基于Python的车牌识别系统设计与实现

2026年1月4日 互联网

基于Python的车牌识别系统设计与实现

车牌识别（License Plate Recognition, LPR）作为计算机视觉领域的典型应用，广泛应用于智慧交通、停车场管理、安防监控等场景。本文将系统阐述如何利用Python及相关开源库构建高效的车牌识别系统，从基础图像处理到深度学习模型应用，提供完整的实现方案。

一、技术架构与核心组件

车牌识别系统通常包含四个核心模块：图像采集、车牌定位、字符分割、字符识别。基于Python的实现方案可选用以下技术栈：

  • 图像处理库：OpenCV（核心图像操作）
  • 深度学习框架：TensorFlow/Keras或PyTorch（可选）
  • 辅助工具：NumPy（数值计算）、Pillow（图像处理）
  • OCR引擎：Tesseract OCR（传统方法）或CRNN（深度学习方法）

1.1 系统流程设计

  1. graph TD
  2.     A[输入图像] --> B[图像预处理]
  3.     B --> C[车牌定位]
  4.     C --> D[字符分割]
  5.     D --> E[字符识别]
  6.     E --> F[输出结果]

二、图像预处理关键技术

预处理阶段直接影响后续定位精度，需完成以下操作：

2.1 灰度化与噪声去除

  1. import cv2
  3. def preprocess_image(img_path):
  4.     # 读取图像
  5.     img = cv2.imread(img_path)
  6.     # 转换为灰度图
  7.     gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  8.     # 高斯滤波降噪
  9.     blurred = cv2.GaussianBlur(gray, (5,5), 0)
  10.     return blurred

2.2 边缘检测与二值化

采用Sobel算子增强垂直边缘，配合自适应阈值处理：

  1. def edge_detection(img):
  2.     # Sobel垂直边缘检测
  3.     sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
  4.     abs_sobel = cv2.convertScaleAbs(sobelx)
  5.     # 自适应阈值二值化
  6.     binary = cv2.adaptiveThreshold(
  7.         abs_sobel, 255, 
  8.         cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
  9.         cv2.THRESH_BINARY, 11, 2
  10.     )
  11.     return binary

三、车牌定位实现方案

3.1 基于形态学操作的传统方法

通过连通域分析定位车牌区域：

  1. def locate_license_plate(binary_img):
  2.     # 形态学闭运算连接边缘
  3.     kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (17,5))
  4.     closed = cv2.morphologyEx(binary_img, cv2.MORPH_CLOSE, kernel)
  6.     # 查找轮廓
  7.     contours, _ = cv2.findContours(
  8.         closed.copy(), cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE
  9.     )
  11.     # 筛选符合车牌特征的轮廓
  12.     candidates = []
  13.     for cnt in contours:
  14.         rect = cv2.minAreaRect(cnt)
  15.         box = cv2.boxPoints(rect)
  16.         box = np.int0(box)
  18.         # 筛选长宽比在2-5之间的区域
  19.         width, height = rect[1]
  20.         aspect_ratio = max(width, height)/min(width, height)
  21.         if 2 < aspect_ratio < 5:
  22.             candidates.append((box, rect[2]))
  24.     return candidates

3.2 基于深度学习的定位方法

使用预训练的YOLOv5模型进行车牌检测：

  1. # 需提前安装ultralytics库
  2. from ultralytics import YOLO
  4. def deep_learning_locate(img_path):
  5.     model = YOLO("yolov5s.pt")  # 使用预训练模型
  6.     results = model(img_path)
  8.     plates = []
  9.     for result in results:
  10.         for box in result.boxes.data.tolist():
  11.             x1, y1, x2, y2, score, class_id = box[:6]
  12.             plates.append((int(x1), int(y1), int(x2), int(y2)))
  14.     return plates

