python+opencv實現(xiàn)車牌定位功能(實例代碼)

更新時間：2022年05月20日 15:47:44 作者：王金翼

這篇文章主要介紹了python+opencv實現(xiàn)車牌定位功能，需要實現(xiàn)對給定的車牌進行車牌識別，本文通過實例代碼講解,需要的朋友可以參考下

寫在前面

HIT大三上學(xué)期視聽覺信號處理課程中視覺部分的實驗三，經(jīng)過和學(xué)長們實驗的對比發(fā)現(xiàn)每一級實驗要求都不一樣，因此這里標明了是2019年秋季學(xué)期的視覺實驗三。

由于時間緊張，代碼沒有進行任何優(yōu)化，實驗算法僅供參考。

實驗要求

對給定的車牌進行車牌識別

實驗代碼

代碼首先貼在這里，僅供參考

源代碼

實驗代碼如下：

import cv2
import numpy as np
def lpr(filename):
  img = cv2.imread(filename)
  # 預(yù)處理，包括灰度處理，高斯濾波平滑處理，Sobel提取邊界，圖像二值化
  # 對于高斯濾波函數(shù)的參數(shù)設(shè)置，第四個參數(shù)設(shè)為零，表示不計算y方向的梯度，原因是車牌上的數(shù)字在豎方向較長，重點在于得到豎方向的邊界
  # 對于二值化函數(shù)的參數(shù)設(shè)置，第二個參數(shù)設(shè)為127，是二值化的閾值，是一個經(jīng)驗值
  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)
  # 形態(tài)學(xué)運算
  kernel = np.ones((5, 15), np.uint8)
  # 先閉運算將車牌數(shù)字部分連接，再開運算將不是塊狀的或是較小的部分去掉
  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)
  # 由于部分圖像得到的輪廓邊緣不整齊，因此再進行一次膨脹操作
  element = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
  dilation_img = cv2.dilate(open_img, element, iterations=3)
  # 獲取輪廓
  contours, hierarchy = cv2.findContours(dilation_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
  # 測試邊框識別結(jié)果
  # cv2.drawContours(img, contours, -1, (0, 0, 255), 3)
  # cv2.imshow("lpr", img)
  # cv2.waitKey(0)
  # 將輪廓規(guī)整為長方形
  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)
  # 用顏色識別出車牌區(qū)域
  # 需要注意的是這里設(shè)置顏色識別下限low時，可根據(jù)識別結(jié)果自行調(diào)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)
    # 用計算均值的方式找藍色最多的區(qū)塊
    mean = cv2.mean(result)
    if mean[0] > max_mean:
      max_mean = mean[0]
      dist_r = r
  # 畫出識別結(jié)果，由于之前多做了一次膨脹操作，導(dǎo)致矩形框稍大了一些，因此這里對于框架+3-3可以使框架更貼合車牌
  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")

參數(shù)調(diào)整

上述代碼中，所有涉及到參數(shù)調(diào)整的函數(shù)，例如形態(tài)學(xué)操作，都需邊調(diào)整邊觀察當前參數(shù)下的運行結(jié)果，待本步運行結(jié)果較好時，再繼續(xù)寫下一步。

該代碼對具體圖片要求較高，不同的圖片可能無法成功識別車牌，此時可嘗試依次調(diào)整預(yù)處理部分，形態(tài)學(xué)部分，hsv檢測部分函數(shù)的參數(shù)

實驗結(jié)果