【实战教程】使用YOLO和EasyOCR实现视频车牌检测与识别【附源码】

news2025/1/11 3:50:37

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称项目名称
1.【人脸识别与管理系统开发】2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】
37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】
39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】
41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】
43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】
45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】48.【基于深度学习的车辆检测追踪与流量计数系统】
49.【基于深度学习的行人检测追踪与双向流量计数系统】50.【基于深度学习的反光衣检测与预警系统】
51.【基于深度学习的危险区域人员闯入检测与报警系统】52.【基于深度学习的高密度人脸智能检测与统计系统】
53.【基于深度学习的CT扫描图像肾结石智能检测系统】54.【基于深度学习的水果智能检测系统】
55.【基于深度学习的水果质量好坏智能检测系统】56.【基于深度学习的蔬菜目标检测与识别系统】
57.【基于深度学习的非机动车驾驶员头盔检测系统】58.【太基于深度学习的阳能电池板检测与分析系统】
59.【基于深度学习的工业螺栓螺母检测】60.【基于深度学习的金属焊缝缺陷检测系统】
61.【基于深度学习的链条缺陷检测与识别系统】62.【基于深度学习的交通信号灯检测识别】
63.【基于深度学习的草莓成熟度检测与识别系统】64.【基于深度学习的水下海生物检测识别系统】
65.【基于深度学习的道路交通事故检测识别系统】66.【基于深度学习的安检X光危险品检测与识别系统】
67.【基于深度学习的农作物类别检测与识别系统】68.【基于深度学习的危险驾驶行为检测识别系统】
69.【基于深度学习的维修工具检测识别系统】70.【基于深度学习的维修工具检测识别系统】
71.【基于深度学习的建筑墙面损伤检测系统】72.【基于深度学习的煤矿传送带异物检测系统】
73.【基于深度学习的老鼠智能检测系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

目录

  • 引言
  • 1.安装库
  • 2.具体步骤
    • 步骤1：初始化库
    • 步骤2：处理视频帧
    • 步骤说明
  • 结论

引言

在本文中，我们将探索如何在Python中使用YOLO（You Only Look Once）和EasyOCR（Optical Character Recognition）实现视频文件的车牌检测与识别。

在这里插入图片描述

1.安装库

在开始之前，请确保安装了以下Python包：

pip install opencv-python ultralytics easyocr Pillow numpy

2.具体步骤

步骤1：初始化库

我们将从导入必要的库开始。我们将使用OpenCV进行视频处理，使用YOLO进行对象检测，使用EasyOCR阅读检测到的车牌上的文本。

import cv2
from ultralytics import YOLO
import easyocr
from PIL import Image
import numpy as np

# 初始化 EasyOCR 读取器
reader = easyocr.Reader(['ch_sim'], gpu=False)

# 加载你的 YOLO 模型（替换为你模型的路径）
model = YOLO('best_float32.tflite', task='detect')

# 打开视频文件（替换为你的视频文件路径）
video_path = 'sample4.mp4'
cap = cv2.VideoCapture(video_path)

# 创建一个 VideoWriter 对象（可选，如果你希望保存输出）
output_path = 'output_video.mp4'
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
out = cv2.VideoWriter(output_path, fourcc, 30.0, (640, 480))  # 如有必要，调整帧大小

步骤2：处理视频帧

我们将从视频文件中读取每一帧，对其进行处理以检测车牌，然后应用OCR识别车牌上的文本。为了提高性能，我们可以每三帧处理一次，加快检测速度。

# 帧跳过因子（根据性能需求进行调整）
frame_skip = 3  # 跳过每第3帧
frame_count = 0

while cap.isOpened():
    ret, frame = cap.read()  # 从视频中读取一帧
    if not ret:
        break  # 如果没有剩余帧，则退出循环

