|
|
|
|
|
# 使用
|
|
|
|
|
|
|
|
|
|
|
|
### 准备工作
|
|
|
|
|
|
|
|
|
|
|
|
1. 安装OpenCV
|
|
|
|
|
|
|
|
|
|
|
|
从 [OpenCV官方网站](http://opencv.org/) 获取对应平台的 `OpenCV3.4.6`。
|
|
|
|
|
|
|
|
|
|
|
|
EasyPR_Green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下的编译方法。
|
|
|
|
|
|
|
|
|
|
|
|
#### Windows
|
|
|
|
|
|
|
|
|
|
|
|
对于Windows环境，建议的IDE是Visual Studio，如果使用的不是VS，请自行配置。
|
|
|
|
|
|
|
|
|
|
|
|
|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](http://my.phirobot.com/blog/2014-02-opencv_configuration_in_vs.html)。
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
----
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
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；
|
|
|
|
|
|
|
|
|
|
|
|
选择1.测试功能可以进行新能源汽车的车牌识别，之后会提供7个选项，分别为车牌识别的各个步骤，选择7即可进行整个新能源车牌的识别，系统会自动从/resources/image下读取图片进行各个步骤的演示。
|
|
|
|
|
|
|
|
|
|
|
|
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：
|
|
|
|
|
|
|
|
|
|
|
|
```xml
|
|
|
|
|
|
<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
|
