使用deepstream-test的范例代码修改车牌识别与遮盖

前一篇文章提到使用deepstream-test的范例代码，修改成“车牌识别”与“遮盖（redaction）”的应用，本文就直接带着大家实现这两个范例的实践，但是并不花时间去解释代码内容，因为基本工作流与逻辑是大致相同的，就是需要开发人员能够多做实验去熟悉每个插件直接的互动关系。

redaction_with_deepstream项目

虽然名称上的“redaction”是“修改”的意思，但这里执行的效果其实就是识别视频上的“私人信息”进行遮盖，主要包括“人脸”、“车牌”这些重要信息，因为近年来越来越多的网上小视频的播放，以及个人隐私保护程度高涨，内容提供人如果没有适度地遮盖视频中的隐私信息，很可能遭受到维权的法律诉讼。

因此这个项目虽然看起来并没有太高深的技术含量，但是实用性非常强，在Jetson Nano 2GB上用DeepStream直接帮视频中需要遮盖的信息，进行全自动化的处理，这样就能减少非常多不必要的纠纷。

项目地址在https://github.com/NVIDIA-AI-IOT/redaction_with_deepstream，下面的简易流水线图也相当简单（如下图）。

不过比较有参考价值的流水线图在“Pipeline Description”下面的两张图，将整个流水线的内容说明的非常详细，强烈建议读者自行下载去研究，这对于提升对DeepStream流水线的理解是很有帮助的，这部分能连贯起来之后就差不多有足够的掌握程度。

项目执行非常简单，执行以下指令就可以：

cd 《deepstream主目录》/sources/apps

git clone https://github.com/NVIDIA-AI-IOT/redaction_with_deepstream

cd redaction_with_deepstream && make

。/deepstream-reaction-app -c configs/pgie_config_fd_lpd.txt

如果你的Jetson设备上有安装USB摄像头，执行之后应该就会显示摄像头的画面，看看人头过去的时候是否会把脸遮住？

打开 USB 摄像头，对着电脑屏幕上播放的视频进行测试，左边车牌用蓝色色块遮盖，右边人脸部分用黑色色块遮盖，假如对“遮盖”的颜色不满意，可以调整代码中第109~111行与118～120行的设定值，就可以改变颜色。

您可以自行尝试用视频文件来做输入，并将检测的结果输出成一个视频文件，这部分的指令在开源项目内都有很详细的说明。执行完之后还会显示本次检测的实际性能，在Jetson Nano 2GB上的性能也能到达128FPS，非常好的表现

deepstream_lpr_app车牌识别项目

这个项目是个很经典的检测器（detector）与分类器（classifier）共同合作的项目

主检测器还是使用原本的4类检测器，其中有“car”类别

在图像中检测到Car之后，再从这个物体的范围内去寻找车牌，因此需要一个专门检测车牌的次检测器，这需要从NVIDA的NGC下载已经训练好的模型，当然您也可以自己重新收集车牌数据集然后重新训练。

当检测到车牌的时候，将车牌图像送交分类器，将上面的字符逐个分离出来，最后回馈车牌的字符串。整个识别需要先找到“car”这个物体，如果您直接提供车牌的图片，在这里是辨识不出来的。

这个项目提供“美国”与“中国”的lpd车牌识别模型与lpr字符分类模型，两组是不能混用的。经过测试，发现在“中国车牌”识别的模型中，应该没有将属于电动车的“绿色”车牌放进去，因此这种车牌也是识别不出来的。

因为deepstream-app这个强大的工具，虽然提供“多检测器”级联的处理功能，但是没有提供“检测器与分类器”级联的功能，因此必须自己撰写代码来实现这个功能。根据的代码内容的风格判断，应该是以deepstream-test2范例为基础进行开发的。

接下来就用这个项目的“中文车牌”识别的部分，带着大家复现一下，里面有些小坑，不过我们都已找到问题的答案，请按照一下步骤执行：

1. 下载项目与模型：

git clone https://github.com/NVIDIA-AI-IOT/deepstream_lpr_app.git

cd deepstream_lpr_app

。/download_ch.sh

这会从NGC下载三个预训练的中文车牌识别模型文件，以及各自配套的设置文件，脚本为这些模型、配套文件都设置好对应路径，不需要修改：

1） 主检测模型（四分类）：resnet18_trafficcamnet_pruned.etlt

2） 次检测模型（一分类）：ccpd_pruned.etlt

3） 次分类模型：ch_lprnet_baseline18_deployable.etlt

2. 模型转换：

前面下载的次分类模型（ch_lprnet_baseline18_deployable.etlt）是个中间文件，必须在目标设备（这里是Jetson Nano 2GB）使用tlt-converter转换成该设备能使用的TensorRT加速引擎，需要先到https://developer.nvidia.com/cuda102-trt71-jp45下载cuda10.2_trt7_jp45-xx.zip，解压缩就能看到tlt-converter这个工具。

下载后执行以下转换指令：

。/tlt-converter -k nvidia_tlt

-p image_input，1x3x48x96，4x3x48x96，16x3x48x96

models/LP/LPR/ch_lprnet_baseline18_deployable.etlt

-t fp16 -e models/LP/LPR/lpr_ch_onnx_b16.engine

再次强调，这个转换步骤必须在目标设备上执行，例如在Xavier上所专换的加速引擎是不能复制到NX或Nano（含2GB）上使用。

3. 编译与修改设定：

直接执行以下指令：

cd deepstream_lpr_app # 进入到主代码的目录中

make # 编译

cp dict_ch.txt dict.txt # 处理中文版的字典

最后，中文版设定文件lpd_ccpd_config.txt里第52行“model-color-format”设定值改为“0”，这样就能正常识别了。

4. 执行：

这个步骤必须您自己去找到合适的视频，或者自行录制一小段视频作为输入，然后在这个目录下执行编译好的执行文件，在deepstream-lpr-app后面需要跟随以下几个参数：

1. 识别种类：1 -》 美国车牌识别、2 -》 中国车牌识别

2. 输出种类：1 -》 输出h264视频文件、2 -》 fakesink、3 -》 显示到屏幕上

3. ROI开关：0 -》 关闭、1 -》 开启

4. 输入文件：可以一次给多个.mp4视频文件

5. 最后一个：指定输出.h264视频文件

例如：

。/deepstream-lpr-app 2 1 0 test1.mp4 test2.mp4 out.h264

下面是使用我们自行在停车场录制的视频、行车记录仪、VisionWorks的范例，总共6个视频文件作为输入的测试结果，提供大家参考。

结语

本文的重点是要告诉大家，虽然使用deepstream-app调用设定文件的方式是很容易上手，但却没办法解决一些特殊的应用。

本文所介绍的两个实用性非常高的应用，就不能套用这种方式，必须自行撰写代码去执行特殊的处理，分别基于deepstream-test1与deepstream-test2两个C/C++范例去开发，这给了初学者更开放的思路，不能只拘泥于deepstream-app设定文件的配置修改上，应该回归正途从DeepStream的插件流去解决问题。

下一篇文章我们将以NVIDIA在DeepStream 4.0版时所提供的一个Jupyter学习环境，更有条例与有效率地一步一步在deepstrem-test上添加功能，包括将输出的视频流透过RTSP/RTP装向其他设备去显示、多数据源输入、多网络模型组合检测等等功能。

不熟悉C/C++的朋友也不用着急，因为DeepStream也提供相当成熟的Python开发借口与范例，工作原理与C/C++版本完全一致，因此我们还是先用现有资源让大家逐步体验，最后还会再用Python的代码进行示范，这样就能事半功倍。