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。