利用Python+Opencv實現(xiàn)車牌自動識別完整代碼

更新時間：2025年04月14日 10:17:38 作者：小墨&曉末

這篇文章主要介紹了如何使用Python和OpenCV進(jìn)行車牌識別,包括圖像預(yù)處理、車牌定位、分割和模板匹配等步驟,通過實戰(zhàn)項目,文中通過代碼介紹的非常詳細(xì),需要的朋友可以參考下

該篇文章將以實戰(zhàn)形式演示利用Python結(jié)合Opencv實現(xiàn)車牌識別，全程涉及圖像預(yù)處理、車牌定位、車牌分割、通過模板匹配識別結(jié)果輸出。該項目對于智能交通、車輛管理等領(lǐng)域具有實際應(yīng)用價值。通過自動識別車牌號碼，可以實現(xiàn)車輛追蹤、違章查詢、停車場管理等功能，提高交通管理的效率和準(zhǔn)確性?？捎糜谲嚺谱R別技術(shù)學(xué)習(xí)。

技術(shù)要點：

OpenCV：用于圖像處理和計算機視覺任務(wù)。
Python：作為編程語言，具有簡單易學(xué)、資源豐富等優(yōu)點。
圖像處理技術(shù)：如灰度化、噪聲去除、邊緣檢測、形態(tài)學(xué)操作、透視變換等。

1 導(dǎo)入相關(guān)模塊

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

2 相關(guān)功能函數(shù)定義

2.1 彩色圖片顯示函數(shù)（plt_show0）

def plt_show0(img):
    b,g,r = cv2.split(img)
    img = cv2.merge([r, g, b])
    plt.imshow(img)
    plt.show()

cv2與plt的圖像通道不同：cv2為[b,g,r];plt為[r, g, b]

2.2 灰度圖片顯示函數(shù)（plt_show）

def plt_show(img):
    plt.imshow(img,cmap='gray')
    plt.show()

2.3 圖像去噪函數(shù)（gray_guss）

def gray_guss(image):
    image = cv2.GaussianBlur(image, (3, 3), 0)
    gray_image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    return gray_image

此處演示使用高斯模糊去噪。

cv2.GaussianBlur參數(shù)說明：

src：輸入圖像，可以是任意數(shù)量的通道，這些通道可以獨立處理，但深度應(yīng)為 CV_8U、CV_16U、CV_16S、CV_32F 或 CV_64F。
ksize：高斯核的大小，必須是正奇數(shù)，例如 (3, 3)、(5, 5) 等。如果 ksize 的值為零，那么它會根據(jù) sigmaX 和 sigmaY 的值來計算。
sigmaX：X 方向上的高斯核標(biāo)準(zhǔn)偏差。
dst：輸出圖像，大小和類型與 src 相同。
sigmaY：Y 方向上的高斯核標(biāo)準(zhǔn)偏差，如果 sigmaY 是零，那么它會與 sigmaX 的值相同。如果 sigmaY 是負(fù)數(shù)，那么它會從 ksize.width 和 ksize.height 計算得出。
borderType：像素外插法，有默認(rèn)值。

2 圖像預(yù)處理

2.1 圖片讀取

origin_image = cv2.imread('D:/image/car3.jpg')

此處演示識別車牌原圖：

2.2 高斯去噪

origin_image = cv2.imread('D:/image/car3.jpg')
# 復(fù)制一張圖片，在復(fù)制圖上進(jìn)行圖像操作，保留原圖
image = origin_image.copy()
gray_image = gray_guss(image)

2.3 邊緣檢測

Sobel_x = cv2.Sobel(gray_image, cv2.CV_16S, 1, 0)
absX = cv2.convertScaleAbs(Sobel_x)
image = absX

x方向上的邊緣檢測（增強邊緣信息）。

2.4 閾值化

# 圖像閾值化操作——獲得二值化圖
ret, image = cv2.threshold(image, 0, 255, cv2.THRESH_OTSU)
# 顯示灰度圖像
plt_show(image)

運行結(jié)果：

3 車牌定位

3.1 區(qū)域選擇

kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (30, 10))
image = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernelX,iterations = 1)
# 顯示灰度圖像
plt_show(image)

