Update README.md

5 years ago · a2192dc700
--- a/README.md
+++ b/README.md
@@ -1,76 +1,42 @@
 ![logo_t](./demo_images/logo.png)

 ## HyperLPR   高性能开源中文车牌识别框架
 ## HyperLPR   也许是最好的车牌识别开源框架

 #### [![1](https://badge.fury.io/py/hyperlpr.svg "title")](https://pypi.org/project/hyperlpr/)[![1](https://img.shields.io/pypi/pyversions/hyperlpr.svg "title")](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))
 ```
 ```cmd
 cd $HYPERLPR_HOME
 cd hyperlpr_pip_pkg
 python demo.py

 #### Q&A

 Q：Android识别率没有所传demo apk的识别率高？
 Q：v2分支跟master分支的区别？

 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
 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：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。
 A：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？
 Q：效果不好？

 A：相关资源中有提供训练代码
 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。。。

 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](https://www.jianshu.com/p/94784c3bf2c1)
 - [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)
 - [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.)
 - 更新Linux实现，增加双层车牌支持（2020.6.2）


 ### 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
 - 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

@@ -81,39 +47,30 @@ 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

 ### 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
 - 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 
 - 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

 - 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(>3.4.3.18)

 ### CPP 依赖

 - Opencv 3.4 以上版本
 - Opencv 3.4.3 以上版本

 ### Linux/Mac 编译
 ### Linux 编译

 - 仅需要的依赖OpenCV 3.4 (需要DNN框架)
 - 仅需要的依赖OpenCV 3.4.3 (需要DNN框架)

 ```bash
 cd Prj-Linux
@@ -123,76 +80,28 @@ 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/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

 #### 支持
 - [x] 单行蓝牌
 - [x] 单行黄牌
 #### 有限支持
 - [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
 - [x] 双层黄牌
 #### 待支持
 - [ ] 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

 ![image](./demo_images/demo1.png)

 ![image](./demo_images/demo2.jpg)

 #### Android示例

 ![android](./demo_images/android.png)

 ### 识别测试APP

 - 体验 Android APP：[http://demo.zeusee.com/HyperLPR](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
 ###### 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。