# ICE_Dataset

ICE 车牌检测/识别项目的数据集仓库，涵盖 CCPD 原始数据、特殊车牌生成、YOLO 训练数据构建。

---

## 目录总览

```
ICE_Dataset/
├── chinese_license_plate_generator/  ← 车牌底板渲染引擎（核心依赖）
├── CCPD/                             ← CCPD2019 & CCPD2020 原始街拍图片
├── CCPD_SPE_GEN/                     ← 特殊车牌生成工具集
│   ├── cv_pipeline/                  ← Python 原型管线（开发/调色/预览用）
│   ├── cpp_pipeline/                 ← ★ C++ 生产引擎（~53张/秒，实际全量生成用）
│   ├── gan_pipeline/                 ← GAN 纹理迁移实验（已废弃，未实际使用）
│   └── scripts/                      ← 一键运行脚本
├── CCPD_SPE/                         ← 特殊车牌数据集输出（C++ 管线全量生成）
├── ccpd_combined_5k5k_spe/           ← YOLO 训练用合并数据集
├── scripts/                          ← 数据集构建/统计工具
├── LP_Standard.md                    ← GA36-2018 中国车牌标准参考
└── output/                           ← 临时输出、调色预览
```

---

## 各部分说明

### 1. `chinese_license_plate_generator/` — 车牌渲染引擎

第三方车牌图像生成器，提供 `MultiPlateGenerator`：
- 按 GA36-2018 标准渲染 9 种特殊车牌底板
- 输出纯车牌图像（无背景），作为后续管线的合成素材
- **管线实际依赖**：被 `cv_pipeline/plate_swap.py` 直接调用

### 2. `CCPD/` — CCPD 原始数据集

| 子集 | 说明 |
|------|------|
| `CCPD2019/ccpd_base` | 标准街拍（主力） |
| `CCPD2019/ccpd_tilt` | 倾斜视角 |
| `CCPD2019/ccpd_rotate` | 旋转视角 |
| `CCPD2019/ccpd_fn` | 远/近景（Far/Near） |
| `CCPD2019/ccpd_weather` | 恶劣天气 |
| `CCPD2019/ccpd_blur` | 模糊 |
| `CCPD2019/ccpd_challenge` | 挑战性样本 |
| `CCPD2020/` | CCPD2020 扩展集 |

CCPD 文件名自带角点标注（4 个角点 `x&y_x&y_x&y_x&y`），**管线不依赖 YOLO 检测**，直接解析文件名即可获取车牌坐标。

### 3. `CCPD_SPE_GEN/` — 特殊车牌生成工具

#### 3.1 `cv_pipeline/` ★ 主力管线（实际使用）

| 文件 | 功能 |
|------|------|
| `plate_swap.py` | 核心：CCPD 原图 → 解析角点 → 生成特殊车牌 → Lab 色彩对齐 → 透视回贴 → 羽化 + 噪声匹配 → 输出 |
| `extract_real_plates.py` | 从 CCPD 提取真实车牌 ROI（用于 GAN 训练数据准备，实际未用） |
| `gen_pure_plates.py` | 生成纯合成车牌（无背景） |
| `color_tuner.py` | HSV 手动调色 GUI，保存参数到 `plate_color_profile.py` |
| `plate_color_profile.py` | 底板色校正参数（由 color_tuner.py 生成，`plate_swap.py` 运行时读取） |

**特点**：零训练成本，纯 OpenCV + NumPy，即开即用。

#### 3.2 `cpp_pipeline/` — C++ 高性能版

| 文件 | 功能 |
|------|------|
| `plate_swap.cpp/.hpp` | C++ 复刻 CV 管线核心逻辑 |
| `main.cpp` | 多线程入口（`--workers` 参数，默认自动检测全部 CPU 核心） |
| `gen_plate_pool.py` | 预生成车牌池 `.bin` 供 C++ 读取 |
| `build.ps1` | VS2022 + CMake 编译脚本 |
| `install/plate_swap.exe` | 预编译可执行文件（Git LFS） |

**当前状态**：C++ 版是 **CCPD_SPE 的实际生产引擎**，当前生成 9000 张（9 类 × 1000 张，~53 张/秒，线程数按本机 CPU 核心自动分配），全量 35.5 万张预估 1.9 小时。
Python `cv_pipeline` 作为**开发原型**保留——用于初始验证、`color_tuner.py` 调色 GUI、以及单张预览/调试。
两套管线核心功能对齐（色温匹配、噪声匹配、退化模拟一致），羽化实现有差异：Python 用 `distanceTransform` 精确渐变，C++ 用 `erode+GaussianBlur` 近似（快 3 倍，肉眼几无区别）。

