HyperLPR车牌识别库代码分析（9）

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SimpleRecognizePlateByE2E()函数：

一、源码

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

二、总结

image.shape[]数组含义如下：

        image.shape[0], 图片垂直尺寸

        image.shape[1], 图片水平尺寸

        image.shape[2], 图片通道数

函数功能总结：

        首先获得当前系统时间。随后对图片进行粗定位，将图片转为黑白的照片，并通过cv2中的detectMultiScale识别车牌位置，最后粗略地裁剪图片到车牌位置。

        在for循环中，先将图片复制三份保存用于后续处理，对plate中的图片进行指定大小裁剪，对origin_plate进行recognizeOne操作，随后将返回值res输出，之后也并未用到res和该confidence。

        再次获取系统时间后，SimplePredict()先对图片进行裁剪操作，再用astype进行强制类型转换防止溢出。针对这些图片进行预测，然后返回图像的维度的最大值。当该值位于0~5之间时，对图像（灰度图像或彩色图像均可）每个像素值进行二进制“非”操作，~1=0，~0=1。

        接下来对图片进行精定位，使用findContoursAndDrawBoundingBox(...)将车牌具体位置进行定位，定位后如下：

随后进行两次finemappingVertical（）操作再对图片进行进一步的裁剪，将各个文字的左右边界裁剪下来，识别出文字。

        随后将图片进行utf-8加密后保存。再对已精定位处理过后的图片进行识别，得出车牌号码，插入数组尾部，再对下一张照片进行上述操作获得车牌。

        最后当处理好的文件可信度大于0.7时，将对一开始输入进行识别的图片中，框出识别出的车牌并显示车牌号码。drawRectBox函数用于打上boundingbox和标签（为之前函数生成的车牌号码）。