介绍:
此demo的功能是用opencv的dnn模块，来运行yolov3的进行目标检测和进行OCR的，OCR模型采用的是改进版的crnn，CNN+FC。
来对检测到的目标进行识别。
检测：
检测的目标是***银行的票据。检测的目标共有4类，分别为主键、流水号、附件章（只检测不需要识别）及附件标题。
识别：
对检测到的目标进行识别，其中需要识别的目标有主键、流水号和附件标题。此识别是对水平从左到有的输入有效。
训练说明：
yolov3模型是在darknet下训练的得到weights文件。
ocr模型是在chineseOCR提供的脚本及模型ocr_dense.pth基础上，增加自己的数据得到的。
ocr用的是pytorch进行训练的，训练得到的pth文件，需要经过pytorch转keras，然后keras转darknet，两个转换过程，
在原chineseOCR中提供了参考的脚本。本人实在这些脚本基础上，修改得到的。具体的训练代码及转换脚本，我整理好后
会在另一个repo中上传。
我这里的ocr.cfg文件，与原始chineseOCR的ocr.cfg文件存在一些小的不同，我这里用到了batch_norm。
chineseOCR的链接地址：https://github.com/chineseocr/chineseocr.git
cmake进行构建：
对于自己写的.cpp .h文件拷贝到src文件夹下，然后在CmakeLists.txt文件中的add_executable
(detect_objects src/demo.cpp src/dataStructures.h src/***.cpp src/***.h) 后面依次添加，
然后cmake构建就可以
文件夹说明：
3rdparty:存放的是第三方库 opencv4.1.0的库,从下载链接中，下载后将库拷贝到该文件夹下
build：是已经cmake构建好的vs2015的project，具体的cmake过程，见图片cmake截图.png
data：
yolo文件夹：存放的是yolov3的cfg文件和weights文件，以及names文件
ocr文件夹：存放的是ocr模型的cfg、dict和weights文件
ocr的模型文件是在chineseOCR的ocr_dense.pth(字典大小是5530)的基础上，用实际数据进行微调得到的
test： 存放的是几张测试图片
src: 存放的是源文件
注意：
在下载此文件后，直接运行build目录下的OpencvDarknet.sln会报错，原因是路劲错误，找不到相应文件，
需要在本地重新cmake构建一下参见cmake截图.png
版本说明： opencv4.1.0
测试速度:
测试环境：Win10，Core(TM)i7-6700 CPU @ 3.40GHz 3.41 GHz，ARM(8GB)
识别速度：FPS = 19.48
检测速度：FPS = 1.989
检测+识别速度：FPS = 1.619
补充：
此次用到的yolov3模型文件，yolov3.weights,及ocr模型ocr_5530.weights，
以及编译好的opencv4.1.0的库文件链接下载地址如下：
opencv4.1.0的库文件下载链接： 链接：https://pan.baidu.com/s/1b4IpmKwc6YQZ1jzRs64y6g 提取码：impz
yolov3及ocr的模型文件下载链接： 链接：https://pan.baidu.com/s/169cpsBcHAKDog1GRtEKHqg 提取码：ujyd
致谢： 在此研究过程中，得到了chineseOCR作者的大力支持与帮助，在此向他表示衷心的感谢！ 另外，也感谢实验室提供的资源，也感谢颜姐给予的帮助和指导！
Author:BigPanda
E-mail:wang.xiong@founder.com
State Key Laboratory of Digital Publishing Technology
Date:2020-9-9