m53297601
/
EasyPR
1
0
Fork 0
Code Issues Pull Requests Releases Wiki Activity

* improve the groundMSER segmention

Browse Source 
* change readme and changelog
v1.6alpha
liuruoze 8 years ago
parent b0b0c05f08
commit 1636e8cb4e
19 changed files with 6131 additions and 17309 deletions
Show Stats Download Patch File Download Diff File

93
ChangeLog.md
Unescape View File

@ -1,7 +1,91 @@
EasyPR版本更新
======
本次更新版本是1.6alpha版本，主要改进如下：
1. 采用灰度字符训练以及新的特征，使中文字符正确率上升到了86%，比上个版本提升了近14个百分点。
2. 借助于字符分割与识别算法的优化，在general_test上的完整识别率(0-error)从原先的59%首次上升到现在的70%，1-error则提升到了82%，提升巨大。
3. 在车牌判断模块中，使用了新的SVM特征（颜色+投影），从而在保持鲁棒性的同时，提升了正确率。定位指标中FScore从76%提升到82%.
4. 新增一种新的字符分割方法，groundMSER字符分割方法。
5. 提供了近万张中文字符灰度图数据供训练，并且在主界面中提供了一个方法从free大神的车牌集里提取中文与英文字符。
6. 提供了两万两千张的字符灰度图数据，供训练灰度字符模型使用。
7. 代码优化与升级，许多bug修复。
8. Opencv3.2版本的支持，编译前仅需要将config.h中将#define CV_VERSION_THREE_ZERO改为#define CV_VERSION_THREE_TWO即可。
9. 更加友好的linux与mac版本支持，使用CMake即可顺利编译，单独的utf-8与gbk的文件供分别的系统使用。
======
本次更新是EasyPR 1.5正式版本，相比beta版本有以下几点更新：
1.修正了SVM训练异常的问题！现在1.5版本也可以自由的使用SVM训练了。这个问题确实是opencv的bug，详见[讨论](https://github.com/opencv/opencv/issues/5054)，在此感谢 @tka 同学的告知。
注意，3.2的opencv也修正了这个问题，如果你用3.2版本的话，也可以。但是不清楚3.2版本是否会引入其他的问题，在目前的EasyPR版本里，即便用3.0或者3.1版本也可以规避训练异常的问题。
2.支持linux和mac编译，如果碰到问题请在issue里提问。
3.增加一个无需配置opencv的[懒人版](http://git.oschina.net/easypr/EasyPR/attach_files)。仅仅支持vs2013，也只能在debug和x86下运行，其他情况的话还是得配置opencv。感谢范文捷同学的帮助。页面里的两个文件都要下载，下载后用[7zip](http://www.7-zip.org/)解压。
其他的主要改进如下：
1.增加了一种新的基于文字定位的定位方法 (MSER), 在面对低对比度，低光照以及大图像上有较强的鲁棒性。
* 夜间的车牌图像
![夜间的车牌图像](resources/doc/res/night_1.jpg)
* 对比度非常低的图像
![对比度非常低的图像](resources/doc/res/contrast_1.jpg)
