【OpenCV实战】简洁易懂的车牌号识别Python+OpenCV实现“超详解”(含代码)

Noya ·
更新时间:2024-11-15
· 630 次阅读

前面4篇博客介绍了OpenCV图像处理的基础知识,本篇博客利用前4篇的知识完成一个小项目——车牌号码识别。该篇博客的代码可以满足小区门禁车牌号的识别。本篇博客是前4篇博客知识的一个综合运用。感觉学会了这个可以实现一系列的图像识别任务。。。毕竟好多技巧都是共通的
首先要感谢 大佬的博客 ,在它的基础上完成了自己的识别任务。

简洁易懂的车牌号识别Python实现“超详解”(含代码)1、整体思路2、代码详解2.1提取车牌位置2.2车牌字符的分割2.3模板匹配识别字符3、总结4、参考 1、整体思路

首先附上本次识别的图片:(图片是我在百度上找的)
在这里插入图片描述
基于OpenCV车牌号识别总体分为四个步骤
1)提取车牌位置,将车牌从图中分割出来;
2)车牌字符的分割;
3)通过模版匹配识别字符;
4)将结果绘制在图片上显示出来。
与深度学习相比,传统图像处理的识别有好处又有坏处
好处:不需要大量的数据集训练模型,通过形态学、边缘检测等操作提取特征
坏处:基于传统图像处理的图像识别代码的泛化性较低,当图像的角度,光照不同时,识别效果有时会不尽人意。

2、代码详解

为了方便观察每一步图片的变化,本次代码在Jupyter Notebook上编写,全部代码以上传(可直接运行)。
本次项目中会多次使用到图片显示和图片去噪灰度处理,所以首先定义了显示函数高斯滤波灰度处理函数,方便后面的调用:

# 导入所需模块 import cv2 from matplotlib import pyplot as plt import os import numpy as np # plt显示彩色图片 def plt_show0(img): #cv2与plt的图像通道不同:cv2为[b,g,r];plt为[r, g, b] b,g,r = cv2.split(img) img = cv2.merge([r, g, b]) plt.imshow(img) plt.show() # plt显示灰度图片 def plt_show(img): plt.imshow(img,cmap='gray') plt.show() # 图像去噪灰度处理 def gray_guss(image): image = cv2.GaussianBlur(image, (3, 3), 0) gray_image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY) return gray_image 2.1提取车牌位置

对图片进行阈值化处理、边缘检测及形态学操作,根据得到的轮廓特征识别车牌的具体位置,将车牌分割出来。直接上代码及代码详解:

# 读取待检测图片 origin_image = cv2.imread('./image/car.jpg') # 复制一张图片,在复制图上进行图像操作,保留原图 image = origin_image.copy() # 图像去噪灰度处理 gray_image = gray_guss(image) # x方向上的边缘检测(增强边缘信息) Sobel_x = cv2.Sobel(gray_image, cv2.CV_16S, 1, 0) absX = cv2.convertScaleAbs(Sobel_x) image = absX # 图像阈值化操作——获得二值化图 ret, image = cv2.threshold(image, 0, 255, cv2.THRESH_OTSU) # 显示灰度图像 plt_show(image) # 形态学(从图像中提取对表达和描绘区域形状有意义的图像分量)——闭操作 kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (30, 10)) image = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernelX,iterations = 1) # 显示灰度图像 plt_show(image)

二值化图以及闭操作(闭合细小的连接,抑制暗细节)的结果如图所示:

在这里插入图片描述

# 腐蚀(erode)和膨胀(dilate) kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (50, 1)) kernelY = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 20)) #x方向进行闭操作(抑制暗细节) image = cv2.dilate(image, kernelX) image = cv2.erode(image, kernelX) #y方向的开操作 image = cv2.erode(image, kernelY) image = cv2.dilate(image, kernelY) # 中值滤波(去噪) image = cv2.medianBlur(image, 21) # 显示灰度图像 plt_show(image) # 获得轮廓 contours, hierarchy = cv2.findContours(image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) for item in contours: rect = cv2.boundingRect(item) x = rect[0] y = rect[1] weight = rect[2] height = rect[3] # 根据轮廓的形状特点,确定车牌的轮廓位置并截取图像 if (weight > (height * 3.5)) and (weight < (height * 4)): image = origin_image[y:y + height, x:x + weight] plt_show0(image)

在这里插入图片描述在这里插入图片描述

2.2车牌字符的分割 #车牌字符分割 # 图像去噪灰度处理 gray_image = gray_guss(image) # 图像阈值化操作——获得二值化图 ret, image = cv2.threshold(gray_image, 0, 255, cv2.THRESH_OTSU) plt_show(image) #膨胀操作,使“苏”字膨胀为一个近似的整体,为分割做准备 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 2)) image = cv2.dilate(image, kernel) plt_show(image)

在这里插入图片描述

# 查找轮廓 contours, hierarchy = cv2.findContours(image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) words = [] word_images = [] #对所有轮廓逐一操作 for item in contours: word = [] rect = cv2.boundingRect(item) x = rect[0] y = rect[1] weight = rect[2] height = rect[3] word.append(x) word.append(y) word.append(weight) word.append(height) words.append(word) # 排序,车牌号有顺序。words是一个嵌套列表 words = sorted(words,key=lambda s:s[0],reverse=False) i = 0 #word中存放轮廓的起始点和宽高 for word in words: # 筛选字符的轮廓 if (word[3] > (word[2] * 1.5)) and (word[3] 25): i = i+1 splite_image = image[word[1]:word[1] + word[3], word[0]:word[0] + word[2]] word_images.append(splite_image) print(i) print(words) for i,j in enumerate(word_images): plt.subplot(1,7,i+1) plt.imshow(word_images[i],cmap='gray') plt.show()

