SCF: “灰常”简单的车牌识别API制作

本文的真正目的,并不是说要做一个完善的车牌识别工具,主要就是说想要通过简单的一些package组合(包括深度学习框架等在哪),实现一个简单的对外接口,用来进行车牌识别,同时,该项目也有一个小难点:如何打包依赖(包含需要.so的依赖)。

包含.so的依赖,通常是某些依赖需要编译一些文件(非纯Python实现的),这个时候,“稍有不慎”就会让我们无法执行代码。所以这个时候可以使自己的打包环境与云函数一致:CentOS + Python3.6。

本地测试

编写代码:

执行结果:

打包上传

在CentOS + Python3.6的基本环境下:

建立文件夹并进入:

mkdir mytest && cd mytest

安装依赖:

安装opencv-python

sudo pip install opencv-python -t /home/dfounderliu/code/mytest

安装hyperlpr(这是一个基于DNN的深度学习模块,该模块的使用,也充分说明了,SCF可以执行深度学习的项目模型,完美......)

sudo pip install hyperlpr -t /home/dfounderliu/code/mytest

建立测试:

vim index.py

编写内容:

from hyperlpr import *
import cv2

保存,并且打包,上传SCF:

zip -r index.zip .

云函数测试:

表面上,是失败的,但是实际上,是成功的,因为他失败的是我们的方法没有建立,而我们的import已经正确导入了(就是说没有在添加依赖部分报错!)

编写函数

# 导入包
from hyperlpr import *
import cv2
import base64
import json
import urllib.parse

def save_picture(base64data):
    try:
        imgdata = base64.b64decode(urllib.parse.unquote(base64data))
        file = open('/tmp/picture.png', 'wb')
        file.write(imgdata)
        file.close()
        return True
    except Exception as e:
        return str(e)


def ana_picture():
    print(cv2.imread("/tmp/picture.png"))
    return {"resulr": HyperLPR_PlateRecogntion(cv2.imread("/tmp/picture.png"))}


def main_handler(event, context):
    save_result = save_picture(event["body"].replace("image=",""))
    if  save_result == True:
        return ana_picture()
    else:
        return save_result
   
    # return save_picture
    

测试结果:

测试图像转base64代码:

#image转base64
import base64
with open("2.png","rb") as f:#转为二进制格式
    base64_data = base64.b64encode(f.read())#使用base64进行加密
    print(base64_data)
    file=open('1.txt','wt')#写成文本格式
    file.write(base64_data)
    file.close()

测试时API网关参数:

对接API网关

然后发布到测试环境,即可

编写测试

测试代码:

import base64
import urllib.request
import urllib.parse


with open("1.png","rb") as f:
    base64_data = base64.b64encode(f.read())  # 使用base64进行加密


url = "http://service-l2ksmbje-1256773370.gz.apigw.tencentcs.com/test/picture"
data = {
    "image": base64_data.decode("utf-8")
}

print(urllib.parse.unquote(urllib.request.urlopen(urllib.request.Request(url, data=urllib.parse.urlencode(data).encode("utf-8"))).read().decode("utf-8")))

测试结果:

依赖包

下载:

https://myblog-1256773370.cos.ap-guangzhou.myqcloud.com/opencv_numpy_hyperlpr.zip

总结

本文本文的主要作用,在开始的时候已经基本描述了,一方面说明了SCF可以做深度学习相关的预测工作,同时也进一步巩固了依赖的打包和与云API网关的结合使用,当然,这个接口如果经过完善可以和Iot等进行结合使用。当然,本文依旧是抛砖引玉,希望各位小伙伴们,自行探索:新世界!

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

编辑于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券