这是中山大学智能工程学院大二的图像处理课程的第三次大作业。任务是处理车牌号码识别。

为了完成该作业，我参考了网上诸多资料，最终选择了如今的解决方案。即使用 OpenCV 中的传统图像方法对输入图像进行预处理，然后将车牌过滤和字符识别交给神经网络处理。

用到的两个神经网络都是由我自己使用 PyTorch 构建的，结构上借鉴了 LeNet5，十分简单，对于这种简单的任务可以说是绰绰有余，只需稍微训练即可取得不错的效果。

与其他的 repo 不同，这里我还给出了预训练好的网络模型 plate.pth 和 char.pth，便于大家复现出我的项目。

Python 3.6

PyTorch 1.6.0+cu101

OpenCV 4.4.0

需要注意的是，我的模型之前是在服务器上加载和运行的，模型结果是保存在第八张显卡上的。如果你的运行环境中显卡数目少于八张或者说第八张显卡的显存小于2G，则无法直接使用我的预训练模型。

如果需要自行训练模型，首先需要解压数据集 images.zip 使得其与 code 在同一目录下，然后还需要对 plateNeuralNet.py 和 charNeuralNet.py 进行一些修改，即

• 将文件头的 torch.cuda.set_device(7) 改为 torch.cuda.set_device(0)
• 将主函数中的 model = torch.load(train_model_path) 注释掉
• 恢复 model = char_cnn_net() 和 model = plate_cnn_net() 以及 model.apply(weights_init)

接下来只需要运行以下代码即可开始训练：

python3 plateNeuralNet.py
python3 charNeuralNet.py

由于训练需要一定时间，也可以用以下命令将进程挂到后台运行：

nohup python3 plateNeuralNet.py 1>plate.txt &
nohup python3 charNeuralNet.py 1>char.txt &
cat plate.txt
cat char.txt

使用 cat 命令即可实时地查看模型训练的进度。

完成模型的训练后，替换掉原有的预训练模型。检查好数据所在的路径是否有误，然后就可以用以下命令开始运行项目：

python3 carPlateIdentity.py

如果需要测试特定图像，可以放进 images/test/ 目录下。