Python OpenCv 车牌检测识别（边缘检测、HSV色彩空间判断）

Python OpenCv 车牌检测识别

背景

车牌识别在交通、停车等方面有着广泛应用，在网上也有很多种基于OpenCV方案进行识别，本文是综合了两种比较流行的方案，首先是提取出疑似车牌区域的轮廓，然后再基于色彩空间进行二次判断，比之前的方案有精度更高，泛化能力更强。

最终效果

详细过程

1. 将正常图像等比例压缩并且转化为灰度图像，便于处理以后处理

	img = cv2.imread('car2.jpeg')
    initial_car = cv2.resize(img, (400, int(400 * img.shape[0] / img.shape[1])))
    gray_car = cv2.cvtColor(initial_car, cv2.COLOR_BGR2GRAY)

2. 高斯模糊，消除噪点，便于边缘提取。卷积核所选取的越大，模糊效果越明显，但是也有可能造成重要边缘信息的丢失，应该根据实际情况去调整。

blur_car = cv2.GaussianBlur(gray_car, (7, 7), 0)

3. 使用cv2.Canny() 进行边缘检测 此效果强于OpenCV中的Sobel边缘检测。cv2.Canny()返回的一幅二值化的图像，可以直接用cv2.findContours()进行轮廓提取。

canny_car = cv2.Canny(blur_car, 70, 120)

4. 各种形态学操作，主要是让车牌的轮廓更加明显，消除无用的噪点。此处卷积核的选择使用横向卷积核（3，13）3行13列。因为车牌也是一个横向的长方形，这样效果更好。可根据具体情况适当增加开 闭操作的次数。

def morphological_operation(img):
    kernel = np.ones((3, 13), np.uint8)
    closing_img = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
    opening_img = cv2.morphologyEx(closing_img, cv2.MORPH_OPEN, kernel)
    kernel_2 = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
    dilated_car = cv2.dilate(opening_img, kernel_2)
    return dilated_car

5. 提取轮廓，并且cv2.minAreaRect() 获得包裹轮廓的最小矩形，对这个矩形的长宽比进行判断，看其是否符合车牌特征。

# 对minAreaRect获得的最小外接矩形，用长宽比进行判断
def verify_sizes(rect):
    error = 0.3
    aspect = 3.143  # 定义的车牌长宽比 数据来源百度百科==>车牌
    rmin = aspect - aspect * error
    rmax = aspect + aspect * error
    height, width = rect[1]
    if height == 0 or width == 0:
        return False
    r = width/height
    if r < 1:
        r = height/width
    if r < rmin or r > rmax:
        return False
    else:
        return True

6. 根据色彩空间进行第二次判断，识别提高精度。

# 根据色彩空间进行二次筛选，图像均值最大的为结果
def verify_color(all_contour):
    dist_mean = 0
    t = 0
    for contour in all_contour:
        t=t+1
        x,y,w,h = cv2.boundingRect(contour)
        # 获取矩形框里面的像素
        res = initial_car[y:y+h,x:x+w,:]
        hsv = cv2.cvtColor(res, cv2.COLOR_BGR2HSV)
        # 蓝色车牌范围
        lower = np.array([100, 43, 46])
        upper = np.array([124, 255, 255])
        # 色彩空间提取，在蓝色范围内为255，不在为0.
        dist = cv2.inRange(hsv, lower, upper)
        # 计算均值，输出最大值
        mean = cv2.mean(dist)
        if mean[0]>dist_mean:
            dist_mean = mean[0]
            dist_img = res
    return dist_img

7. 效果展示