Skip to content

Latest commit

 

History

History
338 lines (242 loc) · 10.3 KB

README_CH.md

File metadata and controls

338 lines (242 loc) · 10.3 KB
Raw

logo_t

HyperLPR3 高性能开源中文车牌识别框架

11

快速体验APP

一键安装

python -m pip install hyperlpr3

支持python3, 支持Windows Mac Linux 树莓派等。
720p cpu real-time (st on MBP r15 2.2GHz haswell).

快速体验

# 使用命令行测试 - 图像url地址
lpr3 sample -src https://koss.iyong.com/swift/v1/iyong_public/iyong_2596631159095872/image/20190221/1550713902741045679.jpg

# 使用命令行测试 - 本地图像路径
lpr3 sample -src images/test_img.jpg -det high

快速上手

# 导入opencv库
import cv2
# 导入依赖包
import hyperlpr3 as lpr3

# 实例化识别对象
catcher = lpr3.LicensePlateCatcher()
# 读取图片
image = cv2.imread("images/test_img.jpg")
# 识别结果
print(catcher(image))

启动WebApi服务

# 启动服务
lpr3 rest --port 8715 --host 0.0.0.0

启动后可打开SwaggerUI的路径：http://localhost:8715/api/v1/docs 查看和测试在线识别API服务:

swagger_ui

Q&A

Q：Android识别率没有所传demo apk的识别率高？

A：请自行编译或从release中下载安卓动态库放置于Prj-Android中进行测试。

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：相关资源中有提供老版的训练代码，HyperLPR3的训练方法会陆续整理并给出。

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

其他版本

TODO

  • 支持快速部署WebApi服务
  • 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
  • 支持跨平台编译和快速部署

注意事项:

  • 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 4.0和MNN 2.0以上版本，否则无法编译
  • 安卓工程编译ndk尽量采用21版本

Python 依赖

  • opencv-python (>3.3)
  • onnxruntime (>1.8.1)
  • fastapi (0.92.0)
  • uvicorn (0.20.0)
  • loguru (0.6.0)
  • python-multipart
  • tqdm
  • requests

跨平台支持

平台

  • Linux: x86、Armv7、Armv8
  • MacOS: x86
  • Android: arm64-v8a、armeabi-v7a

开发板

  • Rockchip: rv1109rv1126(RKNPU)

CPP 依赖

  • Opencv 4.0 以上版本
  • MNN 2.0 以上版本

C/C++编译依赖库

编译C/C++工程需要使用第三方依赖库，将库下载后解压，并将其通过拷贝或软链接放入根目录(与CMakeLists.txt同级)即可，依赖的库下载地址：百度网盘 code: eu31

Linux/Mac动态链接库编译

  • 需要将依赖库放置或链接在项目根目录下(与CMakeLists.txt同级)
  • 在编译Linux相关平台时，我们推荐您自行编译opencv并安装至系统中，这样可以降低因为系统中一些依赖版本和编译器原因导致的编译错误，当然，你也可以优先尝试使用我们提供的opencv静态库进行编译，需要您把LINUX_USE_3RDPARTY_OPENCV开关打开
# 执行编译脚本
sh command/build_release_linux_share.sh

编译后的相关物料放置于根目录下build/linux/install/hyperlpr3中，其中包含：

  • include 头文件
  • lib 动态库路径
  • resource 包含测试图片与模型等静态资源

按需取走需要的文件即可

Linux/Mac编译Demo

  • 需要完成上一步的编译动作，并保证编译成功且编译完成后的物料放置于根目录下的build/linux/install/hyperlpr3路径中，需要将其拷贝或链接到当前目录
  • 需要从根目录中进入到子工程Prj-Linux文件夹中进行操作
# 进入到子工程demo
cd Prj-Linux
# 执行编译脚本
sh build.sh

编译完成后生成可执行程序PlateRecDemo，执行运行测试

# 进入编译目录
cd build/
# 传入模型文件夹路径和需要预测的图像执行程序
./PlateRecDemo ../hyperlpr3/resource/models/r2_mobile ../hyperlpr3/resource/images/test_img.jpg

Linux/Mac快速使用SDK代码示例

// 读取图像
cv::Mat image = cv::imread(image_path);
// 创建ImageData
HLPR_ImageData data = {0};
data.data = image.ptr<uint8_t>(0);      // 设置图像数据流
data.width = image.cols;                   // 设置图像宽
data.height = image.rows;                  // 设置图像高
data.format = STREAM_BGR;                  // 设置当前图像编码格式
data.rotation = CAMERA_ROTATION_0;         // 设置当前图像转角
// 创建数据Buffer
P_HLPR_DataBuffer buffer = HLPR_CreateDataBuffer(&data);

