Usage.md · zhao_jd/EasyPR

# 使用

### 获取源代码

可以访问我们的项目主页获取代码：

* [github](https://github.com/liuruoze/EasyPR)
* [oschina](https://git.oschina.net/easypr/EasyPR)

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](http://opencv.org/) 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](http://my.phirobot.com/blog/2014-02-opencv_configuration_in_vs.html)。

#### 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](http://cmake.org)。

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：

```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

zhao_jd/EasyPR

简介

发行版

贡献者

近期动态

zhao_jd/EasyPR .gitee-modal { width: 500px !important; }

简介

发行版

贡献者

近期动态

搜索帮助

zhao_jd/EasyPR