spdis/License_plate_recognition
2
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
License_plate_recognition/README.md
spdis 95aa6b6bba LPR
2025-09-02 11:40:41 +08:00

4.3 KiB
Raw Blame History

车牌识别系统

基于YOLO11 Pose模型的实时车牌检测与识别系统，支持蓝牌和绿牌的检测、四角点定位、透视矫正和车牌号识别。

项目结构

License_plate_recognition/
├── main.py                    # 主程序入口，PyQt界面
├── requirements.txt           # 依赖包列表
├── README.md                 # 项目说明文档
├── yolopart/                 # YOLO检测模块
│   ├── detector.py           # YOLO检测器类
│   └── yolo11s-pose42.pt     # YOLO pose模型文件
├── OCR_part/                 # OCR识别模块
│   └── ocr_interface.py      # OCR接口（占位）
├── CRNN_part/                # CRNN识别模块
│   └── crnn_interface.py     # CRNN接口
└── LPRNET_part/              # LPRNet识别模块
    ├── lpr_interface.py      # LPRNet接口
    ├── Final_LPRNet_model.pth # 预训练模型文件
    └── will_delete/          # 参考资料（可删除）

功能特性

1. 实时车牌检测

  • 基于YOLO11 Pose模型进行车牌检测
  • 支持蓝牌（类别0）和绿牌（类别1）识别
  • 实时摄像头画面处理

2. 四角点定位

  • 检测车牌的四个角点：right_bottom, left_bottom, left_top, right_top
  • 只有检测到完整四个角点的车牌才进行后续处理
  • 用黄色线条连接四个角点显示检测结果

3. 透视矫正

  • 使用四个角点进行透视变换
  • 将倾斜的车牌矫正为标准矩形
  • 输出标准尺寸的车牌图像供识别使用

4. PyQt界面

  • 左侧：实时摄像头画面显示
  • 右侧：检测结果展示区域
    • 顶部显示识别到的车牌数量
    • 每行显示：车牌类型、矫正后图像、车牌号
  • 美观的现代化界面设计

5. 模块化设计

  • yolopart：负责车牌定位和矫正
  • OCR_part：基于PaddleOCR的车牌号识别模块
  • CRNN_part：基于CRNN网络的车牌号识别模块
  • LPRNET_part：基于LPRNet网络的车牌号识别模块
  • 各模块独立，便于维护和扩展，可通过修改main.py中的导入语句切换识别模块

安装和使用

1. 环境要求

  • Python 3.7+
  • Windows/Linux/macOS
  • 摄像头设备

2. 安装依赖

pip install -r requirements.txt

3. 模型文件

确保 yolopart/yolo11s-pose42.pt 模型文件存在。这是一个YOLO11 Pose模型，专门训练用于车牌的四角点检测。

4. 运行程序

python main.py

5. 使用说明

  1. 点击"启动摄像头"按钮开始检测
  2. 将车牌对准摄像头
  3. 系统会自动检测车牌并显示：
    • 检测框和角点连线
    • 右侧显示车牌类型、矫正图像和车牌号
  4. 点击"停止摄像头"结束检测

模型输出格式

YOLO Pose模型输出包含：

  • 检测框：车牌的边界框坐标
  • 类别：0=蓝牌，1=绿牌
  • 置信度：检测置信度分数
  • 关键点：四个角点坐标
    • right_bottom：右下角
    • left_bottom：左下角
    • left_top：左上角
    • right_top：右上角

接口说明

OCR/CRNN接口

车牌号识别部分使用统一接口：

# 接口函数名（导入所需模块，每个模块统一函数名）

# 初始化
from 对应模块 import LPRNinitialize_model
LPRNinitialize_model()

# 预测主函数
from 对应模块 import LPRNmodel_predict
result = LPRNmodel_predict(corrected_image)  # 返回7个字符的列表


### 输入参数
- `corrected_image`：numpy数组格式的矫正后车牌图像

### 返回值
- 长度为7的字符列表，包含车牌号的每个字符
- 例如：`['京', 'A', '1', '2', '3', '4', '5']`

## 开发说明

### 添加新的识别算法
1. 在对应目录（OCR_part或CRNN_part）实现识别函数
2. 确保函数签名与接口一致
3. 在main.py中导入对应模块即可

### 自定义模型
1. 替换 `yolopart/yolo11s-pose42.pt` 文件
2. 确保新模型输出格式与现有接口兼容
3. 根据需要调整类别名称和数量

### 调试模式
在代码中设置调试标志可以输出更多信息：
```python
# 在detector.py中设置verbose=True
results = self.model(image, conf=conf_threshold, verbose=True)

扩展功能

系统设计支持以下扩展：

  • 多摄像头支持
  • 批量图像处理
  • 检测结果保存
  • 网络API接口
  • 数据库集成
  • 性能统计和分析