• HyperLPR 也许是最好的车牌识别开源框架
• • • 11
    • • • 支持python3,支持Windows Mac Linux 树莓派等。
    • 快速上手
    • Q&A
  • 更新
  • TODO
  • 特性
  • 模型资源说明
  • 注意事项:
  • Python 依赖
  • CPP 依赖
  • Linux 编译
  • 可识别和待支持的车牌的类型
  • • 支持
    • 有限支持
    • 待支持
    • • • 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，会在后续的版本进行改进。

HyperLPR 也许是最好的车牌识别开源框架

支持python3,支持Windows Mac Linux 树莓派等。

快速上手

cd $HYPERLPR_HOME
cd hyperlpr_pip_pkg
python demo.py

Q&A

Q：v2分支跟master分支的区别？

A：v2采用轻量化ssd车牌定位模型，辅以轻量化的车牌矫正和端到端识别模型，全部模型仅十几M，还支持双层黄牌的识别。

Q：车牌的训练数据来源？

A：开放较为大的数据集有CCPD车牌数据集。

Q：效果不好？

A：不要拿开源代码跟商用产品比较，不公平，再问就是下次更新，次更新，更新，新。。。

更新

• 更新Linux实现，增加双层车牌支持（2020.6.2）

TODO

• 轻量化模型安卓实现
• 新能源车牌支持优化
• 更多车牌类型支持

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_double.xml 检测模型 - 目前效果最好的cascade检测模型
• mininet_ssd_v1.caffemodel 轻量化车牌定位模型
• refinenet.caffemodel 车牌区域矫正模型
• HorizonalFinemapping.caffemodel 角度矫正模型
• SegmenationFree-Inception.caffemodel 基于CNN的序列识别模型

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实现尽量一致，发现不一致的欢迎issue或者pr
• 在编译C++工程的时候必须要使用OpenCV 3.4.3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

• OpenCV(>3.4.3.18)

CPP 依赖

• Opencv 3.4.3 以上版本

Linux 编译

• 仅需要的依赖OpenCV 3.4.3 (需要DNN框架)

cd Prj-Linux
mkdir build 
cd build
cmake ../
sudo make -j 

可识别和待支持的车牌的类型

支持

• 单行蓝牌
• 单行黄牌

有限支持

• 新能源车牌
• 白色警用车牌
• 使馆/港澳车牌
• 教练车牌
• 双层黄牌

待支持

• 武警车牌
• 民航车牌
• 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，会在后续的版本进行改进。

• HyperAI讨论QQ群: 529385694 ,加前请备注HyperLPR交流,高精度版本商务合作可在群内联系。