* 近距离的图像
![近距离的图像](resources/doc/res/near_1.jpg)
* 高分辨率的图像
### 更新
![高分辨率的图像](resources/doc/res/big_1.jpg)
2.更加合理的评价协议。结合新增的GroundTruth文件与ICDAR2003的协议，使得整体评价指标更为合理。通用数据集里同时增加了近50张新图片。文字定位方法在面对这些复杂图片时比先前的SOBEL+COLOR的方法定位率提升了27个百分点。
实际运行时，使用了文字定位与颜色定位的结合，最终对256张的测试图片的测试结果如下：
![v1.5版运行结果](resources/doc/res/v1.5_result.jpg)
3.使用了非极大值抑制算法去除相邻的车牌，使得最终输出变的合理。即便使用多个定位方法，最终也只会输出一个车牌，而且是可能性最大的车牌。
4.基于局部空间的大津阈值算法与自适应阈值算法，提升了文字分割与分子识别的准确率。
* 车牌图像
![车牌图像](resources/doc/res/not_avg_contrast.jpg)
* 普通大津阈值结果
![普通大津阈值结果](resources/doc/res/normal_ostu.jpg)
* 空间大津阈值结果
![空间大津阈值结果](resources/doc/res/spatial_ostu.jpg)
5.新的SVM模型与特征（LBP），提升了车牌判断的鲁棒性，新的中文ANN识别模型，提升了中文识别的整体准确率近15个百分点。
6.增加了Grid Search方法，可以进行自动调参。
7.首次增加了多线程支持，基于OpenMP的文字定位方法，在最终的识别速度上，比原先的单线程方法提高了接近2倍。
8.替换了一部分中文注释，使得windows下的visual studio在面对全部以LF结尾的文件时，也能成功通过编译。目前的程序只要opencv配置正确，gitosc上通过zip下载下来的程序可以直接通过编译并运行。
关于本次改动的具体内容可以看博客中的[介绍](http://www.cnblogs.com/subconscious/p/5637735.html)。
======
本次更新是1.4 正式版，主要改进在于几个方面：
@ -25,7 +109,6 @@ EasyPR版本更新
======
本次更新是1.3beta版，主要改进在于提升了字符识别模块的准确性：
平均字符差距从0.7降低到0.4，完整匹配度从68%左右上升到目前的81%，平均执行时间从2秒降低到1.5秒。见下图：
@ -40,10 +123,8 @@ EasyPR版本更新
目前版本的问题是处理时间还是偏高，1.3正式版本中会对这个问题进行fix。
======
本次更新是1.3alpha版，主要改进在于提升了字符识别模块的准确性：
平均字符差距从2.0降低到0.7，完整匹配度从25%左右上升到目前的68%。
@ -60,10 +141,8 @@ EasyPR版本更新
目前版本的问题是处理时间大幅度上升，1.3正式版本中会对这个问题进行fix。
======
本次更新是1.2版，主要改进在于提升了车牌定位模块的准确性，从70%左右到目前的94%，见下图：
![1.2版综合效果](resources/doc/res/testresult.png)
@ -86,10 +165,8 @@ EasyPR版本更新
* 与Linux版本做了整合，可以实现跨平台编译。
======
目前EasyPR的版本是1.1，相比上一个版本1.0，有以下更新（这次的更新内容较多，为了跟你现有的项目和代码不冲突，请
谨慎选择全部更新，最好新起一个目录试试新增的功能和内容）：

