违章停车车牌识别：使用YOLOv5进行车牌检测与识别_yolov违停检测

专栏内含有完整代码,包含七百个项目代码,订阅后私信领取

https://blog.csdn.net/m0_68036862/category_12294299.html?spm=1001.2014.3001.5482

目录

1. 介绍
2. 准备工作
3. 数据集准备
4. 训练YOLOv5模型
5. 车牌识别
6. 违章停车检测
7. 总结与展望

1. 介绍

违章停车问题在城市中是一个很常见的交通问题。为了有效地管理违章停车问题，我们需要对违停车辆进行识别。本篇博客将向您展示如何使用YOLOv5进行车牌检测与识别，从而辅助管理违章停车问题。

YOLOv5（You Only Look Once version 5）是一个实时目标检测算法，具有较高的准确性和速度。在本教程中，我们将首先准备车牌检测的数据集，然后使用YOLOv5训练一个车牌检测模型。接着，我们将使用训练好的模型对车牌进行识别。最后，我们将展示如何利用识别结果进行违章停车检测。

2. 准备工作

在开始训练YOLOv5模型之前，我们需要安装一些必要的Python库，包括torch、torchvision、opencv-python等。安装这些库的命令如下：

pip install torch torchvision
pip install opencv-python

3. 数据集准备

为了训练一个车牌检测模型，我们需要准备一个包含车牌的数据集。数据集应该包含一系列图像，以及每个图像中车牌的位置和标签信息。这些信息通常以XML或者JSON格式存储。

在这个示例中，我们将使用一种简单的文本格式来存储车牌的位置和标签信息。每个图像的标注信息存储在一个与图像同名的.txt文件中。每行代表一个车牌，包含车牌的类别（0表示车牌）、中心点的x和y坐标、宽度和高度。所有坐标和尺寸都是相对于图像宽度和高度的比例。例如：

0 0.5 0.5 0.2 0.1

表示一个车牌位于图像中心，宽度占图像宽度的20%，高度占图像高度的10%。

为了训练YOLOv5模型，我们还需要创建一个数据集配置文件，以告知模型如何加载数据集。配置文件应该包含以下内容：

train: ./data/train.txt
val: ./data/val.txt
nc: 1
names: ['license_plate']

其中train和val字段分别指定了训练集和验证集的图像列表文件。nc字段表示类别数量（本例中只有一个类别：车牌）。names字段列出了每个类别的名称。

4. 训练YOLOv5模型

准备好数据集后，我们可以开始训练YOLOv5模型了。首先，我们需要选择一个预训练模型作为起点。YOLOv5提供了多种尺寸的预训练模型，包括yolov5s（小尺寸，速度快）、yolov5m（中等尺寸，准确性更高）等。在这个示例中，我们将使用yolov5s模型。

接下来，我们可以使用以下命令启动训练：

python train.py --img 640 --batch 16 --epochs 100 --data dataset.yaml --cfg yolov5s.yaml --weights yolov5s.pt

参数说明：

• --img 640：指定输入图像的尺寸为640x640像素。
• --batch 16：指定每个批次包含16个样本。
• --epochs 100：指定训练100个周期。
• --data dataset.yaml：指定数据集配置文件。
• --cfg yolov5s.yaml：指定模型配置文件。
• --weights yolov5s.pt：指定预训练模型的权重文件。

训练完成后，模型权重将保存在runs/train/exp/weights目录下。

5. 车牌识别

训练好车牌检测模型后，我们可以使用它来识别车牌。首先，我们需要加载模型：

import torch
 
model = torch.hub.load('ultralytics/yolov5', 'custom', path='runs/train/exp/weights/best.pt', force_reload=True)

然后，我们可以使用模型对图像进行车牌检测：

import cv2
from PIL import Image
 
def detect_license_plate(image_path):
    img = cv2.imread(image_path)
    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    results = model(Image.fromarray(img_rgb))
    return results
 
image_path = 'test_image.jpg'
results = detect_license_plate(image_path)

results对象包含了检测到的车牌的位置和置信度信息。我们可以将检测结果绘制在图像上：

results.render()
cv2.imshow('License Plate Detection', cv2.cvtColor(results.imgs[0], cv2.COLOR_RGB2BGR))
cv2.waitKey(0)
cv2.destroyAllWindows()

6. 违章停车检测

为了检测违章停车，我们需要根据车牌识别结果判断车辆是否停在了禁停区域。这可以通过比较车牌的位置和禁停区域的位置来实现。

首先，我们需要定义一个函数来判断两个矩形是否相交：

def is_overlap(rect1, rect2):
    x1, y1, w1, h1 = rect1
    x2, y2, w2, h2 = rect2
    return not (x1 + w1 < x2 or x2 + w2 < x1 or y1 + h1 < y2 or y2 + h2 < y1)

接下来，我们可以根据车牌检测结果判断车辆是否停在了禁停区域：

def is_illegal_parking(license_plate_results, no_parking_zones):
    for result in license_plate_results.xywh:
        for zone in no_parking_zones:
            if is_overlap(result, zone):
                return True
    return False
 
no_parking_zones = [(100, 100, 200, 200)]  # 禁停区域的位置
print(is_illegal_parking(results, no_parking_zones))

7. 总结与展望

本篇博客向您展示了如何使用YOLOv5进行车牌检测与识别，以及如何根据识别结果进行违章停车检测。虽然YOLOv5在车牌检测方面表现优异，但是车牌识别仍然有一定的挑战性。在实际应用中，您可能需要使用专门的车牌识别算法对检测到的车牌进行进一步识别。

此外，本篇博客只展示了如何检测单个禁停区域。在实际应用中，您可能需要处理多个禁停区域，以及动态变化的禁停区域。这可能需要您结合其他技术，如地理信息系统（GIS），来实现更高级的违章停车检测

 完整代码(可实现车辆检测、车辆跟踪、属性识别、车牌识别、违章停车识别):yolov5http://www.hedaoapp.com/goods/goodsDetails?pid=4132