《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

项目名称	项目名称
1.【人脸识别与管理系统开发】	2.【车牌识别与自动收费管理系统开发】
3.【手势识别系统开发】	4.【人脸面部活体检测系统开发】
5.【图片风格快速迁移软件开发】	6.【人脸表表情识别系统】
7.【YOLOv8多目标识别与自动标注软件开发】	8.【基于YOLOv8深度学习的行人跌倒检测系统】
9.【基于YOLOv8深度学习的PCB板缺陷检测系统】	10.【基于YOLOv8深度学习的生活垃圾分类目标检测系统】
11.【基于YOLOv8深度学习的安全帽目标检测系统】	12.【基于YOLOv8深度学习的120种犬类检测与识别系统】
13.【基于YOLOv8深度学习的路面坑洞检测系统】	14.【基于YOLOv8深度学习的火焰烟雾检测系统】
15.【基于YOLOv8深度学习的钢材表面缺陷检测系统】	16.【基于YOLOv8深度学习的舰船目标分类检测系统】
17.【基于YOLOv8深度学习的西红柿成熟度检测系统】	18.【基于YOLOv8深度学习的血细胞检测与计数系统】
19.【基于YOLOv8深度学习的吸烟/抽烟行为检测系统】	20.【基于YOLOv8深度学习的水稻害虫检测与识别系统】
21.【基于YOLOv8深度学习的高精度车辆行人检测与计数系统】	22.【基于YOLOv8深度学习的路面标志线检测与识别系统】
23.【基于YOLOv8深度学习的智能小麦害虫检测识别系统】	24.【基于YOLOv8深度学习的智能玉米害虫检测识别系统】
25.【基于YOLOv8深度学习的200种鸟类智能检测与识别系统】	26.【基于YOLOv8深度学习的45种交通标志智能检测与识别系统】
27.【基于YOLOv8深度学习的人脸面部表情识别系统】	28.【基于YOLOv8深度学习的苹果叶片病害智能诊断系统】
29.【基于YOLOv8深度学习的智能肺炎诊断系统】	30.【基于YOLOv8深度学习的葡萄簇目标检测系统】
31.【基于YOLOv8深度学习的100种中草药智能识别系统】	32.【基于YOLOv8深度学习的102种花卉智能识别系统】
33.【基于YOLOv8深度学习的100种蝴蝶智能识别系统】	34.【基于YOLOv8深度学习的水稻叶片病害智能诊断系统】
35.【基于YOLOv8与ByteTrack的车辆行人多目标检测与追踪系统】	36.【基于YOLOv8深度学习的智能草莓病害检测与分割系统】
37.【基于YOLOv8深度学习的复杂场景下船舶目标检测系统】	38.【基于YOLOv8深度学习的农作物幼苗与杂草检测系统】
39.【基于YOLOv8深度学习的智能道路裂缝检测与分析系统】	40.【基于YOLOv8深度学习的葡萄病害智能诊断与防治系统】
41.【基于YOLOv8深度学习的遥感地理空间物体检测系统】	42.【基于YOLOv8深度学习的无人机视角地面物体检测系统】
43.【基于YOLOv8深度学习的木薯病害智能诊断与防治系统】	44.【基于YOLOv8深度学习的野外火焰烟雾检测系统】
45.【基于YOLOv8深度学习的脑肿瘤智能检测系统】	46.【基于YOLOv8深度学习的玉米叶片病害智能诊断与防治系统】
47.【基于YOLOv8深度学习的橙子病害智能诊断与防治系统】	48.【基于深度学习的车辆检测追踪与流量计数系统】
49.【基于深度学习的行人检测追踪与双向流量计数系统】	50.【基于深度学习的反光衣检测与预警系统】
51.【基于深度学习的危险区域人员闯入检测与报警系统】	52.【基于深度学习的高密度人脸智能检测与统计系统】
53.【基于深度学习的CT扫描图像肾结石智能检测系统】	54.【基于深度学习的水果智能检测系统】
55.【基于深度学习的水果质量好坏智能检测系统】	56.【基于深度学习的蔬菜目标检测与识别系统】
57.【基于深度学习的非机动车驾驶员头盔检测系统】	58.【太基于深度学习的阳能电池板检测与分析系统】
59.【基于深度学习的工业螺栓螺母检测】	60.【基于深度学习的金属焊缝缺陷检测系统】
61.【基于深度学习的链条缺陷检测与识别系统】	62.【基于深度学习的交通信号灯检测识别】
63.【基于深度学习的草莓成熟度检测与识别系统】	64.【基于深度学习的水下海生物检测识别系统】
65.【基于深度学习的道路交通事故检测识别系统】	66.【基于深度学习的安检X光危险品检测与识别系统】
67.【基于深度学习的农作物类别检测与识别系统】	68.【基于深度学习的危险驾驶行为检测识别系统】
69.【基于深度学习的维修工具检测识别系统】	70.【基于深度学习的维修工具检测识别系统】
71.【基于深度学习的建筑墙面损伤检测系统】	72.【基于深度学习的煤矿传送带异物检测系统】
73.【基于深度学习的老鼠智能检测系统】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

