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：
代码语言：javascript复制mkdir mytest && cd mytest安装依赖：
安装opencv-python
代码语言：javascript复制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......）
代码语言：javascript复制sudo pip install hyperlpr -t /home/dfounderliu/code/mytest建立测试：
vim index.py
编写内容：
代码语言：javascript复制from hyperlpr import *
import cv2保存，并且打包，上传SCF：
代码语言：javascript复制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
代码语言：javascript复制# 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：
代码语言：javascript复制#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：
代码语言：javascript复制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.myzijiebao.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！
