Skip to content

About

OCR pipeline for Russian vehicle registration documents (STS). Python, OpenCV, Tesseract, Docker.

Topics

Resources

Stars

0 stars

Watchers

0 watching

Forks

Repository files navigation

Vehicle OCR Pipeline

OCR-пайплайн для извлечения данных из свидетельств о регистрации ТС (СТС):

  • Государственный регистрационный номер
  • VIN (идентификационный номер)
  • Номер кузова (кабины, прицепа)

Быстрый старт

Docker (рекомендуется)

# Запуск одной командой
docker-compose up --build

# Результаты в data/output/results.json

Локальная установка

Требования: Python 3.10+, Tesseract OCR

macOS:

# 1. Установить Tesseract
brew install tesseract tesseract-lang

# 2. Установить Poetry
pip install poetry

# 3. Установить зависимости
poetry install

# 4. Запуск
poetry run vehicle-ocr -i data/input -o data/output/results.json

Ubuntu/Debian:

# 1. Установить Tesseract
sudo apt-get install tesseract-ocr tesseract-ocr-rus tesseract-ocr-eng

# 2. Установить Poetry
pip install poetry

# 3. Установить зависимости
poetry install

# 4. Запуск
poetry run vehicle-ocr -i data/input -o data/output/results.json

Windows:

# 1. Установить Tesseract
# Скачать установщик: https://github.com/UB-Mannheim/tesseract/wiki
# Установить и добавить в PATH: C:\Program Files\Tesseract-OCR

# 2. Установить Poetry
pip install poetry

# 3. Установить зависимости
poetry install

# 4. Запуск
poetry run vehicle-ocr -i data/input -o data/output/results.json

Использование

CLI

# Базовый запуск
vehicle-ocr --input ./images --output ./results.json

# С параметрами
vehicle-ocr -i ./images -o ./results.json --lang eng

# Тихий режим
vehicle-ocr -i ./images -o ./results.json -q

Python API

from vehicle_ocr import VehicleParser, Settings

# С настройками по умолчанию
parser = VehicleParser()

# Или с кастомными настройками
settings = Settings(
    tesseract_lang="eng",
    reg_number_region_start=0.10,
    reg_number_region_end=0.35
)
parser = VehicleParser(settings)

# Обработка одного файла
result = parser.parse_document("document.jpg")
print(result.reg_number)   # В883ВО799
print(result.vin)          # WP1ZZZ9PZ9LA42290
print(result.body_number)  # WP1ZZZ9PZ9LA42290

# Обработка директории
results = parser.process_directory("./images")
parser.save_results(results, "results.json")

Конфигурация

Настройки через переменные окружения (префикс VOCR_):

export VOCR_TESSERACT_LANG=eng
export VOCR_CLAHE_CLIP_LIMIT=2.5
export VOCR_MIN_IMAGE_HEIGHT=800

Или файл .env:

VOCR_TESSERACT_LANG=eng
VOCR_CLAHE_CLIP_LIMIT=2.5

Параметры

Параметр По умолчанию Описание
tesseract_lang eng Языки OCR
tesseract_psm 6 Page segmentation mode
clahe_clip_limit 2.0 CLAHE порог контраста
min_image_height 800 Мин. высота для upscale
reg_number_region_start 0.15 Начало региона гос.номера
reg_number_region_end 0.30 Конец региона гос.номера
vin_region_start 0.25 Начало региона VIN
vin_region_end 0.60 Конец региона VIN
body_number_region_start 0.52 Начало региона номера кузова
body_number_region_end 0.68 Конец региона номера кузова

Выходной формат

{
  "documents": [
    {
      "file": "test.jpg",
      "reg_number": "В883ВО799",
      "vin": "WP1ZZZ9PZ9LA42290",
      "body_number": "WP1ZZZ9PZ9LA42290"
    }
  ],
  "total_processed": 1,
  "statistics": {
    "reg_numbers_found": 1,
    "vins_found": 1,
    "body_numbers_found": 1
  },
  "version": "1.0.0"
}

Структура проекта

vehicle-ocr/
├── pyproject.toml          # Poetry конфигурация
├── Dockerfile
├── docker-compose.yml
├── src/
│   └── vehicle_ocr/
│       ├── __init__.py     # Экспорт публичного API
│       ├── cli.py          # CLI интерфейс
│       ├── config.py       # Настройки (Pydantic)
│       ├── parser.py       # Основной парсер
│       └── preprocessor.py # Предобработка изображений
├── tests/
│   └── test_parser.py
└── data/
    ├── input/              # Входные изображения
    └── output/             # Результаты

Архитектура

Изображение → Извлечение региона → Предобработка → OCR → Постобработка → JSON
                     │                   │           │          │
                По % высоты         CLAHE +      Tesseract   Нормализация
                                   Upscaling    (PSM 3,6)    + Скоринг

Ключевые техники

  1. CLAHE — адаптивное улучшение контраста
  2. ROI extraction — извлечение регионов по % высоты документа
  3. Multi-strategy consensus — 36 комбинаций параметров, выбор по частоте
  4. Latin→Cyrillic нормализация — для гос.номеров (O→О, B→В и т.д.)
  5. VIN scoring — оценка по структуре ISO 3779

Тестирование

# Запуск тестов
poetry run pytest

# С coverage
poetry run pytest --cov=vehicle_ocr

Технологии

  • Python 3.10+
  • OpenCV — обработка изображений
  • Tesseract OCR — распознавание текста
  • Pydantic — валидация и настройки
  • Poetry — управление зависимостями
  • Docker — контейнеризация

About

OCR pipeline for Russian vehicle registration documents (STS). Python, OpenCV, Tesseract, Docker.

Topics

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages