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。
本次更新是1.4版，主要改进在于几个方面：
1.支持opencv3.0与3.1，注意，这与opencv2.x不兼容，要想支持的话请下载1.3版本。
2.ANN训练开放。
3.修正了SVM训练异常的问题。
4.代码优化。
不知道怎么下载以前的版本的小伙伴可以在github或gitosc的"branch"里选择"tags"，然后点击"v1.3"，再然后点击"download zip"。当然如果直接git clone的话可以随时方便切换。
在后面的版本中计划做以下几点改善：
1.新的评价框架，更加合理的评估数据。
2.新的车牌定位算法。
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 | 1.4 | 已跟EasyPR整合 |
| ios | zhoushiwei | 1.3 | zhoushiwei/EasyPR-iOS |
| mac | zhoushiwei,Micooz | 1.4 | 已跟EasyPR整合 |
| java | fan-wenjie | 1.2 | fan-wenjie/EasyPR-Java |
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。
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”
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。
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 |
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）
- 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。
- 双击
configure.py运行脚本，根据提示填写相关信息。 - 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。
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
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。
假设你在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，
则可以执行 $ 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resources/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 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
假设你在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，
则可以执行 $ 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resources/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。
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。
EasyPR讨论QQ群号是：366392603，加前请注明EasyPR学习讨论。
-
liuruoze：1.0-1.2版作者
-
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：1.3-1.4版架构重构，linux与mac支持，opencv3.0支持
-
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
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。