    # 跳过帧
    if frame_count % frame_skip != 0:
        frame_count += 1
        continue  # 跳过处理这一帧

    # 调整帧大小（可选，根据需要调整大小）
    frame = cv2.resize(frame, (640, 480))  # 调整为640x480

    # 在当前帧上进行预测
    results = model.predict(source=frame)

    # 遍历结果并绘制预测框
    for result in results:
        boxes = result.boxes  # 获取模型预测的边界框
        for box in boxes:
            class_id = int(box.cls)  # 获取类别ID
            confidence = box.conf.item()  # 获取置信度分数
            coordinates = box.xyxy[0]  # 获取边界框坐标作为张量

            # 提取并转换边界框坐标为整数
            x1, y1, x2, y2 = map(int, coordinates.tolist())  # 将张量转换为列表，然后再转换为整数

            # 在帧上绘制边界框
            cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2)  # 绘制矩形

            # 尝试对检测区域应用OCR
            try:
                # 确保坐标在帧范围内
                r0 = max(0, x1)
                r1 = max(0, y1)
                r2 = min(frame.shape[1], x2)
                r3 = min(frame.shape[0], y2)

                # 裁剪车牌区域
                plate_region = frame[r1:r3, r0:r2]

                # 转换为与EasyOCR兼容的格式
                plate_image = Image.fromarray(cv2.cvtColor(plate_region, cv2.COLOR_BGR2RGB))
                plate_array = np.array(plate_image)

                # 使用EasyOCR从车牌中读取文本
                plate_number = reader.readtext(plate_array)
                concat_number = ' '.join([number[1] for number in plate_number])
                number_conf = np.mean([number[2] for number in plate_number])

                # 在帧上绘制检测到的文本
                cv2.putText(
                    img=frame,
                    text=f"Plate: {concat_number} ({number_conf:.2f})",
                    org=(r0, r1 - 10),
                    fontFace=cv2.FONT_HERSHEY_SIMPLEX,
                    fontScale=0.7,
                    color=(0, 0, 255),
                    thickness=2
                )

            except Exception as e:
                print(f"OCR Error: {e}")
                pass

    # 显示带有检测结果的帧
    cv2.imshow('Detections', frame)

    # 将帧写入输出视频（可选）
    out.write(frame)
    
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break  # 如果按下 'q' 键，则退出循环

    frame_count += 1  # 增加帧计数

# 释放资源
cap.release()
out.release()  # 释放VideoWriter对象（如果使用了）
cv2.destroyAllWindows()

步骤说明

  1. 初始化EasyOCR：EasyOCR初始化为中文文本识别。
  2. 加载YOLO模型：从指定路径加载YOLO模型。请确保将此路径替换为您的模型路径。
  3. 读取视频帧：使用OpenCV打开视频文件，如果要保存输出，则会初始化VideoWriter。
  4. 帧处理：读取每个帧并调整大小。用模型预测车牌位置。
  5. 绘制预测：在帧上绘制检测到的边界框。包含车牌的区域被裁剪以进行OCR处理。
  6. 应用OCR：EasyOCR从裁剪的车牌图像中读取文本。检测到的文本和置信度分数显示在检测框上。
  7. 输出视频：处理后的帧可以显示在窗口中，也可以选择保存到输出视频文件中。

结论

此代码提供了一种使用YOLO和EasyOCR从视频文件中检测和识别车牌的方法。通过遵循这些步骤，我们可以在自己的应用程序实现类似的系统。

在这里插入图片描述

好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2257017.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

【项目实战】基于python+爬虫的电影数据分析及可视化系统

【项目实战】基于python+爬虫的电影数据分析及可视化系统

注意：该项目只展示部分功能，如需了解，文末咨询即可。 本文目录 1.开发环境2 系统设计 2.1 设计背景2.2 设计内容 3 系统页面展示 3.1 用户页面3.2 后台页面3.3 功能展示视频 4 更多推荐5 部分功能代码 5.1 爬虫代码5.2 电影信息代码 1.开发环…
阅读更多...
SDXL的优化工作

