毕业项目推荐：基于yolov8的车牌识别检测系统（Python+卷积神经网络）

25-03-07 19:42

3973

12511

blog.csdn.net

id="article_content" class="article_content clearfix"> id="content_views" class="markdown_views prism-atom-one-dark">

class="toc">

文章目录

概要
一、整体资源介绍
二、数据集
三、目标检测（车牌检测）
四、车牌识别（OCR）
🌟完整代码
总结

概要

随着国家现代化建设的推进和经济的快速增长，居民的生活水平显著提升，机动车的数量也迅速增加，导致交通需求持续上升，加快了智慧交通技术的发展和普及。车牌识别作为智慧交通系统中的一项核心技术，在这一领域中发挥着重要作用。该技术涉及多种方法的结合，如图像处理、目标检测、字符识别等。近年来，深度学习的应用显著提升了车牌识别的准确性，使得系统能够迅速识别车辆及其车牌信息，满足多样化的交通需求，尤其是在紧急情况下更具响应能力。本文的研究基于深度学习，采用卷积神经网络（CNN）技术，针对车牌检测和字符识别进行了深入的算法设计和优化。

关键词：车牌定位；深度学习；车牌识别；LPRNet网络

在这里插入图片描述

一、整体资源介绍

项目中所用到的算法模型和数据集等信息如下：

算法模型：
yolov8、yolov8 + SE注意力机制

车牌OCR识别模型：
LPRNet

数据集：
CCPD2019、CCPD2020数据集

以上是本套代码算法的简单说明，添加注意力机制是本套系统的创新点 。

技术要点

OpenCV：主要用于实现各种图像处理和计算机视觉相关任务。
Python：采用这种编程语言，因其简洁易学且拥有大量丰富的资源和库支持。
数据增强技术：翻转、噪点、色域变换，mosaic等方式，提高模型的鲁棒性。

功能展示：

部分核心功能如下：

功能1： 支持单张图片识别
功能2： 支持遍历文件夹识别
功能3： 支持识别视频文件
功能4： 支持摄像头识别
功能5： 支持结果文件导出（xls格式）
功能6： 支持切换检测到的目标查看

功能1 支持单张图片识别

系统支持用户选择图片文件进行识别。通过点击图片选择按钮，用户可以选择需要检测的图片，并在界面上查看所有识别结果。该功能的界面展示如下图所示：
在这里插入图片描述

功能2 支持遍历文件夹识别

系统支持选择整个文件夹进行批量识别。用户选择文件夹后，系统会自动遍历其中的所有图片文件，并将识别结果实时更新显示在右下角的表格中。该功能的展示效果如下图所示：
在这里插入图片描述

功能3 支持识别视频文件

在许多情况下，我们需要识别视频中的车牌。因此，系统设计了视频选择功能。用户点击视频按钮即可选择待检测的视频，系统将自动解析视频并逐帧识别多个车牌，同时将识别结果记录在右下角的表格中。以下是该功能的展示效果：
在这里插入图片描述

功能4 支持摄像头识别

在许多场景下，我们需要通过摄像头实时识别车牌。为此，系统提供了摄像头选择功能。用户点击摄像头按钮后，系统将自动调用摄像头并进行实时车牌识别，识别结果会即时记录在右下角的表格中。
在这里插入图片描述

功能5 支持结果文件导出（xls格式）

本系统还添加了对识别结果的导出功能，方便后续查看，目前支持导出cvs和xls两种数据格式，功能展示如下：
在这里插入图片描述

功能6 支持切换检测到的目标查看

在这里插入图片描述

二、数据集

1. 简介

CCPD是一个经过精细标注的大型、多样化的中国城市车牌开源数据集，主要包括CCPD2019和CCPD2020（又称CCPD-Green）两个子数据集。CCPD2019数据集主要包含普通车牌（蓝色车牌），而CCPD2020数据集则专注于新能源车牌（绿色车牌）。在CCPD数据集中，每张图片只包含一张车牌，其中车牌的省份大多为皖。

2. CCPD数据集下载：

（1）百度网盘下载链接（个人上传）：
https://pan.baidu.com/s/1ZvbRUsPwpJk_39FujpjObw?pwd=nygt 提取码：nygt
（2）github下载：https://github.com/detectRecog/CCPD，github中包含详细的数据说明介绍

