车牌识别python

最新推荐文章于 2024-04-13 07:30:00 发布
最新推荐文章于 2024-04-13 07:30:00 发布
阅读量1.2k 收藏 28
点赞数 18
文章标签： python 开发语言
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/qq_54122113/article/details/135365526
版权

直接上代码：

import os
import cv2
import numpy as np


# 显示图片
def cvShow(img):
    cv2.imshow('0', img)
    cv2.waitKey()


Img = cv2.imread("D:\python.code\carRead\car/img.png")#D:\python.code\carRead\car\img3.png
cvShow(Img)

# 高斯去燥
Img1 = cv2.GaussianBlur(Img, (3, 3), 0)
# cvShow(Img1)
# 灰度处理
grayImg = cv2.cvtColor(Img1, cv2.COLOR_BGR2GRAY)
# cvShow(grayImg)

# 边缘检测
# Soble算子边缘检测
Sobel_x = cv2.Sobel(grayImg, cv2.CV_16S, 1, 0)
sImg = cv2.convertScaleAbs(Sobel_x)
# cvShow(sImg)

# 自适应阈值处理
ret, img = cv2.threshold(sImg, 0, 255, cv2.THRESH_OTSU)
# cvShow(img)

# 闭运算
# 先膨胀在腐蚀
kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (14, 3))
# print(kernelX)
image = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernelX, iterations=2)
# cvShow(image)

# 去除小白点
kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (20, 1))
kernelY = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 19))
# 膨胀，腐蚀
image = cv2.dilate(image, kernelX)
image = cv2.erode(image, kernelX)
# 腐蚀，膨胀
image = cv2.erode(image, kernelY)
image = cv2.dilate(image, kernelY)
# cvShow(image)

# 中值滤波去除噪点
image = cv2.medianBlur(image, 15)
# cvShow(image)

# 轮廓检测
# cv2 RETR_EXTERNAL 表示只检测外轮廓
# cv2.CHAIN_APPROX_SIMPLE压水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮只需4个点来保存轮席信息
contours, hierarchy = cv2.findContours(image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
Img2 = Img.copy()
cv2.drawContours(Img2, contours, -1, (0, 0, 255), 1)
# cvShow(Img2)

# 筛选车牌位置的轮廓
# 车牌长宽比在3：1到4：1之间

for item in contours:
    # cv2.boundingRect用一个最小的巨型,把形状包起来
    rect = cv2.boundingRect(item)
    x = rect[0]
    y = rect[1]
    weight = rect[2]
    height = rect[3]
    if (weight > (height * 3)) and (weight < (height * 4.5)):
        rectImg = Img[y:y + height, x:x + weight]
        cv2.imwrite('D:\python.code\carRead\license/license_plate.png', rectImg)#\是路径，/是文件名
        # cvShow(rectImg)
        # 高斯去噪
        carImg = cv2.GaussianBlur(rectImg, (3, 3), 0)
        # cvShow(carImg)
        # 灰度化
        grayCarImg = cv2.cvtColor(carImg, cv2.COLOR_BGR2GRAY)
        # cvShow(grayCarImg)
        # 自适应阈值处理
        ret, image = cv2.threshold(grayCarImg, 0, 255, cv2.THRESH_OTSU)
        # cvShow(image)
        # 膨胀
        kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 2))
        img = cv2.dilate(image, kernel)
        # cvShow(img)
        # 轮廓检测
        contours1, hierarchy1 = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        img1 = rectImg.copy()
        cv2.drawContours(img1, contours1, -1, (0, 0, 255), 1)
        # cvShow(img1)
        # 筛选出各个字符的位置轮廓
        words = []
        for item in contours1:
            word = []
            rect = cv2.boundingRect(item)
            x = rect[0]
            y = rect[1]
            weight = rect[2]
            height = rect[3]
            word.append(x)
            word.append(y)
            word.append(weight)
            word.append(height)
            words.append(word)
        words = sorted(words, key=lambda s: s[0], reverse=False)
        # print(words)
        i = 0
        for word in words:
            # 根据每个字符的高度进行筛选
            # if (word[3] > (word[2] * 1.5)) and (word[3] < (word[2] * 4.0)):
            if (word[3] > 20) and (word[3] < 50) and (word[2] > 3) and (word[2] < 25):
                i = i + 1
                if i == 8:
                    break
                else:
                    image = rectImg[word[1]:word[1] + word[3], word[0]:word[0] + word[2]]
                    # cvShow(image)
                    # print(word)
                    cv2.imwrite('D:\python.code\carRead\words/' + str(i) + '.png', image)

templates = ['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']


