python+opencv實現車牌定位功能(例項程式碼)
阿新 • • 發佈:2020-01-09
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!