Python-HyperLPR基于kerastensorflow的车牌识别

 ## HyperLPR 高性能开源中文车牌识别框架 #### [](https://pypi.org/project/hyperlpr/)[](https://pypi.org/project/hyperlpr/) ### 一键安装 `pip install hyperlpr` ###### 支持python3,支持Windows Mac Linux 树莓派等。 ###### 720p cpu real-time (st on MBP r15 2.2GHz haswell). #### 快速上手 ```python #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)) ``` #### Q&A Q：Android识别率没有所传demo apk的识别率高？ A：请使用[Prj-Linux](https://github.com/zeusees/HyperLPR/tree/master/Prj-Linux/lpr/model)下的模型，android默认包里的配置是相对较早的模型 Q：车牌的训练数据来源？ A：由于用于训练车牌数据涉及到法律隐私等问题，本项目无法提供。开放较为大的数据集有[CCPD](https://github.com/detectRecog/CCPD)车牌数据集。 Q：训练代码的提供？ A：相关资源中有提供训练代码 Q：关于项目的来源？ A：此项目来源于作者早期的研究和调试代码，代码缺少一定的规范，同时也欢迎PR。 #### 相关资源 - [python配置教程](https://www.jianshu.com/p/7ab673abeaae) - [Linux下C++配置教程](https://blog.csdn.net/lu_linux/article/details/88707421) - [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)。 - [带UI界面的工程](https://pan.baidu.com/s/1cNWpK6)(感谢群内小伙伴的工作)。 - [端到端(多标签分类)训练代码](https://github.com/LCorleone/hyperlpr-train_e2e)(感谢群内小伙伴的工作)。 - [端到端(CTC)训练代码](https://github.com/armaab/hyperlpr-train)(感谢群内小伙伴工作)。 ### 更新 - 更新了Android实现，增加实时扫描接口 (2019.07.24) - 更新Windows版本的Visual Studio 2015 工程至端到端模型（2019.07.03） - 更新基于端到端的IOS车牌识别工程。(2018.11.13) - 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。(2018.08.11) - 提交新的端到端识别模型，进一步提高识别准确率(2018.08.03) - [增加PHP车牌识别工程@coleflowers](https://github.com/zeusees/HyperLPR/tree/master/Prj-PHP) (2018.06.20) - 添加了HyperLPR Lite 仅仅需160 行代码即可实现车牌识别(2018.3.12) - 感谢 sundyCoder [Android 字符分割版本](https://github.com/sundyCoder/hyperlpr4Android) - 增加字符分割[训练代码和字符分割介绍](https://github.com/zeusees/HyperLPR-Training)(2018.1.) ### TODO - 支持多种车牌以及双层 - 支持大角度车牌 - 轻量级识别模型 ### 特性 - 速度快 720p,单核 Intel 2.2G CPU (MaBook 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,卡口场景准确率在95%-97%左右 - 轻量,总代码量不超1k行 ### 模型资源说明 - 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 ### 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以上版本 (DNN 库)，否则无法编译 - 安卓工程编译ndk尽量采用14b版本 ### 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 3.4 以上版本 ### Linux/Mac 编译 - 仅需要的依赖OpenCV 3.4 (需要DNN框架) ```bash cd Prj-Linux mkdir build cd build cmake ../ sudo make -j ``` ### CPP demo ```cpp #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("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 ; } ``` ### ### 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 - [ ] 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 ###### Note:由于训练的时候样本存在一些不均衡的问题,一些特殊车牌存在一定识别率低下的问题，如(使馆/港澳车牌)，会在后续的版本进行改进。 ### 测试样例   #### Android示例  ### 识别测试APP - 体验 Android APP：[https://fir.im/HyperLPR](https://fir.im/HyperLPR) (根据图片尺寸调整程序中的尺度，提高准确率) #### 获取帮助 - HyperLPR讨论QQ群1: 673071218, 群2: 746123554(已满) ,加前请备注HyperLPR交流。 ### 作者和贡献者信息： ##### 作者昵称不分前后 - 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 - Windows工程端到端模型 (https://github.com/SalamanderEyes) - Android实时扫描实现 (https://github.com/lxhAndSmh)