從圖像中提取對表達(dá)和描繪區(qū)域形狀有意義的圖像分量。

運行結(jié)果：

3.2 形態(tài)學(xué)操作

# 腐蝕（erode）和膨脹（dilate）
kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (50, 1))
kernelY = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 20))
#x方向進(jìn)行閉操作（抑制暗細(xì)節(jié)）
image = cv2.dilate(image, kernelX)
image = cv2.erode(image, kernelX)
#y方向的開操作
image = cv2.erode(image, kernelY)
image = cv2.dilate(image, kernelY)
# 中值濾波（去噪）
image = cv2.medianBlur(image, 21)
# 顯示灰度圖像
plt_show(image)

使用膨脹和腐蝕操作來突出車牌區(qū)域。

運行結(jié)果：

3.3 輪廓檢測

contours, hierarchy = cv2.findContours(image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for item in contours:
    rect = cv2.boundingRect(item)
    x = rect[0]
    y = rect[1]
    weight = rect[2]
    height = rect[3]
    # 根據(jù)輪廓的形狀特點，確定車牌的輪廓位置并截取圖像
    if (weight > (height * 3)) and (weight < (height * 4.5)):
        image = origin_image[y:y + height, x:x + weight]
        plt_show(image)

4 車牌字符分割

4.1 高斯去噪

# 圖像去噪灰度處理
gray_image = gray_guss(image)

4.2 閾值化

ret, image = cv2.threshold(gray_image, 0, 255, cv2.THRESH_OTSU)
plt_show(image)

運行結(jié)果：

4.3 膨脹操作

#膨脹操作
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (4, 4))
image = cv2.dilate(image, kernel)
plt_show(image)

運行結(jié)果：

4.4 車牌號排序

words = sorted(words,key=lambda s:s[0],reverse=False)
i = 0
#word中存放輪廓的起始點和寬高
for word in words:
    # 篩選字符的輪廓
    if (word[3] > (word[2] * 1.5)) and (word[3] < (word[2] * 5.5)) and (word[2] > 10):
        i = i+1
        if word[2] < 15:
            splite_image = image[word[1]:word[1] + word[3], word[0]-word[2]:word[0] + word[2]*2]
        else:
            splite_image = image[word[1]:word[1] + word[3], word[0]:word[0] + word[2]]
        word_images.append(splite_image)
        print(i)
print(words)

運行結(jié)果：

1
2
3
4
5
6
7
[[2, 0, 7, 70], [12, 6, 30, 55], [15, 7, 7, 9], [46, 6, 32, 55], [83, 30, 9, 9], [96, 7, 32, 55], [132, 8, 32, 55], [167, 8, 30, 54], [202, 62, 7, 6], [203, 7, 30, 55], [245, 7, 12, 54], [266, 0, 12, 70]]

4.5 分割效果

for i,j in enumerate(word_images):  
    plt.subplot(1,7,i+1)
    plt.imshow(word_images[i],cmap='gray')
plt.show()

運行結(jié)果：

5 模板匹配

5.1 準(zhǔn)備模板

# 準(zhǔn)備模板(template[0-9]為數(shù)字模板；)
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','贛','貴','桂','黑','滬','吉','冀','津','晉','京','遼','魯','蒙','閩','寧',
            '青','瓊','陜','蘇','皖','湘','新','渝','豫','粵','云','浙']

# 讀取一個文件夾下的所有圖片，輸入?yún)?shù)是文件名，返回模板文件地址列表
def read_directory(directory_name):
    referImg_list = []
    for filename in os.listdir(directory_name):
        referImg_list.append(directory_name + "/" + filename)
    return referImg_list

# 獲得中文模板列表（只匹配車牌的第一個字符）
def get_chinese_words_list():
    chinese_words_list = []
    for i in range(34,64):
        #將模板存放在字典中
        c_word = read_directory('D:/refer1/'+ template[i])
        chinese_words_list.append(c_word)
    return chinese_words_list
chinese_words_list = get_chinese_words_list()


# 獲得英文模板列表（只匹配車牌的第二個字符）
def get_eng_words_list():
    eng_words_list = []
    for i in range(10,34):
        e_word = read_directory('D:/refer1/'+ template[i])
        eng_words_list.append(e_word)
    return eng_words_list
eng_words_list = get_eng_words_list()


# 獲得英文和數(shù)字模板列表（匹配車牌后面的字符）
def get_eng_num_words_list():
    eng_num_words_list = []
    for i in range(0,34):
        word = read_directory('D:/refer1/'+ template[i])
        eng_num_words_list.append(word)
    return eng_num_words_list
eng_num_words_list = get_eng_num_words_list()

