《------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。
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 = 0while 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 += 1continue # 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IDconfidence = 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OCRtry:# 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
- 初始化EasyOCR：EasyOCR初始化为中文文本识别。
- 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。
- 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。 - 帧处理：读取每个帧并调整大小。用模型预测车牌位置。
- 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。
- 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。
- 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。
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！