CCPD数据集下载与预处理全指南：从数据获取到模型训练

1次阅读

没有评论

共计 3116 个字符，预计需要花费 8 分钟才能阅读完成。

CCPD（Chinese City Parking Dataset）是目前最全面的中文车牌识别数据集之一，由国内研究团队收集整理。它包含超过 30 万张真实场景下的车牌图像，覆盖多种天气条件、光照变化和拍摄角度。数据集的主要特点包括：

高多样性：包含普通蓝牌、新能源绿牌、使馆黑牌等常见车牌类型
精细标注：每张图片提供车牌位置、字符内容、车牌颜色等完整标注信息
真实场景：所有图片均来自实际道路和停车场，具有典型的复杂背景

在车牌识别任务中，CCPD 因其规模和质量成为业界标杆数据集，常用于验证算法在真实场景下的表现。

官方下载地址为 GitHub 项目页面：CCPD-GitHub。但由于服务器位于国外，国内开发者可能会遇到下载速度慢的问题。以下是几种解决方案：

使用国内镜像源：部分高校和研究机构提供了数据集镜像
分卷下载：官方提供了按省份划分的数据子集，可以分批下载
云盘备份：技术社区中常有爱好者分享的百度网盘 / 阿里云盘链接

建议下载完整版 CCPD2019 数据集（约 12GB），包含最丰富的样本类型。

CCPD 使用特殊的文件名编码标注信息，例如：”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” 包含以下信息：

车牌区域坐标
车牌四个角点坐标
车牌号码
亮度和模糊度评分

以下是 Python 解析代码示例：

import re
from pathlib import Path

def parse_ccpd_filename(filename):
    """解析 CCPD 文件名中的标注信息"""
    stem = Path(filename).stem
    parts = stem.split('-')

    # 解析车牌号码
    plate_number = parts[-2].replace('_', '')

    # 解析车牌区域坐标 (x1,y1,x2,y2)
    bbox = list(map(int, parts[2].split('&') + parts[3].split('&')))

    # 解析角点坐标
    corners = list(map(int, re.split('[&_]', parts[1])))
    corners = [(corners[i], corners[i+1]) for i in range(0, 8, 2)]

    return {
        'plate_number': plate_number,
        'bbox': bbox,
        'corners': corners
    }

针对车牌识别任务，推荐以下预处理流程：

透视变换：利用角点信息将车牌区域校正为矩形
直方图均衡化：改善低光照条件下的图像质量
随机模糊 / 噪声：增强模型对模糊图像的鲁棒性
颜色空间转换：针对不同颜色车牌使用不同的预处理通道

import cv2
import numpy as np

def preprocess_plate(image, corners):
    """根据角点进行透视变换"""
    # 源角点（从图像中检测的车牌四角）src_pts = np.array(corners, dtype=np.float32)

    # 目标角点（标准矩形）width, height = 136, 36  # 车牌标准宽高比
    dst_pts = np.array([[0,0], [width,0], 
                       [width,height], [0,height]], dtype=np.float32)

    # 计算透视变换矩阵并应用
    M = cv2.getPerspectiveTransform(src_pts, dst_pts)
    warped = cv2.warpPerspective(image, M, (width, height))

    # 转换为灰度图
    gray = cv2.cvtColor(warped, cv2.COLOR_BGR2GRAY)

    # 直方图均衡化
    equalized = cv2.equalizeHist(gray)

    return equalized

对于车牌识别任务，推荐以下两种架构：

CRNN（CNN+RNN+CTC）：适合端到端识别，无需字符分割
两阶段检测 + 识别：先用 YOLO 检测车牌，再用 CNN 识别字符

以下是 CRNN 模型的 PyTorch 训练示例：

import torch
import torch.nn as nn
from torch.utils.data import DataLoader

class CRNN(nn.Module):
    def __init__(self, num_chars):
        super().__init__()
        # CNN 特征提取
        self.cnn = nn.Sequential(nn.Conv2d(1, 64, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2),
            nn.Conv2d(64, 128, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2),
            nn.Conv2d(128, 256, 3, padding=1), nn.BatchNorm2d(256), nn.ReLU(),
            nn.Conv2d(256, 256, 3, padding=1), nn.ReLU(),
            nn.MaxPool2d((2,1))
        )
        # RNN 序列建模
        self.rnn = nn.LSTM(256, 128, bidirectional=True, num_layers=2)
        # 输出层
        self.fc = nn.Linear(256, num_chars+1)  # +1 for CTC blank

# 关键训练参数
batch_size = 32
learning_rate = 0.001
epochs = 50

# 数据加载
train_loader = DataLoader(dataset, batch_size=batch_size, shuffle=True)

# 初始化模型和优化器
model = CRNN(num_chars=68)  # 31 个汉字 +10 数字 +24 字母 + 3 特殊字符
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)
criterion = nn.CTCLoss()

# 训练循环
for epoch in range(epochs):
    for images, labels, lengths in train_loader:
        optimizer.zero_grad()
        outputs = model(images)
        loss = criterion(outputs, labels, input_lengths, label_lengths)
        loss.backward()
        optimizer.step()