＜规则数字字符＞识别—纯python代码实现

最新推荐文章于 2024-01-12 09:50:28 发布

Jayson_xia

最新推荐文章于 2024-01-12 09:50:28 发布

阅读量1.2k

点赞数

分类专栏：数据类文章标签： python 算法

本文链接：https://blog.csdn.net/Jayson_xia/article/details/110142231

版权

数据类专栏收录该内容

2 篇文章 0 订阅

订阅专栏

纯python代码实现<规则数字字符>识别

前言
具体步骤

前言

本篇博客主要记录在不使用机器学习和深度学习算法的情况下，自己实现规则数字字符的识别，具体场景如下：

先看图 ：
需求： 将对应图片上出现的速度识别出来，以用于数据的处理和结果的合并（比较多的应用场景基础）
效果： 准确率达到100%，在inter i7-cpu上，速度为：4-8 ms（完成对应图片的处理，输出速度）

具体步骤

1、准确定位速度区域：

裁剪： 将如上图区域切割出来；
模板匹配： 将速度区域的左上角右下角定位出来；
切片： 将定位出来的区域切割出来；
模板和最终截取图，如下： 因为速度位长度不一，所以需要两个模板；

2、字符分割：

图片二值化处理： 因为图片像素值并不均匀，也为后面判断提供便利，此处阈值设置为像素值小于20就置255否则就是0；
投影法分割字符： 如下：

3、字符识别：

可视化字符： 可视化字符，分析字符特性；
特征分析： 将速度区域的左上角右下角定位出来；
数字0： 字符上半部分有空心，下半部分有空心，且没有像素值全部是255的行；
数字1： 没有像素值全部是255的行，字符的宽度最窄，在一列上像素值为255的最多和4一样；
数字2： 在下半部分有像素值全部是255的行，且在一列上，为255的像素值不多；
数字3： 上半部分没有空心，下半部分没有空心，且没有像素值全部是255的行；
数字4： 在下半部分有像素值全部是255的行，且在一列上，为255的像素值最多和1差不多；
数字5： 没有像素值全部是255的行，在下半部分像素值为<左无右有>；
数字6： 没有像素值全部是255的行，在下半部分有空心，上半部分没有；
数字7： 上半部分有像素值全部是255的行；
数字8： 上半部分有空心，但是小一个单位，下半部分有空心，大一个单位；
数字9： 没有像素值全部是255的行，在下半部分没有空心，上半部分有，与6相反；
逻辑梳理：
1）、 依次读取一个文件夹下所有图片，并进行速度区域定位，切割该区域；
2）、 将速度区域进行字符分割，依次对分割的图片进行识别，将识别内容保存并返回；
3）、 判断识别出来的字符个数是否满足要求，根据要求输出速度；
代码如下：

// 主函数
def main(image_path,star_tem_path,end_tem_path):

    num = 0
    name = "test_data"

    filename = os.listdir(image_path)
    start_tem_image = cv2.imread(star_tem_path)
    end_tem_image = cv2.imread(end_tem_path)
    sh, sw = start_tem_image.shape[0], start_tem_image.shape[1]
    eh, ew = end_tem_image.shape[0], end_tem_image.shape[1]

    for image_name in filename:
        alone_image_path = image_path + image_name
        image_data = cv2.imread(alone_image_path)
        image_speed = image_data[0:35, 0:1400]

        res = cv2.matchTemplate(image_speed, start_tem_image, method=cv2.TM_CCOEFF_NORMED)
        end_res = cv2.matchTemplate(image_speed, end_tem_image, method=cv2.TM_CCOEFF_NORMED)
        # 取匹配程度大于0.8的坐标
        min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
        end_min_val, end_max_val, end_min_loc, end_max_loc = cv2.minMaxLoc(end_res)
        if max_val >= 0.8 and end_max_val >= 0.8:
            satrt_top_left = max_loc
            end_top_left = end_max_loc
            left = (satrt_top_left[0] + sw,satrt_top_left[1])
            right = (end_top_left[0],end_top_left[1] +  eh - 3)
            cv2.rectangle(image_speed, left, right, 255, 2)
            div_image = image_data[satrt_top_left[1]:(end_top_left[1] +  eh - 3),satrt_top_left[0]+ sw :end_top_left[0]]#调整剪切的高度和宽度
            name_all = name + "-%d"%num
            # print(div_image.shape)
            speed_result = chardivision(div_image,name_all)
            if speed_result != -1:
                print(speed_result)
                if len(speed_result) == 3:
                    print("速度是：{}.{}{}Km/h".format(speed_result[0],speed_result[1],speed_result[2]))
                elif len(speed_result) == 4:
                    print("速度是：{}{}.{}{}Km/h".format(speed_result[0],speed_result[1],speed_result[2],speed_result[3]))
            else:
                print("检测失败！！！")
            num += 1

