Skip to content

Latest commit

 

History

History
200 lines (120 loc) · 8.1 KB

Usage.md

File metadata and controls

200 lines (120 loc) · 8.1 KB
Raw

使用

获取源代码

可以访问我们的项目主页获取代码：

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

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

准备工作

  1. 安装OpenCV

从 OpenCV官方网站 获取对应平台的 OpenCV3.1.0。

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。

Windows

对于使用 Windows 的同学，建议的IDE是Visual Studio，如果使用的不是VS，请自行配置，也欢迎分享你的配置方案。

环境 需求
操作系统 64位，Windows7 sp1 / Windows 8 及以上
Visual Studio vs2013 / vs2015
Python（可选） Python3.*

Note: 预编译的 OpenCV3.1 已经不支持较低版本的Visual Studio，请选择vs2013及以上的版本。

方法一

注意: python方法仅针对v1.5以下的版本。在1.6及以上版本中，由于架构变化，不推荐使用。可以加群看群里的配置方法。

  1. 确保将Python的安装目录添加到系统环境变量PATH中。
  2. 执行 python configure.py ，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，该解决方案会加载两个项目:

  • EasyPR，用于编译src/下的源文件生成静态库libeasypr.lib
  • 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 [opencv的include目录];$(SolutionDir)include
链接器-附加库目录 [opencv的lib目录]
链接器-输入-附加依赖项 opencv_world310d.lib;%(AdditionalDependencies)

Note：Debug版本为opencv_world310d.lib，Release版本为opencv_world310.lib

libeasypr

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

编译

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opencv\build\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.sh

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

如何开始

当进入交互界面以后，首先是主目录，下面是主目录各个功能的解释：

名称 说明
测试 分别测试车牌识别中每个环节。要想更改测试的图片，可以替换resources/image下的图片；
批量测试 跑完整个general_test下所有图片，输出准确率等指标，用于评估EasyPR的效果；
SVM训练 用SVM训练车牌判断模型；
ANN训练 用ANN训练字符识别和中文识别模型，对应ann.xml和ann_chinese.xml；
中文训练 1.6版新增，用ANN模型训练灰度中文字符，生成annCh.xml；
生成字符 需要配合plates_200k这个数据集才能作用；

当成功运行EasyPR后，首先运行批量测试功能。如果最后的指标跟readme一致，说明EasyPR安装成功。

可以在accuracy.hpp中修改 pr.setResultShow(false) 为 pr.setResultShow(true)， 让批量测试显示出车牌定位的效果。

Note:

在批量测试下有一个选项，native_test。可以把自己的图片放到resources/image/native_test下测试用的。如果你自己的图片没有ground_truth，无法计算准确率指标。但是可以打开车牌定位的效果。

如果想评估车牌定位的指标。需要生成GroundTruth_windows.xml和GroundTruth_others.xml。可以参考general_test下的同名文件来了解下这个文件的格式该如何定义。例如下面的一个xml节点：

<taggedRectangle x="170" y="184" width="96" height="27" rotation="-1" locateType="1">蓝牌:京A88731</taggedRectangle>

taggedRectangle对应一个车牌，属性x和y表示的是车牌外接矩形的中心点的坐标。width和height是宽度和高度。另外两个属性目前没用到。

GroundTruth_windows.xml的编码需要设置为ANSI，而GroundTruth_others.xml的编码要设置为UTF-8，否则会出现乱码。

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 model/svm.xml --ann 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。

首先在easypr的主目录下面新建了一个tmp文件夹，并且把svm.7z解压得到的svm文件夹移动到tmp文件夹下面，

执行 $ demo svm --plates=tmp/svm --svm=tmp/svm.xml，生成得到的tmp文件夹下面的svm.xml就是训练好的模型，

替换model/svm.xml就可以达到替换新模型的目的，替换前请先备份原始模型。

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 resources/text/province_mapping。

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

首先在easypr的主目录下面新建了一个tmp文件夹，并且把ann.7z解压得到的ann文件夹移动到tmp文件夹下面，

执行 $ demo ann --chars=tmp/ann --ann=tmp/ann.xml，生成得到的tmp文件夹下面的svm.xml就是训练好的模型，

替换model/ann.xml就可以达到替换新模型的目的，替换前请先备份原始模型。

注意

train文件夹下有3个ann压缩包，解释一下：

文件 用途
ann.7z 包括黑白的字符和中文数据，ann以及ann_chinese.xml由这个训练得到；
annCh.7z 仅仅包括中文的灰度数据，annCh.xml由这个训练得到；
annGray.7z 包括了灰度的字符数据，目前没有任何模型由这个训练得到，主要是为未来的CNN做准备