此處需提前準(zhǔn)備各類字符模板。

5.2 匹配結(jié)果

# 獲得英文和數(shù)字模板列表（匹配車牌后面的字符）
def get_eng_num_words_list():
    eng_num_words_list = []
    for i in range(0,34):
        word = read_directory('D:/refer1/'+ template[i])
        eng_num_words_list.append(word)
    return eng_num_words_list
eng_num_words_list = get_eng_num_words_list()


# 讀取一個模板地址與圖片進(jìn)行匹配，返回得分
def template_score(template,image):
    #將模板進(jìn)行格式轉(zhuǎn)換
    template_img=cv2.imdecode(np.fromfile(template,dtype=np.uint8),1)
    template_img = cv2.cvtColor(template_img, cv2.COLOR_RGB2GRAY)
    #模板圖像閾值化處理——獲得黑白圖
    ret, template_img = cv2.threshold(template_img, 0, 255, cv2.THRESH_OTSU)
#     height, width = template_img.shape
#     image_ = image.copy()
#     image_ = cv2.resize(image_, (width, height))
    image_ = image.copy()
    #獲得待檢測圖片的尺寸
    height, width = image_.shape
    # 將模板resize至與圖像一樣大小
    template_img = cv2.resize(template_img, (width, height))
    # 模板匹配，返回匹配得分
    result = cv2.matchTemplate(image_, template_img, cv2.TM_CCOEFF)
    return result[0][0]


# 對分割得到的字符逐一匹配
def template_matching(word_images):
    results = []
    for index,word_image in enumerate(word_images):
        if index==0:
            best_score = []
            for chinese_words in chinese_words_list:
                score = []
                for chinese_word in chinese_words:
                    result = template_score(chinese_word,word_image)
                    score.append(result)
                best_score.append(max(score))
            i = best_score.index(max(best_score))
            # print(template[34+i])
            r = template[34+i]
            results.append(r)
            continue
        if index==1:
            best_score = []
            for eng_word_list in eng_words_list:
                score = []
                for eng_word in eng_word_list:
                    result = template_score(eng_word,word_image)
                    score.append(result)
                best_score.append(max(score))
            i = best_score.index(max(best_score))
            # print(template[10+i])
            r = template[10+i]
            results.append(r)
            continue
        else:
            best_score = []
            for eng_num_word_list in eng_num_words_list:
                score = []
                for eng_num_word in eng_num_word_list:
                    result = template_score(eng_num_word,word_image)
                    score.append(result)
                best_score.append(max(score))
            i = best_score.index(max(best_score))
            # print(template[i])
            r = template[i]
            results.append(r)
            continue
    return results


word_images_ = word_images.copy()
# 調(diào)用函數(shù)獲得結(jié)果
result = template_matching(word_images_)
print(result)
print( "".join(result))

運行結(jié)果：

['渝', 'B', 'F', 'U', '8', '7', '1']
渝BFU871

“”.join(result)函數(shù)將列表轉(zhuǎn)換為拼接好的字符串，方便結(jié)果顯示

5.3 匹配效果展示

height,weight = origin_image.shape[0:2]
print(height)
print(weight)

image_1 = origin_image.copy()
cv2.rectangle(image_1, (int(0.2*weight), int(0.75*height)), (int(weight*0.9), int(height*0.95)), (0, 255, 0), 5)

#設(shè)置需要顯示的字體
fontpath = "font/simsun.ttc"
font = ImageFont.truetype(fontpath,64)
img_pil = Image.fromarray(image_1)
draw = ImageDraw.Draw(img_pil)
#繪制文字信息
draw.text((int(0.2*weight)+25, int(0.75*height)),  "".join(result), font = font, fill = (255, 255, 0))
bk_img = np.array(img_pil)
print(result)
print( "".join(result))
plt_show0(bk_img)

運行結(jié)果：

6完整代碼

# 導(dǎo)入所需模塊
import cv2
from matplotlib import pyplot as plt
import os
import numpy as np
from PIL import ImageFont, ImageDraw, Image
# plt顯示彩色圖片
def plt_show0(img):
    b,g,r = cv2.split(img)
    img = cv2.merge([r, g, b])
    plt.imshow(img)
    plt.show()
    
