这是一个用于车牌识别的大型国内的数据集，由中科大的科研人员构建出来的。发表在ECCV2018论文Towards End-to-End License Plate Detection and Recognition: A Large Dataset and Baseline
https://github.com/detectRecog/CCPD
该数据集在合肥市的停车场采集得来的，采集时间早上7:30到晚上10:00.涉及多种复杂环境。
一共包含超多25万张图片，每种图片大小720x1160x3。一共包含9项。每项占比如下图：
各项意义如下：
| CCPD- | 数量/k | 描述 |
| Base | 200 | 正常车牌 |
| FN | 20 | 距离摄像头相当的远或者相当近 |
| DB | 20 | 光线暗或者比较亮 |
| Rotate | 10 | 水平倾斜20-25°，垂直倾斜-10-10° |
| Tilt | 10 | 水平倾斜15-45°，垂直倾斜15-45° |
| Weather | 10 | 在雨天，雪天，或者雾天 |
| Blur | 5 | 由于相机抖动造成的模糊 |
| Challenge | 10 | 其他的比较有挑战性的车牌 |
| NP | 5 | 没有车牌的新车 |
数据标注:文件名就是数据标注.
如:025-95_113-154&383_386&473-386&473_177&454_154&383_363&402-0_0_22_27_27_33_16-37-15.jpg
由分隔符'-'分为几个部分:
1)025为区域,
2)95_113 对应两个角度, 水平95°, 竖直113°
3)154&383_386&473对应边界框座标:左上(154, 383), 右下(386, 473)
4)386&473_177&454_154&383_363&402对应四个角点座标
5)0_0_22_27_27_33_16为车牌号码 映射关系如下: 第一个为省份0 对应省份字典皖, 后面的为字母和文字, 查看ads字典.如0为A, 22为Y.....
- 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"]
-
- 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']
6)37亮度
7)15模糊度
所以根据文件名即可获得所有标注信息.
模型：
10层卷积提取特征，经过三个全连接层到边界框：此为检测部分，
提取1,3,5层的特征用于ROI池化，因为底层特征有益于提高语义分割的质量，高层特征受益不大，且花费更多的时间。然后经过ROI池化，resize后 拼接在一起，输入到车牌号码识别器。目标函数如下:
roi池化参考：https://blog.csdn.net/auto1993/article/details/78514071
smoothL1损失为了防止预测值和label相差过大，梯度爆炸：https://blog.csdn.net/weixin_35653315/article/details/54571681
=================================================================================================
发现老的ccpd的标注有很多不正确,最近ccpd更新了数据以及标注.
数据量 ccpd_base: 200k
ccpd_challenge : 50k 相对增加40k
ccpd_blur:20.6k
ccpd_db:10k 相对较少10k
ccpd_fn:20.9k
ccpd_weather :10k
ccpd_rotate:10k
ccpd:tilt:30k 相对增加20k
所以总体增加50k
同时增加了数据量,为了和论文对比还是使用原始的数据量把, 可以更新标注
base 有5万5千多张重复的车牌号码, 所以不能用车牌号码校对, 但是md5值不唯一,所以可以用这个来校对
ccpd子集之间有重复图片, 但是单个子集没有重复的, 这样就可以一个一个子集校对
使用车牌号码也无法校对, 因为有同一个车牌号码, 不同角度的车.
所以目前的结论为base可以根据MD5校对, 其他子集无法校对.