High Accuracy Chinese Plate Recognition Framework

介绍

Forked from HyperLPR by Zeusee.

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)
Tensorflow(>1.1.x)
Numpy (>1.10)
Scipy (0.19.1)
OpenCV(>3.0)
Scikit-image (0.13.0)
PIL

模块说明

detection.py 用于检测车牌
recoginition.py 用于识别单张车牌

简单使用方式

import lpr as pr
import cv2
import numpy as np
grr = cv2.imread("test_images/test_detection_1.jpg")
model = pr.LPR("model/cascade.xml","model/model12.h5","model/ocr_plate_all_gru.h5")

for pstr,confidence, rect in model.simple_detection_recognition(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)

tanzeyy/HyperLPR

High Accuracy Chinese Plate Recognition Framework

介绍

模型资源说明

Python 依赖

模块说明

简单使用方式