# plt顯示灰度圖片
def plt_show(img):
    plt.imshow(img,cmap='gray')
    plt.show()
    
# 圖像去噪灰度處理
def gray_guss(image):
    image = cv2.GaussianBlur(image, (3, 3), 0)
    gray_image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    return gray_image

# 讀取待檢測圖片
origin_image = cv2.imread('D:/image/car3.jpg')
# 復(fù)制一張圖片，在復(fù)制圖上進(jìn)行圖像操作，保留原圖
image = origin_image.copy()
# 圖像去噪灰度處理
gray_image = gray_guss(image)
# x方向上的邊緣檢測（增強邊緣信息）
Sobel_x = cv2.Sobel(gray_image, cv2.CV_16S, 1, 0)
absX = cv2.convertScaleAbs(Sobel_x)
image = absX

# 圖像閾值化操作——獲得二值化圖
ret, image = cv2.threshold(image, 0, 255, cv2.THRESH_OTSU)
# 顯示灰度圖像
plt_show(image)
# 形態(tài)學(xué)（從圖像中提取對表達(dá)和描繪區(qū)域形狀有意義的圖像分量）——閉操作
kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (30, 10))
image = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernelX,iterations = 1)
# 顯示灰度圖像
plt_show(image)


# 腐蝕（erode）和膨脹（dilate）
kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (50, 1))
kernelY = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 20))
#x方向進(jìn)行閉操作（抑制暗細(xì)節(jié)）
image = cv2.dilate(image, kernelX)
image = cv2.erode(image, kernelX)
#y方向的開操作
image = cv2.erode(image, kernelY)
image = cv2.dilate(image, kernelY)
# 中值濾波（去噪）
image = cv2.medianBlur(image, 21)
# 顯示灰度圖像
plt_show(image)

# 獲得輪廓
contours, hierarchy = cv2.findContours(image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

for item in contours:
    rect = cv2.boundingRect(item)
    x = rect[0]
    y = rect[1]
    weight = rect[2]
    height = rect[3]
    # 根據(jù)輪廓的形狀特點，確定車牌的輪廓位置并截取圖像
    if (weight > (height * 3)) and (weight < (height * 4.5)):
        image = origin_image[y:y + height, x:x + weight]
        plt_show(image)


#車牌字符分割
# 圖像去噪灰度處理
gray_image = gray_guss(image)

# 圖像閾值化操作——獲得二值化圖   
ret, image = cv2.threshold(gray_image, 0, 255, cv2.THRESH_OTSU)
plt_show(image)

#膨脹操作
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (4, 4))
image = cv2.dilate(image, kernel)
plt_show(image)


# 查找輪廓
contours, hierarchy = cv2.findContours(image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
words = []
word_images = []
#對所有輪廓逐一操作
for item in contours:
    word = []
    rect = cv2.boundingRect(item)
    x = rect[0]
    y = rect[1]
    weight = rect[2]
    height = rect[3]
    word.append(x)
    word.append(y)
    word.append(weight)
    word.append(height)
    words.append(word)
# 排序，車牌號有順序。words是一個嵌套列表
words = sorted(words,key=lambda s:s[0],reverse=False)
i = 0
#word中存放輪廓的起始點和寬高
for word in words:
    # 篩選字符的輪廓
    if (word[3] > (word[2] * 1.5)) and (word[3] < (word[2] * 5.5)) and (word[2] > 10):
        i = i+1
        if word[2] < 15:
            splite_image = image[word[1]:word[1] + word[3], word[0]-word[2]:word[0] + word[2]*2]
        else:
            splite_image = image[word[1]:word[1] + word[3], word[0]:word[0] + word[2]]
        word_images.append(splite_image)
        print(i)
print(words)

for i,j in enumerate(word_images):  
    plt.subplot(1,7,i+1)
    plt.imshow(word_images[i],cmap='gray')
plt.show()

#模版匹配
# 準(zhǔn)備模板(template[0-9]為數(shù)字模板；)
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','贛','貴','桂','黑','滬','吉','冀','津','晉','京','遼','魯','蒙','閩','寧',
            '青','瓊','陜','蘇','皖','湘','新','渝','豫','粵','云','浙']

# 讀取一個文件夾下的所有圖片，輸入?yún)?shù)是文件名，返回模板文件地址列表
def read_directory(directory_name):
    referImg_list = []
    for filename in os.listdir(directory_name):
        referImg_list.append(directory_name + "/" + filename)
    return referImg_list

