内容简介:版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/cuiran/article/details/86706441
版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/cuiran/article/details/86706441
本篇文章主要基于 python 语言和OpenCV库(cv2)进行车牌区域识别和字符分割,开篇之前针对在python中安装opencv的环境这里不做介绍,可以自行安装配置!
车牌号检测需要大致分为四个部分:
- 1.车辆图像获取
- 2.车牌定位、
- 3.车牌字符分割
- 4.车牌字符识别
具体介绍
车牌定位需要用到的是图片二值化为黑白后进canny边缘检测后多次进行开运算与闭运算用于消除小块的区域,保留大块的区域,后用cv2.rectangle选取矩形框,从而定位车牌位置
车牌字符的分割前需要准备的是只保留车牌部分,将其他部分均变为黑色背景。这里我采用cv2.grabCut方法,可将图像分割成前景与背景。分割完成后,再经过二值化为黑白图后即可进行字符分割。由于图像中只有黑色和白色像素,因此我们需要通过图像的白色像素和黑色像素来分割开字符。即分别通过判断每一行每一列的黑色白色像素值的位置,来定位出字符。
具体步骤如下:
- 1.灰度转换:将彩色图片转换为灰度图像,常见的R=G=B=像素平均值。
- 2.高斯平滑和中值滤波:去除噪声。
- 3.Sobel算子:提取图像边缘轮廓,X方向和Y方向平方和开跟。
- 4.二值化处理:图像转换为黑白两色,通常像素大于127设置为255,小于设置为0。
- 5.膨胀和细化:放大图像轮廓,转换为一个个区域,这些区域内包含车牌。
- 6.通过算法选择合适的车牌位置,通常将较小的区域过滤掉或寻找蓝色底的区域。
- 7.标注车牌位置
- 8.图像切割和识别
通过代码实现:
# -*- coding: utf-8 -*- """ @email:cuiran2001@163.com @author: cuiran """ import cv2 import numpy as np from PIL import Image import os.path from skimage import io,data def stretch(img): ''' 图像拉伸函数 ''' maxi=float(img.max()) mini=float(img.min()) for i in range(img.shape[0]): for j in range(img.shape[1]): img[i,j]=(255/(maxi-mini)*img[i,j]-(255*mini)/(maxi-mini)) return img def dobinaryzation(img): ''' 二值化处理函数 ''' maxi=float(img.max()) mini=float(img.min()) x=maxi-((maxi-mini)/2) #二值化,返回阈值ret 和 二值化操作后的图像thresh ret,thresh=cv2.threshold(img,x,255,cv2.THRESH_BINARY) #返回二值化后的黑白图像 return thresh def find_rectangle(contour): ''' 寻找矩形轮廓 ''' y,x=[],[] for p in contour: y.append(p[0][0]) x.append(p[0][1]) return [min(y),min(x),max(y),max(x)] def locate_license(img,afterimg): ''' 定位车牌号 ''' img,contours,hierarchy=cv2.findContours(img,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE) #找出最大的三个区域 block=[] for c in contours: #找出轮廓的左上点和右下点,由此计算它的面积和长度比 r=find_rectangle(c) a=(r[2]-r[0])*(r[3]-r[1]) #面积 s=(r[2]-r[0])*(r[3]-r[1]) #长度比 block.append([r,a,s]) #选出面积最大的3个区域 block=sorted(block,key=lambda b: b[1])[-3:] #使用颜色识别判断找出最像车牌的区域 maxweight,maxindex=0,-1 for i in range(len(block)): b=afterimg[block[i][0][1]:block[i][0][3],block[i][0][0]:block[i][0][2]] #BGR转HSV hsv=cv2.cvtColor(b,cv2.COLOR_BGR2HSV) #蓝色车牌的范围 lower=np.array([100,50,50]) upper=np.array([140,255,255]) #根据阈值构建掩膜 mask=cv2.inRange(hsv,lower,upper) #统计权值 w1=0 for m in mask: w1+=m/255 w2=0 for n in w1: w2+=n #选出最大权值的区域 if w2>maxweight: maxindex=i maxweight=w2 return block[maxindex][0] def find_license(img): ''' 预处理函数 ''' m=400*img.shape[0]/img.shape[1] #压缩图像 img=cv2.resize(img,(400,int(m)),interpolation=cv2.INTER_CUBIC) #BGR转换为灰度图像 gray_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #灰度拉伸 stretchedimg=stretch(gray_img) '''进行开运算,用来去除噪声''' r=16 h=w=r*2+1 kernel=np.zeros((h,w),np.uint8) cv2.circle(kernel,(r,r),r,1,-1) #开运算 openingimg=cv2.morphologyEx(stretchedimg,cv2.MORPH_OPEN,kernel) #获取差分图,两幅图像做差 cv2.absdiff('图像1','图像2') strtimg=cv2.absdiff(stretchedimg,openingimg) #图像二值化 binaryimg=dobinaryzation(strtimg) #canny边缘检测 canny=cv2.Canny(binaryimg,binaryimg.shape[0],binaryimg.shape[1]) '''消除小的区域,保留大块的区域,从而定位车牌''' #进行闭运算 kernel=np.ones((5,19),np.uint8) closingimg=cv2.morphologyEx(canny,cv2.MORPH_CLOSE,kernel) #进行开运算 openingimg=cv2.morphologyEx(closingimg,cv2.MORPH_OPEN,kernel) #再次进行开运算 kernel=np.ones((11,5),np.uint8) openingimg=cv2.morphologyEx(openingimg,cv2.MORPH_OPEN,kernel) #消除小区域,定位车牌位置 