python-opencv实战：车牌识别（一）：精度还不错的车牌定位

本文为基于python的opencv的车牌定位源码+讲解。

---

一. 车牌定位整体构架

1. 整体思路

首先，车牌定位是车牌识别的第一步也是必要的一步，同时，车牌定位的好坏直接性的决定了车牌识别的好坏，因此车牌定位是一定要尽量好的实现。对一张图片来说，车牌定位的几个过程其实很简单。

1. 去除噪音
2. 通过颜色特征筛选（或者通过形状筛选）
3. 通过形态特征再筛选（或通过颜色特征再筛选）
4. 定位候选区域列表
5. 选出最优的候选区域
6. 画出矩形，返回矩形的对角顶点。

其实过程并不复杂，但是每一步的各种操作混杂在一块就令如我这样的小白懵。不过问题不大，我们分开来看。

2. 分析原理

选择从通过形态特征先筛选入手。
先将图片转化为灰度图（边缘检测和轮廓识别需要灰度图），要去除噪音，防止不必要的干扰，通过灰度拉伸算法获取效果更良好的灰度图。做边缘检测，轮廓发现，之后找出所有的矩形轮廓，利用国内车牌的特征选出最优的几个轮廓。接着对这几个轮廓进行色彩特征分析，转化为HSV色彩空间（为了使用inrange方法找出掩膜），找出掩膜，利用算法求得每个掩膜的评分，选出最优评分的掩膜，并返回其图片下标。是不是一气呵成。

3. 算法构造

要实现良好的车牌定位，肯定是不能直接用其固定好的API因为，API终究是局限于语言，它考虑的没有办法像活生生的人那么多。如果你足够优秀的话，一定程度上是可以超越API的。

①. 灰度拉伸算法

灰度拉伸又叫对比度拉伸，它是最基本的一种灰度变换，使用的是最简单的分段线性变换函数，它的主要思想是提高图像处理时灰度级的动态范围。它可以改善图像，说的白一点，它可以让有些不可见的地方变得可见。这是防止图片的拍摄角度或者光线问题导致车牌不清晰。
公式：g(x,y) = 255 / (B - A) * [f(x,y) - A]

②. 二值化的阈值选取

图像二值化时边缘检测的必备，我们学习过二值化，不论是自适应二值化，还是otus二值化，其自动算出的阈值在部分图的表现很好，但我们不能直接带入车牌图像，因为APi提供的二值化时考虑全图，或者一个个部分块，但是我们需要的是足够清晰不会影响到车牌轮廓的二值化。因此选择自己构造阈值。
个人建议利用阈值如下：

ret=max_value-(max_value-min_value)/2

其中为最大像素点和最小像素点，不妨思考一下，如果图片为一张纯色图，那么阈值就为该像素值。如果图片是最大为250最小为0那么阈值为122，蓝色和白色为高像素值，这样无论如何都能找出其合适的轮廓。

③. 合适的分值的选取

学习目标识别的朋友一定经常和分值打交道把，通过一系列方法选出待选区域，最后评分，没有达到期望，就继续循环，继续评分，直到满足或者循环停止。
这里的评分当然没有用到神经网络的东西，而是利用选好的掩膜的像素值来评掩膜得到的像素值是255与0，那么我们寻找掩膜的条件是蓝色，注意这个蓝色，那么是不是可以想象，如果蓝色够多，那么分就够高呢，当然可以，于是可以对每个图像得到的HSV三个通道进行加权求和，若是分数最够则认定为车牌，目前测试的图片，该方法吗，没有失败的。

二. 代码

'''
车牌识别
2021/2/24 python3.6 by ksks14
'''
#导库
import cv2 as cv
import numpy as np
import os
#方法
#导入图片资源 path为路径
def load_image(path):
    src=cv.imread(path)
    return src
#灰度拉伸方法 
'''
它可以有选择的拉伸某段灰度区间以改善输出图像,如果一幅图像的灰度集中
在较暗的区域而导致图像偏暗，可以用灰度拉伸功能来拉伸(斜率>1)物体灰度区间以改善图像；同样如果图像灰度集中在较亮的区域而导致图像偏亮，也可以用灰
度拉伸功能来压缩(斜率<1)物体灰度区间以改善图像质量。
灰度拉伸
定义：灰度拉伸，也称对比度拉伸，是一种简单的线性点运算。作用：扩展图像的
      直方图，使其充满整个灰度等级范围内
公式：
g(x,y) = 255 / (B - A) * [f(x,y) - A],
其中，A = min[f(x,y)],最小灰度级；B = max[f(x,y)],最大灰度级；
     f(x,y)为输入图像,g(x,y)为输出图像
缺点：如果灰度图像中最小值A=0，最大值B=255，则图像没有什么改变
'''
def gray_stretch(image):
    max_value=float(image.max())
    min_value=float(image.min())
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            image[i,j]=(255/(max_value-min_value)*image[i,j]-(255*min_value)/(max_value-min_value))
    return image
'''
图像整体二值化
'''
def image_binary(image):
    max_value=float(image.max())
    min_value=float(image.min()) 
    '''
    这里利用自适应二值化以及自动求阈值的方法明显效果不好。因此设置阈值这样设置的效果很容易想到，当图片为一张纯色图时阈值为对应像素值，当图包含
    255与0时，阈值为122，总体的适应的效果会比较好。方法返回二值图
    '''
    ret=max_value-(max_value-min_value)/2
    ret,thresh=cv.threshold(image,ret,255,cv.THRESH_BINARY)
    return thresh