# 读取图片 输入参数是目录名
def read_img(road):
    referImg_list = []
    for filename in os.listdir(road):
        #print(filename)
        referImg_list.append(road + '/' + filename)
    # print(referImg_list)
    return referImg_list


#read_img('D:\python.code\carRead\model')

# 匹配中文
c_words = []
for i in range(34, 65):
    c_word = read_img('D:/python.code/carRead/model/' + templates[i])
    c_words.append(c_word)
    #print(c_words)

# 读取车牌字符
img = cv2.imread('D:\python.code\carRead\words/1.png')
#cvShow(img)
# 高斯去噪
image = cv2.GaussianBlur(img, (3, 3), 0)
# 灰度处理
grayimg = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
# cvShow(grayimg)
# 自适应阈值处理
ret, image1 = cv2.threshold(grayimg, 0, 255, cv2.THRESH_OTSU)
# cvShow(image)


best_score = []  # 存取每个省市最高的得分
for c_word in c_words:
    score = []  # 存取的时每个省市的得分
    for word in c_word:
        # 读取模板中的照片
        # formfile()函数读回数据时需要用户指定元素类型，并对数组形状进行适当的修改
        template_img = cv2.imdecode(np.fromfile(word, dtype=np.uint8), 1)
        # 灰度处理
        template_img = cv2.cvtColor(template_img, cv2.COLOR_RGB2GRAY)
        # 自适应阈值处理
        ret, template_img = cv2.threshold(template_img, 0, 255, cv2.THRESH_OTSU)
        # 获取模板的长宽
        height, width = template_img.shape
        # 复制车牌字符图片
        image = image1.copy()
        # 让两者具有相同的长宽
        image = cv2.resize(image, (width, height))
        # 两者进行匹配 TM_CCOEFFF 匹配程度越高，计算出来的值越大
        result = cv2.matchTemplate(image, template_img, cv2.TM_CCOEFF)
        score.append(result[0][0])
    best_score.append(max(score))
# 获取最高得分元素的下标
num = best_score.index(max(best_score))
print(templates[num + 34],end='')

# 识别车牌第二个字母
# 读取图片
img = cv2.imread('D:\python.code\carRead\words/2.png')
# cvShow(img01)
# 高斯去噪
img = cv2.GaussianBlur(img, (3, 3), 0)
# 灰度处理
img = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
# cvShow(img)
# 自适应阈值处理
ret, image2 = cv2.threshold(img, 0, 255, cv2.THRESH_OTSU)
# cvShow(image2)
# 字母模板匹配
c_words = []
for i in range(10, 34):
    # print(templates[i])
    c_word = read_img('D:/python.code/carRead/model/' + templates[i])
    c_words.append(c_word)
# print(c_words)
best_score = []  # 存取每个省市最高的得分
for c_word in c_words:
    score = []  # 存取的时每个省市的得分
    for word in c_word:
        # 读取模板中的照片
        # formfile()函数读回数据时需要用户指定元素类型，并对数组形状进行适当的修改
        template_img = cv2.imdecode(np.fromfile(word, dtype=np.uint8), 1)
        # 灰度处理
        template_img = cv2.cvtColor(template_img, cv2.COLOR_RGB2GRAY)
        # 自适应阈值处理
        ret, template_img = cv2.threshold(template_img, 0, 255, cv2.THRESH_OTSU)
        # 获取模板的长宽
        height, width = template_img.shape
        # 复制车牌字符图片
        image = image2.copy()
        # 让两者具有相同的长宽
        image = cv2.resize(image, (width, height))
        # 两者进行匹配 TM_CCOEFFF 匹配程度越高，计算出来的值越大
        result = cv2.matchTemplate(image, template_img, cv2.TM_CCOEFF)
        score.append(result[0][0])
        # print(word)
    # print(score)
    best_score.append(max(score))
# print(best_score)
# 获取最高得分元素的下标
num = best_score.index(max(best_score))
print(templates[10 + num],end='')


