HyperLPR3 - 高性能车牌识别框架。

中文文档

演示APP安装

• 安卓APP：扫描二维码

快速安装

python -m pip install hyperlpr3

支持：python3, Windows, Mac, Linux, Raspberry Pi。

720p CPU实时（在MBP r15 2.2GHz haswell上运行）。

快速测试

# 图片URL
lpr3 sample -src https://koss.iyong.com/swift/v1/iyong_public/iyong_2596631159095872/image/20190221/1550713902741045679.jpg

# 图片路径
lpr3 sample -src images/test_img.jpg -det high

使用方法

# 导入opencv
import cv2
# 导入hyperlpr3
import hyperlpr3 as lpr3

# 实例化对象
catcher = lpr3.LicensePlateCatcher()
# 加载图片
image = cv2.imread("images/test_img.jpg")
# 打印结果
print(catcher(image))

启动WebAPI服务

# 启动服务器
lpr3 rest --port 8715 --host 0.0.0.0

启动后打开SwaggerUI的路径：http://localhost:8715/api/v1/docs 查看并测试在线识别API服务：

问答

Q：项目中的安卓版本准确率是否与apk-demo一致？

A：请从发布版中编译或下载安卓共享库，并将其复制到Prj-Android中进行测试。

Q：车牌训练数据的来源是什么？

A：由于用于训练的车牌数据涉及法律隐私等问题，本项目无法提供。可参考更多公开的大数据集 CCPD 注册数据集。

Q：是否提供训练代码？

A：目前提供了旧版的训练代码，HyperLPR3的训练方法将在后续整理并公布。

资源

• HyperLPR3车牌识别-五分钟搞定: 中文车牌识别光速部署与使用

• HyperLPR3车牌识别-Android-SDK光速部署与使用

• HyperLPR3车牌识别-Linux/MacOS使用：C/C++库编译

• HyperLPR3车牌识别-Android使用：SDK编译与部署

• 待补充... 欢迎贡献

其他版本

• HyperLPRv1

• HyperLPRv2

TODO

• 支持WebApi服务的快速部署
• 支持多车牌及双层车牌
• 支持大角度车牌
• 轻量级识别模型

特色

• 720p更快，单核Intel 2.2G CPU（MaBook Pro 2015）平均识别时间小于100ms
• 端到端车牌识别无需字符分割
• 识别率高，出入口场景准确率约95%-97%
• 支持跨平台编译和快速部署

注意事项：

• 本项目的C++和Python实现是分开的
• 编译C++项目时必须使用OpenCV 4.0和MNN 2.0，否则无法编译
• 安卓项目编译时NDK应尽量使用21版本

Python依赖

• opencv-python (>3.3)
• onnxruntime (>1.8.1)
• fastapi (0.92.0)
• uvicorn (0.20.0)
• loguru (0.6.0)
• python-multipart
• tqdm
• requests

跨平台支持

平台

• Linux: x86、Armv7、Armv8
• MacOS: x86
• Android: arm64-v8a、armeabi-v7a

嵌入式开发板

• Rockchip: rv1109rv1126(RKNPU)

CPP依赖

• Opencv 4.0以上
• MNN 2.0以上

C/C++编译依赖

编译C/C++项目需要使用第三方依赖库。下载库后解压，通过复制或软链接的方式将其放入根目录（与CMakeLists.txt同级）。百度网盘 提供代码：eu31。

Linux/Mac共享库编译

• 需要将依赖项放置或链接到项目根目录（与CMakeLists.txt同级）
• 建议自行编译OpenCV并安装到系统中，这样可以减少因版本不匹配和系统依赖问题导致的编译错误。当然，也可以尝试使用我们提供的预编译OpenCV静态库进行编译。为此，需启用 LINUX_USE_3RDPARTY_OPENCV 开关。

