【opencv项目】物体检测——车牌字符模板匹配

最新推荐文章于 2024-09-25 22:19:37 发布
最新推荐文章于 2024-09-25 22:19:37 发布
阅读量3k 收藏 30
点赞数 3
分类专栏： 计算机视觉 文章标签： 计算机视觉 opencv 人工智能 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_59405106/article/details/126274332
版权

目录

1.初始模板匹配

2.模板匹配函数

3.车牌字符模板匹配

3.1图像预处理

3.2图像分割

3.3得到单个字符外接矩形

3.4单个字符图片的列表

3.5读取模板

3.6依次检测中文、英文/数字字符

4.完整代码

前言：模板匹配是物体检测的最简单的方法之一。

 ➢车牌字符模板匹配实现思路：

•1. 获取所有模板图片路径，注意分开记录中文和英文模板路径

•2. 对于一张要匹配的图片，获取它与所有模板图片的匹配结果分数，记录分数最高的模板字符并返回

1.初始模板匹配

下图是模板匹配工作流程的一个例子，取想要检测的对象/模板，源图像，然后在源图像中找到模板。

➢为了在源图像中找到模板图像，在源图像中从左到右和从上到下依次滑动模板，

进行卷积值计算

➢在每一个位置都计算一个分数，表明这个位置模板和源图图像块之间匹配程度

的高低

➢当模板和源图中的物体完全重合时，分数最高

➢模板匹配的优点

•单次匹配效率高

•实现简单

➢模板匹配缺点

•源图像中的目标和模板如果有大小、比例、旋转、视角上的区别，匹配容易失效

•为了保证匹配效果，对于一个物体需要准备大量模板，降低匹配效率

2.模板匹配函数

 ➢result = cv2.matchTemplate(image,template, method）

参数解释如下：

•image：要进行物体检测的源图像

•template：模板图像

•method：模板匹配方法

•具体算法见附录

•result: 每个位置的分数值

3.车牌字符模板匹配

部分知识点总结：

详细可参考文章：http://t.csdn.cn/Eh0RZ

➢基于阈值的图像分割

• 自适应阈值分割 – 图片不同区域计算不同阈值

• Otsu阈值分割 – 不同的图片计算不同阈值

➢轮廓和外接矩形检测

•contours, hierarchy = cv2.findContours(image, mode, method)

•rect= cv2.boundingRect(points)

➢模板匹配–简单的物体检测方法

•result = cv2.matchTemplate(image,template, method）

3.1图像预处理

# 图片预处理
def pre_processing(image):
    '''对图片进行预处理，保证后续操作的结果'''
    #第一步：将图片的高转换为120，保证各个函数传入参数的适用性
    target_height = 120
    h, w, _ = image.shape
    resize_ratio = target_height/h
    image = cv2.resize(image, None, fx=resize_ratio, fy=resize_ratio)
    #第二部：去噪
    image = cv2.GaussianBlur(image, (3, 3), 0)
    #第三步：转换为灰度图
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # cv2.imshow("gray_image", gray_image)
    # cv2.waitKey()
    return gray_image

3.2图像分割

# 图像分割
def get_segment(gray_image):
    '''得到图像分割结果，区分出字符和非字符区域'''
    #第一步:使用0tsu阅值分割算法对分割出字符和非字符区域
    ret,  thresh_image = cv2. threshold(gray_image, 200, 255,cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    #第二步:比较分割结果中白色和黑色像素数量，保证字符区域是白色
    area_white = 0
    area_black = 0
    height, width = gray_image.shape
    for i in range(width):
        for j in range(height):
            if thresh_image[j, i]==0:
                area_black += 1
            else:
                area_white += 1
        if area_white > area_black:
            thresh_image = 255 - thresh_image
    # cv2.imshow("thresh_image", thresh_image)
    # cv2.waitKey()
    return thresh_image