def strOrnum(path):
    # 读取图片
    img = cv2.imread(path)
    # cvShow(img01)
    # 高斯去噪
    img = cv2.GaussianBlur(img, (3, 3), 0)
    # 灰度处理
    img = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
    # cvShow(img)
    # 自适应阈值处理
    ret, image2 = cv2.threshold(img, 0, 255, cv2.THRESH_OTSU)
    # cvShow(image2)
    # 字母模板匹配
    c_words = []
    for i in range(0, 34):
        # print(templates[i])
        c_word = read_img('D:/python.code/carRead/model/' + templates[i])
        c_words.append(c_word)
    # print(c_words)
    best_score = []  # 存取每个省市最高的得分
    for c_word in c_words:
        score = []  # 存取的时每个省市的得分
        for word in c_word:
            # 读取模板中的照片
            # formfile()函数读回数据时需要用户指定元素类型，并对数组形状进行适当的修改
            template_img = cv2.imdecode(np.fromfile(word, dtype=np.uint8), 1)
            # 灰度处理
            template_img = cv2.cvtColor(template_img, cv2.COLOR_RGB2GRAY)
            # 自适应阈值处理
            ret, template_img = cv2.threshold(template_img, 0, 255, cv2.THRESH_OTSU)
            # 获取模板的长宽
            height, width = template_img.shape
            # 复制车牌字符图片
            image = image2.copy()
            # 让两者具有相同的长宽
            image = cv2.resize(image, (width, height))
            # 两者进行匹配 TM_CCOEFFF 匹配程度越高，计算出来的值越大
            result = cv2.matchTemplate(image, template_img, cv2.TM_CCOEFF)
            score.append(result[0][0])
        best_score.append(max(score))
    # 获取最高得分元素的下标
    num = best_score.index(max(best_score))
    print(templates[num],end='')


strOrnum('D:\python.code\carRead\words/3.png')
strOrnum('D:\python.code\carRead\words/4.png')
strOrnum('D:\python.code\carRead\words/5.png')
strOrnum('D:\python.code\carRead\words/6.png')
strOrnum('D:\python.code\carRead\words/7.png')

