车牌实时识别（License Plate Recognition, LPR）是一个典型的计算机视觉任务，通常包含三个核心步骤： 1. **车牌定位（Detection）**：从视频帧中定位出车牌所在区域（如使用YOLO、OpenCV轮廓检测等）； 2. **车牌矫正与分割（Preprocessing & Character Segmentation）**：对定位区域做灰度化、二值化、倾斜校正，并分割出单个字符； 3. **字符识别（OCR）**：对分割后的字符图像进行识别（如使用CNN、CRNN、或调用Tesseract OCR）。 在Python中实现**轻量级、可运行的实时车牌识别系统**，推荐采用以下组合（兼顾准确性与开发效率）： - 📌 **车牌检测**：使用 `cv2.CascadeClassifier`（基于Haar特征，适合固定场景/清晰车牌）或更鲁棒的 `EasyOCR` / `PaddleOCR` 自带检测模块； - 📌 **字符识别**：直接使用 `EasyOCR`（支持中英文、无需训练、开箱即用，底层为CRNN+CTC）； - ✅ 优势：无需标注数据、无需训练模型、单脚本可运行、支持USB摄像头/视频流实时处理。 --- ### ✅ 完整可运行代码（基于 EasyOCR + OpenCV 实时识别） > ⚠️ 前置依赖安装： > ```bash > pip install opencv-python easyocr numpy > # （首次运行会自动下载中英文模型，约150MB，请确保网络畅通） > ``` ```python import cv2 import easyocr import numpy as np from datetime import datetime # 初始化 EasyOCR reader（指定语言：中文+英文；GPU=True可加速，需CUDA环境） reader = easyocr.Reader(['ch_sim', 'en'], gpu=False) # gpu=True if CUDA available # 打开默认摄像头（可替换为视频文件路径，如 'car_video.mp4'） cap = cv2.VideoCapture(0) if not cap.isOpened(): print("❌ 摄像头打开失败！请检查设备。") exit() # 设置窗口 cv2.namedWindow("LPR Real-time", cv2.WINDOW_NORMAL) cv2.resizeWindow("LPR Real-time", 1280, 720) print("✅ 车牌识别系统启动中... 按 'q' 退出") while True: ret, frame = cap.read() if not ret: print("⚠️ 视频流中断") break # 【可选】缩小帧尺寸以提升处理速度（尤其对高分辨率摄像头） h, w = frame.shape[:2] scale = min(800 / max(h, w), 1.0) if scale < 1.0: frame = cv2.resize(frame, (int(w * scale), int(h * scale))) # 使用 EasyOCR 进行端到端检测+识别（返回格式：[[[x1,y1],[x2,y2],[x3,y3],[x4,y4]], "text", confidence]） results = reader.readtext(frame, paragraph=False, # 不合并段落，保持单行/单牌 text_threshold=0.6, # 置信度阈值（0~1），越高越严格 low_text=0.3, # 文本区域敏感度 contrast_ths=0.1, adjust_contrast=0.1) # 可视化结果 result_img = frame.copy() for (bbox, text, prob) in results: if prob < 0.5: # 过滤低置信度结果 continue # bbox 是4个顶点坐标，转为整数并绘制四边形 bbox = np.array(bbox).astype(int) cv2.polylines(result_img, [bbox], isClosed=True, color=(0, 255, 0), thickness=2) # 在左上角显示识别文本和置信度 tl = tuple(bbox[0]) cv2.putText(result_img, f"{text} ({prob:.2f})", (tl[0], tl[1]-10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2) # 显示帧率（FPS） fps = cap.get(cv2.CAP_PROP_FPS) cv2.putText(result_img, f"FPS: {fps:.1f}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2) cv2.imshow("LPR Real-time", result_img) # 按 'q' 退出 if cv2.waitKey(1) & 0xFF == ord('q'): break # 清理资源 cap.release() cv2.destroyAllWindows() print("👋 系统已退出。") ``` --- ### 🔍 代码关键点解释： | 模块 | 说明 | |------|------| | `easyocr.Reader(['ch_sim','en'])` | 加载简体中文+英文识别模型；`ch_sim` 支持常见蓝牌/黄牌汉字（如“京”“粤”“沪”“学”“警”等）；首次运行会自动下载 `detector.pth` 和 `recognizer.pth` 到 `~/.EasyOCR/model/`。 | | `reader.readtext(...)` | 核心API：输入BGR图像（`frame`），返回检测框+文本+置信度三元组；内部已集成检测（CRAFT）、矫正、识别（CRNN）全流程。 | | `polylines` 绘制四边形 | 因EasyOCR返回的是任意四边形（适应倾斜车牌），比矩形框更鲁棒。 | | `text_threshold=0.6` | 控制检测灵敏度；若漏检多，可降至 `0.4`；若误检多，可升至 `0.7`。 | | 性能提示 | 默认CPU推理约 0.5~2 FPS（取决于CPU和图像大小）；启用GPU（`gpu=True`）后可达 5~15 FPS（需PyTorch+CUDA）。 | --- ### 🚀 进阶优化方向（如需更高精度/速度）： - ✅ **专用车牌检测模型**：用 YOLOv8/v10 训练车牌检测器（输出 `[x,y,w,h]`），再裁剪送入OCR → 更快更准； - ✅ **字符级精修**：对EasyOCR结果用规则过滤（如中国车牌格式：`[省份][字母][5位 alphanumeric]` 或新能源 `'[省份][字母][letter/digit][6位]'`）； - ✅ **缓存与去重**：对连续帧相同车牌做时间窗口去重（避免重复告警）； - ✅ **Web部署**：用 Flask/FastAPI 封装为HTTP API，前端通过WebSocket推流。 ---