3.3得到单个字符外接矩形

# 单个字符外接矩形
def get_rectangles(thresh_image, draw_contours=False, draw_rectangle=False):
    '''获取一张阈值分割结果，返回单个字符的外接矩形坐标列表
        draw_contours:显示轮廓绘制的结果
        draw_rectangle:显示矩形绘制的结果
    '''
    # 轮廓检测
    th1 = cv2.dilate(thresh_image, None)  # 膨胀
    contours, hierachy = cv2.findContours(th1, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # 轮廓可视化
    th1_bgr = cv2.cvtColor(th1, cv2.COLOR_GRAY2BGR)  # 把单通道变成三通道，方便显示彩色
    if draw_contours:
        cv2.drawContours(th1_bgr, contours, -1, (0,0,255), 2)
        # cv2.imshow("contours", th1_bgr)
        # cv2.waitKey()

    '''外接矩形（包围框的提取于绘制）'''
    words = []  # 保存所有字符的外接矩形
    height, width = th1.shape  # 拿到整张图片的高和宽
    for contour in contours:  # 拿到每条轮廓的点的坐标
        rect = cv2.boundingRect(contour)  # 获取当前轮廓的外接矩形
        # 只保留高宽比在1.5-3.5范围内的矩形，并且这个矩形的高/整张图像的高大于0.3
        if rect[3] / rect[2] > 1.5 and rect[3] / rect[2] < 3.5 and rect[3] / height > 0.3:
            words.append(rect)  # 将当前矩形加入矩形列表
            if draw_rectangle:
                cv2.rectangle(th1_bgr, (rect[0], rect[1]), (rect[0] + rect[2], rect[1] + rect[3]),
                             (255, 255, 0), 3)  # 绘制矩形
                # cv2.imshow("rectangle", th1_bgr)
                # cv2.waitKey()
    return words

3.4单个字符图片的列表

# 单字符图片列表
def get_single_words(image, words):
    '''对矩形从左至右排序，并且提取每一个矩形的ori; image：二值图片，words：矩形列表'''
    #根据每个元素的第一个值进行从小到大的排序
    words.sort(key=lambda x:x[0])
    #提取单个字符的ori，把单个字符的图片保存在words——imgs中
    words_imgs = []
    for rect in words:
        #取左上角xy坐标分别为(rect[0], rect[1]), 宽和高分别为rect[2]和rect[3]的ori
        current_img = image[rect[1]:rect[1]+rect[3], rect[0]:rect[0]+rect[2]]
        words_imgs.append(current_img)
        cv2.imshow("current_img",current_img)
        cv2.waitKey()
    return words_imgs

3.5读取模板


import cv2, os
import numpy as np

# 读取模板
template_chars = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9',
            'A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'J', 'K',
            'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z',
            '藏', '川', '鄂', '甘', '赣', '贵', '桂', '黑', '沪', '吉',
            '冀', '津', '晋', '京', '辽', '鲁', '蒙', '闽', '宁',
            '青', '琼', '陕', '苏', '皖', '湘', '新', '渝', '豫', '粤', '云', '浙']

def read_directory(directory_name):
    '''遍历文件夹，返回文件夹下所有文件的路径'''
    referImg_list = []
    for filename in os.listdir(directory_name):
        referImg_list.append(directory_name + "/" + filename)
    return referImg_list

def get_templates():
    '''获取字符模板图片路径'''
    # 获取中文字符模板路径
    chinese_words = []
    for i in range(34, 64):
        c_word = read_directory('D:\\desk\\images\\refer1\\' + template_chars[i])
        chinese_words.append(c_word)
    # 获取英文和数字字符模板路径
    english_words = []
    for i in range(0, 34):
        c_word = read_directory('D:\\desk\\images\\refer1\\' + template_chars[i])
        english_words.append(c_word)
    return chinese_words, english_words

