HyperLPR下载 - HyperLPR源代码下载

HyperLPR

C/C++

v3.0

下载

标志_t

HyperLPR3 - 高性能车牌识别框架。

中文文档

演示应用程序安装

安卓APP：扫描二维码

快速安装

python -m pip install hyperlpr3

支持：python3、Windows、Mac、Linux、Raspberry Pi。

720p cpu 实时（MBP r15 2.2GHz haswell 上的 ST）。

快速测试

 # image url
lpr3 sample -src https://koss.iyong.com/swift/v1/iyong_public/iyong_2596631159095872/image/20190221/1550713902741045679.jpg

# image path
lpr3 sample -src images/test_img.jpg -det high

如何使用

 # import opencv
import cv2
# import hyperlpr3
import hyperlpr3 as lpr3

# Instantiate object
catcher = lpr3 . LicensePlateCatcher ()
# load image
image = cv2 . imread ( "images/test_img.jpg" )
# print result
print ( catcher ( image ))

启动WebAPI服务

 # start server
lpr3 rest --port 8715 --host 0.0.0.0

启动后打开SwaggerUI的路径：http://localhost:8715/api/v1/docs 查看并测试在线识别API服务：

swagger_ui

问答

Q：项目中android的准确率与apk-demo的准确率是否一致？

A：请从release中编译或下载Android共享库，并将其复制到Prj-Android进行测试。

Q：车牌训练数据来源？

A：由于用于训练的车牌数据涉及法律隐私等问题，本项目无法提供。开放更多大数据集CCPD注册数据集。

Q：提供培训代码吗？

A：资源提供了旧的训练代码，HyperLPR3的训练方法稍后会整理并呈现。

资源

HyperLPR3车牌识别-五分钟搞定：中文车牌识别光速配置与使用
HyperLPR3车牌识别-Android-SDK光速部署与使用
HyperLPR3车牌识别-Linux/MacOS使用：C/C++库编译
HyperLPR3车牌识别-Android使用：SDK编译与部署
待补充...欢迎投稿

其他版本

超级LPRv1
超级LPRv2

待办事项

支持WebApi服务快速部署
支持多车牌、双层
支持大角度车牌
轻量级识别模型

专业

720p速度更快，单核Intel 2.2G CPU（MaBook Pro 2015）平均识别时间小于100ms
端到端车牌识别不需要字符分割
识别率高，出入口场景准确率约95%-97%
支持跨平台编译和快速部署

注意事项：

该项目的 C++ 和 Python 实现是分开的
编译C++项目时，必须使用OpenCV 4.0和MNN 2.0，否则无法编译
Android项目编译ndk尽量使用21版本

Python 依赖

opencv-python (>3.3)
onnxruntime (>1.8.1)
快速API (0.92.0)
独角兽 (0.20.0)
洛古鲁 (0.6.0)
python 多部分
全面质量管理
要求

跨平台支持

平台

Linux：x86、Armv7、Armv8
苹果系统：x86
安卓：arm64-v8a、armeabi-v7a

嵌入式开发板

瑞芯微：RV1109RV1126(RKNPU)

CPP 依赖性

OpenCV 4.0以上
MNN 2.0以上

C/C++ 编译依赖项

编译C/C++项目需要使用第三方依赖库。下载库后解压，通过复制或软链接放入根目录（与CMakeLists.txt同级）。baidu驱动码：eu31

Linux/Mac共享库编译

需要在项目根目录中放置或链接依赖项（与 CMakeLists.txt 相同级别）
我们建议您自己编译OpenCV并将其安装到系统中。这可以帮助减少由版本不匹配和系统依赖项的编译器问题引起的编译错误。不过，您也可以尝试使用我们提供的预编译 OpenCV 静态库进行编译。为此，您需要启用LINUX_USE_3RDPARTY_OPENCV开关。

 # execute the script
sh command/build_release_linux_share.sh

编译到build/linux/install/hyperlpr3目录，其中包含：

include - 头文件
lib - 共享目录
资源 - 测试图像和模型目录

将需要的文件复制到项目中

Linux/Mac 编译演示

您需要完成前面的编译步骤并确保其成功。编译后的文件将位于根目录： build/linux/install/hyperlpr3 。您需要手动将它们复制到当前目录。
转到Prj-Linux文件夹