'''
矩形轮廓角点，寻找到矩形之后记录角点，用来做参考以及画图。
'''
def find_rectangle(contour):
    y,x=[],[]
    for value in contour:
        y.append(value[0][0])
        x.append(value[0][1])
    return [min(y),min(x),max(y),max(x)]

'''
车牌定位方法，需要两个参数，第一个是用来寻找位置，第二个为原图，用来绘制矩形。寻找位置的图片为经过几次形态学操作的图片。这里利用权值的操作，实
现了定位的最高概率。
'''
def loacte_plate(image,after):
    '''
    定位车牌号
    '''
    #寻找轮廓
    contours,hierarchy=cv.findContours(image,cv.RETR_EXTERNAL,cv.CHAIN_APPROX_SIMPLE)
    img_copy = after.copy()
    #找出最大的三个区域
    solving=[]
    for c in contours:
        r=find_rectangle(c)
        '''
        这里就算出面积和长宽比
        '''
        a=(r[2]-r[0])*(r[3]-r[1]) 
        s=(r[2]-r[0])/(r[3]-r[1])

        solving.append([r,a,s])
    #通过参考选出面积最大的区域
    solving=sorted(solving,key=lambda b: b[1])[-3:]
    #颜色识别
    maxweight,maxindex=0,-1
    for i in range(len(solving)):#
        wait_solve=after[solving[i][0][1]:solving[i][0][3],solving[i][0][0]:solving[i][0][2]]
        #BGR转HSV
        hsv=cv.cvtColor(wait_solve,cv.COLOR_BGR2HSV)
        #蓝色车牌的范围 Hsv色彩空间的设置。
        lower=np.array([100,50,50])
        upper=np.array([140,255,255])
        #利用inrange找出掩膜
        mask=cv.inRange(hsv,lower,upper)
        #计算权值用来判断。
        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 solving[maxindex][0]  
'''
框出车牌 获取位置坐标，并返回图像
'''
#对图像的预处理
def find_plates(image):
    image=cv.resize(image,(400,int(400 * image.shape[0] / image.shape[1])))
    #转换为灰度图像
    gray_image=cv.cvtColor(image,cv.COLOR_BGR2GRAY)
    #灰度拉伸
    #如果一幅图像的灰度集中在较暗的区域而导致图像偏暗，可以用灰度拉伸功能来拉伸(斜率>1)物体灰度区间以改善图像；
    # 同样如果图像灰度集中在较亮的区域而导致图像偏亮，也可以用灰度拉伸功能来压缩(斜率<1)物体灰度区间以改善图像质量
    stretchedimage=gray_stretch(gray_image)#进行灰度拉伸，是因为可以改善图像的质量

    '''进行开运算，用来去除噪声'''
    #构造卷积核

    kernel=cv.getStructuringElement(cv.MORPH_ELLIPSE,(30,30))
    #开运算
    openingimage=cv.morphologyEx(stretchedimage,cv.MORPH_OPEN,kernel)
    #获取差分图，两幅图像做差  cv2.absdiff('图像1','图像2')
    strtimage=cv.absdiff(stretchedimage,openingimage)

    #图像二值化
    binaryimage=image_binary(strtimage)
    #canny边缘检测
    canny=cv.Canny(binaryimage,binaryimage.shape[0],binaryimage.shape[1])
    #5 24效果最好
    kernel=np.ones((5,24),np.uint8)
    closingimage=cv.morphologyEx(canny,cv.MORPH_CLOSE,kernel)
    openingimage=cv.morphologyEx(closingimage,cv.MORPH_OPEN,kernel)
    #11 6的效果最好
    kernel=np.ones((11,6),np.uint8)
    openingimage=cv.morphologyEx(openingimage,cv.MORPH_OPEN,kernel)
    #消除小区域，定位车牌位置
    rect=loacte_plate(openingimage,image)#rect包括轮廓的左上点和右下点，长宽比以及面积
    #展示图像
    cv.imshow('image',image)
    cv.rectangle(image, (rect[0]-5, rect[1]-5), (rect[2]+5,rect[3]+5), (0, 255, 0), 2)
    cv.imshow('after', image)
    cv.waitKey(0)
    cv.destroyAllWindows()
def runing(): 
    file_path='.\\plates'
    for filewalks in os.walk(file_path):
        for files in filewalks[2]:
            print('正在处理',os.path.join(filewalks[0],files))
            find_plates(load_image(os.path.join(filewalks[0],files)))

runing()

结果如下：

总结

搞定度车牌定位不仅仅是算法需要一些自己设置一些改进，同时对卷积核的设定也十分重要，建议大家可以试一下，用循环遍历的方法去找最优，也可以从数学角度分析。这里就不多阐述了。之后会写关于字符分割的博客，这俩步基础完了就该到深度学习了。距离比赛还有一个月。。我时间也不多了。