【Python实战】——Python+Opencv是实现车牌自动识别

CSDN小墨&晓末:https://blog.csdn.net/jd1813346972

   个人介绍: 研一｜统计学｜干货分享

         擅长Python、Matlab、R等主流编程软件

         累计十余项国家级比赛奖项，参与研究经费10w、40w级横向

文章目录

• 1 导入相关模块
• 2 相关功能函数定义
• • 2.1 彩色图片显示函数（plt_show0）
  • 2.2 灰度图片显示函数（plt_show）
  • 2.3 图像去噪函数（gray_guss）
  • 2 图像预处理
  • • 2.1 图片读取
    • 2.2 高斯去噪
    • 2.3 边缘检测
    • 2.4 阈值化
    • 3 车牌定位
    • • 3.1 区域选择
      • 3.2 形态学操作
      • 3.3 轮廓检测
      • 4 车牌字符分割
      • • 4.1 高斯去噪
        • 4.2 阈值化
        • 4.3 膨胀操作
        • 4.4 车牌号排序
        • 4.5 分割效果
        • 5 模板匹配
        • • 5.1 准备模板
          • 5.2 匹配结果
          • 5.3 匹配效果展示
          • 6完整代码

            该篇文章将以实战形式演示利用Python结合Opencv实现车牌识别，全程涉及图像预处理、车牌定位、车牌分割、通过模板匹配识别结果输出。该项目对于智能交通、车辆管理等领域具有实际应用价值。通过自动识别车牌号码，可以实现车辆追踪、违章查询、停车场管理等功能，提高交通管理的效率和准确性。可用于车牌识别技术学习。

            技术要点：

            • OpenCV：用于图像处理和计算机视觉任务。
            • Python：作为编程语言，具有简单易学、资源丰富等优点。
            • 图像处理技术：如灰度化、噪声去除、边缘检测、形态学操作、透视变换等。

              1 导入相关模块

              import cv2from matplotlib import pyplot as pltimport osimport numpy as npfrom PIL import ImageFont, ImageDraw, Image

              2 相关功能函数定义

              2.1 彩色图片显示函数（plt_show0）

              def plt_show0(img):    b,g,r = cv2.split(img)    img = cv2.merge([r, g, b])    plt.imshow(img)    plt.show()

              cv2与plt的图像通道不同：cv2为[b,g,r];plt为[r, g, b]

              2.2 灰度图片显示函数（plt_show）

              def plt_show(img):    plt.imshow(img,cmap='gray')    plt.show()

              2.3 图像去噪函数（gray_guss）

              def gray_guss(image):    image = cv2.GaussianBlur(image, (3, 3), 0)    gray_image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)    return gray_image

              此处演示使用高斯模糊去噪。

              cv2.GaussianBlur参数说明：

              • src：输入图像，可以是任意数量的通道，这些通道可以独立处理，但深度应为 CV_8U、CV_16U、CV_16S、CV_32F 或 CV_64F。
              • ksize：高斯核的大小，必须是正奇数，例如 (3, 3)、(5, 5) 等。如果 ksize 的值为零，那么它会根据 sigmaX 和 sigmaY 的值来计算。
              • sigmaX：X 方向上的高斯核标准偏差。
              • dst：输出图像，大小和类型与 src 相同。
              • sigmaY：Y 方向上的高斯核标准偏差，如果 sigmaY 是零，那么它会与 sigmaX 的值相同。如果 sigmaY 是负数，那么它会从 ksize.width 和 ksize.height 计算得出。
              • borderType：像素外插法，有默认值。

                2 图像预处理

                2.1 图片读取

                origin_image = cv2.imread('D:/image/car3.jpg')

                  此处演示识别车牌原图：

                2.2 高斯去噪

                origin_image = cv2.imread('D:/image/car3.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()gray_image = gray_guss(image)

                2.3 边缘检测

                Sobel_x = cv2.Sobel(gray_image, cv2.CV_16S, 1, 0)absX = cv2.convertScaleAbs(Sobel_x)image = absX

                x方向上的边缘检测（增强边缘信息）。

                2.4 阈值化

                # 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)

                  运行结果：

                3 车牌定位

                3.1 区域选择

                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)

                从图像中提取对表达和描绘区域形状有意义的图像分量。

                  运行结果：

                3.2 形态学操作

                # 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)

                使用膨胀和腐蚀操作来突出车牌区域。

                   运行结果：

                3.3 轮廓检测

                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)) and (weight   
                4 车牌字符分割
                 
                4.1 高斯去噪
                 
                # 图像去噪灰度处理gray_image = gray_guss(image)
                 
                4.2 阈值化
                 
                ret, image = cv2.threshold(gray_image, 0, 255, cv2.THRESH_OTSU)plt_show(image)
                 
                  运行结果：
                  
                4.3 膨胀操作
                 
                #膨胀操作kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (4, 4))image = cv2.dilate(image, kernel)plt_show(image)
                 
                  运行结果：
                  
                4.4 车牌号排序
                 
                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]  10):        i = i+1        if word[2]  
                  运行结果：
                 
                1234567[[2, 0, 7, 70], [12, 6, 30, 55], [15, 7, 7, 9], [46, 6, 32, 55], [83, 30, 9, 9], [96, 7, 32, 55], [132, 8, 32, 55], [167, 8, 30, 54], [202, 62, 7, 6], [203, 7, 30, 55], [245, 7, 12, 54], [266, 0, 12, 70]]
                 
                4.5 分割效果
                 
                for i,j in enumerate(word_images):      plt.subplot(1,7,i+1)    plt.imshow(word_images[i],cmap='gray')plt.show()
                 
                  运行结果：
                  
                5 模板匹配
                 
                5.1 准备模板
                 
                # 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('D:/refer1/'+ template[i])        chinese_words_list.append(c_word)    return chinese_words_listchinese_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('D:/refer1/'+ template[i])        eng_words_list.append(e_word)    return eng_words_listeng_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('D:/refer1/'+ template[i])        eng_num_words_list.append(word)    return eng_num_words_listeng_num_words_list = get_eng_num_words_list()
                   
                此处需提前准备各类字符模板。
                  
                5.2 匹配结果
                 
                # 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('D:/refer1/'+ template[i])        eng_num_words_list.append(word)    return eng_num_words_listeng_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 resultsword_images_ = word_images.copy()# 调用函数获得结果result = template_matching(word_images_)print(result)print( "".join(result))
                 
                  运行结果：
                 
                ['渝', 'B', 'F', 'U', '8', '7', '1']渝BFU871
                   
                “”.join(result)函数将列表转换为拼接好的字符串，方便结果显示
                  
                5.3 匹配效果展示
                 
                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)
                 
                  运行结果：
                  
                6完整代码
                 
                # 导入所需模块import cv2from matplotlib import pyplot as pltimport osimport numpy as npfrom PIL import ImageFont, ImageDraw, Image# plt显示彩色图片def plt_show0(img):    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# 读取待检测图片origin_image = cv2.imread('D:/image/car3.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)# 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)) and (weight  (word[2] * 1.5)) and (word[3]  10):        i = i+1        if word[2]