# 执行脚本
sh command/build_release_linux_share.sh

编译后的文件位于 build/linux/install/hyperlpr3 目录下，包含：

• include - 头文件
• lib - 共享库目录
• resource - 测试图像和模型目录

将所需文件复制到您的项目中即可。

Linux/Mac演示程序编译

• 需先完成上述编译步骤并确保成功。编译好的文件会位于根目录：build/linux/install/hyperlpr3。您需要手动将其复制到当前目录。
• 进入 Prj-Linux 文件夹

# 进入Prj-linux
cd Prj-Linux
# 执行sh脚本
sh build.sh

编译完成后生成可执行程序：PlateRecDemo，运行该程序

# 进入build目录
cd build/
# 第一个参数为模型目录，第二个参数为图片路径
./PlateRecDemo ../hyperlpr3/resource/models/r2_mobile ../hyperlpr3/resource/images/test_img.jpg

Linux/Mac 快速使用 SDK 代码示例

// 加载图像
cv::Mat image = cv::imread(image_path);
// 创建 ImageData
HLPR_ImageData data = {0};
data.data = image.ptr<uint8_t>(0);         // 设置图像数据流
data.width = image.cols;                   // 设置图像宽度
data.height = image.rows;                  // 设置图像高度
data.format = STREAM_BGR;                  // 设置当前图像编码格式
data.rotation = CAMERA_ROTATION_0;         // 设置当前图像旋转角度
// 创建 Buffer
P_HLPR_DataBuffer buffer = HLPR_CreateDataBuffer(&data);

// 配置车牌识别参数
HLPR_ContextConfiguration configuration = {0};
configuration.models_path = model_path;         // 模型文件夹路径
configuration.max_num = 5;                      // 最大车牌数量
configuration.det_level = DETECT_LEVEL_LOW;     // 检测器等级
configuration.use_half = false;
configuration.nms_threshold = 0.5f;             // 非极大值抑制置信度阈值
configuration.rec_confidence_threshold = 0.5f;  // 车牌号码文本置信度阈值
configuration.box_conf_threshold = 0.30f;       // 检测器阈值
configuration.threads = 1;
// 实例化 Context
P_HLPR_Context ctx = HLPR_CreateContext(&configuration);
// 查询 Context 状态
HREESULT ret = HLPR_ContextQueryStatus(ctx);
if (ret != HResultCode::Ok) {
    printf("创建失败。\n");
    return -1;
}
HLPR_PlateResultList results = {0};
// 执行 LPR
HLPR_ContextUpdateStream(ctx, buffer, &results);

for (int i = 0; i < results.plate_size; ++i) {
	// 获取结果
    std::string type;
    if (results.plates[i].type == HLPR_PlateType::PLATE_TYPE_UNKNOWN) {
        type = “未知";
    } else {
        type = TYPES[results.plates[i].type];
    }

    printf("<%d> %s, %s, %f\n", i + 1, type.c_str(),
           results.plates[i].code, results.plates[i].text_confidence);
}

// 释放 Buffer
HLPR_ReleaseDataBuffer(buffer);
// 释放 Context
HLPR_ReleaseContext(ctx);

Android：编译共享库

• 第一步是安装第三方依赖。
• 需要准备 NDK 并配置环境变量：$ANDROID_NDK。
• 支持在 Linux/MacOS 上进行交叉编译。

# 执行脚本
sh command/build_release_android_share.sh

编译后的目录为：build/release_android/，其中包含：

• arm64-v8a - 64位共享库
• armeabi-v7a - 32位共享库

编译完成后，将 arm64-v8a 和 armeabi-v7a 目录复制到 Prj-Android/hyperlpr3/libs，然后编译 Prj-Android 项目即可使用。

使用 Docker 编译

如果需要使用 Docker 进行编译，我们提供了以下几种方式：

1. 使用 Docker 编译 Linux-x86 共享库

需要安装 Docker 和 Docker Compose，并构建 hyperlpr_build 镜像：

docker build -t hyperlpr_build .

