这是一个pytorch实现的端到端中文车牌识别，整个项目主要是从SSD修改而来的，非常感谢作者的开源。同时项目主要参考了阿里的这篇paperA Novel Integrated Framework for Learning both Text Detection and Recognition的思想，实现了ocr_roi_pooling，基于此，可以将检测、分类和文字识别整合在一个网络任务中进行训练，并采用vgg做为特征提取网络。端到端OCR的优势主要有：
- 速度更快，因为采用同一个特征提取网络
- 识别部分的视野相对于CRNN的方法会更大
- 就是步骤少了，最起码我们只用处理一遍数据了，所以人类的懒惰才是推动科技进步的源动力。
现在网上也有相关开源的中文车牌识别项目。但大多都是采用SSD做车牌检测，CRNN做车牌识别。最起码训练和推导是采用两步走的策略。
我采用了CCPD: Chinese City Parking Dataset数据集，但是GPU计算能力有限，于是随机选择了70000张作为训练样本，采用batchsize=16,迭代了30000次。你可以下载整个数据集，然后将测试样本图片放到./data/test_data。
如果你要用你自己的图片进行测试，要看ssd300是否能检测出来(检测部分是SSD300)。
- 克隆项目
git clone https://github.com/chenjun2hao/CLPR.pytorch.git- 安装cupy，实现ocr_roi_pooling的时候，使用cupy进行了GPU加速。注意： 最开始的时候也用numpy实现了ocr_roi_pooling的功能，但是训练的时候速度太慢了。训练了一天还没有收敛。所以深度学习GPU加速那是必须的，特别是训练的时候。cupy的具体安装可以参考cupy，例如：
(Binary Package for CUDA 9.0)
$ pip install cupy-cuda90- 其他
python 3.6
pytorch 0.4.0- 下载预训练的模型Baidu disk, password:16pk，然后将模型放到
weights文件夹下
python test.pysome examples:
 图1 |
 图2 |
 图3 |
 图4 |
 图5 |
 图6 |
Coming later 整理好了再开源
- 对于斜视或者倾斜车牌的效果不好。可以在识别网络中加入一个矫正网络。
- 识别部分很容易将最后一位漏掉，或者多字的情况。可以尝试多尺度的特征融合，再在channel上加上SEmodule，增加识别部分的特征。