导读

在停车场、小区出入口、高速收费站，我们经常看到自动识别车牌信息的机器，车牌识别系统应用主要用于记录车辆的车牌号码、出入时间，可实现自动化、规范化管理，有效降低人力成本和通行卡证制作成本，大幅度提升管理效率，那么车牌识别是如何工作的呢？

车牌识别基于光学字符识别（Optical Character Recognition, OCR）技术，通过拍照获取车牌图像，加载车牌识别核心算法，将图像上的车牌号转化成为数字信息。

车牌识别准确率跟车牌质量和拍摄质量密切相关。比如车牌会出现生锈、污损、油漆剥落、字体褪色等情况，在黑夜或者车速较快的情况下拍摄的照片较模糊，就有可能降低车牌识别准确率，这是车牌识别过程中，面临的一个主要挑战。

当前已经有很多深度神经网络算法去解决车牌识别的问题，今天我们基于算能云开发空间SOPHNET，为大家详细介绍LPRNet车牌识别算法在Sophon设备上的移植部署，保姆级教程让零基础的你也可以在算能云平台上快速部署运行车牌识别算法。

文章目录

1 LRPNet介绍2 基于LRPNet的车牌识别算法移植与测试2.1 开通SOPHNET账号2.2 下载LPRNet代码2.3 准备Linux交叉编译环境2.4 LPRNet推理测试

1. LRPNet介绍

LPRNet 全称为 License Plate Recognition via Deep Neural Networks，是由Intel于2018年发表的一种轻量级卷积，相对于其他OCR算法，LPRNet的优点如下：

(1) LPRNet不需要字符预先分割，能够端到端进行模型训练和推理，支持可变长字符车牌识别，车牌识别的准确率高、算法实时性强。

(2) LPRNet是第一个没有使用RNN的实时轻量级OCR算法，能够在各种设备上运行，包括嵌入式设备。

(3) LPRNet的鲁棒性强，在视角和摄像畸变、光照条件恶劣、视角变化等复杂的情况下，仍表现出较好的识别效果。

如果有想要深入学习LPRNet算法的朋友，请参考：

论文链接：

代码仓库链接：

2. 基于LPRNet的车牌识别算法移植与测试

基于LPRNet的车牌识别算法移植与测试主要分成四个部分：

开通SOPHNET账号下载LPRNet代码准备linux交叉编译环境LRPNet推理测试2.1 开通SOPHNET账号

（1）算能云平台介绍

SOPHGO（算能）云开发平台目前提供五类云空间：BM1684-PCIE通用云开发空间、BM1684- Simulator云开发空间、SE5-16微服务器云测试空间、TPU编程大赛云开发&测试空间。

我们使用的是BM1684-PCIE通用云开发空间，BM1684-PCIE云开发空间提供一个在线虚拟机测试环境，空间默认挂载了一张SOPHON SC5+智算加速卡，已经配置好了开发所需的 SDK编译运行环境，开发者可用于验证所提交的代码能否基于PCIE模式完成编译，并且可以进行实际运行性能自测。

（2）云平台申请

首先登录云平台官网，登录账号为在算能官网注册的账号。我们选择BM1684-PCIE云开发空间，点击立即申请。

填写使用时长和申请用途，点击提交，等待平台管理员审核，然后在“我的工作台”中查看当前申请空间的审批状态。

审核成功后，就可以开始在云平台上部署测试基于LPRNet的车牌识别算法。

2.2 下载LPRNet代码（1）进入命令行模式

云平台登录有两种方式，一种是手机验证码登录，另外一种是账号密码登录，登录成功后，如下图显示：

点击我的工作台，就可以看到我们已经申请的BM1684-PCIE通用云开发空间了，如下图显示：

点击进入空间下的【云空间Web终端】进入命令行模式 ，云空间Web终端的命令行模式默认在/home/sophgo，该目录下有两个文件，一个是SDK文件bmnnsdk2-bm1684_v2.7.0，另一个是docker镜像文件bmnnsdk2-bm1684-ubuntu-docker-py37.zip。

其中bmnnsdk2-bm1684_v2.7.0是算能科技基于其自主研发的 AI 芯片所定制的深度学习SDK，涵盖了神经网络推理阶段所需的模型优化、高效运行时支持等能力; docker镜像文件在下面的准备Linux交叉编译环境环节会用到。

（2）切换成root权限，从github上拷贝LPRNet代码到云平台的SDK目录

如下图显示，SDK目录下出现了examples文件夹：

examples是基于BMNNSDK2开发的，供开发者学习参考的样例程序。lprnet是其中的一个样例， 位于examples/simple/lprnet目录下，下图显示了lprnet的目录结构。

（3）下载LPRNet算法需要的数据集和模型文件

可以看到，lprnet的data目录下，增加了两个文件，一个是数据集文件images，一个是模型文件models。

如下图显示，images目录下存在一个图片文件夹test和一张图片test.jpg，test文件夹下有1000张车牌图片，test.jpg是一张车牌图片，在后面的LeNet推理测试中，我们会用 test.jpg做简单的推理测试，用test文件夹做大规模的推理测试，以及用1000张车牌图片的准确率对推理测试的性能进行评估：