        image_speed = cv2.cvtColor(image_speed, cv2.COLOR_BGR2RGB)
        result = np.asarray(image_speed)

        cv2.namedWindow("result", cv2.WINDOW_AUTOSIZE)
        cv2.imshow("result", result)

        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
        sleep(1)

整体效果如下：
识别时间
准确率100%
3. 功能函数：
1）、 字符切割函数 chardivision(div_image,name_all)：
代码如下：

def chardivision(image,name):

    image = image.astype(np.uint8)
    image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    h,w= image.shape

    tran_tem_image = np.zeros((h,w))
    tran_tem_image[np.where(image[:,:]<=20)] = 255

    left_pix = 0
    num = 1
    speed_dete = []
    for w_pix in range(1,w-1):
        if  np.all(tran_tem_image[:,w_pix-1] == 0) and  np.any(tran_tem_image[:,w_pix] != 0):
            left_pix = w_pix
        elif np.any(tran_tem_image[:,w_pix] != 0) and np.all(tran_tem_image[:,w_pix+1] == 0):
            image_char = tran_tem_image[:,left_pix:w_pix+1]
            char_w = w_pix+1-left_pix
            if char_w > 3:

                speed_num = c0_6and9(image_char)
                if speed_num != -1:
                    speed_dete.append(speed_num)

                else:
                    path = "./a/other/" + name + "%d.jpg" % w_pix
                    cv2.imwrite(path, image_char)
                    cv2.imwrite("./a/other/" + name + "%d_%s.jpg" % (w_pix,"cuowu"), image)
                    continue
            left_pix = 0
            num += 1
    return speed_dete

2）、 字符识别函数 c0_6and9(image_char)：

代码如下：。

def c0_6and9(image):

    num1 = is1(image)
    if num1 == 1:
        return 1
    num2and4 = is2and4(image)
    if num2and4 == 2 or num2and4 == 4:
        return num2and4
    num7 = is7(image)
    if num7 == 7:
        return 7

    up_3, down_3,up_5, down_5,up,up_8,down = 0,0,0,0,0,0,0
    for i in range(image.shape[0]):
        if i <= int(image.shape[0] / 2):
            if len(image[np.where(image[i, 0] >= 200)]) == 1 and len(image[np.where(image[i, -1:] >= 200)]) == 1 and \
                    len(image[np.where(image[i, :] >= 200)]) <= 6:
                up += 1

            if len(image[np.where(image[i, 1] >= 200)]) == 1 and len(image[np.where(image[i, -2:-1] >= 200)]) == 1 and \
                    len(image[np.where(image[i, :] >= 200)]) <= 6:
                up_8 += 1

            if len(image[np.where(image[i, :2] >= 200)]) == 0 and len(image[np.where(image[i, -2:-1] >= 200)]) == 1:
                up_3 += 1

            if len(image[np.where(image[i, 0] >= 200)]) == 1 and len(image[np.where(image[i, -1:] >= 200)]) == 0:
                up_5 += 1

        elif i > int(image.shape[0] / 2):
            if len(image[np.where(image[i, 0] >= 200)])==0 and len(image[np.where(image[i, -1:] >= 200)])==1:
                down_5 += 1

            if len(image[np.where(image[i, 0] >= 200)]) == 1 and len(image[np.where(image[i, -1:] >= 200)]) == 1 and \
                    len(image[np.where(image[i, :] >= 200)]) <= 6:
                down += 1
            elif len(image[np.where(image[i, 0] >= 200)]) == 0 and len(image[np.where(image[i, -1:] >= 200)]) == 1:
                down_3 += 1


    if up >= 2 and down >= 2:
        return 0
    elif down == 0 and up >= 2:
        return 9
    elif up == 0 and up_8 == 0 and down >= 2 and num2and4 == -1:
        return 6
    elif up_8 >= 2 and down >= 2 and up == 0:
        return 8
    elif up_3 >= 2 and down_3 >= 2 and num2and4 == -1:
        return 3
    elif up_5 >= 2 and down_5 >= 2:
        return 5
    else:
        return -1

