| HyperLPR: HyperLRP是一个开源的、基于深度学习高性能中文车牌识别库，由北京智云视图科技有限公司开发，支持PHP、C/C++、Python语言，Windows/Mac/Linux/Android/IOS 平台。 | 您所在的位置：网站首页 › 用中文识别颜色 › HyperLPR: HyperLRP是一个开源的、基于深度学习高性能中文车牌识别库，由北京智云视图科技有限公司开发，支持PHP、C/C++、Python语言，Windows/Mac/Linux/Android/IOS 平台。 |
HyperLPR: HyperLRP是一个开源的、基于深度学习高性能中文车牌识别库，由北京智云视图科技有限公司开发，支持PHP、C/C++、Python语言，Windows/Mac/Linux/Android/IOS 平台。
|
 
一键安装
python -m 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_plate_recognition(image)) Q&AQ：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 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 |
【本文地址】
公司简介
联系我们