开始编译共享库：

docker-compose up build_linux_x86_shared_lib

编译输出目录：build/linux

Android SDK 示例

我们提供了一个基于 Android SDK 的示例项目：hyperlpr3-android-sdk，您可以根据需要编译共享库并使用该项目。

在 Android 中快速使用

如果您希望快速将我们的 SDK 集成到自己的 Android 项目中，可以在项目的 build.gradle 文件中添加以下依赖：

• 步骤 1：在根目录的 build.gradle 文件中的 repositories 部分末尾添加 JitPack 仓库：

allprojects {
    repositories {
        ...
        maven { url 'https://jitpack.io' }
    }
}

• 步骤 2：添加依赖项：

dependencies {
    implementation 'com.github.HyperInspire:hyperlpr3-android-sdk:1.0.3'
}

• 步骤 3：在应用中使用 HyperLPR：

// 初始化，通常只需执行一次，在程序启动时进行
HyperLPR3.getInstance().init(this, new HyperLPRParameter());

…

// 执行识别
Plate[] plates =  HyperLPR3.getInstance().plateRecognition(bitmap, HyperLPR3.CAMERA_ROTATION_0, HyperLPR3.STREAM_BGRA);

更多信息请参阅：Prj-Android

支持的车牌类型（中文）

支持

• 单行蓝牌
• 单行黄牌
• 新能源车牌
• 教练车牌

有限支持

• 白色警用车牌
• 使馆/港澳车牌
• 双层黄牌
• 武警车牌

待支持

• 民航车牌
• 双层武警
• 双层军牌
• 双层农用车牌
• 双层个性化车牌
• 更多国家的车牌

注：由于训练过程中部分样本不平衡，一些特殊车牌的识别率较低，例如（使馆/港澳地区车牌），这些问题将在后续版本中得到改进。

示例

作者

• Jingyu Yan (tunmxy@163.com)
• Jack Yu (jack-yu-business@foxmail.com / https://github.com/szad670401)
• XiaoXiao (xiaoxiao@xidian.edu.cn)

帮助

• HyperInspire QQ 群：529385694

HyperLPR3 快速上手指南

HyperLPR3 是一个高性能的开源车牌识别框架，支持端到端识别（无需字符分割），在普通 CPU 上即可实现实时检测，广泛支持中国各类车牌（蓝牌、黄牌、新能源、教练车等）。

环境准备

系统要求

• 操作系统：Windows, macOS, Linux (x86/ARM), Raspberry Pi
• Python 版本：Python 3.x

前置依赖

确保已安装以下基础环境（通常 pip 安装时会自动处理）：

• OpenCV (opencv-python > 3.3)
• ONNX Runtime (onnxruntime > 1.8.1)
• FastAPI, Uvicorn (用于 Web 服务)

提示：国内用户若遇到 pip 下载慢的问题，建议使用清华或阿里镜像源加速安装。

安装步骤

使用 pip 一键安装最新稳定版：

python -m pip install hyperlpr3 -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

1. Python 代码调用

这是最简单的集成方式，适用于图像文件识别。

# import opencv
import cv2
# import hyperlpr3
import hyperlpr3 as lpr3

# Instantiate object
catcher = lpr3.LicensePlateCatcher()
# load image
image = cv2.imread("images/test_img.jpg")
# print result
print(catcher(image))

2. 命令行快速测试

无需编写代码，直接通过命令行测试图片 URL 或本地路径：

# 测试网络图片
lpr3 sample -src https://koss.iyong.com/swift/v1/iyong_public/iyong_2596631159095872/image/20190221/1550713902741045679.jpg

# 测试本地图片 (开启高精度检测)
lpr3 sample -src images/test_img.jpg -det high

3. 启动 Web API 服务

如需部署为 HTTP 服务供其他系统调用，可一键启动内置服务器：

# 启动服务 (默认端口 8715)
lpr3 rest --port 8715 --host 0.0.0.0

启动后，可在浏览器访问 Swagger UI 进行在线调试： http://localhost:8715/api/v1/docs