|
|
|
@ -10,7 +10,7 @@ HyperLPR是一个使用深度学习针对对中文车牌识别的实现，与较
|
|
|
|
|
|
|
|
|
|
|
|
+ 添加端到端的序列识别模型识别率大幅度提升
|
|
|
|
+ 添加端到端的序列识别模型识别率大幅度提升
|
|
|
|
+ 添加的端到端模型可以识别 新能源车牌，教练车牌，白色警用车牌
|
|
|
|
+ 添加的端到端模型可以识别 新能源车牌，教练车牌，白色警用车牌
|
|
|
|
+ 更新Windows版本的Visual Studio工程。（2017.11.15）
|
|
|
|
+ 更新Windows版本的Visual Studio 2015 工程。（2017.11.15）
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
+ 增加cpp版本,目前仅支持标准蓝牌(需要依赖OpenCV 3.3)
|
|
|
|
+ 增加cpp版本,目前仅支持标准蓝牌(需要依赖OpenCV 3.3)
|
|
|
|
@ -18,16 +18,16 @@ HyperLPR是一个使用深度学习针对对中文车牌识别的实现，与较
|
|
|
|
|
|
|
|
|
|
|
|
### 特性
|
|
|
|
### 特性
|
|
|
|
|
|
|
|
|
|
|
|
+ 速度快 720p ，单核 Intel 2.2G CPU (macbook Pro 2015)识别时间 <=140ms 。
|
|
|
|
+ 速度快 720p ，单核 Intel 2.2G CPU (macbook Pro 2015)识别时间 <=140ms
|
|
|
|
+ 基于端到端的车牌识别无需进行字符分割。
|
|
|
|
+ 基于端到端的车牌识别无需进行字符分割
|
|
|
|
+ 识别率高 EasyPR数据集上0-error达到 81.75%, 1-error识别率达到 94.1%。
|
|
|
|
+ 识别率高 EasyPR数据集上0-error达到 95.2%, 1-error识别率达到 97.4%
|
|
|
|
+ 轻量 总代码量不超1k行。
|
|
|
|
+ 轻量 总代码量不超1k行
|
|
|
|
|
|
|
|
|
|
|
|
### 注意事项:
|
|
|
|
### 注意事项:
|
|
|
|
|
|
|
|
|
|
|
|
+ Win工程中若需要使用静态库，需单独编译。
|
|
|
|
+ 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。
|
|
|
|
+ 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(DNN 库)，否则无法编译。
|
|
|
|
+ 在编译C++工程的时候必须要使用OpenCV 3.3(DNN 库)，否则无法编译
|
|
|
|
|
|
|
|
|
|
|
|
### Python 依赖
|
|
|
|
### Python 依赖
|
|
|
|
|
|
|
|
|
|
|
|
|
syan
8 years ago
committed by