四、字符分割与识别

4.1 字符分割技术

采用投影法结合连通域分析：

  1. def segment_characters(plate_img):
  2.     # 垂直投影分割
  3.     hist = np.sum(plate_img, axis=0)
  4.     threshold = hist.max() * 0.1
  6.     char_regions = []
  7.     start = 0
  8.     for i, val in enumerate(hist):
  9.         if val > threshold and start == 0:
  10.             start = i
  11.         elif val <= threshold and start != 0:
  12.             char_regions.append((start, i))
  13.             start = 0
  15.     # 提取字符ROI
  16.     chars = []
  17.     for (start, end) in char_regions:
  18.         char = plate_img[:, start:end]
  19.         chars.append(char)
  21.     return chars

4.2 字符识别方案

方案一：Tesseract OCR

  1. import pytesseract
  2. from PIL import Image
  4. def tesseract_recognize(char_img):
  5.     # 转换为PIL图像并二值化
  6.     pil_img = Image.fromarray(char_img)
  7.     text = pytesseract.image_to_string(
  8.         pil_img, 
  9.         config='--psm 10 --oem 3 -c tessedit_char_whitelist=0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ'
  10.     )
  11.     return text.strip()

方案二：CRNN深度学习模型

  1. # 假设已训练好CRNN模型
  2. def crnn_recognize(char_imgs):
  3.     # 批量处理字符图像
  4.     inputs = preprocess_batch(char_imgs)
  5.     predictions = crnn_model.predict(inputs)
  7.     # 解码预测结果
  8.     recognized_texts = []
  9.     for pred in predictions:
  10.         char_indices = np.argmax(pred, axis=1)
  11.         text = decode_prediction(char_indices)  # 自定义解码函数
  12.         recognized_texts.append(text)
  14.     return recognized_texts

五、性能优化与工程实践

5.1 实时性优化

  • 模型量化：将浮点模型转为INT8，推理速度提升3-5倍
  • 硬件加速：使用OpenVINO或TensorRT优化推理
  • 多线程处理：图像采集与识别并行化

5.2 准确率提升策略

  • 数据增强：在训练集中加入不同光照、角度的车牌样本
  • 难例挖掘：收集识别错误的样本进行针对性训练
  • 后处理规则：添加车牌格式校验（如中国车牌规则）

5.3 完整实现示例

  1. def complete_lpr_pipeline(img_path):
  2.     # 1. 预处理
  3.     processed = preprocess_image(img_path)
  5.     # 2. 车牌定位（混合方法）
  6.     try:
  7.         dl_plates = deep_learning_locate(img_path)
  8.     except:
  9.         dl_plates = []
  11.     if not dl_plates:
  12.         binary = edge_detection(processed)
  13.         candidates = locate_license_plate(binary)
  14.         # 转换为矩形坐标...
  15.     else:
  16.         candidates = [convert_yolo_to_rect(plate) for plate in dl_plates]
  18.     # 3. 字符识别
  19.     results = []
  20.     for box in candidates[:1]:  # 取最可能的车牌
  21.         plate_roi = extract_roi(img_path, box)
  22.         chars = segment_characters(plate_roi)
  23.         texts = []
  24.         for char in chars:
  25.             text = crnn_recognize([char])[0] or tesseract_recognize(char)
  26.             texts.append(text)
  27.         results.append("".join(texts))
  29.     return results[0] if results else None

六、应用场景与扩展方向

  1. 智慧交通：与卡口系统集成实现自动收费
  2. 安防监控：结合人脸识别构建车辆追踪系统
  3. 移动端应用：通过ONNX Runtime部署到手机端
  4. 云服务集成：封装为REST API提供SaaS服务

当前行业常见技术方案中，深度学习模型（如YOLO+CRNN组合）在准确率和鲁棒性上已显著优于传统方法，但在嵌入式设备部署时仍需权衡模型大小与精度。建议根据实际场景选择技术方案：固定摄像头场景可采用轻量级模型，移动场景需重点优化推理速度。

通过系统化的图像处理流程和深度学习模型结合，Python可实现高效准确的车牌识别系统。实际开发中需特别注意数据质量、模型选择和工程优化三个关键环节，这些因素直接决定系统的最终性能。

最新文章