基于OpenCV 的車牌識(shí)別

車牌識(shí)別是一種圖像處理技術(shù)，用于識(shí)別不同車輛。這項(xiàng)技術(shù)被廣泛用于各種安全檢測(cè)中?，F(xiàn)在讓我一起基于 OpenCV 編寫 Python 代碼來(lái)完成這一任務(wù)。

車牌識(shí)別的相關(guān)步驟

1. 車牌檢測(cè)：第一步是從汽車上檢測(cè)車牌所在位置。我們將使用 OpenCV 中矩形的輪廓檢測(cè)來(lái)尋找車牌。如果我們知道車牌的確切尺寸，顏色和大致位置，則可以提高準(zhǔn)確性。通常，也會(huì)將根據(jù)攝像機(jī)的位置和該特定國(guó)家 / 地區(qū)所使用的車牌類型來(lái)訓(xùn)練檢測(cè)算法。但是圖像可能并沒(méi)有汽車的存在，在這種情況下我們將先進(jìn)行汽車的，然后是車牌。

2. 字符分割：檢測(cè)到車牌后，我們必須將其裁剪并保存為新圖像。同樣，這可以使用 OpenCV 來(lái)完成。

3. 字符識(shí)別：現(xiàn)在，我們?cè)谏弦徊街蝎@得的新圖像肯定可以寫上一些字符（數(shù)字 / 字母）。因此，我們可以對(duì)其執(zhí)行 OCR（光學(xué)字符識(shí)別）以檢測(cè)數(shù)字。

1. 車牌檢測(cè)

讓我們以汽車的樣本圖像為例，首先檢測(cè)該汽車上的車牌。然后，我們還將使用相同的圖像進(jìn)行字符分割和字符識(shí)別。如果您想直接進(jìn)入代碼而無(wú)需解釋，則可以向下滾動(dòng)至此頁(yè)面的底部，提供完整的代碼，或訪問(wèn)以下鏈接。https://github.com/GeekyPRAVEE/OpenCV-Projects/blob/master/LicensePlateRecoginition.ipynb

在次使用的測(cè)試圖像如下所示。

圖片來(lái)源鏈接：https : //rb.gy/lxmiuv

第 1 步： 將圖像調(diào)整為所需大小，然后將其灰度。相同的代碼如下

img = cv2.resize(img, (620,480) )

調(diào)整大小后，可以避免使用較大分辨率的圖像而出現(xiàn)的以下問(wèn)題，但是我們要確保在調(diào)整大小后，車號(hào)牌仍保留在框架中。在處理圖像時(shí)如果不再需要處理顏色細(xì)節(jié)，那么灰度變化就必不可少，這加快了其他后續(xù)處理的速度。完成此步驟后，圖像將像這樣被轉(zhuǎn)換

步驟 2：每張圖片都會(huì)包含有用和無(wú)用的信息，在這種情況下，對(duì)于我們來(lái)說(shuō)，只有牌照是有用的信息，其余的對(duì)于我們的程序幾乎是無(wú)用的。這種無(wú)用的信息稱為噪聲。通常，使用雙邊濾波（模糊）會(huì)從圖像中刪除不需要的細(xì)節(jié)。

gray = cv2.bilateralFilter(gray, 13, 15, 15)

語(yǔ)法為 destination_image = cv2.bilateralFilter(source_image, diameter of pixel, sigmaColor, sigmaSpace)。我們也可以將 sigma 顏色和 sigma 空間從 15 增加到更高的值，以模糊掉更多的背景信息，但請(qǐng)注意不要使有用的部分模糊。輸出圖像如下所示可以看到該圖像中的背景細(xì)節(jié)（樹(shù)木和建筑物）模糊了。這樣，我們可以避免程序處理這些區(qū)域。

步驟 3：下一步是我們執(zhí)行邊緣檢測(cè)的有趣步驟。有很多方法可以做到，最簡(jiǎn)單和流行的方法是使用 OpenCV 中的 canny edge 方法。執(zhí)行相同操作的行如下所示

edged = cv2.Canny(gray, 30, 200) #Perform Edge detection

語(yǔ)法為 destination_image = cv2.Canny（source_image，thresholdValue 1，thresholdValue 2）。閾值谷 1 和閾值 2 是最小和最大閾值。僅顯示強(qiáng)度梯度大于最小閾值且小于最大閾值的邊緣。結(jié)果圖像如下所示

