YOLOv5中文车牌识别项目：最完整12种车牌类型支持方案
项目地址: https://gitcode.com/GitHub_Trending/ch/Chinese_license_plate_detection_recognition 痛点：传统车牌识别系统的局限性
你是否遇到过这样的场景？在停车场管理系统、交通违章抓拍、或者车辆身份验证时，传统的车牌识别系统往往只能识别常见的蓝牌和黄牌，一旦遇到新能源绿牌、特殊白牌、双层车牌等特殊类型，系统就会"停止工作"或识别错误。这种局限性严重影响了智能交通系统的准确性和实用性。
本文介绍的YOLOv5中文车牌识别项目，正是为了解决这一痛点而生。它支持12种中文车牌类型，是目前最完整的车牌识别解决方案之一。
项目核心特性
🚀 全面支持12种车牌类型
| 车牌类型 | 代码标识 | 特征描述 | 应用场景 |
|---|---|---|---|
| 单行蓝牌 | 0 | 普通民用车辆 | 日常交通管理 |
| 单行黄牌 | 0 | 大型车辆、货车 | 货运车辆管理 |
| 新能源车牌 | 0 | 绿色背景，专用号码 | 新能源汽车管理 |
| 白色特殊车牌 | 0 | 白底黑字，特殊标识 | 特殊车辆识别 |
| 教练车牌 | 0 | 黄底黑字，教字标识 | 驾校车辆管理 |
| 特殊车牌 | 0 | 特殊前缀，特殊格式 | 特殊车辆识别 |
| 双层黄牌 | 1 | 上下两行，大型车辆 | 特殊车辆管理 |
| 双层白牌 | 1 | 上下两行，特殊用途 | 特种车辆识别 |
| 特殊车牌 | 0 | 特殊开头，特殊车辆 | 特殊车辆管理 |
| 港澳粤Z牌 | 0 | 粤Z前缀，跨境车辆 | 跨境车辆识别 |
| 双层绿牌 | 1 | 新能源双层车牌 | 新能源大型车 |
| 特殊车牌 | 0 | 特殊专用格式 | 特殊场所车辆管理 |
🔧 技术架构解析
核心代码实现
车牌检测与识别流程
def detect_Recognition_plate(model, orgimg, device, plate_rec_model, img_size, is_color=False):
# 图像预处理
img0 = copy.deepcopy(orgimg)
h0, w0 = orgimg.shape[:2]
r = img_size / max(h0, w0)
# 调整图像尺寸
if r != 1:
interp = cv2.INTER_AREA if r < 1 else cv2.INTER_LINEAR
img0 = cv2.resize(img0, (int(w0 * r), int(h0 * r)), interpolation=interp)
# 转换为模型输入格式
img = letterbox(img0, new_shape=img_size)[0]
img = img[:, :, ::-1].transpose(2, 0, 1).copy()
# 模型推理
img = torch.from_numpy(img).to(device)
img = img.float() / 255.0
if img.ndimension() == 3:
img = img.unsqueeze(0)
pred = model(img)[0]
pred = non_max_suppression_face(pred, conf_thres=0.3, iou_thres=0.5)
return process_detections(pred, orgimg, device, plate_rec_model, is_color)
双层车牌特殊处理
def get_split_merge(img):
"""处理双层车牌的分割与合并"""
h, w, c = img.shape
# 分割上层和下层
img_upper = img[0:int(5/12*h), :]
img_lower = img[int(1/3*h):, :]
# 调整尺寸并合并
img_upper = cv2.resize(img_upper, (img_lower.shape[1], img_lower.shape[0]))
new_img = np.hstack((img_upper, img_lower))
return new_img
def get_plate_rec_landmark(img, xyxy, conf, landmarks, class_num, device, plate_rec_model, is_color=False):
"""获取车牌识别结果"""
landmarks_np = np.zeros((4, 2))
for i in range(4):
point_x = int(landmarks[2 * i])
point_y = int(landmarks[2 * i + 1])
landmarks_np[i] = np.array([point_x, point_y])
# 透视变换获取车牌区域
roi_img = four_point_transform(img, landmarks_np)
# 双层车牌特殊处理
if class_label: # 1代表双层车牌
roi_img = get_split_merge(roi_img)
# 车牌识别
if not is_color:
plate_number, rec_prob = get_plate_result(roi_img, device, plate_rec_model, is_color=is_color)
else:
plate_number, rec_prob, plate_color, color_conf = get_plate_result(roi_img, device, plate_rec_model, is_color=is_color)
return {
'rect': [int(xyxy[0]), int(xyxy[1]), int(xyxy[2]), int(xyxy[3])],
'detect_conf': conf,
'landmarks': landmarks_np.tolist(),
'plate_no': plate_number,
'rec_conf': rec_prob,
'plate_type': class_label
}
字符集定义与识别