在这里插入图片描述

2.3模板匹配识别字符

模板匹配是一个机械性的流程,所以把机械性的操作设定为函数。

#模版匹配 # 准备模板(template[0-9]为数字模板;) template = ['0','1','2','3','4','5','6','7','8','9', 'A','B','C','D','E','F','G','H','J','K','L','M','N','P','Q','R','S','T','U','V','W','X','Y','Z', '藏','川','鄂','甘','赣','贵','桂','黑','沪','吉','冀','津','晋','京','辽','鲁','蒙','闽','宁', '青','琼','陕','苏','皖','湘','新','渝','豫','粤','云','浙'] # 读取一个文件夹下的所有图片,输入参数是文件名,返回模板文件地址列表 def read_directory(directory_name): referImg_list = [] for filename in os.listdir(directory_name): referImg_list.append(directory_name + "/" + filename) return referImg_list # 获得中文模板列表(只匹配车牌的第一个字符) def get_chinese_words_list(): chinese_words_list = [] for i in range(34,64): #将模板存放在字典中 c_word = read_directory('./refer1/'+ template[i]) chinese_words_list.append(c_word) return chinese_words_list chinese_words_list = get_chinese_words_list() # 获得英文模板列表(只匹配车牌的第二个字符) def get_eng_words_list(): eng_words_list = [] for i in range(10,34): e_word = read_directory('./refer1/'+ template[i]) eng_words_list.append(e_word) return eng_words_list eng_words_list = get_eng_words_list() # 获得英文和数字模板列表(匹配车牌后面的字符) def get_eng_num_words_list(): eng_num_words_list = [] for i in range(0,34): word = read_directory('./refer1/'+ template[i]) eng_num_words_list.append(word) return eng_num_words_list eng_num_words_list = get_eng_num_words_list() # 读取一个模板地址与图片进行匹配,返回得分 def template_score(template,image): #将模板进行格式转换 template_img=cv2.imdecode(np.fromfile(template,dtype=np.uint8),1) template_img = cv2.cvtColor(template_img, cv2.COLOR_RGB2GRAY) #模板图像阈值化处理——获得黑白图 ret, template_img = cv2.threshold(template_img, 0, 255, cv2.THRESH_OTSU) # height, width = template_img.shape # image_ = image.copy() # image_ = cv2.resize(image_, (width, height)) image_ = image.copy() #获得待检测图片的尺寸 height, width = image_.shape # 将模板resize至与图像一样大小 template_img = cv2.resize(template_img, (width, height)) # 模板匹配,返回匹配得分 result = cv2.matchTemplate(image_, template_img, cv2.TM_CCOEFF) return result[0][0] # 对分割得到的字符逐一匹配 def template_matching(word_images): results = [] for index,word_image in enumerate(word_images): if index==0: best_score = [] for chinese_words in chinese_words_list: score = [] for chinese_word in chinese_words: result = template_score(chinese_word,word_image) score.append(result) best_score.append(max(score)) i = best_score.index(max(best_score)) # print(template[34+i]) r = template[34+i] results.append(r) continue if index==1: best_score = [] for eng_word_list in eng_words_list: score = [] for eng_word in eng_word_list: result = template_score(eng_word,word_image) score.append(result) best_score.append(max(score)) i = best_score.index(max(best_score)) # print(template[10+i]) r = template[10+i] results.append(r) continue else: best_score = [] for eng_num_word_list in eng_num_words_list: score = [] for eng_num_word in eng_num_word_list: result = template_score(eng_num_word,word_image) score.append(result) best_score.append(max(score)) i = best_score.index(max(best_score)) # print(template[i]) r = template[i] results.append(r) continue return results word_images_ = word_images.copy() # 调用函数获得结果 result = template_matching(word_images_) print(result) # "".join(result)函数将列表转换为拼接好的字符串,方便结果显示 print( "".join(result)) Output: ['苏', 'E', '0', '5', 'E', 'V', '8'] 苏E05EV8

最后,利用PIL库将结果绘制在原图上,获得的最终输出图片如下:

from PIL import ImageFont, ImageDraw, Image height,weight = origin_image.shape[0:2] print(height) print(weight) image_1 = origin_image.copy() cv2.rectangle(image_1, (int(0.2*weight), int(0.75*height)), (int(weight*0.9), int(height*0.95)), (0, 255, 0), 5) #设置需要显示的字体 fontpath = "font/simsun.ttc" font = ImageFont.truetype(fontpath,64) img_pil = Image.fromarray(image_1) draw = ImageDraw.Draw(img_pil) #绘制文字信息 draw.text((int(0.2*weight)+25, int(0.75*height)), "".join(result), font = font, fill = (255, 255, 0)) bk_img = np.array(img_pil) print(result) print( "".join(result)) plt_show0(bk_img)

在这里插入图片描述
大功告成!!!!!

3、总结

(一) 、OpenCV的车牌号码识别一共分为四步走:
1–提取车牌位置,将车牌从图中分割出来;
2–车牌字符的分割;
3–通过模版匹配识别字符;
4–将结果绘制在图片上显示出来。
(二)、图像处理的识别泛化性较低,对图片的角度光照有要求,所以要理解图像处理每一步的作用,根据自己图像的特点调整参数,更改操作顺序等等,以达到最好的效果。
(三)、车牌号识别的模板连接如下,需要的可以下载,有了模板就可以识别自己的图片了
链接:https://pan.baidu.com/s/1QBjy7c0klv_PBUwJjA8ynA
提取码:v53d
(四)、完整代码已上传SCDN点击查看

4、参考

http://zengqiang.club/blog/34


作者:胖大海pyh



车牌 opencv Python

需要 登录 后方可回复, 如果你还没有账号请 注册新账号