摘要
代码：或私信获取 代码
提出了LPRNet端到端方法自动车牌识别，无需初步字符分割。我们的方法灵感来自于-在深度神经网络方面取得突破实时，中文识别准确率高达95%
车牌：

LPRNet由轻量级卷积Neu组成-al网络，因此可以以端到端的方式进行培训。致据我们所知，LPRNet是第一个实时许可证不使用RNN的车牌识别系统。**作为一个结果，LPRNet算法可用于创建嵌入式LPR的解决方案，即使在挑战中国车牌识别项目

结果展示：

车牌识别

网络结构：

简而言之，我们的设计包括：
•具有空间变压器层的位置网络[8]
（可选）
•轻量级卷积神经网络（主干）
•每个位置字符分类头
•用于进一步序列解码的字符概率
•后过滤程序
首先，输入图像由Spatial变特征层，如[8]所述。此步骤是可选的但允许探索如何变换输入图像以具有更好的识别特性。原件LocNet（见表1）架构用于估算最佳变换参数。

细节阐述

为了进一步提高性能，预解码器-中介特征图随全球环境而增强嵌入如述。它通过完全连接的在主干输出上分层，平铺到所需大小与主干输出连接。为了调整特征图深度到字符类号addi-×1卷积。对于推理阶段的解码过程，我们考虑了两个选项：贪婪搜索和波束搜索。而贪婪搜索需要最大限度的类认证在每个位置，波束搜索最大化总输出序列的概率。

对于后期过滤，我们使用面向任务的语言模型实施为一组目标国家LP模板。请注意，后滤波与Beam一起应用搜索后过滤过程得到前N个最大问题-
通过波束搜索找到的able序列，并返回第一个一个匹配预定义模板集的模板-取决于国家LP法规。

训练.详情

所有的训练实验都是在Ten的帮助下完成的-sorFlow[。我们使用“Adam”优化器使用批处理训练模型32的大小、初始学习率0.001和梯度噪声
我们每降低一次学习率10倍的10万次迭代，并训练我们的网络总共250k次迭代。

标签

provinces = [“皖”, “沪”, “津”, “渝”, “冀”, “晋”, “蒙”, “辽”, “吉”, “黑”, “苏”, “浙”, “京”, “闽”, “赣”, “鲁”, “豫”, “鄂”, “湘”, “粤”, “桂”, “琼”, “川”, “贵”, “云”, “藏”, “陕”, “甘”, “青”, “宁”, “新”, “警”, “学”, “O”]
alphabets = [‘A’, ‘B’, ‘C’, ‘D’, ‘E’, ‘F’, ‘G’, ‘H’, ‘J’, ‘K’, ‘L’, ‘M’, ‘N’, ‘P’, ‘Q’, ‘R’, ‘S’, ‘T’, ‘U’, ‘V’, ‘W’, ‘X’, ‘Y’, ‘Z’, ‘O’]
ads = [‘A’, ‘B’, ‘C’, ‘D’, ‘E’, ‘F’, ‘G’, ‘H’, ‘J’, ‘K’, ‘L’, ‘M’, ‘N’, ‘P’, ‘Q’, ‘R’, ‘S’, ‘T’, ‘U’, ‘V’, ‘W’, ‘X’,‘Y’, ‘Z’, ‘0’, ‘1’, ‘2’, ‘3’, ‘4’, ‘5’, ‘6’, ‘7’, ‘8’, ‘9’, ‘O’]

训练数据集

结果

结论

在这项工作中，展示了车牌识别可以利用非常小的卷积neural网络。引入了LPRNet模型，它可以是用于挑战性数据，实现高达95%的识别率
精确建筑细节、动机和消融进行了实验研究。

我们证明了LPRNet可以在实际中执行推理各种硬件架构上的时间，GPU和FPGA。毫无疑问，LPRNet可以-即使在更专业的em上也能保持实时性能-
嵌入式低功耗设备。
LPRNet可能可以使用现代剪枝和量化技术基本上有助于降低计算复杂度疗法。作为未来的研究方向，LPRNet工作可以是通过将基于CNN的检测部分合并到我们的-因此，检测和识别任务都将作为单个网络进行评估，以超越
基于LBP的级联检测器质量。