HyperLPR 高性能开源中文车牌识别框架是一个开源的、基于深度学习高性能中文车牌识别库，由北京智云视图科技有限公司开发，支持PHP、C/C++、Python语言，Windows/Mac/Linux/Android/IOS 平台。

车牌识别是计算机视频图像识别技术在车辆牌照识别中的一种应用。在机器学习算法的驱动下，可以做到对车辆车牌信息进行检测和识别，应用范围包括卡口摄像机，停车场等。

HyperLPR特性：

速度快 720p，单核 Intel 2.2G CPU (MaBook Pro 2015)平均识别时间低于100ms

基于端到端的车牌识别无需进行字符分割

识别率高，卡口场景准确率在95%-97%左右

轻量，总代码量不超1k行

TODO：

支持多种车牌以及双层

支持大角度车牌

轻量级识别模型

模型资源说明：

cascade.xml 检测模型 - 目前效果最好的cascade检测模型

cascade_lbp.xml 召回率效果较好，但其错检太多

char_chi_sim.h5 Keras模型-可识别34类数字和大写英文字 使用14W样本训练

char_rec.h5 Keras模型-可识别34类数字和大写英文字 使用7W样本训练

ocr_plate_all_w_rnn_2.h5 基于CNN的序列模型

ocr_plate_all_gru.h5 基于GRU的序列模型从OCR模型修改，效果目前最好但速度较慢，需要20ms。

plate_type.h5 用于车牌颜色判断的模型

model12.h5 左右边界回归模型

注意事项：

Win工程中若需要使用静态库，需单独编译

本项目的C++实现和Python实现无任何关联，都为单独实现

在编译C++工程的时候必须要使用OpenCV 3.3以上版本 (DNN 库)，否则无法编译

安卓工程编译ndk尽量采用14b版本

Python 依赖：

Keras (>2.0.0)

Theano(>0.9) or Tensorflow(>1.1.x)

Numpy (>1.10)

Scipy (0.19.1)

OpenCV(>3.0)

Scikit-image (0.13.0)

PIL

CPP 依赖：

Opencv 3.4 以上版本

Linux/Mac 编译：

仅需要的依赖OpenCV 3.4 (需要DNN框架)