HyperLPR

介绍

HyperLPR是一个使用深度学习针对对中文车牌识别的实现，与较为流行的开源的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目前开源的EasyPR，HyperLPR可以识别多种中文车牌包括白牌，新能源车牌，使馆车牌，教练车牌，武警车牌等。
Github地址：https://github.com/zeusees/HyperLPR

特性

• 基于端到端sequence模型，无需进行字符分割,识别速度更快。
• 速度快 720p ，单核 Intel 2.2G CPU (macbook Pro 2015)平均识别时间<=90ms
• 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。
• 带有Android实现，其Android Demo可解决一些在一些普通业务场景(如执法记录仪)下的车牌识别任务。
• 支持多种车牌的识别，详情见如下

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

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 3.3(必须是OpenCV 3.3)

设计流程

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

from hyperlpr import  pipline as  ppimport cv2image = cv2.imread("filename")image,res  = pp.SimpleRecognizePlate(image)print(res)

Linux/Mac 编译

• 仅需要的依赖OpenCV 3.3 (需要DNN框架)

cd cpp_implementationmkdir build cd buildcmake ../sudo make -j 

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

识别测试APP

• 测试 Android APP：https://fir.im/HyperLPR

识别样例

数据分享和捐赠

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 [e-mail]。
如果您愿意支持我们持续对这个框架的开发，可以通过下面的链接来对我们捐赠。

---

---

获取帮助

• HyperLPR讨论QQ群：673071218, 加前请备注HyperLPR交流。

---

zeusee.com 智云视图