python+opencv实现车牌定位 |
您所在的位置:网站首页 › opencv实现车牌识别 › python+opencv实现车牌定位 |
写在前面
HIT大三上学期视听觉信号处理课程中视觉部分的实验三,经过和学长们实验的对比发现每一级实验要求都不一样,因此这里标明了是2019年秋季学期的视觉实验三。 由于时间紧张,代码没有进行任何优化,实验算法仅供参考。 实验要求对给定的车牌进行车牌识别 实验代码代码首先贴在这里,仅供参考 源代码 实验代码如下: import cv2 import numpy as np def lpr(filename): img = cv2.imread(filename) # 预处理,包括灰度处理,高斯滤波平滑处理,Sobel提取边界,图像二值化 # 对于高斯滤波函数的参数设置,第四个参数设为零,表示不计算y方向的梯度,原因是车牌上的数字在竖方向较长,重点在于得到竖方向的边界 # 对于二值化函数的参数设置,第二个参数设为127,是二值化的阈值,是一个经验值 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) # 形态学运算 kernel = np.ones((5, 15), np.uint8) # 先闭运算将车牌数字部分连接,再开运算将不是块状的或是较小的部分去掉 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) # 由于部分图像得到的轮廓边缘不整齐,因此再进行一次膨胀操作 element = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) dilation_img = cv2.dilate(open_img, element, iterations=3) # 获取轮廓 contours, hierarchy = cv2.findContours(dilation_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 测试边框识别结果 # cv2.drawContours(img, contours, -1, (0, 0, 255), 3) # cv2.imshow("lpr", img) # cv2.waitKey(0) # 将轮廓规整为长方形 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) # 用颜色识别出车牌区域 # 需要注意的是这里设置颜色识别下限low时,可根据识别结果自行调整 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) # 用计算均值的方式找蓝色最多的区块 mean = cv2.mean(result) if mean[0] > max_mean: max_mean = mean[0] dist_r = r # 画出识别结果,由于之前多做了一次膨胀操作,导致矩形框稍大了一些,因此这里对于框架+3-3可以使框架更贴合车牌 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") 参数调整上述代码中,所有涉及到参数调整的函数,例如形态学操作,都需边调整边观察当前参数下的运行结果,待本步运行结果较好时,再继续写下一步。 该代码对具体图片要求较高,不同的图片可能无法成功识别车牌,此时可尝试依次调整预处理部分,形态学部分,hsv检测部分函数的参数 实验结果ps:图五是最难识别的图片,最后是通过调整hsv下限为[100, 60, 60]实现的 知识总结这一部分总结实验过程中查询的博客,介绍完成本实验所需的知识,并对其记录以便之后复习。 python3 利用opencv 添加中值滤波,均值滤波,高斯滤波,高斯双边滤波 这篇博客参考的是opencv中常用的滤波函数 图像的二值化之python+opencv 这篇博客是opencv中二值化函数的详解 Python下opencv使用笔记(四)(图像的阈值处理) 这篇博客参考的是使用二值化函数时的阈值如何设置 OpenCV_ cv2.imshow() 这篇博客参考的是opencv图片显示的方式 OpenCV-Python教程(6、Sobel算子) 这篇博客参考的是sobel算子函数的使用方法 形态学操作—膨胀与腐蚀(Dilation and Erosion) OpenCV中的图像的膨胀和腐蚀 这两篇博客参考的是膨胀腐蚀的原理即opencv使用 轮廓检测cv2.findContours() Python OpenCV findContours()函数与drawContours()函数用法 这两篇博客参考的是opencv边框画法,前者是轮廓检测,后者是画出边框 从 RGB 到 HSV 的转换详细介绍 这篇博客参考的是hsv的原理 实验总结很简单的一个实验,总时间加起来大致5个小时左右,(其中还包括了一个小时调参数的时间) 简单的原因是opencv真好用,全程调库 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |