本文的真正目的，其实并非要做一个完善的车牌识别工具，而是想要通过一些简单的 package 组合（包括深度学习框架等），实现一个简单的对外接口，用它来进行车牌识别。
这个项目的小难点在于 —— 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），此时，「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 Python 3.6。
本地测试
编写代码：
执行结果：
打包上传
CentOS Python 3.6 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，云函数 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，上传至云函数 SCF：
代码语言：javascript复制zip -r index.zip .云函数测试：
表面上看起来似乎失败了，但实际上，它是成功的。因为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
本文的主要作用，其实就是通过一些简单的 package 组合，实现对外接口并以此进行车牌识别。一方面，这说明了云函数 SCF 可以做深度学习相关的预测工作，另一方面，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后，还可以和 Iot 等进行结合使用。最后，希望各位小伙伴们自行探索 Serverless 的新世界！
推荐阅读：
- 「Serverless 技术专栏」基本概念入门
- 「Serverless 技术专栏」运行原理与组件架构
- 「Serverless 技术专栏」开发者工具建设
