python车牌识别系统开源代码_python实现车牌识别的示例代码

某天回家之时，听到有个朋友说起他正在做一个车牌识别的项目

于是对其定位车牌的位置算法颇有兴趣，今日有空得以研究，事实上车牌识别算是比较成熟的技术了，

这里我只是简单实现。

我的思路为：

对图片进行一些预处理，包括灰度化、高斯平滑、中值滤波、Sobel算子边缘检测等等。

利用OpenCV对预处理后的图像进行轮廓查找，然后根据一些参数判断该轮廓是否为车牌轮廓。

效果如下：

test1：

test2

实现代码如下（对图像预处理（滤波器等）的原理比较简单，这里只是对一些函数进行调包）：

import cv2

import numpy as np

# 形态学处理

def Process(img):

# 高斯平滑

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

# 中值滤波

median = cv2.medianBlur(gaussian, 5)

# Sobel算子

# 梯度方向: x

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

# 二值化

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

# 核函数

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

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

# 膨胀

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

# 腐蚀

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

# 膨胀

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

return dilation2

def GetRegion(img):

regions = []

# 查找轮廓

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

for contour in contours:

area = cv2.contourArea(contour)

if (area < 2000):

continue

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

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

rect = cv2.minAreaRect(contour)

box = cv2.boxPoints(rect)

box = np.int0(box)

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

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

ratio =float(width) / float(height)

if (ratio < 5 and ratio > 1.8):

regions.append(box)

return regions

def detect(img):

# 灰度化

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

prc = Process(gray)

regions = GetRegion(prc)

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

for box in regions:

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

cv2.imshow('Result', img)

#保存结果文件名

cv2.imwrite('result2.jpg', img)

cv2.waitKey(0)

cv2.destroyAllWindows()

if __name__ == '__main__':

#输入的参数为图片的路径

img = cv2.imread('test2.jpg')

detect(img)

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。