项目使用CRNN（Convolutional Recurrent Neural Network）模型进行车牌字符识别，支持以下字符集：
plateName = r"#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学警港澳挂使领民特殊险品"
这个字符集包含了：
- 34个省市简称：京、沪、津、渝等
- 10个数字：0-9
- 24个大写字母：A-Z（排除I、O易混淆字母）
- 6个特殊字符：警、学、港、澳、使、领
- 2个危险品标识：危、险
部署与实践指南
环境要求
# 基础环境
Python >= 3.6
PyTorch >= 1.7
OpenCV >= 4.0
# 安装依赖
pip install -r requirements.txt
快速开始
# 图片测试
python detect_plate.py --detect_model weights/plate_detect.pt \
--rec_model weights/plate_rec_color.pth \
--image_path imgs \
--output result
# 视频测试
python detect_plate.py --detect_model weights/plate_detect.pt \
--rec_model weights/plate_rec_color.pth \
--video 2.mp4
性能优化建议
实际应用场景
智能交通管理系统
# 实时交通流量统计
def traffic_flow_analysis(video_path, output_path):
capture = cv2.VideoCapture(video_path)
vehicle_count = {
'blue_plate': 0, # 蓝牌车辆
'yellow_plate': 0, # 黄牌车辆
'green_plate': 0, # 新能源车辆
'special_plate': 0 # 特殊车牌
}
while capture.isOpened():
ret, frame = capture.read()
if not ret:
break
# 车牌检测与识别
results = detect_Recognition_plate(detect_model, frame, device, plate_rec_model, 640)
for result in results:
plate_type = result['plate_type']
plate_color = result.get('plate_color', '')
update_vehicle_count(vehicle_count, plate_type, plate_color)
generate_traffic_report(vehicle_count)
停车场管理系统
class ParkingManagementSystem:
def __init__(self):
self.registered_vehicles = {} # 注册车辆数据库
self.parking_records = [] # 停车记录
def vehicle_entry(self, image_path):
"""车辆入场识别"""
img = cv2.imread(image_path)
results = detect_Recognition_plate(detect_model, img, device, plate_rec_model, 640, True)
for result in results:
plate_number = result['plate_no']
plate_color = result['plate_color']
plate_type = result['plate_type']
# 验证车辆权限
if self.check_vehicle_permission(plate_number):
self.record_entry(plate_number, plate_type, plate_color)
return True
return False
def check_vehicle_permission(self, plate_number):
"""检查车辆权限"""
return plate_number in self.registered_vehicles
技术优势与创新点
1. 多车牌类型统一处理
传统方案需要为每种车牌类型训练单独模型，本项目通过统一的网络架构和后期处理逻辑，实现了12种车牌类型的端到端识别。
2. 双层车牌智能分割
创新性地提出双层车牌分割合并算法，将上下两行车牌内容合并为单行进行处理，大幅提高了双层车牌的识别准确率。
3. 颜色识别一体化
在字符识别的同时完成车牌颜色识别，无需额外的颜色分类网络，减少了计算开销。
4. 关键点检测精确定位
采用4个关键点检测而非传统的矩形框检测，能够更精确地定位车牌区域，特别是对于倾斜、变形车牌的鲁棒性更强。
性能指标对比
| 指标 | 传统方案 | 本项目 | 提升幅度 |
|---|---|---|---|
| 车牌类型支持 | 3-5种 | 12种 | 140%-300% |
| 双层车牌准确率 | ≤70% | ≥90% | 28% |
| 处理速度(FPS) | 15-20 | 25-30 | 50% |
| 模型大小(MB) | 50-80 | 30-50 | 40% |
总结与展望
YOLOv5中文车牌识别项目通过创新的技术架构和算法设计，成功解决了多类型车牌识别的技术难题。其12种车牌类型的全面支持、双层车牌的智能处理、以及一体化的颜色识别功能，使其成为目前最完整的车牌识别解决方案之一。
未来发展方向包括：
- 更多车牌类型支持：扩展支持特殊用途等特殊车牌
- 实时性能优化：进一步优化推理速度，满足更高实时性要求
- 端侧部署：优化模型以适应移动端和嵌入式设备部署
- 多模态融合：结合红外、雷达等多传感器信息提升识别鲁棒性
无论你是智能交通系统的开发者、停车场管理系统的实施者，还是对计算机视觉技术感兴趣的研究者，这个项目都为你提供了一个强大而完整的技术基础。立即开始体验，让你的车牌识别系统不再有盲区！
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