步驟 4：現(xiàn)在我們可以開(kāi)始在圖像上尋找輪廓

contours=cv2.findContours(edged.copy(),cv2.RETR_TREE,

一旦檢測(cè)到計(jì)數(shù)器，我們就將它們從大到小進(jìn)行排序，并只考慮前 10 個(gè)結(jié)果而忽略其他結(jié)果。在我們的圖像中，計(jì)數(shù)器可以是具有閉合表面的任何事物，但是在所有獲得的結(jié)果中，牌照號(hào)碼也將存在，因?yàn)樗彩情]合表面。

為了過(guò)濾獲得的結(jié)果中的車牌圖像，我們將遍歷所有結(jié)果，并檢查其具有四個(gè)側(cè)面和閉合圖形的矩形輪廓。由于車牌肯定是四邊形的矩形。

for c in cnts:

找到正確的計(jì)數(shù)器后，我們將其保存在名為 screenCnt 的變量中，然后在其周圍繪制一個(gè)矩形框，以確保我們已正確檢測(cè)到車牌。

步驟 5：現(xiàn)在我們知道車牌在哪里，剩下的信息對(duì)我們來(lái)說(shuō)幾乎沒(méi)有用。因此，我們可以對(duì)整個(gè)圖片進(jìn)行遮罩，除了車牌所在的地方。相同的代碼如下所示

# Masking the part other than the number plate

被遮罩的新圖像將如下所示

2. 字符分割

車牌識(shí)別的下一步是通過(guò)裁剪車牌并將其保存為新圖像，將車牌從圖像中分割出來(lái)。然后，我們可以使用此圖像來(lái)檢測(cè)其中的字符。下面顯示了從主圖像裁剪出 ROI（感興趣區(qū)域）圖像的代碼

# Now crop

結(jié)果圖像如下所示。通常添加到裁剪圖像中，如果需要，我們還可以對(duì)其進(jìn)行灰色處理和邊緣化。這樣做是為了改善下一步的字符識(shí)別。但是我發(fā)現(xiàn)即使使用原始圖像也可以正常工作。

3. 字符識(shí)別

該車牌識(shí)別的最后一步是從分割的圖像中實(shí)際讀取車牌信息。就像前面的教程一樣，我們將使用 pytesseract 包從圖像讀取字符。相同的代碼如下

#Read the number plate

原始圖像上印有數(shù)字 “CZ20FSE”，并且我們的程序檢測(cè)到它在 jupyter 筆記本上打印了相同的值。

車牌識(shí)別失敗案例

車牌識(shí)別的完整代碼，其中包含程序和我們用來(lái)檢查程序的測(cè)試圖像。要記住，此方法的結(jié)果將不準(zhǔn)確。準(zhǔn)確度取決于圖像的清晰度，方向，曝光等。為了獲得更好的結(jié)果，您可以嘗試同時(shí)實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法。

這個(gè)案例中我們的程序能夠正確檢測(cè)車牌并進(jìn)行裁剪。但是，Tesseract 庫(kù)無(wú)法正確識(shí)別字符。OCR 已將其識(shí)別為 “MH13CD 0036”，而不是實(shí)際的 “ MH 13 CD 0096”。通過(guò)使用更好的方向圖像或配置 Tesseract 引擎，可以糾正此類問(wèn)題。

其他成功的例子

大多數(shù)時(shí)候，圖像質(zhì)量和方向都是正確的，程序能夠識(shí)別車牌并從中讀取編號(hào)。下面的快照顯示了獲得的成功結(jié)果。

完整代碼

#@programming_fever

Github 鏈接 - https: //github.com/GeekyPRAVEE/OpenCV-Projects/blob/master/LicensePlateRecoginition.ipynb文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-488687.html

到了這里，關(guān)于基于OpenCV 的車牌識(shí)別的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！