问题。

系统架构

作者提出的车牌识别系统,包含车牌识别的所有环节,主要有三大步骤:车辆检测、车牌检测与校正、OCR。
下图展示了整个系统流程:

输入图像首先使用YOLOv2进行车辆检测(作者使用原始的YOLOv2,没有做任何改动),检测到的车辆图像再输入到WPOD-NET网络,进行车牌检测和车票卷曲校正系统的回归,然后对车牌进行校正输入到OCR-Net网络,识别出车牌字符。

WPOD-NET用于车牌区域检测于校正系统回归示意图:


平面目标的全卷积网络检测,对于系统输出的车牌区域特征图,划分成(m,n)个cell,查找高目标概率的cell,根据这些cell的位置,计算将该区域转换成方形车牌的仿射系数。

WPOD-NET架构图

为训练WPOD-NET对数据进行了各种常规的数据增广:

车牌识别OCR部分使用一种改进的YOLO网络,其架构如下

为训练该OCR系统也进行了大量数据增广:

为评估该系统,作者收集了常用的数据集,并自建了挑战的数据集CD-HARD。

实验结果
作者将该文系统与目前主流的商业车牌识别系统相比较,包括OpenALPR、Sighthound、Amazon Rekognition。

在整个数据集上取得了远超过其他系统的性能,在OpenALPR数据集上取得了与最好系统相匹敌的性能,尤其在具有挑战的CD-HARD数据集上取得了异常明显的性能优势。

一些校正并识别后的车牌示例:

运行速度
在配置为Intel Xeon CPU 、12Gb RAM、 NVIDIA Titan X GPU的机器上,平均达到5fps。

工程主页:
http://www.inf.ufrgs.br/~crjung/alpr-datasets/

https://github.com/sergiomsilva/alpr-unconstrained

转载来源:《ECCV18|这篇论文开源的车牌识别系统打败了目前最先进的商业软件

推荐文章

标注说明 标注范围说明:要进行标记的对象:站着、坐着、蹲着、躺着、抱小孩、背小孩、容器(购物车、婴儿车)中的小孩、走着的人、骑车人、推车和拉杆箱。当出现以下情形时,不需标注:1) 人体性别或年龄无法区分时不需标注;2) 头部或身体遮挡或截断超过50%及以上时不需标注;3) 推车、拉杆箱存在50%及以上遮挡时,不标注推车及拉杆箱;当行人无法标注时,其推车及拉杆箱也不进行标注。 示例及说明:标注对象示例 图中的1、2、4、5均需进行标注,3、6、7、8、9、10均因遮挡过多,不进行人像标注。同一人物会出现在不同的图片中,尽量不要进行重复标注。抱小孩、背小孩的,大人小孩单独标注;容器中(推车内、拉杆箱上)的小孩,小孩单独标,容器单独标并与大人相关联左图大人小孩单独标注,需拉两个标注框,标注框可重叠。标注框的大小说明:(1) (2) (3)拉取标注框时,框的大小要贴合标注的对象,如图(1)所示,图(2)中的标注框过大,图(3)中的标注框过小。可标注对象遇到被遮挡情况,要按预估标注完整框;遇到被截断情况,需要标注可见区域。当遮挡或截断比例超过50%不进行标注。 标注属性说明:“其它”表示属性可以清晰观测但是不在现有选项内。“不明确”表示标注人员无法观测到属性。部分属性无法判断可选择“不明确”类型:行人、骑车人。骑车人的车不作为附属进行标注。遮挡:完全未遮挡、部分遮挡、大部分遮挡;完全未遮挡(0%)部分遮挡(0%~20%)大部分遮挡(20%~50%); 红色标注的人被部分遮挡截断:完全未截断、部分截断、大部分截断;完全未截断(0%)部分截断(0%~20%)大部分截断(20%~50%) 红色标注的人由于画面限制被部分截断人脸能否看清:是、否;身体朝向:正面、背面、左侧(包括左前、左后)、右侧(包括右前、右后)、不明确,具体朝向以标注人员视角为准;(左侧)(右侧)(背面)发型:光头、短发、长发、戴帽子、不明确;头发在耳朵垂以上才算短发,头发在耳朵垂以下的全是长发;眼镜:无眼镜、透明眼镜(包括只佩戴镜框)、墨镜(包括有色眼镜)、不明确;佩戴口罩:佩戴口罩、不佩戴口罩、不明确;性别:男、女;性别不明确不进行标注年龄:婴儿、小孩、学生、青年、中年、老年;婴儿特指无法走路,还在手推车里的小孩(0-3)小孩指10岁以下(4-9)学生指初高中(10-18)青年指大学生以上(19-40)中年(41-60)老年(60以上)人种:亚洲人、白人、黑人、不明确;全身:是、否;可标注的人物穿着类似背带裤或者裙裤等从身体连到脚的衣服时,全身属性选择“是”,当可以看清标注对象上衣下衣情况时(包括及膝的连衣裙,也能看见裤子),全身属性选择“否”。上衣类型:户外外套、西装外套、毛衣、t恤、衬衫、连帽衫、无袖上衣、披肩、其他、不明确;全身属性为“是”时,上衣类型选择“不明确”;全身属性为“否”时,上衣类型根据实际情况进行标注。上衣类型为多选框(比如毛衣上披了披肩),如下图所示,外套和内衬均可进行选择。 上衣颜色:黑、白、灰、橙、黄、绿、青(蓝绿色)、蓝、紫、洋红(红偏粉)、红、棕、其它(其它颜色)、不明确;上衣颜色无需考虑全身情况,依旧按照实际情况进行标注。按照图像中标注人员主观判断颜色占比,选取占比最大的颜色,如果是杂乱花纹就标注“其他”。颜色均匀分布选择“其它”。颜色属性比较多,不要选错。上衣纹理:纯色、条纹、格子、大色块(主要颜色占大部分)、其它(其他纹理)、不明确;上衣纹理无需考虑全身情况,依旧按照实际情况进行标注。大色块代表某种颜色占据上衣大部分区域,如上衣外套是黑色,打底是白色,纹理为大色块;如上衣是黑色,包包的带子是白色且较宽、面积大些,纹理也为大色块。上衣纯色且遮挡很少(纯色上衣佩带窄带的斜挎包)记为纯色。下衣类型:下衣类型:长裤、短裤、长裙、短裙(以膝盖为界)、不明确;全身属性为“是”时,下衣类型选择“不明确”;全身属性为“否”时,下衣类型根据实际情况进行标注。下衣如果光腿颜色标注“其他”,如果穿

