基于YOLOv8与PaddleOCR的智能车牌识别系统

原创已于 2025-05-26 23:17:37 修改 · 1k 阅读

13 ·

CC 4.0 BY-SA版权

文章标签：

#YOLO #PaddleOCR #车牌 #人工智能

于 2025-05-26 23:16:13 首次发布

YOLOv8 专栏收录该内容

4 篇文章

订阅专栏

部署运行你感兴趣的模型镜像

引言

随着智能交通系统的快速发展，车牌识别技术作为其核心组成部分，正在各个领域得到广泛应用。无论是智慧停车场、高速公路收费站、还是社区安防系统，高效准确的车牌识别能力都是保障系统正常运行的关键。本文将分享一个基于YOLOv8目标检测和PaddleOCR文字识别技术的车牌识别系统实践，展示如何结合深度学习的最新成果，构建一个高性能的车牌识别应用。

系统概述

本文介绍的是一套基于YOLOv8和PaddleOCR的车牌识别系统，采用Flask框架搭建，能够高效准确地识别中国各类车牌。系统通过组合深度学习目标检测和OCR技术，实现了智能化的车牌定位与识别，并具备车牌记录管理、历史查询和统计分析等功能。

系统特点

多模式识别：支持纯OCR模式和YOLO+OCR混合模式，用户可自由切换
智能容错：当单一模式失效时会自动尝试替代方案
高精度识别：针对中文车牌格式优化，支持识别新能源车牌
分割图像展示：直观展示车牌区域，便于验证识别结果
数据统计分析：提供识别率、置信度等关键指标的统计
完整历史记录：所有识别结果保存入库，支持查询和管理

技术架构

核心技术栈

前端：HTML/CSS/JavaScript + Bootstrap

后端：Python + Flask

目标检测：YOLOv8（用于车牌定位）

文字识别：PaddleOCR（用于车牌文字识别）

数据存储：MySQL（记录识别结果）

识别流程

图像上传与预处理
车牌检测（YOLOv8）和区域分割
文字识别（PaddleOCR）
格式验证与后处理
结果展示与存储

技术实现细节

1. YOLOv8车牌检测

YOLOv8是目标检测领域的最新进展，相比前代模型，它具有更高的检测精度和更快的推理速度。在车牌检测任务中，我们对YOLOv8进行了特定优化：

使用包含各种场景（不同光照、角度、遮挡情况）的车牌数据集进行训练
针对中国车牌的特征（蓝牌、黄牌、新能源绿牌等）进行特化处理
优化模型大小和推理速度，使系统能在普通硬件上流畅运行

2. PaddleOCR文字识别

PaddleOCR是百度开源的OCR工具集，具有识别精度高、速度快、使用简单等特点。在本系统中：

使用了PaddleOCR的检测和识别模型，针对车牌字符进行了优化
实现了对车牌特殊字符的正确识别，如中间的点"·"
结合正则表达式验证，确保识别结果符合车牌格式规范

3. 智能识别策略

系统采用了自适应的识别策略，提高了整体识别成功率：

首先尝试OCR直接识别，对简单清晰的车牌效果好
如果OCR无法得到有效结果，且用户启用了YOLO选项，则切换到YOLO+OCR模式
对于YOLO检测到的多个车牌区域，系统会智能合并相邻区域，处理分段检测的情况

4. Web界面实现

系统前端基于Flask框架和Tailwind CSS构建，具有现代化的UI设计和良好的用户体验：

响应式设计，适配不同设备屏幕
实时识别反馈，清晰展示识别结果
交互式数据可视化，基于ECharts实现直观的数据展示
优化的滚动和模态框体验，确保操作流畅

关键代码解析

1. PaddleOCR初始化（优化版）

# 初始化PaddleOCR（兼容有无GPU环境）
try:
    # 尝试指定use_gpu参数
    ocr = PaddleOCR(use_angle_cls=True, lang="ch", use_gpu=False)
except ValueError:
    # 如果发生错误，尝试不使用use_gpu参数
    print("初始化PaddleOCR时发生错误，尝试不指定GPU参数")
    ocr = PaddleOCR(use_angle_cls=True, lang="ch")

2. 车牌识别核心函数

def detect_plate_with_yolo(image_path, only_detect=False):
    """使用YOLOv8检测车牌，并结合PaddleOCR进行识别
    