SDXL的优化工作

本文详细介绍SDXL在SD系列的基础上做了什么优化，包括模型架构优化和训练过程数据的相关优化策略。 目录 Stable Diffusion XL核心基础内容 SDXL整体架构初识 Base模型 Refiner模型 Base——VAE Base——U-Net Base——Text Encoder Refiner GPT补充【TODO】 SDXL官方…
阅读更多...
计算机网络 —— HTTPS 协议

计算机网络 —— HTTPS 协议

前一篇文章：计算机网络 —— HTTP 协议（详解）-CSDN博客 目录 前言 一、HTTPS 协议简介 二、HTTPS 工作过程 1.对称加密 2.非对称加密 3.中间人攻击 4.引入证书 三、HTTPS 常见问题 1.中间人能否篡改证书？ 2.中间人能否调…
阅读更多...
YonBuilder移动开发——调用手机系统的浏览器打开网页

YonBuilder移动开发——调用手机系统的浏览器打开网页

概述 在YonBuilder移动开发中，可以通过使用引擎提供的 api.openWin 或者 api.openFrame 函数方法通过内置的浏览器引擎在App内部打开相关的远程H5网站的网页。但是在实际项目开发中，可能会有一种需求，调用手机操作系统提供的系统浏览器去打开…
阅读更多...
美畅物联丨视频接入网关如何配置 HTTPS 证书

美畅物联丨视频接入网关如何配置 HTTPS 证书

在安防领域，视频接入网关（Video Access Gateway，VAG）是视频监控系统的重要组成部分，其职责是把视频数据从前端设备传输至后端服务器。配置HTTPS证书后，可对视频流进行加密传输，避免数据在网络传…
阅读更多...
Redis原理—2.单机数据库的实现

Redis原理—2.单机数据库的实现

大纲 1.Redis数据库的结构 2.读写Redis数据库键值时的处理 3.Redis数据库的构成 4.Redis过期键的删除策略 5.Redis的RDB持久化 6.Redis的AOF持久化 7.Redis的AOF重写机制 8.Redis持久化是影响其性能的高发地 9.Redis基于子进程实现持久化的使用建议 10.Redis持久化的…
阅读更多...
Android平台GB28181设备接入模块动态文字图片水印技术探究

Android平台GB28181设备接入模块动态文字图片水印技术探究

技术背景 前几年，我们发布的了Android平台GB28181设备接入模块，实现了不具备国标音视频能力的 Android终端，通过平台注册接入到现有的GB/T28181—2016或GB/T28181—2022服务。 Android终端除支持常规的音视频数据接入外，还可以支…
阅读更多...
TaskBuilder SQL执行工具

TaskBuilder SQL执行工具

为了方便开发者连接当前任擎服务器上配置的各个数据源对应的数据库进行相关操作，TaskBuilder提供了一个SQL执行工具，点击系统侧边栏里的执行SQL图标 ，即可打开该工具，界面如下图所示： 该工具从上至下分为三个区域&a…
阅读更多...
Redis中pipeline(管道)详解

Redis中pipeline(管道)详解

redis管道pipeline 举个例子： 小卖铺免费让你拿50瓶饮料，你是一次拿一瓶拿回家，还是打包一次或者多次拿回家？ 概念 Redis管道(pipelining)是一种在客户端向服务端发送多个请求而不等待响应的技术。它可以显著提高Redis应用程序…
阅读更多...
01-Chromedriver下载与配置（mac）

01-Chromedriver下载与配置（mac）

下载地址： 这里我用的最后一个，根据自己chrome浏览器选择相应的版本号即可 ChromeDriver官网下载地址：https://sites.google.com/chromium.org/driver/downloads ChromeDriver官网最新版下载地址：https://googlechromelabs.git…
阅读更多...
【Linux操作系统】Linux常用一键脚本

【Linux操作系统】Linux常用一键脚本

Linux网络加速脚本 Linux网络加速脚本可以替换Linux内核和更改TCP拥塞算法的一键脚本，包括安装BBR内核、XANMOD官方内核，开启BBR加速等功能，总之非常强大。 不卸载内核脚本（一般用这个） wget -O tcpx.sh "http…
阅读更多...
Linux -文件系统的备份

