寫在前面

HIT大三上學期視聽覺訊號處理課程中視覺部分的實驗三，經過和學長們實驗的對比發現每一級實驗要求都不一樣，因此這裡標明瞭是2019年秋季學期的視覺實驗三。

由於時間緊張，程式碼沒有進行任何優化，實驗演算法僅供參考。

實驗要求

對給定的車牌進行車牌識別

實驗程式碼

程式碼首先貼在這裡，僅供參考

原始碼

實驗程式碼如下：

import cv2
import numpy as np
def lpr(filename):
  img = cv2.imread(filename)
  # 預處理，包括灰度處理，高斯濾波平滑處理，Sobel提取邊界，影象二值化
  # 對於高斯濾波函式的引數設定，第四個引數設為零，表示不計算y方向的梯度，原因是車牌上的數字在豎方向較長，重點在於得到豎方向的邊界
  # 對於二值化函式的引數設定，第二個引數設為127，是二值化的閾值，是一個經驗值
  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,ksize=3)
  ret,binary_img = cv2.threshold(Sobel_img,127,255,cv2.THRESH_BINARY)
  # 形態學運算
  kernel = np.ones((5,15),np.uint8)
  # 先閉運算將車牌數字部分連線，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,kernel2)
  # 由於部分影象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)
  # 測試邊框識別結果
  # cv2.drawContours(img,contours,(0,255),3)
  # cv2.imshow("lpr",img)
  # cv2.waitKey(0)
  # 將輪廓規整為長方形
  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域
  # 需要注意的是這裡設定顏色識別下限low時，可根據識別結果自行調整
  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])
    result = cv2.inRange(hsv,low,up)
    # 用計算均值的方式找藍色最多的區塊
    mean = cv2.mean(result)
    if mean[0] > max_mean:
      max_mean = mean[0]
      dist_r = r
  # 畫出識別結果，由於之前多做了一次膨脹操作，導致矩形框稍大了一些，因此這裡對於框架+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),2)
  cv2.imshow("lpr",img)
  cv2.waitKey(0)
# 主程式
for i in range(5):
  lpr(str(i+1) + ".jpg")

引數調整

上述程式碼中，所有涉及到引數調整的函式，例如形態學操作，都需邊調整邊觀察當前引數下的執行結果，待本步執行結果較好時，再繼續寫下一步。

該程式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，此時可嘗試依次調整預處理部分，形態學部分，hsv檢測部分函式的引數

實驗結果

ps:圖五是最難識別的圖片，最後是通過調整hsv下限為[100,60]實現的

總結

以上所述是小編給大家介紹的python+opencv實現車牌定位功能，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回覆大家的。在此也非常感謝大家對我們網站的支援！
如果你覺得本文對你有幫助，歡迎轉載，煩請註明出處，謝謝！