Jack Yu
GitHub
6 years ago
No known key found for this signature in database
GPG Key ID: 4AEE18F83AFDEB23
1 changed files with 85 additions and 105 deletions
Split View
Diff Options
-
+85 -105README.md
+ 85
- 105
README.md
View File
| @@ -1,125 +1,107 @@ | |||
| # High Accuracy Chinese Plate Recognition Framework | |||
| ### 介绍 | |||
| This research aims at simply developping plate recognition project based on deep learning methods, with low complexity and high speed. This | |||
| project has been used by some commercial corporations. Free and open source, deploying by Zeusee. | |||
| ### 一键安装 | |||
| ##### 更新热点: | |||
| `pip install hyperlpr` | |||
| - 添加的新的Python 序列模型-识别率大幅提高(尤其汉字)(2018.3.12) | |||
| - 新添加了HyperLPR Lite 只需要一个文件 160行代码即可完全整个车牌识别流程. | |||
| - 提供精确定位的车牌矩形框(2018.3.12) | |||
| ###### 支持python3,支持Windows Mac Linux 树莓派等。 | |||
| #### 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)) | |||
| ``` | |||
| #### 相关资源 | |||
| #### 相关资源 | |||
| + [python配置教程](https://www.jianshu.com/p/7ab673abeaae) | |||
| + [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)。 | |||
| - [python配置教程](https://www.jianshu.com/p/7ab673abeaae) | |||
| - [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 | |||
| + 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) | |||
| + 添加的新的Python 序列模型-识别率大幅提高(尤其汉字)(2018.3.12) | |||
| + 添加了HyperLPR Lite 仅仅需160 行代码即可实现车牌识别(2018.3.12) | |||
| + 提供精确定位的车牌矩形框(2018.3.12) | |||
| - 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) | |||
| - 添加的新的Python 序列模型-识别率大幅提高(尤其汉字)(2018.3.12) | |||
| - 添加了HyperLPR Lite 仅仅需160 行代码即可实现车牌识别(2018.3.12) | |||
| - 提供精确定位的车牌矩形框(2018.3.12) | |||
| + 增加了端到端模型的cpp实现(Linux)(2018.1.31) | |||
| - 增加了端到端模型的cpp实现(Linux)(2018.1.31) | |||
| + 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.) | |||
| + 更新了Android实现，大幅提高准确率和速度 (骁龙835 (*720*x*1280*) ~50ms )(2017.12.27) | |||
| + 添加了IOS版本的实现（感谢[xiaojun123456](https://github.com/xiaojun123456)的工作） | |||
| + 添加端到端的序列识别模型识别率大幅度提升,使得无需分割字符即可识别,识别速度提高20% (2017.11.17) | |||
| + 新增的端到端模型可以识别新能源车牌、教练车牌、白色警用车牌、武警车牌 (2017.11.17) | |||
| + 更新Windows版本的Visual Studio 2015 工程（2017.11.15） | |||
| + 增加cpp版本,目前仅支持标准蓝牌(需要依赖OpenCV 3.3) (2017.10.28) | |||
| - 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.) | |||
| - 更新了Android实现，大幅提高准确率和速度 (骁龙835 (*720*x*1280*) ~50ms )(2017.12.27) | |||
| - 添加了IOS版本的实现（感谢[xiaojun123456](https://github.com/xiaojun123456)的工作） | |||
| - 添加端到端的序列识别模型识别率大幅度提升,使得无需分割字符即可识别,识别速度提高20% (2017.11.17) | |||
| - 新增的端到端模型可以识别新能源车牌、教练车牌、白色警用车牌、武警车牌 (2017.11.17) | |||
| - 更新Windows版本的Visual Studio 2015 工程（2017.11.15） | |||
| - 增加cpp版本,目前仅支持标准蓝牌(需要依赖OpenCV 3.3) (2017.10.28) | |||
| ### TODO | |||
| + 提供字符字符识别的训练代码(已提交) | |||
| + 改进精定位方法(已提交) | |||
| + C++版的端到端识别模型(已提交) | |||
| - 提供字符字符识别的训练代码(已提交) | |||
| - 改进精定位方法(已提交) | |||
| - C++版的端到端识别模型(已提交) | |||