42
README.md
Unescape View File

@ -10,38 +10,28 @@ EasyPR是一个开源的中文车牌识别系统，其目标是成为一个简
### 更新
当前master版本修订了两个小问题：
本次更新版本是1.6alpha版本，主要有以下几点更新：
1.train_auto异常的问题。
1. 代码优化与bug修复
2.opencv3.2的编译问题。现在opencv3.2的接口与3.1和3.0略有变动，如果想要用3.2版本需要参照这个[issue](https://github.com/liuruoze/EasyPR/issues/152)里讨论的修改。
2. 增加了一些数据集，例如灰度字符供训练
3.增加灰度character数据
4.增加灰度中文数据，以及训练代码
5.新的分割方法，groundER分割
6.大量bug修正与代码改进
下个版本会尝试继续优化整体系统与算法。
一个无需配置opencv的[懒人版](http://git.oschina.net/easypr/EasyPR/attach_files)。仅仅支持vs2013，也只能在debug和x86下运行，其他情况的话还是得配置opencv。感谢范文捷同学的帮助。页面里的两个文件都要下载，下载后用[7zip](http://www.7-zip.org/)解压。
关于1.5版本改动的具体内容可以看博客中的[介绍](http://www.cnblogs.com/subconscious/p/5637735.html)。
3. 其他改动可见changlog.
### 跨平台
目前除了windows平台以外，还有以下其他平台的EasyPR版本。一些平台的版本可能会暂时落后于主平台。
现在有一个无需配置opencv的1.5版本的[懒人版](http://git.oschina.net/easypr/EasyPR/attach_files)。仅仅支持vs2013，也只能在debug和x86下运行，其他情况的话还是得配置opencv。感谢范文捷同学的帮助。页面里的两个文件都要下载，下载后用[7zip](http://www.7-zip.org/)解压。
|版本 | 开发者 | 版本 | 地址
|------|-------|-------|-------
| android | goldriver | 1.4 | [linuxxx/EasyPR_Android](https://github.com/linuxxx/EasyPR_Android)
| linux | Micooz | 1.5 | 已跟EasyPR整合
| linux | Micooz | 1.6 | 已跟EasyPR整合
| ios | zhoushiwei | 1.3 | [zhoushiwei/EasyPR-iOS](https://github.com/zhoushiwei/EasyPR-iOS)
| mac | zhoushiwei,Micooz | 1.5 | 已跟EasyPR整合
| mac | zhoushiwei,Micooz | 1.6 | 已跟EasyPR整合
| java | fan-wenjie | 1.2 | [fan-wenjie/EasyPR-Java](https://github.com/fan-wenjie/EasyPR-Java)
| 懒人版 | fan-wenjie | 1.5 | [git/oschina](http://git.oschina.net/easypr/EasyPR/attach_files)
### 兼容性
@ -163,6 +153,7 @@ EasyPR的resources/image/general_test文件夹下的图片数据遵循[GDSL协
| resources/train | 训练数据与说明
| resources/image | 测试用的图片
| resources/doc | 相关文档
| tmp | 需要自建，训练数据读取目录
以下表格是resources/image目录中子目录的解释:
@ -205,6 +196,15 @@ EasyPR的resources/image/general_test文件夹下的图片数据遵循[GDSL协
| chars.hpp | 字符识别相关
| plate.hpp | 车牌识别相关
以下表格是train目录下文件的解释:
|文件 | 解释
|------|----------
| ann_train.cpp | 训练二值化字符
| annCh_train.hpp | 训练中文灰度字符
| svm_train.hpp | 训练车牌判断
| create_data.hpp | 生成合成数据
### 使用
请参考[这里](Usage.md)
@ -235,6 +235,8 @@ EasyPR讨论QQ群号是：一群：366392603(已满)，二群：583022188， 加
* fan-wenjie：1.5版opencv整合版提供者
* Free：1.6版数据提供者
### 鸣谢
taotao1233，邱锦山，唐大侠，jsxyhelu，如果有一天(zhoushiwei)，学习奋斗，袁承志，圣城小石匠，goldriver，Micooz，梦里时光，Rain Wang，任薛纪，ahccom，星夜落尘，海豚嘎嘎(车主之家)，刘超，以及所有对EasyPR贡献数据的热心同学。
taotao1233，邱锦山，唐大侠，jsxyhelu，如果有一天(zhoushiwei)，学习奋斗，袁承志，圣城小石匠，goldriver，Micooz，梦里时光，Rain Wang，任薛纪，ahccom，星夜落尘，海豚嘎嘎(车主之家)，刘超，Free大神，以及所有对EasyPR贡献数据的热心同学。

8
include/easypr/config.h
Unescape View File

@ -95,9 +95,9 @@ static bool kDebug = false;
static const int kGrayCharWidth = 20;
static const int kGrayCharHeight = 32;
static const int kCharLBPGridX = 5;
static const int kCharLBPGridY = 8;
static const int kCharLBPPatterns = 32;
static const int kCharLBPGridX = 4;
static const int kCharLBPGridY = 4;
static const int kCharLBPPatterns = 16;
static const int kCharHiddenNeurans = 64;
@ -120,6 +120,8 @@ private:\
// Display the image.
#define SHOW_IMAGE(imgName, debug) \
if (debug) { \
namedWindow("imgName", WINDOW_AUTOSIZE); \
moveWindow("imgName", 500, 500); \
imshow("imgName", imgName); \
waitKey(0); \
destroyWindow("imgName"); \

