|
|
# High Accuracy Chinese Plate Recognition Framework
|
|
|
|
|
|
### 介绍
|
|
|
This research aims at simply developping plate recognition project based on deep learning methods, with low complexity and high speed. This
|
|
|
project has been used by some commercial corporations. Free and open source, deploying by Zeusee.
|
|
|
|
|
|
HyperLPR是一个使用深度学习针对对中文车牌识别的实现，与较为流行的开源的[EasyPR](https://github.com/liuruoze/EasyPR)相比，它的检测速度和鲁棒性和多场景的适应性都要好于目前开源的EasyPR。[在线测试地址](http://sftera.vicp.io:8000/uploader)。
|
|
|
[相关技术博客](http://blog.csdn.net/relocy/article/details/78705662)(技术文章会在接下来的几个月的时间内连续更新)。
|
|
|
|
|
|
|
|
|
### 更新
|
|
|
|
|
|
+ 添加端到端的序列识别模型识别率大幅度提升,使得无需分割字符即可识别,识别速度提高20% (2017.11.17)
|
|
|
+ 新增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、武警车牌 (2017.11.17)
|
|
|
+ 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) (2017.10.28)
|
|
|
+ 添加了简单的Android实现 (骁龙835 (*720*x*1280*) 200ms )(2017.10.28)
|
|
|
|
|
|
### 特性
|
|
|
|
|
|
+ 速度快 720p ，单核 Intel 2.2G CPU (macbook 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,仅仅针对车牌ROI在EasyPR数据集上，0-error达到 95.2%, 1-error识别率达到 97.4% (指在定位成功后的车牌识别率)
|
|
|
+ 轻量 总代码量不超1k行
|
|
|
|
|
|
### 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(DNN 库)，否则无法编译
|
|
|
|
|
|
### 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
|
|
|
|
|
|
### 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
|
|
|
|
|
|
```python
|
|
|
from hyperlpr import pipline as pp
|
|
|
import cv2
|
|
|
image = cv2.imread("filename")
|
|
|
image,res = pp.SimpleRecognizePlate(image)
|
|
|
print(res)
|
|
|
```
|
|
|
### Linux/Mac 编译
|
|
|
|
|
|
+ 仅需要的依赖OpenCV 3.3 (需要DNN框架)
|
|
|
|
|
|
```bash
|
|
|
cd cpp_implementation
|
|
|
mkdir build
|
|
|
cd build
|
|
|
cmake ../
|
|
|
sudo make -j
|
|
|
```
|
|
|
|
|
|
### 可识别和待支持的车牌的类型
|
|
|
|
|
|
- [x] 单行蓝牌
|
|
|
- [x] 单行黄牌
|
|
|
- [x] 新能源车牌
|
|
|
- [x] 白色警用车牌
|
|
|
- [x] 使馆/港澳车牌
|
|
|
- [x] 教练车牌
|
|
|
- [x] 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
|
|
|
|
|
|
|
|
|
|
|
|
### 测试样例
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
#### Android示例
|
|
|
|
|
|
|
|
|
|
|
|
### 识别测试APP
|
|
|
|
|
|
- 体验 Android APP：[https://fir.im/HyperLPR](https://fir.im/HyperLPR)
|
|
|
- 感谢 sundyCoder [Android 版本完善](https://github.com/sundyCoder/hyperlpr4Android)
|
|
|
|
|
|
### 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。
|