rect=locate_license(openingimg,img) return rect,img def cut_license(afterimg,rect): ''' 图像分割函数 ''' #转换为宽度和高度 rect[2]=rect[2]-rect[0] rect[3]=rect[3]-rect[1] rect_copy=tuple(rect.copy()) rect=[0,0,0,0] #创建掩膜 mask=np.zeros(afterimg.shape[:2],np.uint8) #创建背景模型 大小只能为13*5,行数只能为1,单通道浮点型 bgdModel=np.zeros((1,65),np.float64) #创建前景模型 fgdModel=np.zeros((1,65),np.float64) #分割图像 cv2.grabCut(afterimg,mask,rect_copy,bgdModel,fgdModel,5,cv2.GC_INIT_WITH_RECT) mask2=np.where((mask==2)|(mask==0),0,1).astype('uint8') img_show=afterimg*mask2[:,:,np.newaxis] return img_show def deal_license(licenseimg): ''' 车牌图片二值化 ''' #车牌变为灰度图像 gray_img=cv2.cvtColor(licenseimg,cv2.COLOR_BGR2GRAY) #均值滤波 去除噪声 kernel=np.ones((3,3),np.float32)/9 gray_img=cv2.filter2D(gray_img,-1,kernel) #二值化处理 ret,thresh=cv2.threshold(gray_img,120,255,cv2.THRESH_BINARY) return thresh def find_end(start,arg,black,white,width,black_max,white_max): end=start+1 for m in range(start+1,width-1): if (black[m] if arg else white[m])>(0.98*black_max if arg else 0.98*white_max): end=m break return end if __name__=='__main__': img=cv2.imread('test_images/car001.jpg',cv2.IMREAD_COLOR) #预处理图像 rect,afterimg=find_license(img) #框出车牌号 cv2.rectangle(afterimg,(rect[0],rect[1]),(rect[2],rect[3]),(0,255,0),2) cv2.imshow('afterimg',afterimg) #分割车牌与背景 cutimg=cut_license(afterimg,rect) cv2.imshow('cutimg',cutimg) #二值化生成黑白图 thresh=deal_license(cutimg) cv2.imshow('thresh',thresh) cv2.waitKey(0) #分割字符 ''' 判断底色和字色 ''' #记录黑白像素总和 white=[] black=[] height=thresh.shape[0] #263 width=thresh.shape[1] #400 #print('height',height) #print('width',width) white_max=0 black_max=0 #计算每一列的黑白像素总和 for i in range(width): line_white=0 line_black=0 for j in range(height): if thresh[j][i]==255: line_white+=1 if thresh[j][i]==0: line_black+=1 white_max=max(white_max,line_white) black_max=max(black_max,line_black) white.append(line_white) black.append(line_black) print('white',white) print('black',black) #arg为true表示黑底白字,False为白底黑字 arg=True if black_max<white_max: arg=False n=1 start=1 end=2 s_width=28 s_height=28 while n<width-2: n+=1 #判断是白底黑字还是黑底白字 0.05参数对应上面的0.95 可作调整 if(white[n] if arg else black[n])>(0.02*white_max if arg else 0.02*black_max): start=n end=find_end(start,arg,black,white,width,black_max,white_max) n=end if end-start>5: cj=thresh[1:height,start:end] # new_image = cj.resize((s_width,s_height),Image.BILINEAR) # cj=cj.reshape(28, 28) print("result/%s.jpg" % (n)) #保存分割的图片 by cayden # cj.save("result/%s.jpg" % (n)) infile="result/%s.jpg" % (n) io.imsave(infile,cj) # im = Image.open(infile) # out=im.resize((s_width,s_height),Image.BILINEAR) # out.save(infile) cv2.imshow('cutlicense',cj) cv2.waitKey(0) cv2.waitKey(0) cv2.destroyAllWindows()
运行效果如图所示
车牌定位并进行处理
车牌分割如图所示
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- PaddlePaddle车牌识别实战和心得
- 电子车牌助力智慧交通 安防企业抢先布局
- 基于OpenCV的车牌识别(Sobel、颜色定位)
- vue实战 - 车牌号校验和银行校验
- 腾讯 AI-Java 客户端 TAip 新增加手写体、车牌识别
- BUF早餐铺 | 美国海关证实黑客窃取赴美游客照片、车牌等信息;微软修复了五个SandboxEscaper零日漏...
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Practical Vim, Second Edition
Drew Neil / The Pragmatic Bookshelf / 2015-10-31 / USD 29.00
Vim is a fast and efficient text editor that will make you a faster and more efficient developer. It’s available on almost every OS, and if you master the techniques in this book, you’ll never need an......一起来看看 《Practical Vim, Second Edition》 这本书的介绍吧!