#### 3.3 `gan_pipeline/` — GAN 纹理迁移（已废弃）

| 文件 | 功能 |
|------|------|
| `models.py` | CUT (Contrastive Unpaired Translation) Generator + PatchGAN + PatchNCE Loss |
| `dataset.py` | L 通道车牌 DataLoader |
| `train.py` | 训练脚本 |

**当前状态**：❌ **未实际使用**。设计目标是用 GAN 将合成车牌的 L (亮度) 通道纹理迁移为真实风格，替代硬编码的 JPEG 退化模拟。但因以下原因废弃：
- CV 管线的 JPEG 降采样 + 模糊退化已能满足训练需要
- GAN 训练需要额外 GPU 时间，收益不明确
- YOLO 检测模型对退化模拟的敏感度不高

代码保留以供未来可能的实验。

#### 3.4 `scripts/` — 一键脚本

| 脚本 | 功能 |
|------|------|
| `quick_test.sh` | 快速测试：生成 20 张警车牌 |
| `preview_all.sh` | 预览全部 9 种类型（各 2 张 + 中间结果） |
| `gan_data_prep.sh` | GAN 训练数据准备（当前无实际用途） |

### 4. `CCPD_SPE/` — 特殊车牌数据集（输出）

由 C++ 管线（`cpp_pipeline/`）生成，按 CCPD 子集 → 特殊车牌类型两级目录组织：
```
CCPD_SPE/
├── ccpd_base/
│   ├── police/  gangao/  coach/  new_energy/  ...
├── ccpd_tilt/
├── ccpd_weather/
...
```
文件命名：`{CCPD原名}__{特殊车牌类型}__{车牌号拼音}.jpg`

### 5. `ccpd_combined_5k5k_spe/` — YOLO 训练数据集

由 `scripts/build_ccpd_combined.py` 构建，合并三部分：
- CCPD2019 原始蓝牌（5k 张采样）
- CCPD2020 原始蓝牌（5k 张采样）
- CCPD_SPE 特殊车牌（全量）

输出标准 YOLO 格式：`images/` + `labels/`（单类 `license_plate`），直接用于训练 `yolov5t`。

### 6. 其他

| 路径 | 说明 |
|------|------|
| `LP_Standard.md` | GA36-2018 中国机动车号牌标准全文参考（颜色、尺寸、字符集） |
| `scripts/build_ccpd_combined.py` | YOLO 数据集构建脚本 |
| `output/` | 临时输出目录（调色预览、调试中间结果），已在 `.gitignore` 中排除 |

---

## 数据流（实际使用）

```
chinese_license_plate_generator/          CCPD/ (CCPD2019/CCPD2020)
        │                                        │
        ▼                                        ▼
   MultiPlateGenerator              parse_ccpd_filename() 解析角点
        │                                        │
        ▼                                        ▼
  cpp_pipeline/plate_swap.cpp ─── 色温匹配 → 透视回贴 → 羽化 → 噪声 ──→ CCPD_SPE/
        │                                                                   │
  [预生成 .bin 池]                                                          │
                                                                             │
        CCPD (5k+5k 蓝牌) ─────────────────────────────────────────────────┤
                                                                             ▼
                                                           build_ccpd_combined.py
                                                                             │
                                                                             ▼
                                                               ccpd_combined_5k5k_spe/
                                                                             │
                                                                             ▼
                                                                     ICE_NNv2/yolov5t/
```

---

## 技术说明

| 项目 | 说明 |
|------|------|
| 角点来源 | CCPD 文件名自带，无需 YOLO/ICE-COR 推理 |
| 色温匹配 | Lab 空间白参考提取，每通道 clamp ±15% |
| 羽化策略 | 纯内侧距离变换羽化，不做泊松融合（保护车牌本色） |
| 噪声匹配 | 从原车牌区域估计 σ + Laplacian 模糊度，仅车牌区域叠加 |
| 退化模拟 | JPEG Q=2 + 4×降采样→最近邻升采样 + GaussianBlur |
| GAN | **未实际使用**，代码保留在 `gan_pipeline/` |
| C++ 版 | ★ **生产引擎**，CCPD_SPE 全量由此生成；Python 版为开发原型 |