3）、 字符识别函数，判断是否是1，2，4，7字符函数：

代码如下：

def is1(image):

    is_1 = 0
    initial = np.array([i for i in range(image.shape[1])])#生成列索引
    for row_1 in range(image.shape[0]):
        col_len = []
        if len(np.where(image[row_1, :] >= 200)[0]) != 0:#开始判断是否有一行像素值全部大于阈值（200）
            frist_row_result = np.where(image[row_1, :] >= 200)[0]
            second_row_result = np.where(image[row_1 + 1, :] >= 200)[0]
            for val in initial:
                if val in frist_row_result:
                    col_len.append(val)
                elif val not in frist_row_result and val in second_row_result:
                    col_len.append(val)
        if len(col_len) == image.shape[1] and image.shape[1] > 6:#规定字符宽度达到阈值#有相等，但大于6个像素值宽度，则判断不是1
            is_1 += 1
            return -1
    for col_1 in range(image.shape[1]):
        if is_1 == 0 and len(np.where(image[:, col_1] >= 200)[0]) >= 12 and image.shape[1] < 7:#字符宽度小于7，才确定为1
            return 1

#判断是否是7
def is7(image):

    initial = np.array([i for i in range(image.shape[1])])#生成列索引
    for row in range(0, int(image.shape[0] / 2) + 1):#判断上半部分遍历是否有像素值大于阈值，且一行所有个数等于宽度
        col_len = []
        if len(np.where(image[row, :] >= 200)[0]) != 0:
            frist_row_result = np.where(image[row, :] >= 200)[0]
            second_row_result = np.where(image[row + 1, :] >= 200)[0]
            for val in initial:
                if val in frist_row_result:
                    col_len.append(val)
                elif val not in frist_row_result and val in second_row_result:
                    col_len.append(val)
        if len(col_len) == image.shape[1]:#上半部分如果有，则直接判断为7，为否没有，5的上半部分没有达到整个宽度
            return 7

    return -1

#判断是否是2或4
def is2and4(image):

    down_2, down_4 = 0,0
    initial = np.array([i for i in range(image.shape[1])])#生成列的index
    for row in range(int(image.shape[0] / 2), image.shape[0]):#遍历下半部分
        col_len = []
        frist_row_result = np.where(image[row, :] >= 200)[0]#该行所有列是否有像素值大于200
        if len(frist_row_result) != 0:
            second_row_result = np.where(image[row + 1, :] >= 200)[0]#该行的下一行所有列是否有像素值大于200
            for val in initial:
                if val in frist_row_result:
                    col_len.append(val)#将第一行大于200的值添加到新列表
                elif val not in frist_row_result and val in second_row_result:
                    col_len.append(val)#将第二列有且第一列没有的，大于200的像素值添加到新列表中
        if len(col_len) == image.shape[1]:#如果大于200的像素值的索引个数长度等于图片的宽度
            is5 = 0
            for col in range(image.shape[1]):

                if row - int(image.shape[0] / 2)  < 3:#在下半部分开始的三行内出现整行，判断为5
                    # print("这个字符是5")
                    is5 += 1
                    return -1
                # if np.sum(image[int(image.shape[0] / 2):row, col] > 200) >= 4 :
                if np.sum(image[:, col] > 200) >= 14:#整列大于14个200以上的值则为4
                    down_4 += 1
                    return 4
            if is5 == 0 and down_4 == 0:#既不是5，也不是4的便是2
                down_2 += 1
                return 2
    return -1

4）、 最后：


if __name__ == "__main__":

    star_tem_path = './template/start_tem.jpg'#定位速度区域开始位置的模板
    end_tem_path = './template/end_tem.jpg'#定位速度区域结束位置的模板
    image_path = "./test_data/"#带检测的图片
    main(image_path,star_tem_path,end_tem_path)