热门文章

        对数据标注行业稍微有些了解的人都知道数据标注进入门槛低,适合很多人兼职也适合创业。        正是因为数据标注行业的门槛低这个特点最近两年从事数据标注的小公司小工作室如雨后春笋般的遍布全车大大小小的县城。        但是目前有个有趣的现象,那就是有很多进入数据标注行业做了一段时间的人慢慢的感觉数据标注行业就是个坑?为什么有些人会说数据标注就是个坑呢?        其实对与有上述问题认识的人我们认为,这些人多数都是有于对这个行业对自身条件的不了解,盲目的开始进入数据标注行业的。为什么我们会这样说呢?下面就给给大家来分析下到底有哪几方面的原因:        一、有相当一部分人是听了朋友或者网上消息说这行很火爆,好做,门槛低,也有一部分人了因此租办公室买电脑招人,然后就去群里面找分发项目的人就开张干起来了。可实际上这些人他们大多数都没有充分了解数据标注行业,更没有认真仔细得去调查分析,到底自己能不能做好一个项目,到底自己能不能有质有量按时交付的完成一个项目,到底自己有没有这个能力来管理项目。更多的人也没有去用长远的眼光去考虑数据标注项目。        二、数据标注项目虽然入门门槛低,但是相当一部分有于理解认知应变能力上都不能保证去做好数据标注项目,还有一部分人由于自己对标注项目重视程度不足接到项目之后呢?不仔细认真的去阅读理解项目规则,更没有很好的对规则质检标准去培训员工,而对员工的要求主要看重每天的产出效率,从而导致接到手的项目做的质量很差,频繁的返工,有提项目甚至因为质量太烂项目方不给结算或者是结算比例很少,最终的结果就是做好些个项目但基本都是赔钱。        三、虽然业内人都 说数据标注简单,但是标注项目他也是一个系统性的工程,一个项目能不能做好并不简单的看项目好做就能赔钱。实际上决定项目赚不赚钱考验的是一个团队的项目管理水平,质量管理能力,运营能力各方面因素的。一句话再好赚钱的项目也照样有人赚钱也有人赚钱,要赚钱不是那么简单的。        四、还有些工作室 、小公司因为对行业不够了解等他们做了一段时间后发现,自己团队经常会没有项目做,而自己团队接项目的业务能力又不具备,甚至有的时候为了员工有活干去接一些价格极低根本就不赚钱的标注项目,时间稍微一长这些工作室团队就会赔上很多钱最终关门倒闭。        五、下来要说的就是一部分人人兼职人员由于认识不到位,对项目的规则质量要求 文件不认真阅读消化理解导致做的项目质量差返工有的甚至最后不结算,最终退出这行。更有一些人由于经验不足被标注行业的项目骗子给忽悠到辛苦劳动到最后结算时找不到人。        标注行业本身由于进入门槛低,做的人很行业内盲目打价格战,导致很多转手二手三手的项目在质量工期的要求下根本就不赚钱甚至赔钱,所以在这里也提醒大家做任何事都要谨慎而行。