3.6依次检测中文、英文/数字字符


def get_charactor(char_img, templates, match_chinese=True):
    '''根据字符模板获取最佳匹配字符，并返回
    char_img: 要识别的字符图片， templates: 模板路径列表，natch_chinese: 是否匹配中文'''
    best_score = 0 #记录最高得分
    best_char = '' #记录最高得分对应的字符
    # TO DO：遍历所有字符模板，i代表字符序号，返回最高得分的字符
    for i in range(len(templates)):
        current_char_paths = templates[i] #拿到第i个字符所有模板图片路径
        for current_char_path in current_char_paths: #拿到当前的模板图片路径
            #读取模板图片
            templates_img = cv2.imdecode(np.fromfile(current_char_path, dtype=np.uint8), 1)
            #对模板图片进行阈值分割
            templates_img = cv2.cvtColor(templates_img, cv2.COLOR_BGR2GRAY)
            ret, templates_img = cv2.threshold(templates_img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
            #将要识别的字符图片缩放到和模板图片一样的大小
            height, width = templates_img.shape
            char_img = cv2.resize(char_img, (width, height))
            #进行模板匹配
            result = cv2.matchTemplate(char_img, templates_img, cv2.TM_CCOEFF)
            #记录最高的得分和对应的字符
            if result[0][0] > best_score:
                best_score = result[0][0]
                if match_chinese:
                    best_char = template_chars[i+34]
                else:
                    best_char = template_chars[i]
    return best_char

4.完整代码

'''（模板匹配）'''

import cv2, os
import numpy as np

# 读取模板
template_chars = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9',
            'A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'J', 'K',
            'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X', 'Y', 'Z',
            '藏', '川', '鄂', '甘', '赣', '贵', '桂', '黑', '沪', '吉',
            '冀', '津', '晋', '京', '辽', '鲁', '蒙', '闽', '宁',
            '青', '琼', '陕', '苏', '皖', '湘', '新', '渝', '豫', '粤', '云', '浙']

# 图片预处理
def pre_processing(image):
    '''对图片进行预处理，保证后续操作的结果'''
    #第一步：将图片的高转换为120，保证各个函数传入参数的适用性
    target_height = 120
    h, w, _ = image.shape
    resize_ratio = target_height/h
    image = cv2.resize(image, None, fx=resize_ratio, fy=resize_ratio)
    #第二部：去噪
    image = cv2.GaussianBlur(image, (3, 3), 0)
    #第三步：转换为灰度图
    gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # cv2.imshow("gray_image", gray_image)
    # cv2.waitKey()
    return gray_image



# 图像分割
def get_segment(gray_image):
    '''得到图像分割结果，区分出字符和非字符区域'''
    #第一步:使用0tsu阅值分割算法对分割出字符和非字符区域
    ret,  thresh_image = cv2. threshold(gray_image, 200, 255,cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    #第二步:比较分割结果中白色和黑色像素数量，保证字符区域是白色
    area_white = 0
    area_black = 0
    height, width = gray_image.shape
    for i in range(width):
        for j in range(height):
            if thresh_image[j, i]==0:
                area_black += 1
            else:
                area_white += 1
        if area_white > area_black:
            thresh_image = 255 - thresh_image
    # cv2.imshow("thresh_image", thresh_image)
    # cv2.waitKey()
    return thresh_image


# 单个字符外接矩形
def get_rectangles(thresh_image, draw_contours=False, draw_rectangle=False):
    '''获取一张阈值分割结果，返回单个字符的外接矩形坐标列表
        draw_contours:显示轮廓绘制的结果
        draw_rectangle:显示矩形绘制的结果
    '''
    # 轮廓检测
    th1 = cv2.dilate(thresh_image, None)  # 膨胀
    contours, hierachy = cv2.findContours(th1, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # 轮廓可视化
    th1_bgr = cv2.cvtColor(th1, cv2.COLOR_GRAY2BGR)  # 把单通道变成三通道，方便显示彩色
    if draw_contours:
        cv2.drawContours(th1_bgr, contours, -1, (0,0,255), 2)
        # cv2.imshow("contours", th1_bgr)
        # cv2.waitKey()

