HyperLPR/README.md

# High Accuracy Chinese Plate Recognition Framework (HyperLPR)

### 介绍
This research aims at simply developping plate recognition project on deep learning methods, with low complexity and high speed. This 
project has been by some commercial corporations. Free and open source, deploying by Zeusee. 

HyperLPR是一个基于Python的使用深度学习针对对中文车牌识别的实现，与开源的[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EasyPR。


### 特性

+ 单张720p 识别时间在单核Intel 2.2G CPU(MBP2015 15inch)不低于 140ms。比EasyPR单核识别速度快近10倍左右的时间。
+ 识别率在EasyPR数据集上0-error达到70.2% 1-error识别率达到 89.6%
+ 单线程平均检测时间在EasyPR数据集在保持在160ms以下。基于adaboost检测方法在实时性、召回率、准确率上都不逊于MSER方法。检测recall和easyPR持平。
+ 代码框架轻量，总代码不到1k行。

### 依赖

+ Keras + Theano backend (Tensorflow data order)
+ Theano
+ Numpy
+ Scipy
+ OpenCV
+ scikit-image

### Pipeline

> 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)
```
### 测试样例

![image](./cache/demo1.png)
![image](./cache/demo2.png)
![image](./cache/demo3.png)