# 獲得中文模板列表（只匹配車牌的第一個字符）
def get_chinese_words_list():
    chinese_words_list = []
    for i in range(34,64):
        #將模板存放在字典中
        c_word = read_directory('D:/refer1/'+ template[i])
        chinese_words_list.append(c_word)
    return chinese_words_list
chinese_words_list = get_chinese_words_list()


# 獲得英文模板列表（只匹配車牌的第二個字符）
def get_eng_words_list():
    eng_words_list = []
    for i in range(10,34):
        e_word = read_directory('D:/refer1/'+ template[i])
        eng_words_list.append(e_word)
    return eng_words_list
eng_words_list = get_eng_words_list()


# 獲得英文和數(shù)字模板列表（匹配車牌后面的字符）
def get_eng_num_words_list():
    eng_num_words_list = []
    for i in range(0,34):
        word = read_directory('D:/refer1/'+ template[i])
        eng_num_words_list.append(word)
    return eng_num_words_list
eng_num_words_list = get_eng_num_words_list()


# 讀取一個模板地址與圖片進(jìn)行匹配，返回得分
def template_score(template,image):
    #將模板進(jìn)行格式轉(zhuǎn)換
    template_img=cv2.imdecode(np.fromfile(template,dtype=np.uint8),1)
    template_img = cv2.cvtColor(template_img, cv2.COLOR_RGB2GRAY)
    #模板圖像閾值化處理——獲得黑白圖
    ret, template_img = cv2.threshold(template_img, 0, 255, cv2.THRESH_OTSU)
#     height, width = template_img.shape
#     image_ = image.copy()
#     image_ = cv2.resize(image_, (width, height))
    image_ = image.copy()
    #獲得待檢測圖片的尺寸
    height, width = image_.shape
    # 將模板resize至與圖像一樣大小
    template_img = cv2.resize(template_img, (width, height))
    # 模板匹配，返回匹配得分
    result = cv2.matchTemplate(image_, template_img, cv2.TM_CCOEFF)
    return result[0][0]


# 對分割得到的字符逐一匹配
def template_matching(word_images):
    results = []
    for index,word_image in enumerate(word_images):
        if index==0:
            best_score = []
            for chinese_words in chinese_words_list:
                score = []
                for chinese_word in chinese_words:
                    result = template_score(chinese_word,word_image)
                    score.append(result)
                best_score.append(max(score))
            i = best_score.index(max(best_score))
            # print(template[34+i])
            r = template[34+i]
            results.append(r)
            continue
        if index==1:
            best_score = []
            for eng_word_list in eng_words_list:
                score = []
                for eng_word in eng_word_list:
                    result = template_score(eng_word,word_image)
                    score.append(result)
                best_score.append(max(score))
            i = best_score.index(max(best_score))
            # print(template[10+i])
            r = template[10+i]
            results.append(r)
            continue
        else:
            best_score = []
            for eng_num_word_list in eng_num_words_list:
                score = []
                for eng_num_word in eng_num_word_list:
                    result = template_score(eng_num_word,word_image)
                    score.append(result)
                best_score.append(max(score))
            i = best_score.index(max(best_score))
            # print(template[i])
            r = template[i]
            results.append(r)
            continue
    return results


word_images_ = word_images.copy()
# 調(diào)用函數(shù)獲得結(jié)果
result = template_matching(word_images_)
print(result)
# "".join(result)函數(shù)將列表轉(zhuǎn)換為拼接好的字符串，方便結(jié)果顯示
print( "".join(result))



height,weight = origin_image.shape[0:2]
print(height)
print(weight)

image_1 = origin_image.copy()
cv2.rectangle(image_1, (int(0.2*weight), int(0.75*height)), (int(weight*0.9), int(height*0.95)), (0, 255, 0), 5)

#設(shè)置需要顯示的字體
fontpath = "font/simsun.ttc"
font = ImageFont.truetype(fontpath,64)
img_pil = Image.fromarray(image_1)
draw = ImageDraw.Draw(img_pil)
#繪制文字信息
draw.text((int(0.2*weight)+25, int(0.75*height)),  "".join(result), font = font, fill = (255, 255, 0))
bk_img = np.array(img_pil)
print(result)
print( "".join(result))
plt_show0(bk_img)