Обновление версии EasyPR

======

Это обновление до версии 1.6alpha, основные улучшения следующие:

1. Введено обучение с использованием серых цветовых характеристик и новых признаков, что повысило точность распознавания китайских символов до 86%, увеличив её почти на 14 процентных пунктов по сравнению с предыдущей версией.

2. Улучшение алгоритмов разделения и распознавания символов привело к повышению полной точности распознавания (без ошибок) на general_test с 59% до 70%. При этом показатель 1-ошибки достиг уровня в 82%, что является значительным прогрессом.

3. В модуле распознавания номерных знаков были внедрены новые SVM-признаки (цвет + проекция), что позволило повысить точность распознавания, сохранив при этом устойчивость системы. Индикатор FScore был повышен с 76% до 82%.

4. Представлен новый метод разделения символов — groundMSER.

5. Добавлено около десяти тысяч изображений серых цветовых характеристик китайских символов для обучения модели, а также реализован способ извлечения китайских и английских символов из набора номерных знаков от free-мастера через главный интерфейс программы.

6. Добавлено более двадцати двух тысяч изображений серых цветовых характеристик символов для обучения модели распознавания серых цветовых характеристик.7. Оптимизация и обновление кода, исправление множества ошибок.

7. Поддержка OpenCV 3.2 версии, для компиляции достаточно заменить #define CV_VERSION_THREE_ZERO на #define CV_VERSION_THREE_TWO в файле config.h.

8. Удобная поддержка Linux и Mac версий, использование CMake позволяет успешно скомпилировать проект, отдельные UTF-8 и GBK файлы доступны для использования на различных системах.

======

Это обновление до версии EasyPR 1.5, по сравнению с бета-версией были выполнены следующие улучшения:

1. Исправлена проблема неправильного обучения SVM! Теперь версия 1.5 также может использовать SVM для обучения без каких-либо ограничений. Эта проблема действительно связана с багом OpenCV, подробнее см. обсуждение, за что мы благодарим пользователя @tka. Обратите внимание, что OpenCV 3.2 также исправил эту проблему, поэтому если вы используете 3.2 версию, то тоже можете это сделать. Однако неясно, будут ли введены другие проблемы в 3.2 версии, так что даже если вы используете 3.0 или 3.1 версии OpenCV, вы всё ещё сможете избежать этой проблемы.

2. Поддержка компиляции для Linux и Mac, если возникнут какие-либо проблемы, пожалуйста, задайте вопрос в issue.3. Добавлен "ленивый" вариант сборки без необходимости конфигурации OpenCV, см. инструкцию. Этот вариант поддерживает только VS2013 и работает только в режиме Debug и x86; для всех остальных случаев вам всё же потребуется конфигурация OpenCV. Благодарим Фаньваньцзи за помощь. Оба файла на странице следует скачать, после чего распаковать с помощью 7zip.Другие основные улучшения следующие:

3. Добавлен новый метод локализации на основе MSER (Minimum Stable Extremal Regions), который демонстрирует высокую устойчивость при работе с изображениями низкого контрастного отношения и освещённости, а также с большими изображениями.*

• Изображение с очень низким контрастом

![Изображение с очень низким контрастом](resources/doc/res/contrast_Yöntemleri, в конечном итоге выводится только один номерной знак, который имеет наибольшую вероятность.

4. Базируясь на методах двоичного порогового значения Оцу и адаптивного порогового значения для локального пространства, была повышена точность разделения текста и распознавания символов.

• Изображение номерного знака

• Обычный результат применения метода Оцу

• Результат применения метода Оцу для локального пространства

5. Новая SVM-модель и характеристики (LBP) повысили устойчивость распознавания номерных знаков, а новая модель ANN для китайского текста повысила общую точность распознавания китайских символов почти на 15%.Эта версия — 1.4 официальная версия, основные улучшения заключаются в нескольких аспектах:

6. Код был унифицирован до UTF-8 формата, что позволяет избежать проблем с отображением символов на различных платформах.

7. Поддержка OpenCV 3.0 и 3.1, обратите внимание, что это несовместимо с OpenCV 2.x. Чтобы поддерживать совместимость, пожалуйста, скачайте версию 1.3.

8. Обучение ANН открыто доступно.

9. Устранена проблема неправильной работы SVM во время обучения.

10. Оптимизация кода.

Если вы не знаете, как скачать старую версию, выберите "тэги" в разделе "ветвь" на GitHub или GitOSC, затем кликните на "v1.3", после чего нажмите "скачать ZIP". Конечно, если вы используете git clone, вы сможете легко переключаться между версиями.

6. Добавлен метод Grid Search для автоматической настройки параметров.

7. Впервые добавлена поддержка многопоточности, используя OpenMP для метода распознавания текста, что увеличило скорость распознавания примерно вдвое по сравнению с однопоточной версией.

8. Часть китайских комментариев были заменены, чтобы Visual Studio на Windows мог успешно скомпилировать все файлы, завершающиеся LF. При правильной настройке OpenCV, программа, скачанная через ZIP с gitosc, может быть скомпилирована и запущена.

