HyperLPR 高性能开源中文车牌识别框架
一键安装
python -m pip install hyperlpr
支持python3,支持Windows Mac Linux 树莓派等。
720p cpu real-time (st on MBP r15 2.2GHz haswell).
快速上手
#导入包
from hyperlpr import *
#导入OpenCV库
import cv2
#读入图片
image = cv2.imread("demo.jpg")
#识别结果
print(HyperLPR_plate_recognition(image))Q&A
Q：Android识别率没有所传demo apk的识别率高？
A：请使用Prj-Linux下的模型，android默认包里的配置是相对较早的模型
Q：车牌的训练数据来源？
A：由于用于训练车牌数据涉及到法律隐私等问题，本项目无法提供。开放较为大的数据集有CCPD车牌数据集。
Q：训练代码的提供？
A：相关资源中有提供训练代码
Q：关于项目的来源？
A：此项目来源于作者早期的研究和调试代码，代码缺少一定的规范，同时也欢迎PR。
相关资源
更新
更新了Android实现，增加实时扫描接口 (2019.07.24)
更新Windows版本的Visual Studio 2015 工程至端到端模型（2019.07.03）
更新基于端到端的IOS车牌识别工程。(2018.11.13)
可通过pip一键安装、更新的新的识别模型、倾斜车牌校正算法、定位算法。(2018.08.11)
提交新的端到端识别模型，进一步提高识别准确率(2018.08.03)
添加了HyperLPR Lite 仅仅需160 行代码即可实现车牌识别(2018.3.12)
增加字符分割训练代码和字符分割介绍(2018.1.)
TODO
支持多种车牌以及双层
支持大角度车牌
轻量级识别模型
特性
速度快 720p,单核 Intel 2.2G CPU (MaBook Pro 2015)平均识别时间低于100ms
基于端到端的车牌识别无需进行字符分割
识别率高,卡口场景准确率在95%-97%左右
轻量,总代码量不超1k行
模型资源说明
cascade.xml 检测模型 - 目前效果最好的cascade检测模型
cascade_lbp.xml 召回率效果较好，但其错检太多
char_chi_sim.h5 Keras模型-可识别34类数字和大写英文字 使用14W样本训练
char_rec.h5 Keras模型-可识别34类数字和大写英文字 使用7W样本训练
ocr_plate_all_w_rnn_2.h5 基于CNN的序列模型
ocr_plate_all_gru.h5 基于GRU的序列模型从OCR模型修改，效果目前最好但速度较慢，需要20ms。
plate_type.h5 用于车牌颜色判断的模型
model12.h5 左右边界回归模型
注意事项:
Win工程中若需要使用静态库，需单独编译
本项目的C++实现和Python实现无任何关联，都为单独实现
在编译C++工程的时候必须要使用OpenCV 3.3以上版本 (DNN 库)，否则无法编译
安卓工程编译ndk尽量采用14b版本
Python 依赖
Keras (>2.0.0)
Theano(>0.9) or Tensorflow(>1.1.x)
Numpy (>1.10)
Scipy (0.19.1)
OpenCV(>3.0)
Scikit-image (0.13.0)
PIL
CPP 依赖
Opencv 3.4 以上版本
Linux/Mac 编译
仅需要的依赖OpenCV 3.4 (需要DNN框架)
cd Prj-Linux
mkdir build
cd build
cmake ../
sudo make -j
CPP demo
#include "../include/Pipeline.h"
int main(){
pr::PipelinePR prc("model/cascade.xml",
"model/HorizonalFinemapping.prototxt","model/HorizonalFinemapping.caffemodel",
"model/Segmentation.prototxt","model/Segmentation.caffemodel",
"model/CharacterRecognization.prototxt","model/CharacterRecognization.caffemodel",
"model/SegmenationFree-Inception.prototxt","model/SegmenationFree-Inception.caffemodel"
);
//定义模型文件
cv::Mat image = cv::imread("test.png");
std::vector res = prc.RunPiplineAsImage(image,pr::SEGMENTATION_FREE_METHOD);
//使用端到端模型模型进行识别 识别结果将会保存在res里面
for(auto st:res) {
if(st.confidence>0.75) {
std::cout << st.getPlateName() << " " << st.confidence << std::endl;
//输出识别结果 、识别置信度
cv::Rect region = st.getPlateRect();
//获取车牌位置
cv::rectangle(image,cv::Point(region.x,region.y),cv::Point(region.x+region.width,region.y+region.height),cv::Scalar(255,255,0),2);
//画出车牌位置
}
}
cv::imshow("image",image);
cv::waitKey(0);
return 0 ;
}可识别和待支持的车牌的类型
单行蓝牌
单行黄牌
新能源车牌
白色警用车牌
使馆/港澳车牌
教练车牌
武警车牌
民航车牌
双层黄牌
双层武警
双层军牌
双层农用车牌
双层个性化车牌
Note:由于训练的时候样本存在一些不均衡的问题,一些特殊车牌存在一定识别率低下的问题，如(使馆/港澳车牌)，会在后续的版本进行改进。
测试样例
Android示例
识别测试APP
体验 Android APP：http://demo.zeusee.com/HyperLPR (根据图片尺寸调整程序中的尺度，提高准确率)
获取帮助