    Args:
        image_path: 图像路径
        only_detect: 如果为True，只进行检测不进行识别
    """
    # 读取图片
    img = cv2.imread(image_path)
    if img is None:
        return None, "无法读取图片"
    
    # 原始图像的副本，用于绘制结果
    img_result = img.copy()
    
    plates = []
    
    # 使用YOLOv8检测车牌
    detections = yolo_detector.detect_plates(img)
    
    # 对检测结果进行合理性分析
    if len(detections) > 1:
        print(f"检测到 {len(detections)} 个可能的车牌区域，尝试分析它们的关系")
        
        # 对所有检测到的区域进行合并尝试
        merged_detections = []
        used_indices = set()
        
        # 合并相近的车牌区域（双层车牌处理）
        for i, det1 in enumerate(detections):
            if i in used_indices:
                continue
                
            x1_1, y1_1, x2_1, y2_1 = det1['box']
            merged_box = list(det1['box'])
            merged = False
            
            for j, det2 in enumerate(detections):
                if i == j or j in used_indices:
                    continue
                    
                x1_2, y1_2, x2_2, y2_2 = det2['box']
                
                # 检查两个区域是否接近（水平或垂直方向）
                horizontal_close = (x1_2 <= x2_1 + 50 and x2_2 >= x1_1 - 50)
                vertical_close = (y1_2 <= y2_1 + 30 and y2_2 >= y1_1 - 30)
                
                # 如果两个区域接近，合并它们
                if horizontal_close and vertical_close:
                    # 合并区域代码...
                    merged = True
            
            # 添加合并后的区域到结果中
            if merged:
                # 添加合并区域...
            elif i not in used_indices:
                merged_detections.append(det1)
                used_indices.add(i)
        
        # 使用合并后的检测结果
        if len(merged_detections) < len(detections):
            detections = merged_detections
    
    # 处理检测到的每个车牌区域
    if detections:
        for detection in detections:
            # 获取检测框坐标
            x1, y1, x2, y2 = detection['box']
            confidence = detection['confidence']
            
            # 仅处理置信度高于0.5的检测结果
            if confidence < 0.5:
                continue
                
            # 获取裁剪后的车牌图像
            plate_img = detection['plate_img']
            
            # 确保图像足够大，如果太小则调整大小
            # 图像预处理代码...
            
            # 使用PaddleOCR识别车牌号
            try:
                ocr_result = ocr.ocr(plate_img, cls=True)
                
                if ocr_result and isinstance(ocr_result, list) and len(ocr_result) > 0:
                    # 处理OCR识别结果...
                    # 组合文本、验证车牌格式等
            except Exception as e:
                print(f"处理车牌图像时出错: {str(e)}")
                # 异常处理...
    
    # 生成输出图片并返回结果
    # ...

3. 智能识别模式实现

# 智能识别模式：先用OCR识别整图，再用YOLO分割显示
if use_yolo and yolo_detector.is_available():
    print("使用智能识别模式: 先用OCR识别整图，再用YOLO分割显示")
    
    try:
        # 第一步：先用OCR识别整图，找到完整车牌
        ocr_result, ocr_error = detect_plate(filepath)
        
        if ocr_error:
            print(f"OCR识别出错: {ocr_error}")
            # 直接使用YOLO+OCR完整流程
            result, error = detect_plate_with_yolo(filepath)
        else:
            # 检查OCR是否找到有效车牌
            ocr_valid_plates = [p for p in ocr_result['plates'] if p['is_valid_plate']] if ocr_result and 'plates' in ocr_result else []
            
            if ocr_valid_plates:
                print(f"OCR识别到 {len(ocr_valid_plates)} 个有效车牌")
                
                # 第二步：使用YOLO进行车牌分割
                print("使用YOLO分割车牌区域用于显示")
                yolo_result, yolo_error = detect_plate_with_yolo(filepath, only_detect=True)
                
                # 如果YOLO检测到车牌区域，将OCR识别结果与YOLO分割图像关联
                if yolo_result and 'plates' in yolo_result and yolo_result['plates']:
                    # 更新结果，使用OCR的识别结果但保留YOLO的分割图像
                    # 关联代码...
                else:
                    # 使用OCR结果
                    result = ocr_result
            else:
                # OCR未识别到有效车牌，使用YOLO+OCR完整流程
                result, error = detect_plate_with_yolo(filepath)
    except Exception as e:
        # 异常处理...
        result, error = detect_plate_with_yolo(filepath)
else:
    # 使用纯OCR方法
    # 纯OCR识别逻辑...