opencv入门实战：基于模板匹配的车牌识别

利用OpenCV的基础知识，进行图像的预处理，寻找到相关轮廓后，通过模板匹配进行车牌预测识别。
要点：
1、使用opencv进行图形处理操作。
2、车牌轮廓提取
3、定位车牌识别

步骤：
1、加载图像，对图片使用Sobel算子对图片进行边缘检测对图片进行处理
2、读取模板文件，读取template文件下的模板
3、对图片进行轮廓检测
4、计算车牌的轮廓大小，定位到车牌
5、在车牌上使用模板匹配获取车牌字符、遍历车牌对车牌进行识别

模板数据集已分享到百度云：链接
链接：https://pan.baidu.com/s/163aSra2Jhd3uyb5c-pZkkw
提取码：37fg

代码演示：
1.首先导入相关库函数

2.读取图片，对图片进行灰度处理，使用Sobel算子对图片进行边缘检测对图片进行处理，

3. 读取模板文件，读取template文件下的模板
   

4. 使用矩形卷积核、闭运算

5.对图片进行轮廓检测

6.车牌分割，然后将车牌框出来

7.对框出来的车牌进行处理
1、将车牌进行灰度处理

2、对车牌进行高斯滤波处理

3、闭运算

4、二值化

5、轮廓填充

8.模板匹配获取车牌字符、遍历车牌

完整代码如下：

import cv2
import numpy as np
import os
from PIL import Image, ImageDraw, ImageFont

img = cv2.imread('image/test2.jpg')

#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']

# 显示图片
def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# 读取图像，解决imread不能读取中文路径的问题
def cv_imread(file_path):
    cv_img = cv2.imdecode(np.fromfile(file_path, dtype=np.uint8), -1)
    return cv_img

#灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 对图片进行灰度处理
blur = cv2.GaussianBlur(gray, (3, 3), 0)  #高斯
canny = cv2.Canny(blur, 75, 200)  #边缘

#边缘检测
# sobel算子边缘检测
Sobel_x = cv2.Sobel(canny, cv2.CV_16S, 1, 0)  #水平方向梯度提取

#将处理后的图片转回正uint8格式
absX = cv2.convertScaleAbs(Sobel_x)#将其转回原来的uint8形式

#使用矩形卷积核
rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 3))  # 画出一个9*3的矩形
close = cv2.morphologyEx(absX, cv2.MORPH_CLOSE, rectKernel)#闭运算

#对图片进行轮廓检测
thresh_Contours = close.copy()
cnts = cv2.findContours(thresh_Contours, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[0]  #检索最外面的轮廓、压缩水平的、垂直的和斜的部分、只要一个9*3的轮廓
image = img.copy()
cv2.drawContours(image, cnts, -1, (0, 0, 255), 3) #轮廓绘制 image为三通道才能显示轮廓

# 轮廓排序
def sort_contours(cnts, method="left-to-right"):
    reverse = False
    i = 0

    #右到左排序或下到上
    if method == "right-to-left" or method == "bottom-to-top":
        reverse = True

    #从上到下或从下到上
    if method == "top-to-bottom" or method == "bottom-to-top":
        i = 1

    boundingBoxes = [cv2.boundingRect(c) for c in cnts]  # 得到对象轮廓后，用一个最小正矩形，包覆此轮廓x,y,h,w
    (cnts, boundingBoxes) = zip(*sorted(zip(cnts, boundingBoxes), key=lambda b: b[1][i], reverse=reverse))
    return cnts, boundingBoxes

# 读取模板文件，读取template文件下的模板
def read_template_file(directory_name):
    template_list = []
    for fileName in os.listdir(directory_name):
        template_list.append(directory_name + "/" + fileName)
    return template_list

# 读取template文件下的模板，开始到结束
def get_template(start, end):
    template_words = []
    for i in range(start, end):
        word = read_template_file('./template/' + template[i])
        template_words.append(word)
    return template_words


#车牌分割
car_no_list = []
for cnt in cnts:
    rect = cv2.boundingRect(cnt)
    (x, y, w, h) = rect
    ar = w / float(h)
    if w > 80 and h > 30 and ar > 2:
        roi = img[y + 10:y + h - 5, x + 5:x + w - 5]  # 根据具体图片设置值
        # 获取车牌位置并画框
        cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)
        cv_show('img', img)

        gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY)#灰度

        blur = cv2.GaussianBlur(gray, (3, 3), 0)#高斯   卷积大小3*3 偏置0

        rectKernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 3))  # 闭运算
        close = cv2.morphologyEx(blur, cv2.MORPH_CLOSE, rectKernel)

        group = cv2.threshold(close, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1] #二值化

        digitCnts, hierarchy = cv2.findContours(group.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)  #轮廓填充
        imageROI = roi.copy()
        cv2.drawContours(imageROI, cnts, -1, (0, 0, 255), 3)

        sortedCnts = sort_contours(digitCnts)[0]  # 从左到右排序

        for digit in sortedCnts:
            temp = cv2.boundingRect(digit)
            (x, y, w, h) = temp
            if w > 5 and h > 5:  # 过滤掉车牌上的字母和数字的那个点
                roiNo = group[y:y + h, x:x + w + 1]  # 右边多留宽点
                car_no_list.append(roiNo)

def get_car_No(image, start, end):
    # 模板匹配
    best_scores = []
    template_lists = get_template(start, end)

    for template_list in template_lists:  # 每个文件夹
        scores = []
        for word in template_list:  # 一个文件夹下的多个模板
            template_file = cv2.imdecode(np.fromfile(word, dtype=np.uint8), 1)
            template_img = cv2.cvtColor(template_file, cv2.COLOR_RGB2GRAY)
            ret, template_img = cv2.threshold(template_img, 0, 255, cv2.THRESH_OTSU)
            height, width = template_img.shape[:2]

            carNo = cv2.resize(image, (width, height)) #将图片设置成统一大小
            # macthTemplate中图片要与模板尺寸一样大小
            result = cv2.matchTemplate(carNo, template_img, cv2.TM_CCOEFF)
            (_, score, _, _) = cv2.minMaxLoc(result)  # 获得分值
            scores.append(score)
        best_scores.append(max(scores))

    index = best_scores.index(max(best_scores))  # 分值最大的索引
    return template[start + index]  # 起始序号  索引

car_all_no = []
# 第一个汉字
first_chinese = get_car_No(car_no_list[0], 34, 64)
car_all_no.append(first_chinese)
# 第二个英文字母
second_english = get_car_No(car_no_list[1], 10, 33)
car_all_no.append(second_english + " ")
# 数字及英文字母
for car_no in car_no_list[2:]:
    number_english = get_car_No(car_no, 0, 33)
    car_all_no.append(number_english)
print(car_all_no)

# 显示中文
def cv2ImgAddText(img, text, left, top, textColor=(255, 255, 0), textSize=50):
    if (isinstance(img, np.ndarray)):
        img = Image.fromarray(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
    draw = ImageDraw.Draw(img)
    fontText = ImageFont.truetype("font/STSONG.TTF", textSize, encoding="utf-8")  # 字体
    draw.text((left, top), text, textColor, font=fontText)
    return cv2.cvtColor(np.asarray(img), cv2.COLOR_RGB2BGR)

result_img = cv2ImgAddText(img, "".join(car_all_no), 10, 20)
cv_show('result_img', result_img)