opencv车牌识别——简单版

车牌识别

车牌识别1.0版本，只实现了纯数字的识别，可以持续关注我滴博客，查看新改良版本
主体思路：把模板图片与输入图片分别处理，得到轮廓，再利用函数boundingRect（c）函数得到轮廓信息（在原图像坐标），再把用此轮廓信息把图片切割下来，这样就得到了模板与输入图像的切割图像，然后让这些切割图像进行匹配。
除杂处理——>轮廓信息——>切割图像——>切割图像匹配

处理模板及输入图像

模板图像处理

因为模板图像没有杂点，所以画轮廓时不会有多余轮廓，因此不需要膨胀腐蚀操作再与空面板相减
先二值化即可

输入图像处理

这个输入的图像就会有边界什么的了，先二值化，我采样的是空模板相减，但是考虑到尺寸的缩放以及位置的偏差，所以再对空模板做膨胀操作，让外框更大，然后更好的除掉无关图像

核心代码：

input_img,thresh2 = being_binary(input_address,127, 255, cv2.THRESH_BINARY)
null_img,thresh_null = being_binary("D:/python/pycharm/chepai_null.png",127, 255, cv2.THRESH_BINARY)
y,x = null_img.shape
kernel = np.ones((5, 5), np.uint8)
null_img = cv2.dilate(null_img,kernel,iterations=4)
thresh2 = cv2.resize(thresh2,(x,y))
thresh2 = cv2.subtract(thresh2, null_img)

轮廓信息提取

没什么好说的，就是一个findcontours函数，就是提取出来的轮廓要打印一下contours的数量，即len（contours），与数字个数比较要相等，要不然很可能画到了杂点轮廓

# 寻找轮廓函数
contours, hierarachy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)

取出模板的切割图片

代码：

def cutting_(thresh,contours):
    name = 0
    img_all = []
    station = []
    for c in contours:
        # 边界矩形--其实就是用获得边界信息，然后再用画矩形函数画一个矩形
        x, y, w, h = cv2.boundingRect(c)
        station.append(x)
        img = thresh[y:y+h,x:x+w]
        img_all.append(img)
    img_all = [img_temp  for _, img_temp in sorted(zip(station,img_all))]

    for t in img_all:
        cv2.imwrite(f"D:/python/{name}.jpg",t)
        name += 1
    return img_all

如何对应图像对应数字

这里数字顺序就是按照切割顺序来的，所以得到的切割图像列表的下标就代表数字

再处理输入图像

考虑到输入图像的性状杂点可能会比较多，防止未排除杂点轮廓的影响，再一步处理，这次采样的是只取最大的前7个轮廓（因为车牌全为数字的话一般只有7位），精度再一步提高

# 获得所有面积，以后方便排序
area_all = []
for cnt in contours2:
    area = cv2.arcLength(cnt, True)
    area_all.append(area)
# 将面积切片，因为车牌全为数字的话一般只有7位，取面积最大的7个就可以了
# zip主要目的是想与下标连接起来画轮廓，与主线无关。zip完了之后如果是两个不同的数据类型记得强制指定一下数据类型，要不然不男不女
zip_contours2 = sorted(zip(area_all,list(range(len(area_all)+1))),reverse=True)[:8]
print(zip_contours2)
for _,i in zip_contours2:
    cv2.drawContours(input0, contours2[i], -1, (0, 0, 255), 2)

切割输入图片并模板匹配

和切割模板图片一样，这个取出感兴趣区。得到输入图片的7张感兴趣区（也就是被切割图片），模板有10个，就这样每一个感兴趣区都要与10个模板匹配一次，但是匹配函数返回的是一个二维数组，这时用于其搭配的函数：，获取最值，具体是大还是小代表匹配程度高，这个要去看匹配函数使用的模式，我这里是取最小值，一个切割图像匹配10次会获得10个最小值，我们取这些最小值中的最小的那一个，就是匹配程度最高的了。

for contour in contours2:
    x, y, w, h = cv2.boundingRect(contour)  # 获取轮廓的外接矩形
    digit_roi = thresh2[y:y + h, x:x + w]  # 从图像中提取数字的感兴趣区域
    digit_roi = cv2.copyMakeBorder(digit_roi, 300, 300, 300, 300, cv2.BORDER_CONSTANT, value=0)
    min_score = 100
    min_match_index = None
    for i in range(len(img_all)):

        result_ = cv2.matchTemplate(digit_roi, img_all[i], cv2.TM_SQDIFF_NORMED)
        match_score, _, _, _ = cv2.minMaxLoc(result_)

        if match_score < min_score:
            min_score = match_score
            min_match_index = i

    cv2.putText(input_draw, f'{min_match_index}',(x,y), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)

结果

这里我是画在图片上，当然也可以打印出来

下一阶段：从大背景提取车牌并识别

预期涉及基本图像图像处理（膨胀腐蚀找边界）以及resize改变大小