pip install hyperlpr
#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))
- python配置教程
- 相关技术博客(技术文章会在接下来的几个月的时间内连续更新)。
- 带UI界面的工程(感谢群内小伙伴的工作)。
- 端到端(多标签分类)训练代码(感谢群内小伙伴的工作)。
- 端到端(CTC)训练代码(感谢群内小伙伴工作)。
-
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年08月11日)
-
提交新的端到端识别模型,进一步提高识别准确率(2018年08月03日)
-
增加PHP车牌识别工程@coleflowers (2018年06月20日)
-
添加的新的Python 序列模型-识别率大幅提高(尤其汉字)(2018年3月12日)
-
添加了HyperLPR Lite 仅仅需160 行代码即可实现车牌识别(2018年3月12日)
-
提供精确定位的车牌矩形框(2018年3月12日)
-
增加了端到端模型的cpp实现(Linux)(2018年1月31日)
-
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年12月27日)
-
添加了IOS版本的实现(感谢xiaojun123456的工作)
-
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年11月17日)
-
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年11月17日)
-
更新Windows版本的Visual Studio 2015 工程(2017年11月15日)
-
增加cpp版本,目前仅支持标准蓝牌(需要依赖OpenCV 3.3) (2017年10月28日)
- 提供字符字符识别的训练代码(已提交)
- 改进精定位方法(已提交)
- C++版的端到端识别模型(已提交)
- 支持多种车牌以及双层
- 支持大角度车牌
- 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
- 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
- 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
- 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
- Opencv 3.3 以上版本
- 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
#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("/Users/yujinke/ClionProjects/cpp_ocr_demo/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 ; }
- 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
- 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)
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 jack-yu-business@foxmail.com。
- HyperLPR讨论QQ群1: 673071218, 群2: 746123554 ,加前请备注HyperLPR交流。
- 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