| ### 特性 | |||
| + 速度快 720p ，单核 Intel 2.2G CPU (macbook 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,仅仅针对车牌ROI在EasyPR数据集上，0-error达到 95.2%, 1-error识别率达到 97.4% (指在定位成功后的车牌识别率) | |||
| + 轻量 总代码量不超1k行 | |||
| - 速度快 720p ，单核 Intel 2.2G CPU (macbook 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,仅仅针对车牌ROI在EasyPR数据集上，0-error达到 95.2%, 1-error识别率达到 97.4% (指在定位成功后的车牌识别率) | |||
| - 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 | |||
| - 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(DNN 库)，否则无法编译 | |||
| - 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(DNN 库)，否则无法编译 | |||
| ### 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 | |||
| - 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 3.3 | |||
| - Opencv 3.3 | |||
| ### 简单使用方式 | |||
| 推荐使用新更新的HyperLPR Lite，仅需一单独文件。 | |||
| ```python | |||
| import HyperLPRLite as pr | |||
| import cv2 | |||
| import numpy as np | |||
| grr = cv2.imread("images_rec/demo1.jpg") | |||
| model = pr.LPR("model/cascade.xml","model/model12.h5","model/ocr_plate_all_gru.h5") | |||
| def drawRectBox(image,rect,addText): | |||
| cv2.rectangle(image, (int(rect[0]), int(rect[1])), (int(rect[0] + rect[2]), int(rect[1] + rect[3])), (0,0, 255), 2,cv2.LINE_AA) | |||
| cv2.rectangle(image, (int(rect[0]-1), int(rect[1])-16), (int(rect[0] + 115), int(rect[1])), (0, 0, 255), -1, | |||
| cv2.LINE_AA) | |||
| img = Image.fromarray(image) | |||
| draw = ImageDraw.Draw(img) | |||
| draw.text((int(rect[0]+1), int(rect[1]-16)), addText.decode("utf-8"), (255, 255, 255), font=fontC) | |||
| imagex = np.array(img) | |||
| return imagex | |||
| for pstr,confidence,rect in model.SimpleRecognizePlateByE2E(grr): | |||
| if confidence>0.7: | |||
| image = drawRectBox(grr, rect, pstr+" "+str(round(confidence,3))) | |||
| print("plate_str",pstr) | |||
| print("plate_confidence",confidence) | |||
| cv2.imshow("image",image) | |||
| cv2.waitKey(0) | |||
| ``` | |||
| ### Linux/Mac 编译 | |||
| + 仅需要的依赖OpenCV 3.3 (需要DNN框架) | |||
| - 仅需要的依赖OpenCV 3.3 (需要DNN框架) | |||
| ```bash | |||
| cd cpp_implementation | |||
| @@ -164,17 +146,17 @@ int main(){ | |||
| } | |||
| ``` | |||
| ### | |||
| ### | |||
| ### 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 | |||
| - [x] 武警车牌 | |||
| - [ ] 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 | |||
| @@ -182,10 +164,8 @@ int main(){ | |||
| - [ ] 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 | |||
|  | |||
| @@ -205,18 +185,18 @@ int main(){ | |||
| 车牌识别框架开发时使用的数据并不是很多，有意着可以为我们提供相关车牌数据。联系邮箱 jack-yu-business@foxmail.com。 | |||
| #### 获取帮助 | |||
| + HyperLPR讨论QQ群1: 673071218, 群2: 746123554 ,加前请备注HyperLPR交流。 | |||
| - HyperLPR讨论QQ群1: 673071218, 群2: 746123554 ,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 | |||
| ##### 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 | |||