pip install hyperlpr

#导入包fromhyperlprimport*#导入OpenCV库importcv2#读入图片image=cv2.imread("demo.jpg") #识别结果print(HyperLPR_PlateRecogntion(image))

• python配置教程
• 相关技术博客(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(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)。

• 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)

• 增加字符分割训练代码和字符分割介绍(2018.1.)

• 更新了Android实现，大幅提高准确率和速度 (骁龙835 (720x1280) ~50ms )(2017.12.27)

• 添加了IOS版本的实现（感谢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)

• 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)
• 支持多种车牌以及双层
• 支持大角度车牌

• 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

• 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

• 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

• 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 3.3

• 仅需要的依赖OpenCV 3.3 (需要DNN框架)

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

#include"../include/Pipeline.h"intmain(){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/SegmentationFree.prototxt","model/SegmentationFree.caffemodel" ); //定义模型文件 cv::Mat image = cv::imread("/Users/yujinke/ClionProjects/cpp_ocr_demo/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); return0 }

• 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

• 体验 Android APP：https://fir.im/HyperLPR (根据图片尺寸调整程序中的尺度，提高准确率)
• 感谢 sundyCoder Android 字符分割版本

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 [email protected]。

• HyperLPR讨论QQ群1: 673071218, 群2: 746123554 ,加前请备注HyperLPR交流。

• Jack Yu 作者([email protected] / 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