2. 数据集说明

CCPD2019中主要包含以下几个文件夹，

CCPD-Base：通用车牌图片，共200k
CCPD-FN：车牌离摄像头拍摄位置相对较近或较远，共20k
CCPD-DB：车牌区域亮度较亮、较暗或者不均匀，共20k
CCPD-Rotate：车牌水平倾斜20到50度，竖直倾斜-10到10度，共10k
CCPD-Tilt：车牌水平倾斜15到45度，竖直倾斜15到45度，共10k
CCPD-Weather：车牌在雨雪雾天气拍摄得到，共10k
CCPD-Challenge：在车牌检测识别任务中较有挑战性的图片，共10k
CCPD-Blur：由于摄像机镜头抖动导致的模糊车牌图片，共5k
CCPD-NP：没有安装车牌的新车图片，共5k

CCPD2020中的图像被拆分为train/val/test数据集。

4. CCPD数据集标注处理

CCPD数据集没有专门的标注文件，每张图像的文件名就是该图像对应的数据标注。例如图片3061158854166666665-97_100-159&434_586&578-558&578_173&523_159&434_586&474-0_0_3_24_33_32_28_30-64-233.jpg的文件名可以由分割符’-'分为多个部分：

（1）3061158854166666665：区域（这个值可能有问题，无用）；
（2）97_100：对应车牌的两个倾斜角度-水平倾斜角和垂直倾斜角, 水平倾斜97度, 竖直倾斜100度。水平倾斜度是车牌与水平线之间的夹角。二维旋转后，垂直倾斜角为车牌左边界线与水平线的夹角。
（3）159&434_586&578：对应边界框左上角和右下角坐标:左上(159, 434), 右下(586, 578)；
（4）558&578_173&523_159&434_586&474：对应车牌四个顶点坐标(右下角开始顺时针排列)：右下(558, 578)，左下(173, 523)，左上(159, 434)，右上(586, 474)；
（5）0_0_3_24_33_32_28_30：为车牌号码（第一位为省份缩写），在CCPD2019中这个参数为7位，CCPD2020中为8位，有对应的关系表；
（6）64：为亮度，数值越大车牌越亮（可能不准确，仅供参考）；
（7）233：为模糊度，数值越小车牌越模糊（可能不准确，仅供参考）。

5. CCPD数据集处理相关脚本

（1）CCPD数据集转VOC，xml文件保存

import shutil
import cv2
import os

from lxml import etree


class labelimg_Annotations_xml:
    def __init__(self, folder_name, filename, path, database="Unknown"):
        self.root = etree.Element("annotation")
        child1 = etree.SubElement(self.root, "folder")
        child1.text = folder_name
        child2 = etree.SubElement(self.root, "filename")
        child2.text = filename
        # child3 = etree.SubElement(self.root, "path")
        # child3.text = path
        child4 = etree.SubElement(self.root, "source")
        child5 = etree.SubElement(child4, "database")
        child5.text = database

    def set_size(self, width, height, channel):
        size = etree.SubElement(self.root, "size")
        widthn = etree.SubElement(size, "width")
        widthn.text = str(width)
        heightn = etree.SubElement(size, "height")
        heightn.text = str(height)
        channeln = etree.SubElement(size, "channel")
        channeln.text = str(channel)

    def set_segmented(self, seg_data=0):
        segmented = etree.SubElement(self.root, "segmented")
        segmented.text = str(seg_data)

    def set_object(self, label, x_min, y_min, x_max, y_max,
                   pose='Unspecified', truncated=0, difficult=0):
        object = etree.SubElement(self.root, "object")
        namen = etree.SubElement(object, "name")
        namen.text = label
        posen = etree.SubElement(object, "pose")
        posen.text = pose
        truncatedn = etree.SubElement(object, "truncated")
        truncatedn.text = str(truncated)
        difficultn = etree.SubElement(object, "difficult")
        difficultn.text = str(difficult)
        bndbox = etree.SubElement(object, "bndbox")
        xminn = etree.SubElement(bndbox, "xmin")
        xminn.text = str(x_min)
        yminn = etree.SubElement(bndbox, "ymin")
        yminn.text = str(y_min)
        xmaxn = etree.SubElement(bndbox, "xmax")
        xmaxn.text = str(x_max)
        ymaxn = etree.SubElement(bndbox, "ymax")
        ymaxn.text = str(y_max)

