网站规划与建设,wordpress 主题 排名,那个网站专做地质基础信息,微网站 前景基于OpenCV 的车牌识别 车牌识别是一种图像处理技术#xff0c;用于识别不同车辆。这项技术被广泛用于各种安全检测中。现在让我一起基于 OpenCV 编写 Python 代码来完成这一任务。
车牌识别的相关步骤
1. 车牌检测#xff1a;第一步是从汽车上检测车牌所在位置。我们将使用…基于OpenCV 的车牌识别 车牌识别是一种图像处理技术用于识别不同车辆。这项技术被广泛用于各种安全检测中。现在让我一起基于 OpenCV 编写 Python 代码来完成这一任务。
车牌识别的相关步骤
1. 车牌检测第一步是从汽车上检测车牌所在位置。我们将使用 OpenCV 中矩形的轮廓检测来寻找车牌。如果我们知道车牌的确切尺寸颜色和大致位置则可以提高准确性。通常也会将根据摄像机的位置和该特定国家 / 地区所使用的车牌类型来训练检测算法。但是图像可能并没有汽车的存在在这种情况下我们将先进行汽车的然后是车牌。
2. 字符分割检测到车牌后我们必须将其裁剪并保存为新图像。同样这可以使用 OpenCV 来完成。
3. 字符识别现在我们在上一步中获得的新图像肯定可以写上一些字符数字 / 字母。因此我们可以对其执行 OCR光学字符识别以检测数字。
1. 车牌检测
让我们以汽车的样本图像为例首先检测该汽车上的车牌。然后我们还将使用相同的图像进行字符分割和字符识别。如果您想直接进入代码而无需解释则可以向下滚动至此页面的底部提供完整的代码或访问以下链接。https://github.com/GeekyPRAVEE/OpenCV-Projects/blob/master/LicensePlateRecoginition.ipynb
在次使用的测试图像如下所示。 图片来源链接https : //rb.gy/lxmiuv
第 1 步 将图像调整为所需大小然后将其灰度。相同的代码如下
img cv2.resize(img, (620,480) )调整大小后可以避免使用较大分辨率的图像而出现的以下问题但是我们要确保在调整大小后车号牌仍保留在框架中。在处理图像时如果不再需要处理颜色细节那么灰度变化就必不可少这加快了其他后续处理的速度。完成此步骤后图像将像这样被转换 步骤 2每张图片都会包含有用和无用的信息在这种情况下对于我们来说只有牌照是有用的信息其余的对于我们的程序几乎是无用的。这种无用的信息称为噪声。通常使用双边滤波模糊会从图像中删除不需要的细节。
gray cv2.bilateralFilter(gray, 13, 15, 15)语法为 destination_image cv2.bilateralFilter(source_image, diameter of pixel, sigmaColor, sigmaSpace)。我们也可以将 sigma 颜色和 sigma 空间从 15 增加到更高的值以模糊掉更多的背景信息但请注意不要使有用的部分模糊。输出图像如下所示可以看到该图像中的背景细节树木和建筑物模糊了。这样我们可以避免程序处理这些区域。 步骤 3下一步是我们执行边缘检测的有趣步骤。有很多方法可以做到最简单和流行的方法是使用 OpenCV 中的 canny edge 方法。执行相同操作的行如下所示
edged cv2.Canny(gray, 30, 200) #Perform Edge detection语法为 destination_image cv2.Cannysource_imagethresholdValue 1thresholdValue 2。阈值谷 1 和阈值 2 是最小和最大阈值。仅显示强度梯度大于最小阈值且小于最大阈值的边缘。结果图像如下所示 步骤 4现在我们可以开始在图像上寻找轮廓
contourscv2.findContours(edged.copy(),cv2.RETR_TREE,一旦检测到计数器我们就将它们从大到小进行排序并只考虑前 10 个结果而忽略其他结果。在我们的图像中计数器可以是具有闭合表面的任何事物但是在所有获得的结果中牌照号码也将存在因为它也是闭合表面。
为了过滤获得的结果中的车牌图像我们将遍历所有结果并检查其具有四个侧面和闭合图形的矩形轮廓。由于车牌肯定是四边形的矩形。
for c in cnts:找到正确的计数器后我们将其保存在名为 screenCnt 的变量中然后在其周围绘制一个矩形框以确保我们已正确检测到车牌。 步骤 5现在我们知道车牌在哪里剩下的信息对我们来说几乎没有用。因此我们可以对整个图片进行遮罩除了车牌所在的地方。相同的代码如下所示
# Masking the part other than the number plate被遮罩的新图像将如下所示 2. 字符分割
车牌识别的下一步是通过裁剪车牌并将其保存为新图像将车牌从图像中分割出来。然后我们可以使用此图像来检测其中的字符。下面显示了从主图像裁剪出 ROI感兴趣区域图像的代码
# Now crop结果图像如下所示。通常添加到裁剪图像中如果需要我们还可以对其进行灰色处理和边缘化。这样做是为了改善下一步的字符识别。但是我发现即使使用原始图像也可以正常工作。 3. 字符识别
该车牌识别的最后一步是从分割的图像中实际读取车牌信息。就像前面的教程一样我们将使用 pytesseract 包从图像读取字符。相同的代码如下
#Read the number plate原始图像上印有数字 “CZ20FSE”并且我们的程序检测到它在 jupyter 笔记本上打印了相同的值。
车牌识别失败案例
车牌识别的完整代码其中包含程序和我们用来检查程序的测试图像。要记住此方法的结果将不准确。准确度取决于图像的清晰度方向曝光等。为了获得更好的结果您可以尝试同时实现机器学习算法。 这个案例中我们的程序能够正确检测车牌并进行裁剪。但是Tesseract 库无法正确识别字符。OCR 已将其识别为 “MH13CD 0036”而不是实际的 “ MH 13 CD 0096”。通过使用更好的方向图像或配置 Tesseract 引擎可以纠正此类问题。
其他成功的例子
大多数时候图像质量和方向都是正确的程序能够识别车牌并从中读取编号。下面的快照显示了获得的成功结果。 完整代码
#programming_feverGithub 链接 - https: //github.com/GeekyPRAVEE/OpenCV-Projects/blob/master/LicensePlateRecoginition.ipynb
