一、项目介绍
传统中文车牌识别方法对场景约束较大，且算法实时性差，无法部署在边缘设备上。为解决这些问题，本文提出了一种基于YOLO的无约束场景中文车牌检测与识别方法。该方法利用YOLO目标检测算法进行车牌定位，并结合端到端的识别网络进行车牌字符识别。而车牌识别技术在车辆管理中扮演着至关重要的角色。传统的车牌识别算法通常包括三个步骤：首先利用像素信息确定车牌的位置，然后将车牌标记从位置中分离出来，最后在定位的基础上进一步识别单个字符。这种方法可以处理生活中相对简单的车牌识别场景，但对于复杂的场景，比如矿山车辆、被灰尘覆盖的车牌、车牌变形等，传统的车牌识别算法往往表现出较低的鲁棒性，并且容易出现识别错误。
相比传统的车牌检测方法，本文基于YOLOv3和LPRnet识别方法，利用几何校正原理改进了算法，以实现对车牌的精细化识别。实验结果充分展示了基于YOLOv3和LPRnet识别方法在复杂环境中识别车牌的优势，将车牌的综合识别率提高至95%。
这项研究的突破之处在于采用了YOLOv3和LPRnet识别方法，并结合几何校正原理，以应对复杂环境下的车牌识别挑战。通过这一方法，研究人员成功地提高了车牌识别的准确性和鲁棒性，为解决复杂环境下的车辆管理问题提供了有力的技术支持。这一成果对于提升车辆管理效率，保障交通安全具有重要意义，也为车牌识别技术在实际应用中的推广提供了有力的技术支撑。

二、开发环境
环境：Python3.8、OpenCV4.5、PyCharm2020
YOLOv3; LPRnet

三、功能介绍
我们的车牌识别技术的整合包括了图像采集、预处理、车牌定位、字符分割、字符识别和输出结果等步骤，利用深度学习技术来优化车牌检测和字符识别的过程。
具体的步骤及实现方法：

图像采集：
使用摄像头或者其他图像采集设备获取车辆的图像数据。这些图像可以是静态的照片，也可以是动态的视频流。
预处理：
对采集到的图像进行预处理，包括但不限于图像的尺寸调整、灰度化、去噪、增强对比度等操作，以便提高后续处理的准确性和效率。
车牌定位：
利用YOLOv3等目标检测模型，对预处理后的图像进行车牌定位。YOLOv3是一种端到端的目标检测模型，可以有效地检测出图像中的车辆和车牌区域。
字符分割：
在车牌定位的基础上，对车牌区域进行字符分割，将车牌上的字符分割成单个的字符区域。这一步可以采用传统的图像处理方法，也可以结合深度学习模型来实现。
字符识别：
利用LPRNet等字符识别模型，对分割后的单个字符区域进行识别。LPRNet是一种专门设计用于车牌字符识别的深度学习模型，能够准确地识别车牌上的字符信息。
输出结果：
将识别出的车牌字符信息与车辆信息等相关数据进行关联，并将最终的识别结果输出到用户界面或者存储到数据库中，以供后续的应用和管理使用。
————————————————

图3-1 车牌识别流程图
将训练后的车牌检测网络YOLOv3和字符识别网络LPRNet进行结合，前期在训练前将数据进行整合，针对LPRNet不需要过多的训练模型，对于单一的车型只需要进行单次的训练。如果训练模型较好，后期便不需要花时间训练，将训练后的车牌检测网络YOLOv3与字符识别网络 LPRNet连接，输入图像，并经过检测网络提取检测框，输出的候选框作为LPRNet网络的输入。通过简单的车牌二值化图像能够较易确定车牌四个角点的位置，再利用透视变换矫正车牌，将矫正的车牌输入LPRNet中。字符识别网络LPRNet首先对检测到的候选框利用主干网络提取字符信息，利用CTC和集束搜索输出最终的车牌号。由于在实际应用场景中，车牌倾角一直发生变化，而且摄像头绝大部分捕捉到的车牌图像都有畸变，本文的车牌识别系统能够增加检测时间，获得更好的识别效果。

五、效果图