    def savefile(self, filename):
        tree = etree.ElementTree(self.root)
        tree.write(filename, pretty_print=True, xml_declaration=False, encoding='utf-8')


def translate(path, save_path):
    for filename in os.listdir(path):
        print(filename)

        list1 = filename.split("-", 3)  # 第一次分割，以减号'-'做分割
        subname = list1[2]
        list2 = filename.split(".", 1)
        subname1 = list2[1]
        if subname1 == 'txt':
            continue
        lt, rb = subname.split("_", 1)  # 第二次分割，以下划线'_'做分割
        lx, ly = lt.split("&", 1)
        rx, ry = rb.split("&", 1)
        print(lx, ly, rx, ry)
        results_xml = [['green', lx, ly, rx, ry]]
        img = cv2.imread(os.path.join(path, filename))
        if img is None:  # 自动删除失效图片（下载过程有的图片会存在无法读取的情况）
            # os.remove(os.path.join(path, filename))
            continue

        height, width, channel = img.shape

        save_xml_name = filename.replace('jpg', 'xml')

        anno = labelimg_Annotations_xml('folder_name', filename + '.jpg', 'path')
        anno.set_size(width, height, channel)
        anno.set_segmented()
        for data in results_xml:
            label, x_min, y_min, x_max, y_max = data
            anno.set_object(label, x_min, y_min, x_max, y_max)
        anno.savefile(os.path.join(save_path, save_xml_name))


if __name__ == '__main__':
    # det图片存储地址
    img_path = r"E:\lg\BaiduSyncdisk\project\person_code\chepai_OCR\traindata\CCPD2020\ccpd_green\train"
    # det txt存储地址
    save_path = r"E:\lg\BaiduSyncdisk\project\person_code\yolox-pytorch\VOCdevkit\VOC2007\Annotations"
    translate(img_path, save_path)

 class="hljs-button signin active add_def" data-title="登录复制" data-report-click="{"spm":"1001.2101.3001.4334"}">

import cv2 import os ''' 1. 此种转换有缺点： CCPD车牌有重复，应该是不同角度或者模糊程度，重复的车牌，命名一样，会冲掉 2. 支持绿牌，蓝牌数据集制作 ''' roi_path = r'E:\lg\BaiduSyncdisk\project\person_code\chepai_OCR\traindata\CCPD2019\ccpd_base' save_path = r'E:\lg\BaiduSyncdisk\project\person_code\chepai_OCR\traindata\LPR\11' provinces = ["皖", "沪", "津", "渝", "冀", "晋", "蒙", "辽", "吉", "黑", "苏", "浙", "京", "闽", "赣", "鲁", "豫", "鄂", "湘", "粤", "桂", "琼", "川", "贵", "云", "藏", "陕", "甘", "青", "宁", "新", "警", "学", "O"] alphabets = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'J', 'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z', 'O'] ads = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'J', 'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z', '0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'O'] num = 0 for root, dirs, files in os.walk(roi_path): for filename in files: num += 1 lpr_label = "" _, _, box, points, plate, brightness, blurriness = filename.split('-') print('plate:', plate) list_plate = plate.split('_') # 读取车牌 for i, pla in enumerate(list_plate): if i == 0: lpr_label += provinces[int(pla)] elif i == 1: lpr_label += alphabets[int(pla)] else: lpr_label += ads[int(pla)] print(lpr_label) img_path = os.path.join(roi_path, filename) img = cv2.imread(img_path) assert os.path.exists(img_path), "image file {} dose not exist.".format(img_path) box = box.split('_') # 车牌边界 box = [list(map(int, i.split('&'))) for i in box] xmin = box[0][0] xmax = box[1][0] ymin = box[0][1] ymax = box[1][1] crop_img = img[ymin:ymax, xmin:xmax] crop_img = cv2.resize(crop_img, (94, 24)) cv2.imencode('.jpg', crop_img)[1].tofile(os.path.join(save_path, lpr_label + '.jpg')) print("共生成{}张".format(num)) class="hljs-button signin active add_def" data-title="登录复制" data-report-click="{"spm":"1001.2101.3001.4334"}">