4
include/easypr/core/chars_segment.h
Unescape View File

@ -15,8 +15,8 @@ class CCharsSegment {
//! using ostu algotithm the segment chars in plate
int charsSegment(Mat input, std::vector<Mat>& resultVec, Color color = BLUE);
//! using project the segment chars in plate
int charsSegmentUsingProject(Mat input, std::vector<Mat>& resultVec, std::vector<Mat>& grayChars, Color color = BLUE);
//! using methods to segment chars in plate
int charsSegmentUsingOSTU(Mat input, std::vector<Mat>& resultVec, std::vector<Mat>& grayChars, Color color = BLUE);
int charsSegmentUsingMSER(Mat input, vector<Mat>& resultVec, vector<Mat>& grayChars, Color color = BLUE);
//! using project

4
include/easypr/core/feature.h
Unescape View File

@ -3,6 +3,8 @@
#include "opencv2/opencv.hpp"
using namespace cv;
namespace easypr {
//! 获得车牌的特征数
@ -50,6 +52,8 @@ void getLBPplusHistFeatures(const cv::Mat& image, cv::Mat& features);
//! grayChar feauter
void getGrayCharFeatures(const cv::Mat& grayChar, cv::Mat& features);
void getGrayPlusLBP(const Mat& grayChar, Mat& features);
} /*! \namespace easypr*/
#endif // EASYPR_CORE_FEATURE_H_

1
include/easypr/train/svm_train.h
Unescape View File

@ -35,6 +35,7 @@ class SvmTrain : public ITrain {
std::vector<TrainItem> test_file_list_;
svmCallback extractFeature;
bool isPrepared = true;
};
}

16766
resources/model/annCh_bak.xml
View File

File diff suppressed because it is too large Load Diff

834
result/Result.xml
View File

File diff suppressed because it is too large Load Diff

120
result/accuracy.txt
Unescape View File

@ -3128,3 +3128,123 @@ Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:70.6122%, 1-error:82.8571%, Chinese-precise:86.5306%
总共时间: 177秒, 平均执行时间:0.691406秒
2017-04-24 22:40:39
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:68.5714%, 1-error:81.2245%, Chinese-precise:85.3061%
总共时间: 168秒, 平均执行时间:0.65625秒
2017-04-24 22:48:53
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:70.6122%, 1-error:82.8571%, Chinese-precise:86.5306%
总共时间: 179秒, 平均执行时间:0.699219秒
2017-04-25 07:25:59
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:69.3878%, 1-error:82.0408%, Chinese-precise:84.898%
总共时间: 156秒, 平均执行时间:0.609375秒
2017-04-25 07:45:15
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:69.3878%, 1-error:82.0408%, Chinese-precise:84.898%
总共时间: 158秒, 平均执行时间:0.617188秒
2017-04-25 07:50:08
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:70.6122%, 1-error:82.8571%, Chinese-precise:86.5306%
总共时间: 152秒, 平均执行时间:0.59375秒
2017-04-30 08:47:34
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:70.6122%, 1-error:82.8571%, Chinese-precise:86.5306%
总共时间: 154秒, 平均执行时间:0.601563秒
2017-04-30 10:12:47
总图片数:1, Plates count:1, 未定位车牌:0, 检出率:100%
Recall:97.4057%, Precise:97.4057%, Fscore:97.4057%.
0-error:100%, 1-error:100%, Chinese-precise:100%
