YOLOv5和LPRNet的车牌识别系统

车牌识别系统

YOLOv5和LPRNet的车牌识别系统结合了深度学习技术的先进车牌识别解决方案。该系统整合了YOLOv5目标检测框架和LPRNet文本识别模型

1. YOLOv5目标检测框架

YOLO是一种先进的目标检测算法，以其实时性能和高精度闻名。YOLOv5是在前几代基础上进行优化的版本，包括更高效的网络结构、数据增强策略和训练技巧，能够在保持高识别率的同时降低计算开销。

#yolov5示例代码
import cv2  
import time  
from yolov5.detect import detect  
  
# 加载模型  
model = 'yolov5s.pt'  # 可以选择 yolov5s, yolov5m, yolov5l, yolov5x 等不同大小的模型  
conf_thres = 0.5  # 置信度阈值  
device = 'cpu'  # 使用 CPU 进行检测，也可以设置为 '0'（如果你的机器有NVIDIA GPU）  
     
image_path = 'path_to_your_image.jpg'  # 图像路径  
image = cv2.imread(image_path)  # 读取图像  
  
# 进行检测  
results = detect(image, model, conf_thres, device)  
  
# 遍历检测结果  
for x1, y1, x2, y2, conf, cls in results:  
    # 绘制矩形框  
    cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2)  
    # 显示类别和置信度  
    cv2.putText(image, f'{cls} {conf:.2f}', (x1, y1 - 5), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 0), 2)  
  
# 显示图像  
cv2.imshow('YOLOv5 Detection', image)  
cv2.waitKey(0)  # 等待按键  
cv2.destroyAllWindows()  
  
# 如果是使用摄像头，别忘了在最后释放资源  
# cap.release()

2. LPRNet文本识别模型

LPRNet是专为车牌字符识别设计的深度神经网络，由Intel公司提出并商用。它能够处理各种光照、角度和遮挡条件下的车牌图像。

#示例代码
import torch  
import torch.nn as nn  
import torchvision.transforms as transforms  
from PIL import Image  
  
class LPRNet(nn.Module):  
    def __init__(self, num_classes):  
        super(LPRNet, self).__init__()    
        self.layer1 = nn.Conv2d(3, 64, kernel_size=3, padding=1)  # 示例卷积层  
        self.fc = nn.Linear(some_feature_size, num_classes)  # 假设的全连接层  
  
    def forward(self, x):    
        x = self.layer1(x)   
        x = x.view(x.size(0), -1)  # 扁平化  
        x = self.fc(x)  
        return x  
   
model_path = 'path_to_your_lprnet_model.pth'  
model = LPRNet(num_classes=len(CHARS) + 1)  # CHARS 是字符集，包括车牌可能的所有字符和一个额外的类别（如背景或填充）  
model.load_state_dict(torch.load(model_path))  
model.eval()  
transform = transforms.Compose([  
    transforms.Resize((94, 24)),  # 假设输入图像大小为 94x24  
    transforms.ToTensor(),  
    # 可能还需要其他预处理步骤，如归一化等  
])  
   
image_path = 'path_to_your_license_plate_image.jpg'  
image = Image.open(image_path).convert('RGB')  
image = transform(image)  
image = image.unsqueeze(0)  # 增加批次维度  
    
with torch.no_grad():  
    output = model(image)    
  

系统工作原理

YOLOv5-LPRNet车牌识别系统的工作流程大致如下：

1. 车牌检测：首先，通过YOLOv5目标检测框架对输入图像进行车牌检测，定位出车牌的位置。
2. 车牌识别：然后，将检测到的车牌区域送入LPRNet文本识别模型进行字符识别，输出车牌号码。

• 智能交通：用于监控摄像头数据的实时分析，帮助交通管理部门跟踪车辆信息。
• 停车场管理：实现自动化进出管理，无需人工干预。
• 汽车租赁服务：方便追踪车辆位置，保障资产安全。

  该车牌识别系统项目

  链接: https://pan.baidu.com/s/1PXl08xpyaZ3OizeNZg5C3w 提取码: hz9z 模型文件
  

   闲鱼：鳄鱼的眼药水

  搭建环境

  1.使用conda或者venv创建新的环境
  conda create -n yolo-lprnet python==3.7 #conda
  python3.7 -m venv yolo-lprnet #venv 

  2.安装opencv
  pip install opencv-python==4.1.1.26 #不建议opencv版本过高
  pip install opencv-contrib-python==4.1.1.26
  

  3.安装pyside6
  pip install pyside6

  4.安装torch和cuda #如果没有cuda的话我们可以选择使用cpu推理
  pip install torch==1.10.1+cu102 torchvision==0.11.2+cu102 -f https://download.pytorch.org/whl/cu102/torch_stable.html
  #这里会很慢，如果没有梯子请到闲鱼或csdn私信我拿网盘安装包
  #用其他版本也行，但我没测试过

  5.之后进入项目主目录,就可直接运行
  python detect.py

  有ui版本

  1. ui界面(左上角选择整个文件夹里的车牌图片或者是选择一张图片进行检测，左侧的是原始图像，右侧的是一个车牌检测后的图片，车牌信息标在框上)
  2. 使用摄像头

  无ui版本

  1. 检测到以后会输出到特定的文件夹下，终端打印车牌的号码
  2. 摄像头使用opencv显示

  到此就结束了