|
|
|
|
@ -16,27 +16,27 @@ HyperLPR是一个基于Python的使用深度学习针对对中文车牌识别的
|
|
|
|
|
|
|
|
|
|
### 依赖
|
|
|
|
|
|
|
|
|
|
+ Keras + Theano backend (Tensorflow data order) 请使用theano作为backend , tensorflow backend虽然权重可以载入但是识别结果是乱的
|
|
|
|
|
+ Theano
|
|
|
|
|
+ Numpy
|
|
|
|
|
+ Scipy
|
|
|
|
|
+ OpenCV
|
|
|
|
|
+ scikit-image
|
|
|
|
|
+ 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)
|
|
|
|
|
|
|
|
|
|
### 设计流程
|
|
|
|
|
|
|
|
|
|
> 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
|
|
|
|
|
|
|
|
|
|
### 简单使用方式
|
|
|
|
|
@ -47,11 +47,28 @@ import cv2
|
|
|
|
|
image = cv2.imread("filename")
|
|
|
|
|
image,res = pp.SimpleRecognizePlate(image)
|
|
|
|
|
```
|
|
|
|
|
### 可识别和待支持的车牌的类型
|
|
|
|
|
|
|
|
|
|
- [x] 标准单行蓝牌
|
|
|
|
|
- [x] 标准单行黄牌
|
|
|
|
|
- [ ] 新能源车牌
|
|
|
|
|
- [ ] 双层黄牌
|
|
|
|
|
- [ ] 警用车牌
|
|
|
|
|
- [ ] 武警车牌
|
|
|
|
|
- [ ] 使馆车牌
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
### 测试样例
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
### 数据分享
|
|
|
|
|
|
|
|
|
|
车牌识别框架开发时使用的数据并不是很多，有意着可以为我们提供相关车牌数据。联系邮箱 455501914@qq.com。
|
|
|
|
|
|
|
|
|
|
### 获取帮助
|
|
|
|
|
|
|
|
|
|
+ HyperLPR讨论QQ群：673071218, 加前请备注HyperLPR交流。
|
|
|
|
|
|
jackyu
8 years ago