总共时间: 20秒, 平均执行时间:20秒
2017-04-30 10:13:46
总图片数:2, Plates count:2, 未定位车牌:0, 检出率:100%
Recall:98.662%, Precise:98.662%, Fscore:98.662%.
0-error:50%, 1-error:50%, Chinese-precise:50%
总共时间: 12秒, 平均执行时间:6秒
2017-04-30 10:17:45
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:67.6923%, 1-error:73.4615%, Chinese-precise:76.1538%
总共时间: 158秒, 平均执行时间:0.617188秒
2017-04-30 10:32:20
总图片数:2, Plates count:2, 未定位车牌:0, 检出率:100%
Recall:98.662%, Precise:98.662%, Fscore:98.662%.
0-error:50%, 1-error:50%, Chinese-precise:50%
总共时间: 2秒, 平均执行时间:1秒
2017-04-30 10:36:16
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:45.977%, 1-error:52.8736%, Chinese-precise:75.8621%
总共时间: 158秒, 平均执行时间:0.617188秒
2017-04-30 10:41:13
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:67.3077%, 1-error:73.0769%, Chinese-precise:76.1538%
总共时间: 169秒, 平均执行时间:0.660156秒
2017-04-30 10:47:55
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:54.9618%, 1-error:63.3588%, Chinese-precise:66.0305%
总共时间: 169秒, 平均执行时间:0.660156秒
2017-04-30 10:54:51
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:56.9231%, 1-error:71.1538%, Chinese-precise:74.6154%
总共时间: 193秒, 平均执行时间:0.753906秒
2017-04-30 11:12:08
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:67.3077%, 1-error:73.0769%, Chinese-precise:76.1538%
总共时间: 187秒, 平均执行时间:0.730469秒
2017-04-30 12:00:16
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:67.3077%, 1-error:73.0769%, Chinese-precise:76.1538%
总共时间: 162秒, 平均执行时间:0.632813秒
2017-04-30 12:04:03
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:70.6122%, 1-error:82.8571%, Chinese-precise:86.5306%
总共时间: 153秒, 平均执行时间:0.597656秒
2017-04-30 12:21:43
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:63.1387%, 1-error:74.0876%, Chinese-precise:87.9562%
总共时间: 150秒, 平均执行时间:0.585938秒
2017-04-30 12:28:44
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:63.1387%, 1-error:74.0876%, Chinese-precise:87.9562%
总共时间: 151秒, 平均执行时间:0.589844秒
2017-04-30 12:32:22
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:63.8686%, 1-error:69.3431%, Chinese-precise:77.3723%
总共时间: 160秒, 平均执行时间:0.625秒
2017-04-30 12:37:26
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:70.6122%, 1-error:82.8571%, Chinese-precise:86.5306%
总共时间: 211秒, 平均执行时间:0.824219秒
2017-04-30 13:53:08
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:68.2353%, 1-error:74.1176%, Chinese-precise:77.2549%
总共时间: 159秒, 平均执行时间:0.621094秒
2017-04-30 13:56:46
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:67.3077%, 1-error:73.0769%, Chinese-precise:76.1538%
总共时间: 160秒, 平均执行时间:0.625秒
2017-04-30 14:02:45
总图片数:256, Plates count:297, 未定位车牌:23, 检出率:92.2559%
Recall:85.1281%, Precise:80.5653%, Fscore:82.7839%.
0-error:70.6122%, 1-error:82.8571%, Chinese-precise:86.5306%
总共时间: 150秒, 平均执行时间:0.585938秒