// 配置车牌识别参数
HLPR_ContextConfiguration configuration = {0};
configuration.models_path = model_path;         // 模型文件夹路径
configuration.max_num = 5;                      // 最大识别车牌数量
configuration.det_level = DETECT_LEVEL_LOW;     // 检测器等级
configuration.use_half = false;
configuration.nms_threshold = 0.5f;             // 非极大值抑制置信度阈值
configuration.rec_confidence_threshold = 0.5f;  // 车牌号文本阈值
configuration.box_conf_threshold = 0.30f;       // 检测器阈值
configuration.threads = 1;
// 实例化车牌识别算法Context
P_HLPR_Context ctx = HLPR_CreateContext(&configuration);
// 查询实例化状态
HREESULT ret = HLPR_ContextQueryStatus(ctx);
if (ret != HResultCode::Ok) {
    printf("create error.\n");
    return -1;
}
HLPR_PlateResultList results = {0};
// 执行车牌识别算法
HLPR_ContextUpdateStream(ctx, buffer, &results);

for (int i = 0; i < results.plate_size; ++i) {
	// 解析识别后的数据
    std::string type;
    if (results.plates[i].type == HLPR_PlateType::PLATE_TYPE_UNKNOWN) {
        type = "未知";
    } else {
        type = TYPES[results.plates[i].type];
    }

    printf("<%d> %s, %s, %f\n", i + 1, type.c_str(),
           results.plates[i].code, results.plates[i].text_confidence);
}

// 销毁Buffer
HLPR_ReleaseDataBuffer(buffer);
// 销毁Context
HLPR_ReleaseContext(ctx);

Android编译动态链接库

  • 需要完成上面的步骤：安装第三方依赖库
  • 需要提前下载NDK并配置环境变量：$ANDROID_NDK
  • 支持在Linux/MacOS下进行交叉编译
# 执行编译脚本
sh command/build_release_android_share.sh

编译完成后android的动态库会放置于build/release_android/，其中包含：

  • arm64-v8a 64位的动态库
  • armeabi-v7a 32位的动态库

完成Android的动态库编译后，将arm64-v8a和armeabi-v7a文件夹放置于子项目路径Prj-Android/hyperlpr3/libs中，再编译android项目即可使用。Prj-Android项目中已内置hyperlpr3的SDK与使用demo。

使用Docker进行构建

如果你需要使用docker编译，我们提供了几种编译方法:

1. 使用docker编译Linux-x86动态库

你需要提前安装好docker和docker-compose，并执行脚本构建hyperlpr_build的镜像:

docker build -t hyperlpr_build .

开始编译动态库:

docker-compose up build_linux_x86_shared_lib

编译目录: build/linux

Android-SDK示例工程

我们提供了一个Android-SDK相关的Demo工程：hyperlpr3-android-sdk，您可以根据需求去编译动态库使用该项目。

在Android中快速集成HyperLPR

如果你需要快速将我们的sdk集成到你自己的Android项目中，那么你可以将以下依赖添加到项目的build.gradle中:

  • 步骤 1. 将JitPack仓库添加到构建文件中。将其添加到根构建中。在仓库末尾添加Gradle:
allprojects {
	repositories {
		...
		maven { url 'https://jitpack.io' }
	}
}
  • 步骤 2. 添加以下依赖
dependencies {
	  implementation 'com.github.HyperInspire:hyperlpr3-android-sdk:1.0.3'
}
  • 步骤 3. 在应用程序中使用hyperlpr
// 初始化通常在程序初始化时执行，只需执行一次
HyperLPR3.getInstance().init(this, new HyperLPRParameter());

…

// 识别一张图像
Plate[] plates =  HyperLPR3.getInstance().plateRecognition(bitmap, HyperLPR3.CAMERA_ROTATION_0, HyperLPR3.STREAM_BGRA);

关于快速集成到安卓工程可以查看: Prj-Android

可识别和待支持的车牌的类型(中文)

支持

  • 单行蓝牌
  • 单行黄牌
  • 新能源车牌
  • 教练车牌

有限支持

  • 白色警用车牌
  • 使馆/港澳车牌
  • 双层黄牌
  • 武警车牌

待支持

  • 民航车牌
  • 双层武警
  • 双层军牌
  • 双层农用车牌
  • 双层个性化车牌
  • 更多国家车牌
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。

效果示例

demo

获取帮助

  • HyperInspire讨论QQ群: 529385694，加前请备注HyperLPR交流