介绍

HyperLPR是一个基于Python的使用深度学习针对对中文车牌识别的实现，与其他开源的车牌识别项目相比，它的检测速度和鲁棒性和多场景的适应性都要好于已有框架。我们设计了较为鲁棒的算法来完成在复杂场景下的车牌识别。

设计流程

目前的车牌识别算法的Pipeline 如下

step1. 使用opencv 的 HAAR Cascade 检测车牌大致位置

step2. Extend 检测到的大致位置的矩形区域

step3. 使用类似于MSER的方式的 多级二值化 + RANSAC 拟合车牌的上下边界

step4. 使用CNN Regression回归车牌左右边界

step5. 使用基于纹理场的算法进行车牌校正倾斜

step6. 使用CNN滑动窗切割字符

step7. 使用CNN识别字符

接下来的文章会逐一的介绍本框架使用的算法流程和详细过程。

安装须知

由于本项目是基于Python2开发，在未来的一段时间内，将会转为Python3开发。所以目前的版本仅支持Python2开发。所需的依赖如下：

• 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)

依赖安装

Windows

在Windows下，由于没有给Python2的tensorflow版本所以，可以选择theano和CNTK作为Keras的后端。在Windows下，推荐使用adaconda来配置环境，具体教程可以参考此文。在安装完Keras和及其backend后。

由于Numpy和Scipy在adaconda中已经集成了。接下来需要安装OpenCV

pip install opencv-python

Linux(Ubuntu)

Linux下安装较为简单，输入在bash中执行以下命令即可：

更新本地索引

sudo apt-get update

安装Python环境

sudo apt-get install python2.7 python-pip

sudo pip install numpy opencv-python scipy

sudo pip install theano

sudo pip install keras==2.0.0

Mac

Mac下安装同样很简单，Mac是自带Python2环境的，由于Mac没有自带的包管理器，如果没有安装Python环境的话，需要下载类似于Linux的包管理器HomeBrew,可以在这里参考安装。

安装Python

brew update

brew install python

sudo pip install numpy opencv-python scipy

sudo pip install theano

sudo pip install keras==2.0.0

使用HyperLPR

下载HyperLPR可以使用Git(但是提前必须安装Git命令行工具)也可以从Github直接下载Zip

git clone https://github.com/zeusees/HyperLPR.git

cd HyperLPR

HyperLPR的训练好的默认模型放在model目录下，训练模型的代码暂未开源。

需要使用请将hyperlpr和model一起移动到工程目录。

接着就可以通过如下代码开始简单使用了

from hyperlpr import  pipline as  pp
import cv2
image = cv2.imread("filename")
image,res  = pp.SimpleRecognizePlate(image)