OpenCV+Python识别车牌和字符分割的实现


Posted in Python onJanuary 31, 2019

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

OpenCV+Python识别车牌和字符分割的实现

车牌分割如图所示

OpenCV+Python识别车牌和字符分割的实现

以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持三水点靠木。

Python 相关文章推荐
python中Switch/Case实现的示例代码
Nov 09 Python
Python中的二维数组实例(list与numpy.array)
Apr 13 Python
python看某个模块的版本方法
Oct 16 Python
如何使用Python 打印各种三角形
Jun 28 Python
在django中图片上传的格式校验及大小方法
Jul 28 Python
python fuzzywuzzy模块模糊字符串匹配详细用法
Aug 29 Python
python中的Elasticsearch操作汇总
Oct 30 Python
Python FFT合成波形的实例
Dec 04 Python
运行tensorflow python程序,限制对GPU和CPU的占用操作
Feb 06 Python
浅谈对python中if、elif、else的误解
Aug 20 Python
python3.8.3安装教程及环境配置的详细教程(64-bit)
Nov 28 Python
Python实现智慧校园自动评教全新版
Jun 18 Python
Python3删除排序数组中重复项的方法分析
Jan 31 #Python
对python判断ip是否可达的实例详解
Jan 31 #Python
对python:threading.Thread类的使用方法详解
Jan 31 #Python
python实现一个简单的ping工具方法
Jan 31 #Python
Python获取网段内ping通IP的方法
Jan 31 #Python
Python实现删除排序数组中重复项的两种方法示例
Jan 31 #Python
python重试装饰器的简单实现方法
Jan 31 #Python
You might like
星际中一些鲜为人知的详细资料
2020/03/04 星际争霸
php模板函数 正则实现代码
2012/10/15 PHP
php foreach循环中使用引用的问题
2013/11/06 PHP
PHP利用超级全局变量$_GET来接收表单数据的实例
2016/11/05 PHP
关于php中的json_encode()和json_decode()函数的一些说明
2016/11/20 PHP
PHP7 弃用功能
2021/03/09 PHP
JavaScript监测ActiveX控件是否已经安装过的代码
2008/09/02 Javascript
基于jquery的一个OutlookBar类,动态创建导航条
2010/11/19 Javascript
使用js dom和jquery分别实现简单增删改
2014/09/11 Javascript
js中的json对象详细介绍
2014/10/29 Javascript
JS Attribute属性操作详解
2016/05/19 Javascript
一个仿微博登陆邮箱提示框js开发案例
2016/07/28 Javascript
Html中 IFrame的用法及注意点
2016/12/22 Javascript
20行js代码实现的贪吃蛇小游戏
2017/06/20 Javascript
vue使用vue-cli快速创建工程
2017/07/28 Javascript
create-react-app修改为多页面支持的方法
2018/05/17 Javascript
老生常谈JavaScript获取CSS样式的方法(兼容各浏览器)
2018/09/19 Javascript
JavaScript中工厂函数与构造函数示例详解
2019/05/06 Javascript
关于ckeditor在bootstrap中modal中弹框无法输入的解决方法
2019/09/11 Javascript
javascript异常处理实现原理详解
2020/02/17 Javascript
Vue页面渲染中key的应用实例教程
2021/01/12 Vue.js
[10:24]郎朗助力完美“圣”典,天籁交织奏响序曲
2016/12/18 DOTA
获取python的list中含有重复值的index方法
2018/06/27 Python
Windows系统下PhantomJS的安装和基本用法
2018/10/21 Python
Python实现的简单线性回归算法实例分析
2018/12/26 Python
对Python使用mfcc的两种方式详解
2019/01/09 Python
python如何将多个PDF进行合并
2019/08/13 Python
浅谈Python 敏感词过滤的实现
2019/08/15 Python
python3操作注册表的方法(Url protocol)
2020/02/05 Python
通过Python扫描代码关键字并进行预警的实现方法
2020/05/24 Python
Python爬虫抓取论坛关键字过程解析
2020/10/19 Python
欧克利英国官网:Oakley英国
2019/08/24 全球购物
屈臣氏泰国官网:Watsons TH
2021/02/23 全球购物
linux面试题参考答案(2)
2015/12/06 面试题
一道Delphi面试题
2016/10/28 面试题
大学生敬老院活动总结
2015/05/07 职场文书