leisir966 / hyperlpr Goto Github PK

View Code? Open in Web Editor NEW

This project forked from icepoint666/hyperlpr

0.0 1.0 0.0 227.85 MB

基于深度学习高性能中文车牌识别 (python实现)

Home Page: http://www.zeusee.com

License: Apache License 2.0

Python 95.38% Shell 4.62%

hyperlpr's Introduction

High Accuracy Chinese Plate Recognition Framework

Fork原项目python实现，并作部分修改

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.

更新热点:

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)

TODO

提供字符字符识别的训练代码
改进精定位方法
C++版的端到端识别模型

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

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

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

简单使用方式

推荐使用新更新的HyperLPR Lite，仅需一单独文件。

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)