---- 2019-08-13 支持黄牌识别的模型和车牌颜色识别的模型放出 ------

Light-LPR是一个瞄准可以在嵌入式设备、手机端和普通的x86平台上运行的车牌识别开源项目，旨在支持各种场景的车牌识别,车牌字符识别准确率超99.95%，综合识别准确率超过99%，支持目前国内所有的车牌识别，觉得好用的一定要加星哦。技术上采用MTCNN检测车牌和四个角点精确定位，并进行偏斜纠正，最后进行端到端识别车牌号码，使用MNN作为推理引擎。具有结构简单，灵活部署的特点，适应各类计算平台。部分识别效果展示

支持的车牌

车牌	检测	识别
蓝	Y	Y
黄	Y	Y
新能源	E	Y
大型新能源	E	Y
教练车牌	E	Y
警牌	Y	Y
军牌	E	Y
双层军牌	-	Y
武警车牌	E	Y
双层武警牌照	-	Y
双层黄牌	-	Y
港澳通行牌	-	E
应急车牌	-	E
民航车牌	-	E
普通黑牌	-	E
使、领馆车牌	-	E
摩托车牌	-	E
低速农用车牌	-	E
临牌	-	E

备注： Y 支持，- 未知, E有限度支持

1080P图片识别基准性能

平台	CPU型号	内存	平均识别时间(ms)
X86	i5-8265	-	451
ARM	A53	1G	1532

#安装依赖 cmake >= 3.10.0 opencv >= 3.0.0 openmp

x86平台Linux安装指令

git clone https://github.com/lqian/light-LPR
cd light-LPR && mkdir build && cd build
cmake ../
make

ARM平台Linux安装指令

git clone https://github.com/lqian/light-LPR
cd light-LPR && mkdir build && cd build
cmake ../ -DLIGHT_LPR_ARCH=arm
make

运行测试

./examples/demo ../models/ [/path/to/a/image] 本项目在Fedora 29，Ubuntu 18.04 mate for ARM平台测试通过

未来优化

目前使用车牌的检测使用了License-Plate-Detect-Recognition-via-Deep-Neural-Networks-accuracy-up-to-99.9项目的MTCNN模型，在实际场景中误检测率比较高，抗干扰能力不强，检测耗时长。后期考虑采用MSSD或者YOLOV3等 one stage 的检测算法先检测出车牌，再进行偏斜纠正的方案，提高检测模块的性能。

参考和引用

其他

技术交流、数据交流和捐赠请联系作者或加QQ群，图像处理分析机器视觉 109128646[已满], light-LPR群号：813505078

Felixmonkey/light-LPR