Для более подробной информации о данных изменениях можно обратиться к введению.В последующих версиях планируются следующие улучшения:

1. Новый оценочный фреймворк для более рациональной оценки данных.

2. Новый алгоритм локализации номерного знака.

======

Эта версия — 1.3 бета, основные улучшения связаны с повышением точности модуля распознавания символов:

Средняя дистанция между символами снизилась с 0.7 до 0.4, полное соответствие увеличилось с примерно 68% до текущего уровня 81%, среднее время выполнения снизилось с двух секунд до полутора секунд. Смотрите ниже:

Основные изменения:

• Улучшен алгоритм распознавания символов, заново обучена ANN модель, что значительно повысило точность распознавания символов.

• Применены более надёжные методы для повышения точности модуля локализации номерного знака.

Проблемой текущей версии является высокое время обработки, которое будет исправлено в официальной версии 1.3.

======

Эта версия — 1.3 альфа, основные улучшения связаны с повышением точности модуля распознавания символов:

Средняя дистанция между символами снизилась с 2.0 до 0.7, полное соответствие увеличилось с примерно 25% до текущего уровня 68%.

При этом точность модуля локализации номерного знака также была повышена с 94% в прошлой версии до 99%. Смотрите ниже:

Основные изменения:

• Улучшен алгоритм распознавания символов, заново обучен ANN модель, что значительно повысило точность распознавания символов.

• Применены более надёжные методы для повышения точности модуля локализации номерного знака.

Проблемой текущей версии является значительное увеличение времени обработки, которое будет исправлено в официальной версии Yöntemler, которые существенно повысили точность локализации номерного знака.

Проблемой текущей версии является значительное увеличение времени обработки, которое будет исправлено в официальной версии 1.3.

======

Эта версия — 1.2, основные улучшения связаны с повышением точности модуля локализации номерного знака, с около 70% до текущего уровня 94%, смотрите ниже:

Основные изменения:

• Локализация номерного знака использует метод "цветовая информация" + "повторный Sobel" для комплексного поиска. В окне ниже красный прямоугольник представляет результат локализации Sobel, а желтый — результат цветовой локализации.

• "Массовое тестирование" добавляет окно просмотра результатов, которое можно открыть или закрыть с помощью SetDebug() (true — открыть, false — закрыть).

• Базовая реализация "большого угла" локализации завершена. На нижеприведённом скриншоте показана локализация номерного знака с правильной перспективой.

* В GDTS добавлено несколько новых тестовых изображений, включая изображения с большим углом наклона.

• Результаты "пакетного тестирования" теперь также сохраняются в файле "run_accuracy", что позволяет просматривать историческую информацию.

• Интеграция с версией Linux обеспечивает возможность кросс-платформенного компилирования.

======

Текущая версия EasyPR — это 1.1. По сравнению с предыдущей версией 1.0, были сделаны следующие изменения (в этом выпуске много обновлений, поэтому рекомендуется осторожно выбирать полное обновление, лучше всего создать новый каталог для проверки новых функций):

• Новая SVM модель. Новая модель использует rbf ядро вместо linear ядра, что повысило точность распознавания номерных знаков на 8%.

• Добавлены два метода извлечения признаков. Также предоставлены связанные callback функции для повторного использования.

• Добавлен режим отладки. Все промежуточные изображения можно найти в папке image/tmp.

• Добавлен режим LifeMode, который более подходящий для локализации номерных знаков в реальных условиях.

• Добавлена функция пакетного тестирования, которая позволяет оценить общую производительность EasyPR на множестве изображений.

• Введено понятие GDTS (General Data Test Set, универсального набора данных для тестирования), как набора данных для оценки точности EasyPR.

• Чтобы гарантировать использование данных GDTS исключительно для некоммерческих целей, была введена новая лицензия GDSL.

• Усовершенствованы возможности обучения SVM. Предоставлен удобный интерфейс для обучения. Эти новые возможности предназначены для совместимости с будущими деталями обучения SVM.

• Укреплен процесс проверки модели SVM. Используются три новых концепта данных, то есть learn data, train data, test data.

• Добавлены метрики оценки. Введены Precise, Recall, FScore как метрики для оценки точности модели SVM и основание для её улучшения.

• Добавлены общие метрики. Введено расстояние Левенштейна как критерий для оценки ошибок в общей точности распознавания EasyPR и основа для его улучшения.

* Количество тренировочных данных значительно увеличено. В тренировочные данные SVM добавлено около одной тысячи новых образцов (изображений номерных знаков и неномерных знаков без применения гистограммы равномерной балансировки).Пожалуйста, распакуйте архив train/data/plate_detect_svm/learn для просмотра информации.

• Добавлена консольная утилита для тестирования и обучения.

Примечание: если кто-то из студентов скачал test.jpg из папки image/test в прошлом выпуске, пожалуйста удалите её. Её формат не соответствует новому соглашению GDSL. Если вы хотите использовать тестовое изображение, вы можете использовать новый test.jpg из версии 1.1.