lpr camera

使用VideoPipe做车牌识别相机（LPR Camera）.

提前准备

1. 已准备好 VideoPipe 编译/运行环境（参见视频教程）
2. 已准备好本案例所需的测试模型和测试数据（即 vp_data，具体参见视频教程）
3. 已安装好本案例中 Python3 所需的依赖库（主要是numpy,pandas,opencv,flask,faiss等，其余按需安装即可）

主要文件

1. plate_recognize_pipeline.cpp 运行VideoPipe管道读取车牌视频，检测+识别车牌（一级推理），并将牌识结果以Socket/UDP的方式发送给车牌识别后台服务。
2. plate_recognize_server.py 后台服务接收车牌识别结果，存入数据库，并提供一个基于 flask 的Web UI界面供数据查询。
3. clean.sh 帮助清空当前workspace下面的所有缓存数据。


如何使用

1. CMake编译 plate_recognize_pipeline.cpp 生成二进制可执行文件并运行，它会检测并识别车牌。 (编译之前请先修改代码中 des_ip 和 rtmp推流地址)
2. 运行 python3 plate_recognize_server.py 脚本, 然后打开浏览器访问 http://server-ip:9696 查看牌识记录。 (运行前，请先修改脚本中 bind_ip 和live_stream_0的值)

数据流向

1. [pipeline -> license plate results -> send via socket]
2. [receive license plate results -> display results from web]

please run `sh clean.sh` if you want to restart sample from scratch.

VideoPipe管道介绍


1. layer_1 模拟获取车牌视频数据，实际可以换成rtsp/udp或者直接从摄像机Sensor抓图。
2. layer_2 完成车牌检测&识别，创建 vp_frame_target 对象，利用 vp_frame_target.primary_label 存储车牌颜色和车牌号码。注意这里用的是一级推理模式，直接从大图中检测车牌，不是先检测车辆、再抠图去检测车牌的二级推理方式。
3. layer_3 完成车牌跟踪，更新 vp_frame_target 的 track_id 和 tracks，避免重复提交的问题。
4. layer_4 完成数据转发，将管道中的车牌识别结果（vp_frame_target.primary_label 存储车牌颜色和车牌号码）按自定义格式，以Socket/UDP的方式发送给Python后台服务。
5. layer_5 完成结果绘制，主要是将当前画面中的车牌结果（vp_frame_target.primary_label）绘制出来。
6. layer_6
   • screen_des_0 负责GUI输出显示，显示基本无延时。
   • rtmp_des_0 负责rtmp编码推流，Web UI通过rtmp地址可以实时播放，有若干秒延时。

重要知识点

1. 如何避免车牌数据重复提交？
2. 认识VideoPipe 中一级推理和二级推理的区别？VideoPipe仓库中包含2种车牌检测的节点，可用于不同场景。
3. vp_frame_target 一般用来表示目标检测算法的输出结果，如何适用于车牌检测&识别这种先检测、后识别于一体的场景？
4. 浏览器如何播放 VideoPipe 管道推送的rtmp实时流？
5. 直接从摄像机Sensor抓图有哪些优势？

Sample运行截图