python+opencv实现车牌定位

写在前面

HIT大三上学期视听觉信号处理课程中视觉部分的实验三,经过和学长们实验的对比发现每一级实验要求都不一样,因此这里标明了是2019年秋季学期的视觉实验三。

由于时间紧张,代码没有进行任何优化,实验算法仅供参考。

实验要求

对给定的车牌进行车牌识别

实验代码

代码首先贴在这里,仅供参考

源代码

实验代码如下:

import cv2
import numpy as np

def lpr(filename):
    img = cv2.imread(filename)
    # 预处理,包括灰度处理,高斯滤波平滑处理,Sobel提取边界,图像二值化
    # 对于高斯滤波函数的参数设置,第四个参数设为零,表示不计算y方向的梯度,原因是车牌上的数字在竖方向较长,重点在于得到竖方向的边界
    # 对于二值化函数的参数设置,第二个参数设为127,是二值化的阈值,是一个经验值
    gray_img = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
    GaussianBlur_img = cv2.GaussianBlur(gray_img, (3, 3), 0)
    Sobel_img = cv2.Sobel(GaussianBlur_img, -1, 1, 0, ksize=3)
    ret, binary_img = cv2.threshold(Sobel_img, 127, 255, cv2.THRESH_BINARY)

    # 形态学运算
    kernel = np.ones((5, 15), np.uint8)
    # 先闭运算将车牌数字部分连接,再开运算将不是块状的或是较小的部分去掉
    close_img = cv2.morphologyEx(binary_img, cv2.MORPH_CLOSE, kernel)
    open_img = cv2.morphologyEx(close_img, cv2.MORPH_OPEN, kernel)
    # kernel2 = np.ones((10, 10), np.uint8)
    # open_img2 = cv2.morphologyEx(open_img, cv2.MORPH_OPEN, kernel2)
    # 由于部分图像得到的轮廓边缘不整齐,因此再进行一次膨胀操作
    element = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
    dilation_img = cv2.dilate(open_img, element, iterations=3)

    # 获取轮廓
    contours, hierarchy = cv2.findContours(dilation_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # 测试边框识别结果
    # cv2.drawContours(img, contours, -1, (0, 0, 255), 3)
    # cv2.imshow("lpr", img)
    # cv2.waitKey(0)

    # 将轮廓规整为长方形
    rectangles = []
    for c in contours:
        x = []
        y = []
        for point in c:
            y.append(point[0][0])
            x.append(point[0][1])
        r = [min(y), min(x), max(y), max(x)]
        rectangles.append(r)

    # 用颜色识别出车牌区域
    # 需要注意的是这里设置颜色识别下限low时,可根据识别结果自行调整
    dist_r = []
    max_mean = 0
    for r in rectangles:
        block = img[r[1]:r[3], r[0]:r[2]]
        hsv = cv2.cvtColor(block, cv2.COLOR_BGR2HSV)
        low = np.array([100, 60, 60])
        up = np.array([140, 255, 255])
        result = cv2.inRange(hsv, low, up)
        # 用计算均值的方式找蓝色最多的区块
        mean = cv2.mean(result)
        if mean[0] > max_mean:
            max_mean = mean[0]
            dist_r = r

    # 画出识别结果,由于之前多做了一次膨胀操作,导致矩形框稍大了一些,因此这里对于框架+3-3可以使框架更贴合车牌
    cv2.rectangle(img, (dist_r[0]+3, dist_r[1]), (dist_r[2]-3, dist_r[3]), (0, 255, 0), 2)
    cv2.imshow("lpr", img)
    cv2.waitKey(0)

# 主程序
for i in range(5):
    lpr(str(i+1) + ".jpg")

参数调整

上述代码中,所有涉及到参数调整的函数,例如形态学操作,都需边调整边观察当前参数下的运行结果,待本步运行结果较好时,再继续写下一步。

该代码对具体图片要求较高,不同的图片可能无法成功识别车牌,此时可尝试依次调整预处理部分形态学部分hsv检测部分函数的参数

实验结果

ps:图五是最难识别的图片,最后是通过调整hsv下限为[100, 60, 60]实现的

知识总结

这一部分总结实验过程中查询的博客,介绍完成本实验所需的知识,并对其记录以便之后复习。

python3 利用opencv 添加中值滤波,均值滤波,高斯滤波,高斯双边滤波
这篇博客参考的是opencv中常用的滤波函数

图像的二值化之python+opencv
这篇博客是opencv中二值化函数的详解

Python下opencv使用笔记(四)(图像的阈值处理)
这篇博客参考的是使用二值化函数时的阈值如何设置

OpenCV_ cv2.imshow()
这篇博客参考的是opencv图片显示的方式

OpenCV-Python教程(6、Sobel算子)
这篇博客参考的是sobel算子函数的使用方法

形态学操作—膨胀与腐蚀(Dilation and Erosion)
OpenCV中的图像的膨胀和腐蚀
这两篇博客参考的是膨胀腐蚀的原理即opencv使用

轮廓检测cv2.findContours()
Python OpenCV findContours()函数与drawContours()函数用法
这两篇博客参考的是opencv边框画法,前者是轮廓检测,后者是画出边框

从 RGB 到 HSV 的转换详细介绍
这篇博客参考的是hsv的原理

实验总结

很简单的一个实验,总时间加起来大致5个小时左右,(其中还包括了一个小时调参数的时间)

简单的原因是opencv真好用,全程调库

你可能感兴趣的:(python+opencv实现车牌定位)