EasyPR

EasyPR是一个中文的开源车牌识别系统，其目标是成为一个简单、高效、准确的车牌识别引擎。

相比于其他的车牌识别系统，EasyPR有如下特点：

• 它基于openCV这个开源库。这意味着你可以获取全部源代码，并且移植到opencv支持的所有平台。
• 它能够识别中文。例如车牌为苏EUK722的图片，它可以准确地输出std:string类型的"苏EUK722"的结果。
• 它的识别率较高。图片清晰情况下，车牌检测与字符识别可以达到80%以上的精度。

更新

本次更新是1.3 正式版，主要改进在于几个方面：

1.相对原先的1.2版本，在完整识别率上有所提升：

2.增加了30张左右的新图片，目前的测试图片数达到了204张。

3.对“字符分割”类的代码做了改善。

在1.4版本中计划做以下几点改善：

1.开放ANN训练功能。

2.新的评价框架，更加合理的评估数据。

3.新的车牌定位算法。

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。

版本	开发者	版本	地址
android	goldriver	1.3	linuxxx/EasyPR_Android
linux	Micooz	1.3	已跟EasyPR整合
ios	zhoushiwei	1.3	zhoushiwei/EasyPR-iOS
mac	zhoushiwei,Micooz	1.3	已跟EasyPR整合
java	fan-wenjie	1.2	fan-wenjie/EasyPR-Java

兼容性

当前EasyPR是基于opencv3.0版本开发的，3.0及以上的版本应该可以兼容，以前的版本可能会存在不兼容的现象。

例子

假设我们有如下的原始图片，需要识别出中间的车牌字符与颜色：

经过EasyPR的第一步处理车牌检测（PlateDetect）以后，我们获得了原始图片中仅包含车牌的图块：

接着，我们对图块进行OCR过程，在EasyPR中，叫做字符识别（CharsRecognize）。我们得到了一个包含车牌颜色与字符的字符串：

“蓝牌：苏EUK722”

版权

EasyPR的源代码与训练数据遵循Apache v2.0协议开源。

EasyPR的resources/image/general_test文件夹下的图片数据遵循GDSL协议（通用数据共享协议）进行开放。

请确保在使用前了解以上协议的内容。

目录结构

以下表格是本工程中所有目录的解释:

目录	解释
src	所有源文件
include	所有头文件
test	测试程序
resources/model	机器学习的模型
resources/train	训练数据与说明
resources/image	测试用的图片
resources/doc	相关文档

以下表格是resources/image目录中子目录的解释:

目录	解释
general_test	GDTS（通用数据测试集）
native_test	NDTS（本地数据测试集）
tmp	Debug模式下EasyPR输出中间图片的目录

以下表格是src目录中子目录的解释:

目录	解释
core	核心功能
preprocess	SVM预处理
train	训练目录，存放模型训练的代码
util	辅助功能

以下表格是src目录下一些核心文件的解释与关系:

文件	解释
plate_locate	车牌定位
plate_judge	车牌判断
plate_detect	车牌检测，是车牌定位与车牌判断功能的组合
chars_segment	字符分割
chars_identify	字符鉴别
chars_recognise	字符识别，是字符分割与字符鉴别功能的组合
plate_recognize	车牌识别，是车牌检测与字符识别的共有子类
feature	特征提取回调函数
plate	车牌抽象
core_func.h	共有的一些函数

以下表格是test目录下文件的解释:

文件	解释
main.cpp	主命令行窗口
accuracy.hpp	批量测试
chars.hpp	字符识别相关
plate.hpp	车牌识别相关

使用

EasyPR的所有源代码可在Github上的项目主页直接打包下载得到。

由于Github在中国有时下载速度较慢，可以使用oschina的镜像地址来下载。

如果你熟悉git版本控制工具，可以使用下面的命令来从Github里克隆代码：

$ git clone https://github.com/liuruoze/EasyPR

EasyPR支持当前主流的操作系统，通常不需要对源代码进行更改就可以编译运行，尽管如此，不同平台上IDE的配置也是有很大差异的，下面主要说明Windows，Linux以及Mac OS下的编译方法。

Note: 无论在哪个平台使用EasyPR，首先都要安装对应平台版本的opencv，建议使用正式稳定版本。

Windows

Windows下的配置建议使用最新的Visual Studio 2013版本。目前opencv3.0已经不支持vs2010，vs2012对C++ 11支持的不足，会存在编译问题。

在之前版本的使用和交流过程中，我们发现很多同学对Visual Studio开发环境不甚了解，甚至没有做过C++项目，对EasyPR环境的配置存在很大的障碍。为此在新版本中我们特意准备了傻瓜式自动配置脚本，来方便大家使用EasyPR。

