PyTorch + openCV 车牌识别（一）
PyTorch + openCV 车牌识别（一）
- 注意
- 利用cv识别车牌并切割字符
注意
本项目仅是初学者学习pytorch过程中随手写的，有些地方不够严谨请谅解，仅供参考
利用cv识别车牌并切割字符
- 首先下载opencv包并导入一些需要的包
import cv2
import numpy as np
from PIL import Image
- 由于是用笔记本电脑，因此我们使用网上寻找的图片进行图像处理，我们导入该图片。
imread函数中放的是你图片的路径，我们先对图片尺寸进行统一规定，并对原图进行滤波。（滤波这个步骤并不是当时写的时候想到的，而是后面识别效果不佳所以进行一定程度的滤波）
img_init = cv2.imread(self.carlicense_content) # 加载原始图片
img_resize = cv2.resize(img_init, dsize=(1000, 600), fx=0, fy=0) # 重置图片尺寸
img_blur = cv2.blur(img_resize, (2, 2)) # 对图片进行降噪
- 通过对图片中车牌蓝色域的RGB三通道值进行采集，即可获得其颜色范围，然后依靠inRange()函数将车牌部分选择出来。
再把该色域内最大面积的部分框出来，便是车牌的区域，记录下矩形的四个角点。
当然，项目是用来练手的简单项目，所以不考虑透视变换等情况，因为我先择的图片视角都还算正。
lower_limi = np.array([80, 30, 0]) # 设置色域上下界
upper_limi = np.array([230, 110, 70])
img_limi = cv2.inRange(img_blur, lower_limi, upper_limi) # 选出指定色域(二值化，黑色：0，白色：255)
cont = cv2.findContours(img_limi, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2] # 找出色域外边界
c = max(cont, key=cv2.contourArea) # 在边界中找最大面积的区域
rect = cv2.minAreaRect(c) # 绘制出该区域最小外接矩形
box = cv2.boxPoints(rect) # 记录上述矩形四点坐标
- 当然，对于采集图片中某一像素点的RGB三通道值，需要用到鼠标回调函数。需要注意的是，三通道值的显示顺序依次是B，G，R。
def mouse_callback(event, x, y, flags, param):
if event == cv2.EVENT_LBUTTONDBLCLK:
print('BGR:', img_resize[y, x], 'x:', x, 'y:', y)
cv2.setMouseCallback('IMG', mouse_callback)
- 在步骤2和3中，所有定义的图片均可用imshow()函数进行显示并验证调试，代码如下，img_resize可替换成其他变量名。
cv2.namedWindow('IMG', cv2.WINDOW_NORMAL)
cv2.imshow('IMG', img_resize)
cv2.waitKey(0)
- 实现上述功能后的效果如下图，可通过对IMG图片的鼠标回调函数，显示某像素点的RGB三通道值，因此可获得上述第3步中的上下限值。
7. 到此，可以通过色域识别在图中框出车牌的位置，如下图：
8. 我们将第3步里四个点的坐标用来扣出车牌，并存入另一个变量img_final中。再将新的车牌图片二值化。实现效果如下图：
img_final = img_resize[int(min(box[1][1], box[2][1]))
:int(max(box[0][1], box[3][1]))
, int(min(box[0][0], box[1][0]))
:int(max(box[2][0], box[3][0]))] # 圈出车牌
img_final_resize = cv2.resize(img_final, dsize=(200, 50), fx=0, fy=0)
lower_limi2 = np.array([100, 100, 100]) # 设置色域上下界
upper_limi2 = np.array([255, 255, 255])
img_final_bin = cv2.inRange(img_final_resize, lower_limi2, upper_limi2)
- 到此我们可以识别出车牌并进行二值化，接下来需要分割车牌中的每个字符。这方面内容我会放在该项目的第（二）章节说明。