如下图显示，models目录下存在4个模型文件夹Final_LPRNet_model.pth，LPRNet_model.torchscript，lprnet_fp32_1b4b.bmodel和 lprnet_int8_1b4b.bmodel。

Final_LPRNet_model.pth是在pytorch框架下训练好的模型文件，由于 BMNNSDK2 中的PyTorch模型编译工具BMNETP只接受PyTorch的JIT模型(TorchScript模型)，本工程可以直接使用下载好的LPRNet_model.torchscript进行编译，如果你想自己导出JIT模型，可以参考以下代码：

lprnet_fp32_1b4b.bmodel是模型转换后的fp32bmodel文件，也可通过运行scripts/gen_fp32bmodel.sh脚本文件生成， lprnet_int8_1b4b.bmodel是模型量化后的int8bmodel文件，也可通过运行scripts/gen_int8bmodel.sh脚本文件生成。

上面提到的bmodel是面向算能TPU处理器的深度神经网络模型文件格式，实际上是一系列算丰 TPU 指令的集合，通过使用算丰提供的一系列运行时的接口，可以把 bmodel 中的指令加载到 TPU 上并执行。

如果对模型的转换与量化感兴趣，可以参考如下链接：

2.3 Yolov5推理测试

（1）安装驱动

BM1684-PCIE云空间内包含SDK文件，我们进入到SDK目录的脚本目录下找到安装驱动的脚本install_driver_pcie.sh，运行该脚本就可以安装驱动了。

我们可以通过如下命令检查驱动安装是否成功 ls /dev/bm*

如下图显示，如果看到以下设备节点，表示驱动安装成功。

（2）加载docker，并初始化环境

首先解压docker镜像文件，然后进入镜像文件目录，执行docker load -i ...

（3）在docker容器内安装依赖库及设置环境变量

首先进入到SDK目录下，执行脚本/docker_run_bmnnsdk.sh创建docker容器，然后更新pip，安装nntc，设置环境变量，安装sophon包。

由于Python例程需要用到sail库，需要安装Sophon Inference，否则在运行lprnet_cv_cv_sail.py文件将报错：不存在sophon模块，安装即可。

2.4 LPRNet推理测试

代码提供了两种类型的测试，一种是Python代码测试，另外一种是c++代码测试。下面将分别列出这两种测试的执行步骤。

(1) Python代码测试

test.jpg如下图显示：

如下图显示，我们看到输出”load bmodel success!”，测试图片的路径”data/images/test.jpg”， 和车牌识别结果：”皖A22B20”。

从对一张图片的推理，延伸到对于多张图片的推理，也是一样的。主要将读取一张图片的路径test.jpg，修改成读取图片文件夹的路径test，最终可以对data/images/test中的1000张车牌照进行识别并打印车牌号码，接下来我们对1000张图片进行测试。

如下图显示，我们截取了一部分输出的车牌识别结果，我们可以看到车牌识别结果：”…皖A7R016，皖AX017L，皖AL7F88，……，吉95，……，皖0160R9”，图片数量img_num为1000。

如果我们想输出1000张测试图片的准确率，我们需要将--mode参数值修改为val。

如下图显示，1000张测试图片识别准确率是0.9000

（2）C++代码测试

与python代码测试不同，c++代码测试需要执行文件Makefile.pcie,通过Makefile文件描述源程序之间的依赖关系,进行自动维护编译，生成lprnet_cv_cv_bmrt.pcie文件

如下图显示，在/examples/simple/lprnet/cpp/lprnet_cv_cv_bmrt多了一个lprnet_cv_cv_bmrt.pcie文件：

接下来的步骤和python代码测试就一样了，我们需要执行lprnet_cv_cv_bmrt.pcie进行推理测试：

和python代码测试一样，如果我们想输出1000张测试图片的准确率，我们需要将--mode参数值修改为val

如下图显示，1000张测试图片识别准确率是0.88000。

上面执行的lprnet_cv_cv_sail.py文件和lprnet_cv_cv_bmrt.pcie文件是使用fp32bmodel和OpenCV解码、OpenCV前处理、SAIL推理的，我们也可以使用int8bmodel和SAIL解码、BMCV前处理、SAIL推理，只需要将model的路径更换为lprnet_int8_1b4b.bmodel的路径。

执行examples/simple/lprnet/python目录下的lprnet_sail_bmcv_sail.py或者examples/simple/lprnet/python/cpp/路径下的lprnet_cv_bmcv_bmrt.pcie，lprnet_cv_bmcv_bmrt.pcie的生成方式和lprnet_cv_cv_bmrt.pcie的生成方式类似，请参考LPRNet下的 C++代码测试。

按照上述步骤操作，我们就能完成基于LPRNet的车牌识别算法移植与测试。如有疑问，也可点击阅读原文访问算能官方技术论坛参与讨论。

论坛链接：

© THE END