    '''外接矩形（包围框的提取于绘制）'''
    words = []  # 保存所有字符的外接矩形
    height, width = th1.shape  # 拿到整张图片的高和宽
    for contour in contours:  # 拿到每条轮廓的点的坐标
        rect = cv2.boundingRect(contour)  # 获取当前轮廓的外接矩形
        # 只保留高宽比在1.5-3.5范围内的矩形，并且这个矩形的高/整张图像的高大于0.3
        if rect[3] / rect[2] > 1.5 and rect[3] / rect[2] < 3.5 and rect[3] / height > 0.3:
            words.append(rect)  # 将当前矩形加入矩形列表
            if draw_rectangle:
                cv2.rectangle(th1_bgr, (rect[0], rect[1]), (rect[0] + rect[2], rect[1] + rect[3]),
                             (255, 255, 0), 3)  # 绘制矩形
                # cv2.imshow("rectangle", th1_bgr)
                # cv2.waitKey()
    return words

# 单字符图片列表
def get_single_words(image, words):
    '''对矩形从左至右排序，并且提取每一个矩形的ori; image：二值图片，words：矩形列表'''
    #根据每个元素的第一个值进行从小到大的排序
    words.sort(key=lambda x:x[0])
    #提取单个字符的ori，把单个字符的图片保存在words——imgs中
    words_imgs = []
    for rect in words:
        #取左上角xy坐标分别为(rect[0], rect[1]), 宽和高分别为rect[2]和rect[3]的ori
        current_img = image[rect[1]:rect[1]+rect[3], rect[0]:rect[0]+rect[2]]
        words_imgs.append(current_img)
        cv2.imshow("current_img",current_img)
        cv2.waitKey()
    return words_imgs


def read_directory(directory_name):
    '''遍历文件夹，返回文件夹下所有文件的路径'''
    referImg_list = []
    for filename in os.listdir(directory_name):
        referImg_list.append(directory_name + "/" + filename)
    return referImg_list

def get_templates():
    '''获取字符模板图片路径'''
    # 获取中文字符模板路径
    chinese_words = []
    for i in range(34, 64):
        c_word = read_directory('D:\\desk\\images\\refer1\\' + template_chars[i])
        chinese_words.append(c_word)
    # 获取英文和数字字符模板路径
    english_words = []
    for i in range(0, 34):
        c_word = read_directory('D:\\desk\\images\\refer1\\' + template_chars[i])
        english_words.append(c_word)
    return chinese_words, english_words

def get_charactor(char_img, templates, match_chinese=True):
    '''根据字符模板获取最佳匹配字符，并返回
    char_img: 要识别的字符图片， templates: 模板路径列表，natch_chinese: 是否匹配中文'''
    best_score = 0 #记录最高得分
    best_char = '' #记录最高得分对应的字符
    # TO DO：遍历所有字符模板，i代表字符序号，返回最高得分的字符
    for i in range(len(templates)):
        current_char_paths = templates[i] #拿到第i个字符所有模板图片路径
        for current_char_path in current_char_paths: #拿到当前的模板图片路径
            #读取模板图片
            templates_img = cv2.imdecode(np.fromfile(current_char_path, dtype=np.uint8), 1)
            #对模板图片进行阈值分割
            templates_img = cv2.cvtColor(templates_img, cv2.COLOR_BGR2GRAY)
            ret, templates_img = cv2.threshold(templates_img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
            #将要识别的字符图片缩放到和模板图片一样的大小
            height, width = templates_img.shape
            char_img = cv2.resize(char_img, (width, height))
            #进行模板匹配
            result = cv2.matchTemplate(char_img, templates_img, cv2.TM_CCOEFF)
            #记录最高的得分和对应的字符
            if result[0][0] > best_score:
                best_score = result[0][0]
                if match_chinese:
                    best_char = template_chars[i+34]
                else:
                    best_char = template_chars[i]
    return best_char