方法一（推荐）

1. 首先你需要安装最新版本的Python。将Python的安装目录（默认安装在C:\Python34）添加到系统环境变量PATH中。
2. 双击 configure.py 运行脚本，根据提示填写相关信息。
3. 打开解决方案文件 EasyPR.sln，直接编译运行即可。

方法二

• 打开解决方案文件 EasyPR.sln。

Note: 该解决方案会加载两个项目，一个是EasyPR，用于编译src/下的源文件生成静态库libeasypr.lib；另一个是Demo，用来编译test/下的main.cpp，并链接libeasypr.lib生成可执行程序。

• 配置OpenCV

OpenCV for Windows通常会将使用VS编译好二进制文件放到opencv\build\目录下。

解决方案自动加载的两个项目配置不符合你的环境，请依次手动配置：

demo

配置项	值
C/C++-附加包含目录	[opencv3的include目录];$(SolutionDir)include
链接器-附加库目录	[opencv3的lib目录]
链接器-输入-附加依赖项	opencv_world300d.lib;%(AdditionalDependencies)

Note：Debug版本为opencv_world300d.lib，Release版本为opencv_world300.lib

libeasypr

配置项	值
C/C++-附加包含目录	[opencv3的include目录];$(SolutionDir)include

• 生成解决方案

默认情况下，生成的 demo.exe 会放在项目根目录下。

Note: 直接双击运行程序会出现找不到opencv动态库的情况，这个时候有两个办法：

• 在opencv3\build\x86(x64)\vc(..)\bin下找到缺失的dll放到执行目录下。
• 将上述bin目录添加到系统环境变量PATH中，然后重新运行程序。

参考：windows平台下的opencv的手动配置可以参考这份博客。

Linux & Mac OS

EasyPR使用CMake在Linux及Mac OS下进行构建，确保系统安装了最新版本的CMake。

为了避免系统中安装的老版本opencv对编译的影响，需要在 CMakeLists.txt 中修改：

set(CMAKE_PREFIX_PATH ${CMAKE_PREFIX_PATH} "/usr/local/opt/opencv3")

路径指向opencv3的安装目录，该目录下应该有OpenCV的CMake配置文件。

项目提供了一键编译shell，在项目根目录下执行：

$ ./build

即可。

---

Note: 你可以直接利用 EasyPR/include 和编译生成的静态库来调用EasyPR提供的函数接口编写自己的程序。

运行Demo：

$ ./demo // 进入菜单交互界面
$ ./demo ? // 查看CLI帮助

命令行示例

可以向 demo[.exe] 传递命令行参数来完成你想要的工作，目前Demo支持5个子命令。对于每个子命令的帮助信息可以传入 -h 参数来获取。

车牌识别

# 利用提供的SVM和ANN模型来识别一张图片里面的所有车牌

$ ./demo recognize -p resources/image/plate_recognize.jpg --svm resources/model/svm.xml --ann resources/model/ann.xml

# 或者更简单一些(注意模型路径)
$ ./demo recognize -p resources/image/plate_recognize.jpg

SVM训练

新版本的EasyPR大大简化了SVM训练：

# 首先准备好车牌图片集合plates/
#    是车牌的放在plates/has/
#    不是车牌的放在plates/no/
#    车牌可从项目resources/train/svm.7z中解压得到。

$ ./demo svm --plates=path/to/your/plates --svm=save/to/svm.xml

# 该命令将70%的车牌作为训练数据，另外30%的车牌作为测试数据，
# 这个只可在 include/easypr/config.h 修改。
# 将训练好的模型存放在 save/to/svm.xml。

ANN训练

先准备好字符图片集合，可从项目resources/train/ann.7z中解压得到。

每类字符都存放在以其名称命名的子文件夹中，命名规则请参考 include/easypr/config.h。

一切准备就绪后，运行下面这条命令即可：

$ ./demo ann --chars=path/to/chars --ann=save/to/ann.xml

获取帮助

详细的开发与教程请见介绍与开发教程。

如果你在使用过程中遇到任何问题，请在这里告诉我们。

Contributors

• liuruoze：1.0-1.2版作者，1.3版整合工作

• 海豚嘎嘎(车主之家)：1.3版算法贡献者，提升了车牌定位与字符识别的准确率

• Micooz：1.3版架构改善与重构，linux与mac的跨平台编译等

• jsxyhelu：deface版本一

• zhoushiwei：deface版本二

• ahccom：新的plateLocate函数

• 阿水：1.3版整合，数据标注等工作

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。