车牌定位html5,车牌识别（一）——车牌定位(附详细代码及注释）

车牌识别分三步：车牌定位，车牌字符分割，车牌字符识别。

本篇就车牌定位进行讲述。车牌定位顾名思义——找出车牌的位置。如何实现，又分三步：图像预处理，数学形态学粗定位，长宽比例精确定位。

首先，对图像预处理：

彩色图像转灰度图

高斯滤波，中值滤波

边缘化检测

二值化操作

#-*- coding: utf-8 -*-

import cv2

import numpy as np

def Process(img):

# 高斯平滑

gaussian = cv2.GaussianBlur(img, (3, 3), 0, 0, cv2.BORDER_DEFAULT)

#cv2.GaussianBlur(src,ksize,sigmaX[,sigmaxY[,borderType]]])高斯滤波函数

#src: 输入图像

#ksize: 高斯内核大小,元组类型

#sigmaX: 高斯核函数在X方向上的标准偏差

#sigmaY: 高斯核函数在Y方向上的标准偏差，如果sigmaY是0，则函数会自动将sigmaY的值设置为与sigmaX相同的值，如果sigmaX和sigmaY都是0，这两个值将由ksize[0]和ksize[1]计算而来。建议将size、sigmaX和sigmaY都指定出来。

#borderType: 推断图像外部像素的某种便捷模式，有默认值cv2.BORDER_DEFAULT，如果没有特殊需要不用更改，具体可以参考borderInterpolate()函数。

# 中值滤波

median = cv2.medianBlur(gaussian, 5)

#cv2.medianBlur(src,ksize)

#src: 输入图像

#ksize: 高斯内核大小,元组类型

# Sobel算子

# 梯度方向: x

sobel = cv2.Sobel(median, cv2.CV_8U, 1, 0, ksize=3)

# 利用Sobel方法可以进行sobel边缘检测

# img表示源图像，即进行边缘检测的图像

# 图像深度是cv2.CV_8U、cv2.CV_16U、cv2.CV_16S、cv2.CV_32F以及cv2.CV_64F其中的某一个

# 第三和第四个参数分别是对X和Y方向的导数(即dx,dy)，对于图像来说就是差分，这里1表示对X求偏导(差分)，0表示不对Y求导(差分)。其中，X还可以求2次导。

# 注意：对X求导就是检测X方向上是否有边缘。

# 第五个参数ksize是指核的大小。

# 这里说明一下，这个参数的前四个参数都没有给谁赋值，而ksize则是被赋值的对象

# 实际上，这是可省略的参数，而前四个是不可省的参数。注意其中的不同点值化

ret, binary = cv2.threshold(sobel, 170, 255, cv2.THRESH_BINARY)

#灰度值小于175的点置0，灰度值大于175的点置255

#最后的参数是阈值类型，对应一个公式，一般用这个就可以

然后，数学形态学处理： 形态学处理的核心就是定义结构元素，一般情况下对二值化图像进行的操作。

# 膨胀和腐蚀操作的核函数

element1 = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 1))

element2 = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 7))

#第一个参数定义结构元素，如椭圆(MORPH_ELLIPSE)、交叉形结构(MORPH_CROSS)和矩形(MORPH_RECT)

#第二个参数就是指和函数的size，9×1

# 膨胀一次，让轮廓突出

dilation = cv2.dilate(binary, element2, iterations=1)

# 腐蚀一次，去掉细小杂点

erosion = cv2.erode(dilation, element1, iterations=1)

# 再次膨胀，让轮廓更明显

dilation2 = cv2.dilate(erosion, element2, iterations=3)

#存储中间图片

cv2.imwrite("binary.png", binary)

cv2.imwrite("dilation.png", dilation)

cv2.imwrite("erosion.png", erosion)

cv2.imwrite("dilation2.png", dilation2)

return dilation2

最后：查找轮廓，精确定位

查找筛选轮廓

车牌长宽比

颜色判断(没大必要)

def GetRegion(img):

regions = []

# 查找轮廓

_, contours, hierarchy = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

#三个输入参数：输入图像(二值图像)，轮廓检索方式，轮廓近似方法

#轮廓检索方式：cv2.RETR_EXTERNAL只检测外轮廓。cv2.RETR_LIST检测的轮廓不建立等级关系。cv2.RETR_CCOMP建立两个等级的轮廓，上面一层为外边界，里面一层为内孔的边界信息。cv2.RETR_TREE建立一个等级树结构的轮廓

#轮廓近似方法：cv2.CHAIN_APPROX_NONE存储所有边界点。cv2.CHAIN_APPROX_SIMPLE压缩垂直、水平、对角方向，只保留端点。cv2.CHAIN_APPROX_TX89_L1使用teh-Chini近似算法。cv2.CHAIN_APPROX_TC89_KCOS使用teh-Chini近似算法

#三个返回值：图像，轮廓，轮廓的层析结构

#筛选面积小的

for contour in contours:

#计算该轮廓的面积

area = cv2.contourArea(contour)

#面积小的都筛选掉

if (area < 2000):

continue

#轮廓近似，作用很小

epslion = 1e-3 * cv2.arcLength(contour, True)

approx = cv2.approxPolyDP(contour, epslion, True)

#epsilon，是从轮廓到近似轮廓的最大距离。是一个准确率参数，好的epsilon的选择可以得到正确的输出。True决定曲线是否闭合。

# 找到最小的矩形，该矩形可能有方向

rect = cv2.minAreaRect(contour)

# box是四个点的坐标

box = cv2.boxPoints(rect)

box = np.int0(box)

## 计算高和宽

height = abs(box[0][1] - box[2][1])

width = abs(box[0][0] - box[2][0])

#车牌正常情况下长高比在2-5之间

ratio =float(width) / float(height)

if (ratio < 5 and ratio > 2):

regions.append(box)

return regions

def detect(img):

# 灰度化

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 预处理及形态学处理，得到可以查找矩形的图片

prc = Process(gray)

#得到车牌轮廓

regions = GetRegion(prc)

print('[INFO]:Detect %d license plates' % len(regions))

#用绿线画出这些找到的轮廓

for box in regions:

cv2.drawContours(img, [box], 0, (0, 255, 0), 2)

#五个输入参数：原始图像，轮廓，轮廓的索引(当设置为-1时，绘制所有轮廓)，画笔颜色，画笔大小

#一个返回值：返回绘制了轮廓的图像

cv2.imshow('Result', img)

#保存结果文件名

cv2.imwrite('result.jpg', img)

cv2.waitKey(0)

cv2.destroyAllWindows()

if __name__ == '__main__':

#输入的参数为图片的路径

img = cv2.imread('1.jpg')

detect(img)