高性能开源中文车牌识别框架 — 基于深度学习，支持实时检测与识别在智能交通、安防监控、停车场管理等场景中，车牌识别（Li

前言

在智能交通、安防监控、停车场管理等场景中，车牌识别（License Plate Recognition, LPR）是一项关键的基础技术。HyperLPR 是一个专注于中文车牌识别的高性能、轻量级、开源框架，支持多种平台与部署方式，致力于为开发者提供开箱即用的车牌识别能力。

核心特性

高性能：在 MacBook Pro 2015（Intel i7 2.2GHz）上，对 720p 图像的平均识别时间低于 100ms，满足实时性需求。

高准确率：在卡口等标准场景下，识别准确率可达 95%–97%。

端到端识别：无需传统字符分割步骤，直接输出完整车牌字符串，简化流程并提升鲁棒性。

轻量简洁：核心 Python 实现代码不足 1000 行，易于理解与二次开发。

多平台支持：全面兼容 Windows、macOS、Linux、树莓派，并提供 Android、iOS、C++、PHP 等多语言实现。

丰富车牌类型支持：包括蓝牌、黄牌、新能源车牌、警用车牌、使馆/港澳车牌、武警/军牌、教练车、民航车牌等，并持续扩展双层车牌支持。

一键安装 & 快速上手

通过 pip 即可快速安装 HyperLPR：

python -m pip install hyperlpr

仅需几行代码即可完成车牌识别：

from hyperlpr import *
import cv2

image = cv2.imread("demo.jpg")
result = HyperLPR_plate_recognition(image)
print(result)

输出示例

[('沪A12345', 0.96, (x, y, w, h)), ...]

技术架构与模型

HyperLPR 采用模块化设计，包含以下核心组件：

车牌检测：基于改进的 Cascade 分类器（cascade.xml），兼顾速度与召回率。

倾斜校正：使用边界回归模型（如 model12.h5）对倾斜车牌进行几何校正。

端到端识别：支持多种深度学习模型：

ocr_plate_all_gru.h5：基于 GRU 的序列识别模型，当前精度最高；

ocr_plate_all_w_rnn_2.h5：CNN+RNN 架构，平衡速度与精度；

轻量版 HyperLPR Lite：仅 160 行代码即可实现基础识别功能。

注：训练数据因涉及隐私无法公开，但推荐使用开源数据集 CCPD(github.com/detectRecog…) 进行研究。

多语言与跨平台支持

平台	支持情况
Python	✅ 主力版本，pip 一键安装
C++	✅ Linux/macOS/Windows 工程
Android	✅ 提供 APK 与 NDK 编译指南
iOS	✅ 端到端工程已集成
PHP	✅ 社区贡献版本

C++ 示例（端到端识别）：

#include "../include/Pipeline.h"
int main(){
    pr::PipelinePR prc("model/cascade.xml", ... /* 模型路径 */);
    cv::Mat image = cv::imread("test.png");
    auto res = prc.RunPiplineAsImage(image, pr::SEGMENTATION_FREE_METHOD);
    
    for(auto& plate : res) {
        if(plate.confidence > 0.75) {
            std(std::cout << plate.getPlateName() << " " << plate.confidence << std::endl;
            cv::rectangle(image, plate.getPlateRect(), cv::Scalar(255,255,0), 2);
        }
    }
    cv::imshow("Result", image);
    cv::waitKey(0);
}