HyperLPR

Tree: 74a7bdf649

7.1 kB

Raw Blame History

HyperLPR 高性能开源中文车牌识别框架

一键安装

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_PlateRecogntion(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。

更新

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)
增加PHP车牌识别工程@coleflowers (2018.06.20)
添加了HyperLPR Lite 仅仅需160 行代码即可实现车牌识别(2018.3.12)
感谢 sundyCoder Android 字符分割版本
增加字符分割训练代码和字符分割介绍(2018.1.)
更新了Android实现，大幅提高准确率和速度 (骁龙835 (720x1280) ~50ms )(2017.12.27)

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 3.3 以上版本

Linux/Mac 编译

仅需要的依赖OpenCV 3.3 (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/SegmentationFree.prototxt","model/SegmentationFree.caffemodel"
                    );
  //定义模型文件

    cv::Mat image = cv::imread("test.png");
    std::vector<pr::PlateInfo> 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：https://fir.im/HyperLPR (根据图片尺寸调整程序中的尺度，提高准确率)

获取帮助

HyperLPR讨论QQ群1: 673071218, 群2: 746123554(已满) ,加前请备注HyperLPR交流。

作者和贡献者信息：

作者昵称不分前后

Jack Yu 作者(jack-yu-business@foxmail.com / https://github.com/szad670401)
lsy17096535 整理(https://github.com/lsy17096535)
xiaojun123456 IOS贡献(https://github.com/xiaojun123456)
sundyCoder Android第三方贡献(https://github.com/sundyCoder)
coleflowers php贡献(@coleflowers)
Free&Easy 资源贡献
海豚嘎嘎 LBP cascade检测器训练
Windows工程端到端模型 (https://github.com/SalamanderEyes)

7.1 kB Raw Blame History