5298
result/plateGroundTruth.txt
View File

File diff suppressed because it is too large Load Diff

2
src/core/chars_recognise.cpp
Unescape View File

@ -57,7 +57,7 @@ int CCharsRecognise::charsRecognise(CPlate& plate, std::string& plateLicense) {
color = getPlateType(tmpMat, true);
}
int result = m_charsSegment->charsSegmentUsingProject(plateMat, matChars, grayChars, color);
int result = m_charsSegment->charsSegmentUsingOSTU(plateMat, matChars, grayChars, color);
if (result == 0) {
int num = matChars.size();

160
src/core/chars_segment.cpp
View File

File diff suppressed because it is too large Load Diff

56
src/core/feature.cpp
Unescape View File

@ -384,6 +384,62 @@ void getGrayPlusProject(const Mat& grayChar, Mat& features)
hconcat(feautreImg.reshape(1, 1), projectFeature.reshape(1, 1), features);
}
void getGrayPlusLBP(const Mat& grayChar, Mat& features)
{
// TODO: check channnels == 1
SHOW_IMAGE(grayChar, 0);
SHOW_IMAGE(255 - grayChar, 0);
// resize to uniform size, like 20x32
bool useResize = false;
bool useConvert = true;
bool useMean = true;
bool useLBP = true;
Mat char_mat;
if (useResize) {
char_mat.create(kGrayCharHeight, kGrayCharWidth, CV_8UC1);
resize(grayChar, char_mat, char_mat.size(), 0, 0, INTER_LINEAR);
}
else {
char_mat = grayChar;
}
SHOW_IMAGE(char_mat, 0);
// convert to float
Mat float_img;
if (useConvert) {
float scale = 1.f / 255;
char_mat.convertTo(float_img, CV_32FC1, scale, 0);
}
else {
float_img = char_mat;
}
SHOW_IMAGE(float_img, 0);
// cut from mean, it can be optional
Mat mean_img;
if (useMean) {
float_img -= mean(float_img);
mean_img = float_img;
}
else {
mean_img = float_img;
}
SHOW_IMAGE(mean_img, 0);
// use lbp to get features, it can be changed to other
Mat originImage = mean_img.clone();
Mat lbpimage = libfacerec::olbp(mean_img);
SHOW_IMAGE(lbpimage, 0);
lbpimage = libfacerec::spatial_histogram(lbpimage, kCharLBPPatterns, kCharLBPGridX, kCharLBPGridY);
// 32x20 + 16x16
hconcat(mean_img.reshape(1, 1), lbpimage.reshape(1, 1), features);
}
void getLBPplusHistFeatures(const Mat& image, Mat& features) {
// TODO
Mat grayImage;

8
src/core/plate_recognize.cpp
Unescape View File

@ -14,16 +14,8 @@ CPlateRecognize::CPlateRecognize() {
// 2. chars recognize
int CPlateRecognize::plateRecognize(const Mat& src, std::vector<CPlate> &plateVecOut, int img_index) {
// resize to uniform sizes
// TODO: groungTruth affect
float scale = 1.f;
Mat img = uniformResize(src, scale);
//Mat img = src;
if (0) {
std::stringstream ss(std::stringstream::in | std::stringstream::out);
ss << "resources/image/tmp/phone/phone_img_" << img_index << ".jpg";
imwrite(ss.str(), img);
return -1;
}
// 1. plate detect
std::vector<CPlate> plateVec;

12
src/train/annCh_train.cpp
Unescape View File

@ -18,7 +18,7 @@ namespace easypr {
type = 1;
kv_ = std::shared_ptr<Kv>(new Kv);
kv_->load("etc/province_mapping");
extractFeature = getGrayCharFeatures;
extractFeature = getGrayPlusProject;
}
void AnnChTrain::train()
@ -34,7 +34,7 @@ namespace easypr {
else
input_number = kGrayCharHeight * kGrayCharWidth;
//input_number += 64;
input_number += 64;
classNumber = kChineseNumber;
hidden_number = kCharHiddenNeurans;
@ -75,6 +75,14 @@ namespace easypr {
ann_->setBackpropWeightScale(0.1);
ann_->setBackpropMomentumScale(0.1);
auto files = Utils::getFiles(chars_folder_);
if (files.size() == 0) {
fprintf(stdout, "No file found in the train folder!\n");
fprintf(stdout, "You should create a folder named \"tmp\" in EasyPR main folder.\n");
fprintf(stdout, "Copy train data folder(like \"annCh\") under \"tmp\". \n");
return;
}
// using raw data or raw + synthic data.
trainVal(m_number_for_count);
}

14
src/train/ann_train.cpp
Unescape View File

@ -14,7 +14,9 @@ namespace easypr {
AnnTrain::AnnTrain(const char* chars_folder, const char* xml)
: chars_folder_(chars_folder), ann_xml_(xml) {
ann_ = cv::ml::ANN_MLP::create();
type = 1;
// type=0, all characters
// type=1, only chinese
type = 0;
kv_ = std::shared_ptr<Kv>(new Kv);
kv_->load("etc/province_mapping");
}
@ -56,6 +58,7 @@ void AnnTrain::train() {
layers.at<int>(2) = output_number;
}
else {
// Two-layers neural networks is hard to train, So do not try it
fprintf(stdout, ">> Use two-layers neural networks,\n");
fprintf(stdout, ">> First_hidden_neurons: %d \n", first_hidden_neurons);
fprintf(stdout, ">> Second_hidden_neurons: %d \n", second_hidden_neurons);
@ -74,8 +77,15 @@ void AnnTrain::train() {
ann_->setBackpropWeightScale(0.1);
ann_->setBackpropMomentumScale(0.1);
auto files = Utils::getFiles(chars_folder_);
if (files.size() == 0) {
fprintf(stdout, "No file found in the train folder!\n");
fprintf(stdout, "You should create a folder named \"tmp\" in EasyPR main folder.\n");
fprintf(stdout, "Copy train data folder(like \"ann\") under \"tmp\". \n");
return;
}
//using raw data or raw + synthic data.
//auto traindata = tdata();
auto traindata = sdata(350);
std::cout << "Training ANN model, please wait..." << std::endl;