rawImage = cv2.imread("D:\\desk\\images\\car_license\\test1.png")
cv2.imshow("rawImage",rawImage)
#预处理
gray_image = pre_processing(rawImage)
# 分割字符和非字符区域
thresh_image = get_segment(gray_image)
#得到单个字符的外接矩形坐标
words_rectangle = get_rectangles(thresh_image, draw_contours=True,draw_rectangle=True)
#得到单个字符图片的列表
words_imgs = get_single_words(thresh_image, words_rectangle)
# #读取模板
chinese_words, english_words = get_templates()
# #检测中文字符(第一个字符)
chinese_word_img = words_imgs[0]
best_word = get_charactor(chinese_word_img,  chinese_words,match_chinese=True)
print(best_word,end='  ')
#检测数字和英文字符
for  i in range(1,  len(words_imgs)):#得到第1个字符
    words_img = words_imgs[i]
    best_word = get_charactor (words_img, english_words, match_chinese=False)
    print(best_word,end='  ')

opencv库功能强大，车牌识别只是基于opencv的物体检测案例之一，本项目为车牌字符模板匹配，小编借此抛砖引玉，不足之处还请各位大佬多多指教！

double@AI
关注
专栏目录
车牌识别-基于模板匹配
m0_68276272的博客
11-02 6064
本次车牌识别是基于模板匹配的车牌识别，主要有GUI界面制作，图片选择，粗定位，形态学处理，精确定位，字符分割，归一化，字符匹配，语音播报几个部分。
车牌识别字符模板库
weixin_41580010的博客
03-08 9741
车牌识别字符模板库 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客： 全新的界面设计 ，...
车牌 字符模板
09-19
车牌 字符模板 可用于车牌识别的字符模板
OpenCV第十章——模板匹配
最新发布
2301_80166849的博客
09-25 3875
模板是指被查找的目标图像，查找模板出现在原始图像中哪个位置的过程就叫模板匹配。OpenCV提供了matchTemplate()方法来实现目标匹配，其语法结构如下：参数说明：iamge:原始图像，必须是单通道，8位或32位浮点图像。temp1:模板图像，其尺寸不得大于原始图像method:匹配的方法，详情见下表mask:可选参数。
车牌模板匹配模板库（包含第一位汉字，后面的字符及数字，均为22×14的黑底白字模板样本）
08-26
车牌模板匹配模板库（包含第一位汉字，后面的字符及数字，均为22×14的黑底白字模板样本）
OpenCV 学习笔记（模板匹配）
热门推荐
Ivan 的专栏
11-14 6万+
OpenCV 学习笔记（模板匹配）模板匹配是在一幅图像中寻找一个特定目标的方法之一。这种方法的原理非常简单，遍历图像中的每一个可能的位置，比较各处与模板是否“相似”，当相似度足够高时，就认为找到了我们的目标。在 OpenCV 中，提供了相应的函数完成这个操作。matchTemplate 函数：在模板和输入图像之间寻找匹配,获得匹配结果图像 minMaxLoc 函数：在给定的矩阵中寻找最大和最小值，
OpenCV（项目）车牌识别3 -- 模板匹配
great_yzl的博客
09-06 9904
