XLPNet简介

一个诞生于2022年，基于纯卷积神经网络结构的车牌检测与识别系统
XLPNet分为车牌检测与车牌字符识别两部分，具备轻量化、运行高效的特点
算法上具备一些新颖的设计与思考，并非现有方案的简单集成
基于pytorch构建完整的网络结构与训练体系，支持GPU/多GPU训练
提供完整的opencv调用程序（包括python版本和C++版本），可以完全摆脱深度学习框架的限制，便于在多种不同平台和系统（Windows/Linux/Raspbian）直接或间接部署使用

前言

不正经的前言

正经人谁还搞CV？
正经搞CV的谁还搞目标检测、字符识别？
正经搞目标检测识别的谁还搞车牌？

实不相瞒，我就是那个断断续续做了三年多车牌检测与识别的不正经CVer。才疏学浅，闲来做这么一个开源的小项目，一为总结过去的所学，二为分享当前的所思所想，难免贻笑大方，自然也权当玩笑了。

正经的前言

跨入深度学习时代以来，车牌检测与识别（自动车牌识别，ALPR）相关的学术文章、技术文献纵不以万计，也足可称得上“成百上千”，但目标检测、文本检测与识别等领域的发展，仍旧能够给予ALPR技术不竭的更新思路、前进动力；
自本科毕设开始，车牌检测与识别就是我的一个课题，硕士课题仍然是ALPR相关。期间对于现有的基于深度学习技术的ALPR方案（包括论文、开源项目等）做过了较为详细的整理研究，发现技术上大同小异，基本都是采用通用目标检测技术来定位车牌，采用文本识别技术来识别车牌字符；
任务本身不是特别有难度，现有方法又有这么多，那还有什么做的必要呢？我的理由有三：
（1）目前通用检测算法基本都是回归边界框，但结合工程经验来看，边界框定位的形式不如采用角点定位的形式来的精度高；
（2）目前很多通用检测算法较难在精度和速度间取得一个均衡（当然yolo系列、NanoDet等做的很好），此外也很难脱离pytorch等深度学习框架直接部署使用；
（3）识别部分现在要想取得高准确率往往采用循环神经网络RNN（LSTM）的方式来处理，不仅速度受限，而且部署也是很麻烦；
想法必须经过实践检验才有意义，因此我计划做一个开源的车牌检测与识别方案，融入这几年的经验和理念，尽量在理论性上具备一定原创性，同时也兼顾一定的工程需要。