9
src/train/svm_train.cpp
Unescape View File

@ -32,6 +32,12 @@ void SvmTrain::train() {
svm_->setP(0.1);
svm_->setTermCriteria(cvTermCriteria(CV_TERMCRIT_ITER, 20000, 0.0001));
if (train_file_list_.size() == 0) {
fprintf(stdout, "No file found in the train folder!\n");
fprintf(stdout, "You should create a folder named \"tmp\" in EasyPR main folder.\n");
fprintf(stdout, "Copy train data folder(like \"SVM\") under \"tmp\". \n");
return;
}
auto train_data = tdata();
fprintf(stdout, ">> Training SVM model, please wait...\n");
@ -184,8 +190,7 @@ cv::Ptr<cv::ml::TrainData> SvmTrain::tdata() {
samples.convertTo(samples_, CV_32FC1);
cv::Mat(responses).copyTo(responses_);
return cv::ml::TrainData::create(samples_, cv::ml::SampleTypes::ROW_SAMPLE,
responses_);
return cv::ml::TrainData::create(samples_, cv::ml::SampleTypes::ROW_SAMPLE, responses_);
}
} // namespace easypr

7
test/accuracy.hpp
Unescape View File

@ -154,6 +154,7 @@ namespace easypr {
// chinese character is wrong
float chinese_error_count = 0;
float chinese_error_rate = 0;
float chinese_precise_rate = 0;
// calucate the detect precise and recall
// use icdar 2003 evalution protoocal
@ -432,6 +433,7 @@ namespace easypr {
non_error_rate = non_error_count / count_recogin;
one_error_rate = one_error_count / count_recogin;
chinese_error_rate = chinese_error_count / count_recogin;
chinese_precise_rate = (count_recogin - chinese_error_count) / count_recogin;
}
double recall_2003_result = 0;
@ -459,9 +461,10 @@ namespace easypr {
cout << "Fscore" << "," << fscore_2003_result * 100 << "%" << ";" << endl;
cout << kv->get("char_recongize") << ": ";
//cout << "Recongtion rate:" << "," << (count_recogin / count_detect) * 100 << "%; " << endl;
cout << "0-error" << "," << non_error_rate * 100 << "%; ";
cout << "1-error" << "," << one_error_rate * 100 << "%; ";
cout << "Chinese-precise" << "," << (1 - chinese_error_rate) * 100 << "% " << endl;
cout << "Chinese-precise" << "," << chinese_precise_rate * 100 << "% " << endl;
double seconds = difftime(end, begin);
double avgsec = seconds / double(count_all);
@ -510,7 +513,7 @@ namespace easypr {
myfile << "0-error" << ":" << non_error_rate * 100 << "%, ";
myfile << "1-error" << ":" << one_error_rate * 100 << "%, ";
myfile << "Chinese-precise" << ":" << (1 - chinese_error_rate) * 100 << "% " << endl;
myfile << "Chinese-precise" << ":" << chinese_precise_rate * 100 << "% " << endl;
myfile << kv->get("seconds") << ": " << seconds << kv->get("sec") << ", ";
myfile << kv->get("seconds_average") << ":" << avgsec << kv->get("sec") << endl;

2
test/plate.hpp
Unescape View File

@ -107,7 +107,7 @@ int test_plate_recognize() {
CPlateRecognize pr;
pr.setLifemode(true);
pr.setDebug(false);
pr.setMaxPlates(4);
pr.setMaxPlates(1);
//pr.setDetectType(PR_DETECT_COLOR | PR_DETECT_SOBEL);
pr.setDetectType(easypr::PR_DETECT_CMSER);

Write Preview
Loading…
Cancel
Save