目录 一、基础理论 1、思想 2、大致过程 二、详细过程 1、首先需要模板库 2、得到模板 3、原图限定大小 4、模板匹配 5、匹配所有子文件夹，保存最佳得分（最匹配项） 三、大致过程（细分类，节省时间） 1、汉字匹配 2、英文字符匹配 3、数字/英文匹配 4、显示 模板匹配总代码 车牌识别总代码及效果 成功案例 经典失败案例（单字符识别成类似字符） 其他失败案例 参考资料 一、基础理论 1、思想 把提取到的每一张字符，和模板库中的所有字符进行对比。..
基于opencv的车牌识别软件及源代码
07-25
OpenCV（开源计算机视觉库）是一个强大的工具，广泛应用于图像处理和计算机视觉领域，包括但不限于人脸识别、物体检测、图像分割以及车牌识别等。 车牌识别是计算机视觉中的一个重要应用，主要用于自动识别车辆的...
OpenCv技术在车牌号码检测中的应用
资源摘要信息: "OpenCV —— 检测车牌号" OpenCV是一个开源的计算机视觉和机器学习软件库，广泛应用于图像处理、视频分析、人脸识别、物体识别等领域。在本资源中，我们将关注如何利用OpenCV来检测车牌号，这一过程...
python+opencv实现机器视觉基础技术(边缘提取，图像滤波，边缘检测算子，投影，车牌字符分割)
ITxiaoangzai的博客
03-29 2608
文章目录一：边缘提取1.对图像进行阈值分割并反色2.边缘提取二：图像滤波1.读取原图2.均值滤波3.中值滤波4.高斯滤波5.高斯边缘检测三：边缘检测算子1.显示原图2.对图像进行反色3.对图像用sobel方法进行边缘检测4.对图像用robert方法进行边缘检测四：投影1.显示原图2.垂直方向投影3.水平方向投影五：车牌字符分割1.读取原图2.灰度转换3.反色4.阈值分割5.投影6.字符识别匹配分割...
毕业设计基于Opencv的车牌识别系统.zip
08-03
OpenCV（开源计算机视觉库）是一个强大的图像处理和计算机视觉库，广泛应用于各种图像分析和识别任务，包括但不限于人脸识别、物体检测、图像分割以及我们的重点——车牌识别。 【描述】中的".zip"表明这是一个压缩...
车牌识别字符模板，包含两套车牌字符模板，一套图片大小为20*40，另一套为14*22。
08-31
包含两套车牌字符模板，一套图片大小为20*40，另一套为14*22。
车牌识别字符模板
03-16
MATLAB是当前科学家最具影响力，也是最有活力的软件，并已经成为线性代数、数值分析、自动控制、数字信号处理、动态系统仿真的高级课程的基本教学工具。还在控制、通信、信号处理及科学计算等领域被广泛应用，且MATLAB还具有编程简单，易学易懂。
!!车牌字符模板!!
02-28
车牌字符模板 黑底白字 40*20 bmp格式 一个字一张图片，
基于模板匹配的车牌识别系统
12-07
基于模板匹配的简单车牌识别系统带字符模板库matlab 。
车牌识别字符样本（汉字、数字、字母）
03-12
车牌识别所需要的字符样本，包括数字50个、26个字母每个50个、各省的车牌汉字。
OpenCV+C++图像处理源码,人脸检测与识别系统
11-03
本压缩包文件包含了一系列基于OpenCV的图像处理项目，主要聚焦于生物特征识别（如人脸识别和指纹识别）、物体检测（如车辆检测）以及图像分析应用（如细胞检测、车型识别和车牌识别）。 首先，我们来看"11_人脸检测...
基于openCV的车牌识别（模板匹配）python版
onepunch_k的博客
04-09 1万+
待续
模板匹配
weixin_44753371的博客
04-15 1138
模板匹配 1、模板匹配 1.1 介绍 opencv中支持的比较方法有6种，分别如下： 1、cv::TM_SQDIFF：该方法使用平方差进行匹配，因此最佳的匹配结果在结果为0处，值越大匹配结果越差。 2、cv::TM_SQDIFF_NORMED：该方法使用归一化的平方差进行匹配，最佳匹配也在结果为0处。 3、cv::TM_CCORR：相关性匹配方法，该方法使用源图像与模板图像的卷积结果进行匹配，因此，最佳匹配位置在值最大处，值越小匹配结果越差。 4、cv::TM_CCOR
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值