OpenCV学习笔记（二十）——车牌的简单定位

       今天无意中看到了别人写的一个简单的车牌定位，仔细看了下，确实写的很简单，不足之处：

      （1）鲁棒性差，阈值分割、轮廓提取过程中的参数选择都是定值，对于不同场景下的不同照片的适应性差。

      （2） 定位不够精确。

      （3）不具备车牌的校正能力，定位之后的车牌截图没有水平校正，因此大多是倾斜的。

    代码如下：

# coding=utf-8

import cv2
import numpy as np
import  imutils


def main(image_path):
	img_org = cv2.imread(image_path)
	# 按照彩色读取图像，获的三通道的数字矩阵
	cv2.imshow('原图', img_org)

	size = img_org.shape
	# print(size )，输出如下：
	# (375, 500, 3)

	if size[0] <= 776:
		img_org = imutils.resize(img_org, width=900)
		# imutils.resize()可以实现按比例放大，即宽度方向放大900/500=1.8倍，则
		# 高度方向同样方法1.8被倍，即375*1.8=675。
		# print(img_org.shape)，输出如下：
		# (675, 900, 3)

	img_org2 = img_org.copy()


	img_gray = cv2.cvtColor(img_org, cv2.COLOR_BGR2GRAY)
	# 将RGB格式的彩色图转化为灰度
	# print(img_gray.shape)，输出如下：
	# (675, 900)

	ret3, img_thr = cv2.threshold(img_gray, 125, 255, cv2.THRESH_BINARY)
	# 做阈值分割，得到二值图

	cv2.imwrite('thresh.jpg', img_thr)

	img_edg = cv2.Canny(img_thr, 100, 200)
	# 用canny算子作边缘检测

	cv2.imwrite('cn_edge.jpg', img_edg)
	# cv2.imshow(' img_edg',img_edg)

	kernel = cv2.getStructuringElement(cv2.MORPH_DILATE, (7, 7))
	# 构造7*7的十字形的结构元，用于形态学操作
	# print(kernel)，输出如下：
	# [[0 0 0 1 0 0 0]
	#  [0 0 0 1 0 0 0]
	#  [0 0 0 1 0 0 0]
	#  [1 1 1 1 1 1 1]
	#  [0 0 0 1 0 0 0]
	#  [0 0 0 1 0 0 0]
	#  [0 0 0 1 0 0 0]]

	img_dil = cv2.dilate(img_edg, kernel, iterations=1)
    # 作开运算，去掉细小颗粒

	cv2.imwrite('dilated_img.jpg', img_dil)

	(somethig_else, contours, hierarchye) = cv2.findContours(img_dil.copy(), 1, 2)

	cnts = sorted(contours, key=cv2.contourArea, reverse=True)[:10]

	screenCnt = None

	for c in cnts:
		peri = cv2.arcLength(c, True)

		approx = cv2.approxPolyDP(c, 0.02 * peri, True)
		# 使用多边形逼近拟合函数 cv2.approxPolyDP()来拟合轮廓
		# 返回N*1*2()形式的顶点坐标

		# 如果多边形的顶点个数等于4，这个轮廓就是我们想要的
		if approx.shape[0] == 4:
			screenCnt = approx
			break

	mask = np.zeros(img_gray.shape, dtype=np.uint8)
	# 创建一个和img_gray同大小的黑色画布

	roi_corners = np.array(screenCnt, dtype=np.int32)

	ignore_mask_color = (255,255,255)

	cv2.fillPoly(mask, roi_corners, ignore_mask_color)

	cv2.drawContours(img_org, [screenCnt],0, (255, 255, 0), 2,8)

	cv2.imwrite('plate_detedted.jpg', img_org)

	ys = [screenCnt[0, 0, 1], screenCnt[1, 0, 1], screenCnt[2, 0, 1], screenCnt[3, 0, 1]]
	# print(ys)，输出如下：
	# [239, 324, 362, 261]

	xs = [screenCnt[0, 0, 0], screenCnt[1, 0, 0], screenCnt[2, 0, 0], screenCnt[3, 0, 0]]
	# print(xs )，输出如下：
	# [203, 212, 630, 628]

	ys_sorted_index = np.argsort(ys)
	# print(ys_sorted_index)，输出如下：
	# [0 3 1 2]

	xs_sorted_index = np.argsort(xs)
	# print(xs_sorted_index )，输出如下：
	# [0 1 3 2]

	x1 = xs[xs_sorted_index[0]]
	# print(x1 )，输出如下：
	# 203

	x2 = xs[xs_sorted_index[3]]
	# print(x2 )，输出如下：
	# 630

	y1 = ys[ys_sorted_index[0]]
	# print(y1)
	# 239
	y2 = ys[ys_sorted_index[3]]
	# print(y2)
	# 362

	img_plate = img_org2[y1:y2, x1:x2]

	cv2.imshow('number plate', img_plate)
	cv2.imwrite('number_plate.jpg', img_plate)
	cv2.waitKey(0)


if __name__ == "__main__":
	image_path = "car1.jpg"
	main(image_path)

运行程序：

换张原图，如下：

再换张原图：

改进：采用基于特征提取的算法来定位车牌，效果应该会好很多。