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

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：

git clone https://github.com/sirius-ai/LPRNet_Pytorch.git

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

# -*- coding: utf-8 -*-

# /usr/bin/env/python3

'''

单图片验证LPRNet模型

'''

from data.load_data import CHARS, CHARS_DICT

from PIL import Image, ImageDraw, ImageFont

from model.LPRNet import build_lprnet

from torch.autograd import Variable

import torch.nn.functional as F

import torch.nn as nn

import numpy as np

import argparse

import torch

import time

import cv2

import os

def cv2ImgAddText(img, text, pos, textColor=(255, 0, 0), textSize=12):

    if (isinstance(img, np.ndarray)):

        img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))

    draw = ImageDraw.Draw(img)

    fontText = ImageFont.truetype("data/NotoSansCJK-Regular.ttc", textSize, encoding="utf-8")

    draw.text(pos, text, textColor, font=fontText)

    return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR)

def predict_single_image(image_path):

    # 硬编码参数

    img_size = [94, 24]          # 图像尺寸

    lpr_max_len = 8              # 车牌最大长度

    dropout_rate = 0             # dropout率

    use_cuda = False             # 是否使用CUDA

    pretrained_model = './weights/Final_LPRNet_model.pth'  # 预训练模型路径

    # 检查模型文件是否存在

    if not os.path.exists(pretrained_model):

        print(f"[Error] 预训练模型未找到: {pretrained_model}")

        return

    # 构建模型

    lprnet = build_lprnet(lpr_max_len=lpr_max_len, phase=False,

                         class_num=len(CHARS), dropout_rate=dropout_rate)

    device = torch.device("cuda:0" if use_cuda else "cpu")

    lprnet.to(device)

    # 加载预训练模型

    lprnet.load_state_dict(torch.load(pretrained_model, map_location=device))

    lprnet.eval()

    # 读取并预处理图像

    if not os.path.exists(image_path):

        print(f"[Error] 图像未找到: {image_path}")

        return

    # 使用OpenCV读取图像

    img_orig = cv2.imread(image_path)

    if img_orig is None:

        print(f"[Error] 无法读取图像: {image_path}")

        return

    # 调整图像大小并归一化

    img = cv2.resize(img_orig, (img_size[0], img_size[1]))

    img = img.astype('float32')

    img -= 127.5

    img *= 0.0078125

    img = np.transpose(img, (2, 0, 1))  # HWC -> CHW

    # 转换为torch tensor并添加batch维度

    img = torch.from_numpy(img).unsqueeze(0)

    if use_cuda:

        img = img.cuda()

    # 预测

    with torch.no_grad():

        prebs = lprnet(img)

    # 解码预测结果

    prebs = prebs.cpu().numpy()[0]  # 去掉batch维度

    preb_label = []

    for j in range(prebs.shape[1]):

        preb_label.append(np.argmax(prebs[:, j], axis=0))

    # 去除重复和空白标签

    no_repeat_blank_label = []

    pre_c = preb_label[0]

    if pre_c != len(CHARS) - 1:  # 忽略空白标签

        no_repeat_blank_label.append(pre_c)

    for c in preb_label:

        if (pre_c == c) or (c == len(CHARS) - 1):

            if c == len(CHARS) - 1:

                pre_c = c

            continue

        no_repeat_blank_label.append(c)

        pre_c = c

    # 将数字标签转换为字符

    plate_number = ''.join([CHARS[i] for i in no_repeat_blank_label])

    # 显示结果

    result_img = cv2ImgAddText(img_orig, plate_number, (10, 30), textColor=(0, 255, 0), textSize=30)

    cv2.imshow('License Plate Recognition', result_img)

    print(f"识别结果: {plate_number}")

    cv2.waitKey(0)

    cv2.destroyAllWindows()

if __name__ == "__main__":

    # 直接在这里指定要测试的图像路径

    test_image_path = "3.png"  # 替换为您的测试图像路径

    predict_single_image(test_image_path)

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！