基于YOLOv10和PaddleOCR和多线程处理的车牌识别系统技术解析（输入图片识别或外置摄像头识别）

Jumbuck_10

已于 2025-04-26 20:00:14 修改

阅读量522

点赞数 7

分类专栏：深度学习项目文章标签： YOLO 深度学习人工智能算法计算机视觉 python 车牌识别

于 2025-04-22 16:49:08 首次发布

本文链接：https://blog.csdn.net/weixin_46221106/article/details/147423629

版权

深度学习项目专栏收录该内容

20 篇文章

订阅专栏

基于YOLOv10和PaddleOCR和多线程处理的车牌识别系统技术解析（输入图片识别或外置摄像头识别）

基于YOLOv10和PaddleOCR的车牌识别系统技术解析（输入图片识别或外置摄像头识别）

基于YOLOv10和PaddleOCR的车牌识别系统技术解析（输入图片识别或外置摄像头识别）

一、项目概述

本项目研发了一套高性能实时车牌识别系统，该系统通过部署高精度外置摄像头实时采集车辆图像，基于先进的YOLOv10目标检测算法实现车牌的精准定位，并结合PaddleOCR文字识别引擎进行多维度车牌信息识别。系统创新性地集成了车牌类型智能分类模块，可准确区分新能源车牌（绿牌）、普通蓝牌等多种车牌类型，识别准确率达到行业领先水平。该系统特别针对停车场管理场景进行了深度优化，支持复杂光照条件和多角度车牌的稳定识别，可实现无感通行、自动计费等智能化停车管理功能。经实际测试，系统单帧处理时间低于100ms，满足实时性要求，为智慧停车场景提供了高效可靠的车辆识别解决方案。

1.识别图像

在这里插入图片描述

2.通过外置摄像头设备进行识别

可以购买外置摄像头，进行识别，价格在30-100元。我这里用的是一个双目摄像头进行测试。
在这里插入图片描述
(测试版本，精度相对较低，正在进一步提升精度)

YOLOv10+PaddleOCR+OpenCV的车牌字符识别及类型判别项目

可以观察到视频检测时，图象上的车牌字符可能存在一定的滞留情况，这是由于我们使用多线程技术，将图像显示与文字识别分开，不去并行计算，这样做的好处是视频不因为处理不及时而出现卡顿的情况。

二、预先准备

1.数据集准备

数据集采用CPDD2020数据集。
数据集下载地址：https://github.com/detectRecog/CCPD

CCPD（Chinese City Parking Dataset）是一个大规模、多样化且标注精细的中国城市车牌开源数据集，广泛应用于车牌识别算法的研究与开发。该数据集主要包含两个子集：CCPD2019和CCPD2020（又称CCPD-Green）。其中，CCPD2019仅包含传统蓝色车牌样本，而CCPD2020则专门收录新能源绿色车牌样本。

数据集具有以下显著特征：

样本构成：每张图像仅包含单一车牌，且车牌注册地以"皖"（安徽）为主。

标注方式：采用创新的文件名内嵌标注法，将完整的标注信息编码存储于图像文件名中。

标注质量：尤其注重车牌四顶点坐标的标注精度。标注流程分为三个阶段：

初始阶段：人工标注10,000张样本建立基准

自动化阶段：基于深度学习模型实现顶点自动标注

校验阶段：雇佣7名专业人员历时两周进行全量校验

数据规模：包含超过25万张独特车牌图像，每张图像分辨率为720×1160像素（宽×高×RGB三通道），确保车牌清晰可辨。

需要注意的是，尽管数据集整体标注质量较高，但仍存在少量标注偏差的情况。该数据集因其规模庞大、标注详实，特别适合车牌检测与识别算法的研究和性能评估，已成为该领域的重要基准数据集之一。
在这里插入图片描述

2.算法选取

选用yolov10和PaddleOCR
其中：

YOLOv10 是 YOLO（You Only Look Once）系列的最新目标检测模型，相较于前代版本，它在检测精度和推理速度上均有显著提升。选用 YOLOv10 的原因包括：
高性能检测：采用先进的 CNN 或 Transformer 架构，在复杂场景下仍能稳定检测车牌位置。
实时性：优化后的轻量级模型可在边缘设备（如 Jetson、树莓派）上高效运行。
鲁棒性强：对光照变化、遮挡、倾斜车牌等挑战具有较好的适应性。
在 CCPD 数据集上，YOLOv10 可精准回归车牌的边界框（BBox）及四角顶点坐标，为后续 OCR 提供准确的 ROI（Region of Interest）。
PaddleOCR 是基于飞桨（PaddlePaddle）的 OCR 工具库，支持多语言文本检测与识别。选用其进行车牌字符识别的优势在于：端到端优化：提供 CRNN（CNN+RNN+CTC）和 SVTR 等先进 OCR 模型，适用于车牌字符序列识别。
预训练模型丰富：支持中英文、数字及特殊字符的高精度识别，适配国内蓝牌、绿牌等不同车牌格式。
部署灵活：支持 Python/C++ 推理，并可转换为 ONNX、TensorRT 等格式，便于嵌入式部署。

三、核心技术点

1. 系统架构设计

系统采用多线程架构，主线程负责视频捕获和显示，子线程处理车牌识别任务，通过队列实现线程间通信，避免阻塞主线程。

2. YOLOv10车辆与车牌检测

高性能检测：YOLOv10作为YOLO系列最新版本，在速度和精度上都有显著提升
区域过滤：通过长宽比和面积判断检测区域是否符合车牌特征
多线程处理：检测任务在后台线程执行，不影响主线程流畅度

3.传统图像预处理

在这里插入图片描述

4. PaddleOCR文字识别

# PaddleOCR初始化
ocr = PaddleOCR(use_angle_cls=True, lang='ch', show_log=False)

中文优化：专门针对中文车牌训练的文字识别模型
倾斜矫正：启用角度分类器(use_angle_cls)处理倾斜车牌
多语言支持：支持中英文识别，适合中国车牌场景

5. 车牌类型识别

基于HSV颜色空间分析实现：

def detect_plate_type(plate_img):
    # 转换到HSV颜色空间
    hsv = cv2.cvtColor(plate_img, cv2.COLOR_BGR2HSV)
    
    # 定义颜色范围
    lower_green = np.array([35, 30, 30])  # 绿牌
    upper_green = np.array([100, 255, 255])
    
    # 计算颜色像素占比
    green_percent = np.sum(green_mask) / (green_mask.shape[0] * green_mask.shape[1])
    
    # 判断类型
    if green_percent > 0.08:
        return "新能源车牌"
    elif yellow_percent > 0.1:
        return "特种车牌"
    else:
        return "普通蓝牌"

可识别三种主要车牌类型：

新能源车牌（绿色）
特种车牌（黄色）
普通蓝牌（蓝色）

6. 车牌文本后处理

def correct_plate_text(text, plate_type):
    # 省份字符修正
    province_corrections = {'0': '沪', '8': '津', 'B': '京'}
    
    # 字母数字修正
    alpha_corrections = {'0': 'D', '1': 'I', '2': 'Z'}
    
    # 根据车牌类型格式化
    if plate_type == "新能源车牌":
        text = text[:8]  # 新能源车牌固定8位
    else:
        text = text[:7]  # 普通车牌7位
        
    return text