引言

在本文中，我们将探索如何在Python中使用YOLO（You Only Look Once）和EasyOCR（Optical Character Recognition）实现视频文件的车牌检测与识别。

1.安装库

在开始之前，请确保安装了以下Python包：

pip install opencv-python ultralytics easyocr Pillow numpy

2.具体步骤

步骤1：初始化库

我们将从导入必要的库开始。我们将使用OpenCV进行视频处理，使用YOLO进行对象检测，使用EasyOCR阅读检测到的车牌上的文本。

import cv2
from ultralytics import YOLO
import easyocr
from PIL import Image
import numpy as np# 初始化 EasyOCR 读取器
reader = easyocr.Reader(['ch_sim'], gpu=False)# 加载你的 YOLO 模型（替换为你模型的路径）
model = YOLO('best_float32.tflite', task='detect')# 打开视频文件（替换为你的视频文件路径）
video_path = 'sample4.mp4'
cap = cv2.VideoCapture(video_path)# 创建一个 VideoWriter 对象（可选，如果你希望保存输出）
output_path = 'output_video.mp4'
fourcc = cv2.VideoWriter_fourcc(*'mp4v')
out = cv2.VideoWriter(output_path, fourcc, 30.0, (640, 480))  # 如有必要，调整帧大小

步骤2：处理视频帧

我们将从视频文件中读取每一帧，对其进行处理以检测车牌，然后应用OCR识别车牌上的文本。为了提高性能，我们可以每三帧处理一次，加快检测速度。

# 帧跳过因子（根据性能需求进行调整）
frame_skip = 3  # 跳过每第3帧
frame_count = 0while cap.isOpened():ret, frame = cap.read()  # 从视频中读取一帧if not ret:break  # 如果没有剩余帧，则退出循环# 跳过帧if frame_count % frame_skip != 0:frame_count += 1continue  # 跳过处理这一帧# 调整帧大小（可选，根据需要调整大小）frame = cv2.resize(frame, (640, 480))  # 调整为640x480# 在当前帧上进行预测results = model.predict(source=frame)# 遍历结果并绘制预测框for result in results:boxes = result.boxes  # 获取模型预测的边界框for box in boxes:class_id = int(box.cls)  # 获取类别IDconfidence = box.conf.item()  # 获取置信度分数coordinates = box.xyxy[0]  # 获取边界框坐标作为张量# 提取并转换边界框坐标为整数x1, y1, x2, y2 = map(int, coordinates.tolist())  # 将张量转换为列表，然后再转换为整数# 在帧上绘制边界框cv2.rectangle(frame, (x1, y1), (x2, y2), (0, 255, 0), 2)  # 绘制矩形# 尝试对检测区域应用OCRtry:# 确保坐标在帧范围内r0 = max(0, x1)r1 = max(0, y1)r2 = min(frame.shape[1], x2)r3 = min(frame.shape[0], y2)# 裁剪车牌区域plate_region = frame[r1:r3, r0:r2]# 转换为与EasyOCR兼容的格式plate_image = Image.fromarray(cv2.cvtColor(plate_region, cv2.COLOR_BGR2RGB))plate_array = np.array(plate_image)# 使用EasyOCR从车牌中读取文本plate_number = reader.readtext(plate_array)concat_number = ' '.join([number[1] for number in plate_number])number_conf = np.mean([number[2] for number in plate_number])# 在帧上绘制检测到的文本cv2.putText(img=frame,text=f"Plate: {concat_number} ({number_conf:.2f})",org=(r0, r1 - 10),fontFace=cv2.FONT_HERSHEY_SIMPLEX,fontScale=0.7,color=(0, 0, 255),thickness=2)except Exception as e:print(f"OCR Error: {e}")pass# 显示带有检测结果的帧cv2.imshow('Detections', frame)# 将帧写入输出视频（可选）out.write(frame)if cv2.waitKey(1) & 0xFF == ord('q'):break  # 如果按下 'q' 键，则退出循环frame_count += 1  # 增加帧计数# 释放资源
cap.release()
out.release()  # 释放VideoWriter对象（如果使用了）
cv2.destroyAllWindows()

步骤说明

1. 初始化EasyOCR：EasyOCR初始化为中文文本识别。
2. 加载YOLO模型：从指定路径加载YOLO模型。请确保将此路径替换为您的模型路径。
3. 读取视频帧：使用OpenCV打开视频文件，如果要保存输出，则会初始化VideoWriter。
4. 帧处理：读取每个帧并调整大小。用模型预测车牌位置。
5. 绘制预测：在帧上绘制检测到的边界框。包含车牌的区域被裁剪以进行OCR处理。
6. 应用OCR：EasyOCR从裁剪的车牌图像中读取文本。检测到的文本和置信度分数显示在检测框上。
7. 输出视频：处理后的帧可以显示在窗口中，也可以选择保存到输出视频文件中。

结论

此代码提供了一种使用YOLO和EasyOCR从视频文件中检测和识别车牌的方法。通过遵循这些步骤，我们可以在自己的应用程序实现类似的系统。

---

好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！