| 现场环境 |
在自然场景下，如道路上行驶的车辆，光照条件包括白天、夜晚、阴暗环境，车牌可能受到光照、污渍、倾斜等因素影响。使用普通摄像头拍摄车牌图像，相机镜头距离车牌约1-3米，平行于车牌拍摄。 |
| 使用对象 |
车辆的车牌，包括大陆车牌（7个字符）和中国台湾车牌（6个字符）。 |
| 使用目的 |
通过深度学习技术，快速、准确地定位车牌位置，并识别车牌上的字符，提高车牌识别的准确率和效率，适用于智能交通系统中的车辆识别、限速执法、自动停车等场景。 |
| 硬件配置 |
CPU：Intel i7-7700K
GPU：NVIDIA Quadro M4000
内存：16GB |
| 硬件兼容 |
无
|
| 软件配置 |
操作系统：Ubuntu 16.04
编程语言：Python
依赖库：TensorFlow、Caffe、CUDA 8.0、cuDNN 5.0 |
| 软件兼容 |
无
|
| 输入数据 |
可见光波段的车牌图像。 |
| 输出数据 |
车牌号码、车牌位置坐标。 |
| 样本获取 |
自收集数据集包括3305张大陆车牌图片，经过调整对比度、添加噪声、旋转等变换后，总共得到26440张图片，其中24000张用于训练集，2440张用于验证集。公共数据集RP包含611张中国台湾车牌图片，经过变换后总共得到4888张图片，分为4000张训练集图片和888张测试集图片。 |
| 测试结果 |
车牌定位：召回率0.9909，准确率0.9887，平均测试时间0.0321秒。
字符识别：汉字识别准确率0.9529，字母识别准确率0.9738，字母+数字识别准确率0.9692，总字符识别准确率0.9508，平均测试时间0.0192秒。 |
| 执行速度 |
车牌定位：平均测试时间0.0321秒/张图片。 字符识别：平均测试时间0.0192秒/张图片。 |
| 资源消耗 |
针对上述硬件配置，使用Caffe平台记录的数据，单独运行算法时，CPU计算占比平均约60%，GPU计算占比平均约70%，内存使用占比约50%。 |
| 源码类型 |
本算法有Python版本源码，使用售卖方式三进行授权。 |
| 文件大小 |
算法程序文件32KB，权重文件256MB。 |
| 相关备注 |
无 |