在这里插入图片描述
可以用作学习参考

嗡嗡嗡qwq
关注
  • 18
    点赞
  • 踩
  • 28
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
车牌识别系统
FPGA/MATLAB学习教程/源码/项目合作开发
10-02 2万+
随这图形图像技术的发展，现在的车牌识别技术准确率越来越高，识别速度越来越快。无论何种形式的车牌识别系统，它们都是由触发、图像采集、图像识别模块、辅助光源和通信模块组成的。车牌识别系统涉及光学、电器、电子控制、数字图像处理、计算视觉、人工智能等多项技术。触发模块负责在车辆到达合适位置时，给出触发信号，控制抓拍。辅助光源提供辅助照明，保证系统在不同的光照条件下都能拍摄到高质量的图像。图像预处理程序对抓拍的图像进行处理，去除噪声，并进行参数调整。然后通过车牌定位、字符识别，最后将识别结果输出。 牌照自动识别是一
python实现车牌识别的示例代码
09-18
主要介绍了python实现车牌识别的示例代码，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
【Python实战】——Python+Opencv是实现车牌自动识别
jd1813346972的博客
03-04 1万+
该篇文章将以实战形式演示利用Python结合Opencv实现车牌识别，全程涉及图像预处理、车牌定位、车牌分割、通过模板匹配识别结果输出。该项目对于智能交通、车辆管理等领域具有实际应用价值。通过自动识别车牌号码，可以实现车辆追踪、违章查询、停车场管理等功能，提高交通管理的效率和准确性。可用于车牌识别技术学习。
Python实战：简单实现车牌号识别
最新发布
oandy0的博客
04-13 2812
本文详细介绍了如何使用Python实现一个车牌号识别系统，包括图像预处理、车牌定位、字符分割、字符识别等关键步骤。我们通过一个简单的实战案例展示了如何将这些技术结合起来，创建一个能够处理和识别图像中的车牌号码的系统。在实际应用中，车牌号识别系统可以应用于交通管理、停车场管理、高速公路收费等多个领域。随着技术的不断发展和算法的优化，车牌号识别的准确率和速度将不断提高，为我们的生活带来更多便利。
【功能超全】基于OpenCV车牌识别停车场管理系统软件开发【含python源码+PyqtUI界面+功能详解】-车牌识别python 深度学习实战项目
热门推荐
阿旭的博客
06-08 1万+
基于OpenCV车牌识别停车场管理系统软件开发【含python源码+PyqtUI界面+功能详解】-车牌识别python 深度学习实战项目
基于python下的 车牌识别代码
03-25
下载解压后安装必要的py程序库 再打开cardshiping运行程序及可，详细说明见博主相关介绍。
详细教你如何用python写一个车牌自动识别程序
m0_38012434的博客
02-13 1178
基于python的车牌自动识别技术
CSDN车牌识别项目
qq_40389637的博客
08-20 2637
完整项目已上传至github: https://github.com/duanshengliu/End-to-end-for-chinese-plate-recognition 喜欢的话顺手点个star，谢谢支持 整体思路：1.利用u-net图像分割得到二值化图像，2.再使用cv2进行边缘检测获得车牌区域坐标，并将车牌图形矫正，3.利用卷积神经网络cnn进行车牌多标签端到端识别 实现效果：拍摄角度倾斜、强曝光或昏暗环境等都能较好地识别，甚至有些百度AI车牌识别未能识别的图片也能识别 环境：pyth
车牌识别
faiculty
09-12 3612
本篇文章参考于网页开发链接。我目前在学习过程中，谢谢该开源者的分享。gitHub链接。一、车牌检测1. 车牌定位这一部分的输入是原始图片，输出为可能的车牌矩形框。即将图片进行预处理，分割图片，找到可能是车牌的矩形框。作为后面SVM训练输入，定位车牌。高斯模糊顾名思义，其一般应用是将图像变得模糊，但同时高斯模糊也应用在图像的预处理阶段。理解高斯模糊前，先看一下平均模糊算法。平均模糊的算法非常简单。每一
车牌识别源码
10-16
车牌识别与检测 使用分类器进行分类来实现车牌的的识别与检测
车牌识别-opencv
05-09
使用svm和BP神经网络进行车牌的OCR识别
基于Opencv+python的车牌识别系统，
05-05
基于Opencv+python的车牌识别系统，
yolov 车牌识别python车牌识别可识别图片视频流有界面可识别新能源商用源码
10-04
yolov 车牌识别python车牌识别可识别图片视频流有界面可识别新能源商用源码效果视频：https://www.bilibili.com/video/BV1jr4y1A7v9?from=search&seid=575963528842600229&spm_id_from=333.337.0.0
python车牌识别
12-20
车牌识别 介绍 opencv数字图像处理，pca+svm车牌识别 说明 该小工程是我为了学习支持向量机算法作为练习的，但继SVM的理论后，更多的困难体在数字图像处理上，比如车牌检测，字符分割，不过在坚持下都已被解决，希望...
车牌识别 python
06-21
### 回答1： 车牌识别 车牌识别是一项通过自动化技术实现对车辆车牌信息的识别和采集的技术。随着对车牌识别技术的研究和应用的不断深入，车牌识别在各个领域得到了广泛的应用，如安防领域、智能交通等。而Python作为一种流行的编程语言，实际上也是用于车牌识别的一种工具。 Python在车牌识别应用方面的优势在于，它具有丰富的图像处理库和深度学习库，如OpenCV和TensorFlow。这些库能够协助实现对车牌图像的定位、分割和字符识别。同时，Python还具有易于学习和使用的特点，能够快速高效地编写车牌识别程序。 车牌识别技术也存在一些挑战，如不同地区的车牌格式不同、车牌在不同条件下(如光照、天气、车速等)会发生变化等。但通过持续的研究和开发，Python车牌识别技术也正不断地发展与提升，为交通领域的自动化和智能化建设提供了有力的支持。 ### 回答2： 车牌识别 Python 是一种基于图像处理和机器学习算法实现的技术，能够自动识别车辆的车牌号码。Python 作为一种高效的编程语言，具有强大的图像处理和机器学习库，因此非常适合用于车牌识别应用的开发。 实现车牌识别需要先进行图像采集和处理，主要包括图像分割、特征提取、目标检测等步骤。同时，需要构建车牌号码的分类器，通过机器学习算法来训练模型，实现对不同类型车牌的识别。 Python 中常用的图像处理库包括 OpenCV、PIL 等，能够实现图像的读取、预处理、分割等操作。此外，基于 Python 的机器学习库如 scikit-learn、TensorFlow、Keras 等，能够实现各种分类算法的训练和模型的优化，为车牌号码的自动识别提供基础支持。 总的来说，车牌识别 Python 技术是一种快速高效的车牌自动识别方案，具有较高的识别准确率和稳定性，因此在智能交通、安防监控等领域得到了广泛应用。 ### 回答3： 车牌识别是一种计算机视觉技术，利用数字图像处理和模式识别等技术，通过图像识别和分析算法，对车辆的车牌进行自动识别和加以分析。车牌识别已经成为了交通监控、停车场管理、公园管理以及安防等领域非常重要的应用之一。 在车牌识别中，Python可以作为一个非常强大的编程语言来使用。Python是一种简单易用的编程语言，它具有强大的图像处理能力和大量的开源Python库，例如OpenCV、TensorFlow等等。这些库可以便捷地实现车牌识别中的关键技术，例如车牌的定位和切割、字符识别等等。 车牌识别的流程大致为图像获取、车牌定位、字符分割、字符识别、结果输出等几个步骤。在这个过程中，Python通过利用相关库来处理图像，使用基于机器学习、神经网络等方法来训练模型，在实现车牌识别这个过程中达到了很好的效果，应用非常广泛。 总之，Python在车牌识别领域已经披荆斩棘了很久，随着技术的进步，它在今后的实际生产中依然会发挥重要的作用。相信随着技术的不断提高，车牌识别在安防、交通管理等领域的应用将会越来越广泛，这也需要各个领域专业人才的不懈努力。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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