HyperLPR车牌识别库代码分析总结（14）

本文主要是介绍HyperLPR车牌识别库代码分析总结（14），对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

2021SC@SDUSC

源代码下载地址：https://gitee.com/zeusees/HyperLPR

源码配置的详情见第一篇分析

 本篇内容将总结之前所分析的三个函数：

一、SimpleRecognizePlateByE2E(self,image)函数

    def SimpleRecognizePlateByE2E(self,image):
        images = self.detectPlateRough(image,image.shape[0],top_bottom_padding_rate=0.1)
        res_set = []
        for j,plate in enumerate(images):
            plate, rect  =plate
            image_rgb,rect_refine = self.finemappingVertical(plate,rect)
            res,confidence = self.recognizeOne(image_rgb)
            res_set.append([res,confidence,rect_refine])
        return res_set

       对导入的车牌文件（也就是图片）进行车牌粗定位，目的是找出图中所有的车牌，这部分是通过delectPlateRough函数实现的。找出所有车牌后，对图中所有车牌进行精定位，也就是沿着这些车牌的轮廓，将车牌裁剪下来，方便接下来对车牌内容进行识别，这项功能是通过finemappingVertical函数实现的。最后要对车牌进行文字识别，通过recognizeOne函数实现。

二、SimpleRecognizePlateByE2E(image)函数

def SimpleRecognizePlateByE2E(image):
    t0 = time.time()
    images = detect.detectPlateRough(image,image.shape[0],top_bottom_padding_rate=0.1)
    res_set = []
    for j,plate in enumerate(images):
        plate, rect, origin_plate  =plate
        plate  =cv2.resize(plate,(136,36*2))
        res,confidence = e2e.recognizeOne(origin_plate)
        print "res",res
 
        t1 = time.time()
        ptype = td.SimplePredict(plate)
        if ptype>0 and ptype<5:
            plate = cv2.bitwise_not(plate)
        image_rgb = fm.findContoursAndDrawBoundingBox(plate)
        image_rgb = fv.finemappingVertical(image_rgb)
        image_rgb = fv.finemappingVertical(image_rgb)
        cache.verticalMappingToFolder(image_rgb)
        res,confidence = e2e.recognizeOne(image_rgb)
        print res,confidence
        res_set.append([[],res,confidence])
 
        if confidence>0.7:
            image = drawRectBox(image, rect, res+" "+str(round(confidence,3)))
    return image,res_set

        该函数主要作用是先用detectPlateRough进行车牌粗定位，识别车牌，获取车牌图片。后对这组图片用resize裁剪，再使用recognizeOne进行初步文字识别，再通过bitwise_not将其图片各像素取“非”。通过findContoursAndDrawBoundingBox函数，在车牌字符没有出现完全的粘连的情况下，进行精定位-确定上下边界，寻找图片的上下界，并将图片转正，剔除噪点。然后再用两次的finemappingVertical识别出文字，剔除没有文字的背景，并返回置信度。先使用verticalMappingToFolder生成图片标签，最后再对该图片用recognizeOne识别文字一次，判断置信度，完成识别操作。

        该函数与第一个函数的区别在于先对图片进行recognizeOne识别，再在finemappingVertical之前使用了findContoursAndDrawBoundingBox(plate)对图片进行寻找上下界和剔除噪点的工作。并在此之后用verticalMappingToFolder生成图片文件，再进行recognizeOne识别字符操作，最后完成识别操作。

三、SimpleRecognizePlate(image)函数

def SimpleRecognizePlate(image):
    t0 = time.time()
    images = detect.detectPlateRough(image,image.shape[0],top_bottom_padding_rate=0.1)
    res_set = []
    for j,plate in enumerate(images):
        plate, rect, origin_plate  =plate
        # plate = cv2.cvtColor(plate, cv2.COLOR_RGB2GRAY)
        plate  =cv2.resize(plate,(136,36*2))
        t1 = time.time()

        ptype = td.SimplePredict(plate)
        if ptype>0 and ptype<5:
            plate = cv2.bitwise_not(plate)

        image_rgb = fm.findContoursAndDrawBoundingBox(plate)

        image_rgb = fv.finemappingVertical(image_rgb)
        cache.verticalMappingToFolder(image_rgb)
        print("e2e:", e2e.recognizeOne(image_rgb))
        image_gray = cv2.cvtColor(image_rgb,cv2.COLOR_RGB2GRAY)
        cv2.imshow("image_gray",image_gray)
        cv2.imwrite("./"+str(j)+".jpg",image_gray)
        print("校正",time.time() - t1,"s")
        t2 = time.time()
        val = segmentation.slidingWindowsEval(image_gray)
        print("分割和识别",time.time() - t2,"s")
        if len(val)==3:
            blocks, res, confidence = val
            if confidence/7>0.7:
                image =  drawRectBox(image,rect,res)
                res_set.append(res)
                for i,block in enumerate(blocks):
                    block_ = cv2.resize(block,(25,25))
                    block_ = cv2.cvtColor(block_,cv2.COLOR_GRAY2BGR)
                    image[j * 25:(j * 25) + 25, i * 25:(i * 25) + 25] = block_
                    if image[j*25:(j*25)+25,i*25:(i*25)+25].shape == block_.shape:
                        pass
            if confidence>0:
                print("车牌:",res,"置信度:",confidence/7)
            else:
                pass
                # print "不确定的车牌:", res, "置信度:", confidence
    print(time.time() - t0,"s")
    return image,res_set

        该函数是主要的运行函数，其分析如下：

        该函数主要作用是先用detectPlateRough进行车牌粗定位，识别车牌，获取车牌图片。后对这组图片用cvtColor将图片变成只有灰色和白色的图片,后用resize裁剪，通过bitwise_not将其图片各像素取“非”。通过findContoursAndDrawBoundingBox函数，在车牌字符没有出现完全的粘连的情况下，进行精定位-确定上下边界，寻找图片的上下界，并将图片转正，剔除噪点。然后再用一次的finemappingVertical识别出文字，剔除没有文字的背景，并返回置信度。先使用verticalMappingToFolder生成图片标签并输出，再对该图片用recognizeOne识别文字一次，得出置信度。之后对处理后的文件再进行校准，使用基于滑动窗口的字符分割与识别的slidingWindowsEval函数，与recognizeOne方法功能类似，但识别出置信度不同。置信度大于0.7时，再用drawRectBox函数打上boundingbox和标签，将对一开始输入进行识别的图片中，框出识别出的车牌显示车牌号码。最后把图片保存为jpg的格式并保存至当前文件夹下。

这篇关于HyperLPR车牌识别库代码分析总结（14）的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！