基于深度学习的车牌检测系统（含UI界面，Python代码）_基于深度学习的车牌识别系统-优快云博客

在这里插入图片描述

项目中所用到的算法模型和数据集等信息如下：

算法模型：
yolov8、yolov8 + SE注意力机制

车牌OCR识别模型：
LPRNet

数据集：
CCPD2019、CCPD2020数据集

以上是本套代码算法的简单说明，添加注意力机制可作为创新点 。如果要是需要其他的检测模型，请私信。

在这里插入图片描述

功能展示：

部分核心功能如下：

功能1： 支持单张图片识别
功能2： 支持遍历文件夹识别
功能3： 支持识别视频文件
功能4： 支持摄像头识别
功能5： 支持结果文件导出（xls格式）
功能6： 支持切换检测到的目标查看

更多的其他功能可以通过下方视频演示查看。

整体功能演示：

基于深度学习的车牌识别系统

1. 识别单张图片
系统允许选择图片文件进行识别，点击图片选择按钮图标选择图片后，显示所有识别的结果，本功能的界面展示如下图所示：

识别单张图片

2. 识别文件夹下所有图片
系统允许选择整个文件夹进行识别，选择文件夹后，自动遍历文件夹下的所有图片文件，并将识别结果实时显示在右下角的表格中，本功能展示效果如下：

识别文件夹下所有图片

3. 识别视频
很多时候我们需要识别一段视频中的车牌，这里设计了视频选择功能。点击视频按钮可选择待检测的视频，系统会自动解析视频，逐帧识别多个车牌，并将结果记录在右下角表格中，效果如下图所示：

识别视频

4. 导出识别结果
本系统还添加了对识别结果的导出功能，方便后续查看，目前支持导出 csv 和 xls 两种数据格式，功能展示如下：

识别结果保存为csv、xls

下面是对代码中使用到的重点资源、知识点的详细介绍：

🌟 一、环境安装

文档中有详细的环境安装指南，包括 Python、PyCharm、CUDA、Torch 等库的安装步骤，所有版本均已适配。你可以根据文档或视频教程一步步完成安装。

经过三年多的经验积累，我整理了在帮助他人安装环境过程中常见的问题和解决方法，并汇总到这份文档中。无论你是使用 GPU 版还是 CPU 版，都能找到相关的安装细节和说明。文档会定期更新，以确保最新的环境配置和优化，供大家参考。

文档截图如下：

在这里插入图片描述

一、数据集

简介

CCPD是一个大型的、多样化的、经过仔细标注的中国城市车牌开源数据集。CCPD数据集主要分为CCPD2019数据集和CCPD2020(CCPD-Green)数据集。CCPD2019数据集车牌类型仅有普通车牌(蓝色车牌)，CCPD2020数据集车牌类型仅有新能源车牌(绿色车牌)。
在CCPD数据集中，每张图片仅包含一张车牌，车牌的车牌省份主要为皖。

1. CCPD数据集下载：

（1）百度网盘下载链接（个人上传）：
https://pan.baidu.com/s/1ZvbRUsPwpJk_39FujpjObw?pwd=nygt 提取码：nygt
（2）github下载：https://github.com/detectRecog/CCPD，github中包含详细的数据说明介绍

2. 数据集说明

CCPD2019中主要包含以下几个文件夹，

CCPD-Base：通用车牌图片，共200k
CCPD-FN：车牌离摄像头拍摄位置相对较近或较远，共20k
CCPD-DB：车牌区域亮度较亮、较暗或者不均匀，共20k
CCPD-Rotate：车牌水平倾斜20到50度，竖直倾斜-10到10度，共10k
CCPD-Tilt：车牌水平倾斜15到45度，竖直倾斜15到45度，共10k
CCPD-Weather：车牌在雨雪雾天气拍摄得到，共10k
CCPD-Challenge：在车牌检测识别任务中较有挑战性的图片，共10k
CCPD-Blur：由于摄像机镜头抖动导致的模糊车牌图片，共5k
CCPD-NP：没有安装车牌的新车图片，共5k

CCPD2020中的图像被拆分为train/val/test数据集。

3.CCPD数据集标注处理

CCPD数据集没有专门的标注文件，每张图像的文件名就是该图像对应的数据标注。例如图片3061158854166666665-97_100-159&434_586&578-558&578_173&523_159&434_586&474-0_0_3_24_33_32_28_30-64-233.jpg的文件名可以由分割符’-'分为多个部分：

（1）3061158854166666665：区域（这个值可能有问题，无用）；
（2）97_100：对应车牌的两个倾斜角度-水平倾斜角和垂直倾斜角, 水平倾斜97度, 竖直倾斜100度。水平倾斜度是车牌与水平线之间的夹角。二维旋转后，垂直倾斜角为车牌左边界线与水平线的夹角。
（3）159&434_586&578：对应边界框左上角和右下角坐标:左上(159, 434), 右下(586, 578)；
（4）558&578_173&523_159&434_586&474：对应车牌四个顶点坐标(右下角开始顺时针排列)：右下(558, 578)，左下(173, 523)，左上(159, 434)，右上(586, 474)；
（5）0_0_3_24_33_32_28_30：为车牌号码（第一位为省份缩写），在CCPD2019中这个参数为7位，CCPD2020中为8位，有对应的关系表；
（6）64：为亮度，数值越大车牌越亮（可能不准确，仅供参考）；
（7）233：为模糊度，数值越小车牌越模糊（可能不准确，仅供参考）。

4. CCPD数据集处理相关脚本

（1）CCPD数据集转VOC，xml文件保存

import shutil
import cv2
import os

from lxml import etree


class labelimg_Annotations_xml:
    def __init__(self, folder_name, filename, path, database="Unknown"):
        self.root = etree.Element("annotation")
        child1 = etree.SubElement(self.root, "folder")
        child1.text = folder_name
        child2 = etree.SubElement(self.root, "filename")
        child2.text = filename
        # child3 = etree.SubElement(self.root, "path")
        # child3.text = path
        child4 = etree.SubElement(self.root, "source")
        child5 = etree.SubElement(child4, "database")
        child5.text = database

    def set_size(self, width, height, channel):
        size = etree.SubElement(self.root, "size")
        widthn = etree.SubElement(size, "width")
        widthn.text = str(width)
        heightn = etree.SubElement(size, "height")
        heightn.text = str(height)
        channeln = etree.SubElement(size, "channel")
        channeln.text = str(channel)

    def set_segmented(self, seg_data=0):
        segmented = etree.SubElement(self.root, "segmented")
        segmented.text = str(seg_data)

    def set_object(self, label, x_min, y_min, x_max, y_max,
                   pose='Unspecified', truncated=0, difficult=0):
        object = etree.SubElement(self.root, "object")
        namen = etree.SubElement(object, "name")
        namen.text = label
        posen = etree.SubElement(object, "pose")
        posen.text = pose
        truncatedn = etree.SubElement(object, "truncated")
        truncatedn.text = str(truncated)
        difficultn = etree.SubElement(