模型	input-size	params(M)	准确率
LPR-net	94*24	1.7	0.995

模型

input-size

params(M)

准确率

LPR-net

94*24

1.7

0.995

注： log_probs一般需要经过torch.nn.functional.log_softmax处理后再送入到CTCLoss中。 class="hljs-button signin active add_def" data-title="登录复制" data-report-click="{"spm":"1001.2101.3001.4334"}">

CHARS = ['京', '沪', '津', '渝', '冀', '晋', '蒙', '辽', '吉', '黑', '苏', '浙', '皖', '闽', '赣', '鲁', '豫', '鄂', '湘', '粤', '桂', '琼', '川', '贵', '云', '藏', '陕', '甘', '青', '宁', '新', '0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'J', 'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z', 'I', 'O', '-' ] class="hljs-button signin active mddef add_def" data-title="登录复制" data-report-click="{"spm":"3001.10243"}">

' class="code-edithtml active " data-title="运行"> data-report-view="{"spm":"3001.10182","extra":{"index":0,"ab":"exp1"}}" data-report-click="{"spm":"3001.10182","extra":{"index":0,"ab":"exp1"}}" class="code-edithtml-box code-edithtml-box0">运行>

ctc_loss = nn.CTCLoss() logits = lprnet(images) log_probs = logits.permute(2, 0, 1) # for ctc loss: T x N x C log_probs = log_probs.log_softmax(2).requires_grad_() # log_probs = log_probs.detach().requires_grad_() optimizer.zero_grad() # log_probs: 预测结果 [18, bs, 68] 其中18为序列长度 68为字典数 # labels: [93] # input_lengths: tuple example: 000=18 001=18... 每个序列长度 # target_lengths: tuple example: 000=7 001=8 ... 每个gt长度 loss = ctc_loss(log_probs, labels, input_lengths=input_lengths, target_lengths=target_lengths) class="hljs-button signin active add_def" data-title="登录复制" data-report-click="{"spm":"1001.2101.3001.4334"}">

🌟完整代码

如果您希望获取博文中提到的所有实现相关的完整资源文件（包括测试图片、视频、Python脚本、UI文件、训练数据集、训练代码、界面代码等），这些文件已被全部打包。以下是完整资源包的截图：

您可以通过下方演示视频的视频简介部分进行获取

总结

本篇文章将通过实战案例，演示如何使用Python结合OpenCV来实现车牌识别。整个过程包括图像预处理、车牌定位、车牌字符分割，以及模板匹配来输出识别结果。此项目在智能交通、车辆管理等领域有着广泛的实际应用价值。通过自动识别车牌信息，可以实现车辆追踪、违章查询和停车场管理等功能，显著提升交通管理的效率与准确性。该项目也是学习车牌识别技术的一个良好案例。

注：本文转载自blog.csdn.net的大学生毕业题目的文章"https://blog.csdn.net/weixin_71667732/article/details/142754778"。版权归原作者所有，此博客不拥有其著作权，亦不承担相应法律责任。如有侵权，请联系我们删除。

复制链接

发表评论

/ 登录

评论记录：

未查询到任何数据！

毕业项目推荐：基于yolov8的车牌识别检测系统（Python+卷积神经网络）

文章目录

概要

一、整体资源介绍

技术要点

功能展示：

功能1 支持单张图片识别

功能2 支持遍历文件夹识别

功能3 支持识别视频文件

功能4 支持摄像头识别

功能5 支持结果文件导出（xls格式）

功能6 支持切换检测到的目标查看

二、数据集

1. 简介

2. CCPD数据集下载：

2. 数据集说明

4. CCPD数据集标注处理

5. CCPD数据集处理相关脚本

三、目标检测（车牌检测）

简介

1. 模型训练

1.1 模型训练结果

四、车牌识别（OCR）

简介

1. 模型结构介绍

2. 损失函数

2.1 torch.nn.CTCLoss()

一、简介

二、CTCLoss接口说明

三、应用实例：“CTCLoss在车牌识别中的应用”

四、使用注意

🌟完整代码

总结

评论记录：