本文的真正目的,其實并非要做一個完善的車牌識别工具,而是想要通過一些簡單的 package 組合(包括深度學習架構等),實作一個簡單的對外接口,用它來進行車牌識别。
這個項目的小難點在于 —— 如何打包依賴(包含需要 .so 的依賴)。
包含 .so 的依賴,通常是某些依賴需要編譯一些檔案(非純 Python 實作的),此時,「稍有不慎」就會讓我們無法執行代碼。是以這個時候可以使自己的打包環境與雲函數一緻:CentOS + Python 3.6。
本地測試
編寫代碼:
![](https://img.laitimes.com/img/__Qf2AjLwojIjJCLyojI0JCLiAjM2EzLcd3LcJzLcJzdllmVldWYtl2Pn5Gcusmd28Gc5lTZwl2LcdTNwADMwEzLcVmdhNXLwRHdo9CXt92YucWbpRWdvx2Yx5yazF2Lc9CX6MHc0RHaiojIsJye.png)
執行結果:
打包上傳
CentOS + Python 3.6 的基本環境下:
建立檔案夾并進入:
mkdir mytest && cd mytest
複制
安裝依賴:
安裝 opencv-python
sudo pip install opencv-python -t /home/dfounderliu/code/mytest
複制
安裝 hyperlpr(這是一個基于 DNN 的深度學習子產品。該子產品的使用,也充分說明了,雲函數 SCF 可以執行深度學習的項目模型,完美......)
sudo pip install hyperlpr -t /home/dfounderliu/code/mytest
複制
建立測試:
vim index.py
編寫内容:
from hyperlpr import *
import cv2
複制
儲存,并且打包,上傳至雲函數 SCF:
zip -r index.zip .
複制
雲函數測試:
表面上看起來似乎失敗了,但實際上,它是成功的。因為失敗的是我們的方法沒有建立,而我們的 import 已經正确導入了(就是說沒有在添加依賴部分報錯!)
編寫函數
# 導入包
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
複制
測試結果:
測試圖像轉 base64 代碼:
#image轉base64
import base64
with open("2.png","rb") as f:#轉為二進制格式
base64_data = base64.b64encode(f.read())#使用base64進行加密
print(base64_data)
file=open('1.txt','wt')#寫成文本格式
file.write(base64_data)
file.close()
複制
測試時 API 網關參數:
對接 API 網關
然後釋出到測試環境,即可。
編寫測試
測試代碼:
import base64
import urllib.request
import urllib.parse
with open("1.png","rb") as f:
base64_data = base64.b64encode(f.read()) # 使用base64進行加密
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")))
複制
測試結果:
依賴包下載下傳:https://myblog-1256773370.cos.ap-guangzhou.myqcloud.com/opencv_numpy_hyperlpr.zip
總結
本文的主要作用,其實就是通過一些簡單的 package 組合,實作對外接口并以此進行車牌識别。一方面,這說明了雲函數 SCF 可以做深度學習相關的預測工作,另一方面,也進一步鞏固了依賴的打包和與雲 API 網關的結合使用。
當然,這個接口如果經過完善後,還可以和 Iot 等進行結合使用。最後,希望各位小夥伴們自行探索 Serverless 的新世界!
推薦閱讀:
- 「Serverless 技術專欄」基本概念入門
- 「Serverless 技術專欄」運作原理與元件架構
- 「Serverless 技術專欄」開發者工具建設