 # go to Prj-linux
cd Prj-Linux
# exec sh
sh build.sh

编译后生成可执行程序： PlateRecDemo ，并运行程序

 # go to build
cd build/
# first param models dir, second param image path
./PlateRecDemo ../hyperlpr3/resource/models/r2_mobile ../hyperlpr3/resource/images/test_img.jpg

Linux/Mac快速使用SDK代码示例

 // Load image
cv:: Mat image = cv :: imread ( image_path );
// Create a ImageData
HLPR_ImageData data = { 0 };
data . data = image . ptr < uint8_t > ( 0 );         // Setting the image data flow
data . width = image . cols ;                   // Setting the image width
data . height = image . rows ;                  // Setting the image height
data . format = STREAM_BGR ;                  // Setting the current image encoding format
data . rotation = CAMERA_ROTATION_0 ;         // Setting the current image corner
// Create a Buffer
P_HLPR_DataBuffer buffer = HLPR_CreateDataBuffer ( & data );

// Configure license plate recognition parameters
HLPR_ContextConfiguration configuration = { 0 };
configuration . models_path = model_path ;         // Model folder path
configuration . max_num = 5 ;                      // Maximum number of license plates
configuration . det_level = DETECT_LEVEL_LOW ;     // Level of detector
configuration . use_half = false;
configuration . nms_threshold = 0.5f ;             // Non-maxima suppress the confidence threshold
configuration . rec_confidence_threshold = 0.5f ;  // License plate number text threshold
configuration . box_conf_threshold = 0.30f ;       // Detector threshold
configuration . threads = 1 ;
// Instantiating a Context
P_HLPR_Context ctx = HLPR_CreateContext ( & configuration );
// Query the Context state
HREESULT ret = HLPR_ContextQueryStatus ( ctx );
if ( ret != HResultCode :: Ok ) {
    printf ( "create error.n" );
    return -1 ;
}
HLPR_PlateResultList results = { 0 };
// Execute LPR
HLPR_ContextUpdateStream ( ctx , buffer , & results );

for ( int i = 0 ; i < results . plate_size ; ++ i ) {
	// Getting results
    std:: string type ;
    if ( results . plates [ i ]. type == HLPR_PlateType :: PLATE_TYPE_UNKNOWN ) {
        type = “ Unknown ";
    } else {
        type = TYPES [ results . plates [ i ]. type ];
    }

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

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

Android：编译共享库

第一步安装第三方依赖
需要准备NDKS并配置环境变量：$ANDROID_NDK
支持Linux/MacOS上的交叉编译

 # execute the script
sh command/build_release_android_share.sh

编译到： build/release_android/ ，其中包含：

arm64-v8a - 64 位分片库
armeabi-v7a - 32 位分片库

编译完成后，将arm64-v8a和armeabi-v7a目录复制到Prj-Android/hyperlpr3/libs ，并编译Prj-Android工程使用。

使用 Docker 编译

如果您需要使用docker编译，我们提供了几种编译方式：

1.使用Docker编译Linux-x86共享库

您需要安装 docker 和 docker-compose，为hyperlpr_build构建镜像：

docker build -t hyperlpr_build .

开始编译共享库：

docker-compose up build_linux_x86_shared_lib

构建目录： build/linux

Android SDK 演示

我们在Android SDK源码中提供了一个演示项目：hyperlpr3-android-sdk，您可以根据需要编译共享库并使用该项目。

在 Android 中快速使用

如果您需要将我们的sdk快速集成到您自己的Android项目中，那么您可以在项目的build.gradle中添加以下依赖：

步骤 1. 将 JitPack 存储库添加到您的构建文件中。将其添加到存储库末尾的根 build.gradle 中：

 allprojects {
    repositories {
        ...
        maven { url 'https://jitpack.io' }
    }
}

步骤2.添加依赖

 dependencies {
    implementation 'com.github.HyperInspire:hyperlpr3-android-sdk:1.0.3'
}

步骤 3. 在您的应用程序中使用 hyperlpr

 // Initialization, which can be performed only once, is usually performed at program initialization
HyperLPR3 . getInstance (). init ( this , new HyperLPRParameter ());

…

// exec recognition
Plate [] plates =  HyperLPR3 . getInstance (). plateRecognition ( bitmap , HyperLPR3 . CAMERA_ROTATION_0 , HyperLPR3 . STREAM_BGRA );