Linux -文件系统的备份

本文为Ubuntu Linux操作系统- 第九弹~~ 今天接着上文的内容，讲Linux磁盘存储管理最后一部分内容~ 上期回顾：Linux 图形界面工具管理磁盘分区和文件系统 😎黑犀铠甲合体，流星枪之狂瀑扎帖，碎魔伏暴，灭于狂瀑…
阅读更多...
ECharts实战教程：如何生成动态水波纹效果

ECharts实战教程：如何生成动态水波纹效果

导语：在数据可视化领域，ECharts是一款非常强大的图表库。今天，我们将带领大家学习如何使用ECharts生成动态水波纹效果，让我们的图表更加生动有趣。 一、准备工作 首先，我们需要准备一些基础数据，如下所示&…
阅读更多...
PyQt信号槽实现页面的登录与跳转 #页面进一步优化

PyQt信号槽实现页面的登录与跳转 #页面进一步优化

将登录框中的取消按钮使用信号和槽的机制，关闭界面。 将登录按钮使用信号和槽连接到自定义的槽函数中，在槽函数中判断ui界面上输入的账号是否为"admin"，密码是否为"123456",如果账号密码匹配成功，当前界面关…
阅读更多...
STM32CUBEMX+STM32F405RGT6+I2C+AT24C02学习应用

STM32CUBEMX+STM32F405RGT6+I2C+AT24C02学习应用

I2C 通讯 机制 较为 繁琐 ， 但是I2C的速率比较低，而且EEPROM的容量不大，比如AT24C02的容量 只有 2Kb，即256B（字节）。 对于 想快速实现I 2 C 功能应用，我们借助STM32的HAL库函数 可以 做到 。 一…
阅读更多...
Python 基础学习(一)

Python 基础学习(一)

一.基础语法 注释 Python中单行注释以 # 开头，如下： #!/usr/bin/python3# 第一个注释 print ("Hello, Python!") # 第二个注释多行注释可以用多个 # 号，还有 ‘’’ 和 “”"： #!/usr/bin/python3# 第一个注释…
阅读更多...
guava 整合springboot 自定义注解实现接口鉴权调用保护

guava 整合springboot 自定义注解实现接口鉴权调用保护

文章目录 一、简要概述二、实现过程1. pom引入依赖2. 自定义注解3. 定义切面4. 定义权限检查逻辑 三、注解使用四、运行结果五、源码放送 一、简要概述 Guava Cache是一个全内存的本地缓存实现，它提供了线程安全的实现机制。我们借助expireAfterWrite过期时间设置和…
阅读更多...
Redis实战篇（二：商户查询缓存）

Redis实战篇（二：商户查询缓存）

目录 三、商户查询缓存 1.缓存介绍 2.添加商户缓存 （1）缓存模型和思路 （2）代码实现 3.店铺类型缓存 4.缓存更新策略 5.实现商铺缓存与数据库双写一致 6.缓存穿透 （1）介绍 （2&#x…
阅读更多...
etcd分布式存储系统快速入门指南

etcd分布式存储系统快速入门指南

在分布式系统的复杂世界中，确保有效的数据管理至关重要。分布式可靠的键值存储在维护跨分布式环境的数据一致性和可伸缩性方面起着关键作用。 在这个全面的教程中，我们将深入研究etcd，这是一个开源的分布式键值存储。我们将探索其基本概念、特…
阅读更多...
Spring Boot + Spring AI快速体验

Spring Boot + Spring AI快速体验

Spring AI快速体验 1 什么是Spring AI主要功能 2 快速开始2.1 版本说明2.2 配置文件2.3 pom依赖2.3.1 spring maven仓库2.3.2 核心依赖 2.4 定义ChatClient2.5 启动类2.6 测试 3 参考链接 1 什么是Spring AI Spring AI是Spring的一个子项目，是Spring专门面向于AI的…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023