• HyperLPR 高性能开源中文车牌识别框架
• • • 11
  • 一键安装
  • • • • 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
    • Q&A
    • 相关资源
  • 更新
  • TODO
  • 特性
  • 模型资源说明
  • 注意事项:
  • Python 依赖
  • CPP 依赖
  • Linux/Mac 编译
  • CPP demo
  • 可识别和待支持的车牌的类型
  • • • • 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
  • • 获取帮助
  • 作者和贡献者信息：
  • • • 作者昵称不分前后

HyperLPR 高性能开源中文车牌识别框架

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

#导入hyperlpr
from hyperlpr import *
#导入OpenCV库
import cv2
#读入图片
image = cv2.imread("demo.jpg")
#识别结果
print(HyperLPR_plate_recognition(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

• Android配置教程
• python配置教程
• Linux下C++配置教程
• 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)。

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 (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
• 增加字符分割训练代码和字符分割介绍(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)

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

CPP demo

#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/SegmenationFree-Inception.prototxt","model/SegmenationFree-Inception.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

• 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

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：http://demo.zeusee.com/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,高精度版本商务合作可在群内联系。

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)