笔记--ccpd车牌数据集预处理（制定标签文件、基于Opencv提取车牌并实现透视变换）

已于 2022-04-27 17:03:58 修改
阅读量5.4k 收藏 38
点赞数 7
文章标签： 深度学习
于 2022-04-27 16:43:05 首次发布
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/weixin_43863869/article/details/124454314
版权

目录

1--完整代码

2--结果展示

3--参考

1--完整代码

import numpy as np
import cv2
import os

words_list = [
    "A","B","C","D","E",
    "F","G","H","J","K",
    "L","M","N","P","Q",
    "R","S","T","U","V",
    "W","X","Y","Z","0",
    "1","2","3","4","5",
    "6","7","8","9"
]

con_list = [
    "皖", "沪", "津", "渝", "冀",
    "晋", "蒙", "辽", "吉", "黑",
    "苏", "浙", "京", "闽", "赣",
    "鲁", "豫", "鄂", "湘", "粤",
    "桂", "琼", "川", "贵", "云",
    "西", "陕", "甘", "青", "宁",
    "新"
]


def order_points(pts):
    # 初始化坐标点
    rect = np.zeros((4, 2), dtype='float32')

    # 获取左上角和右下角坐标点
    s = pts.sum(axis=1)  # 每行像素值进行相加；若axis=0，每列像素值相加
    rect[0] = pts[np.argmin(s)]  # top_left,返回s首个最小值索引，eg.[1,0,2,0],返回值为1
    rect[2] = pts[np.argmax(s)]  # bottom_left,返回s首个最大值索引，eg.[1,0,2,0],返回值为2

    # 分别计算左上角和右下角的离散差值
    diff = np.diff(pts, axis=1)  # 第i+1列减第i列
    rect[1] = pts[np.argmin(diff)]
    rect[3] = pts[np.argmax(diff)]

    return rect


def four_point_transform(image, pts):
    # 获取坐标点，并将它们分离开来
    rect = order_points(pts)
    (tl, tr, br, bl) = rect

    # 计算新图片的宽度值，选取水平差值的最大值
    widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
    widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
    maxWidth = max(int(widthA), int(widthB))

    # 计算新图片的高度值，选取垂直差值的最大值
    heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))
    heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))
    maxHeight = max(int(heightA), int(heightB))

    # 构建新图片的4个坐标点,左上角为原点
    dst = np.array([
        [0, 0],
        [maxWidth - 1, 0],
        [maxWidth - 1, maxHeight - 1],
        [0, maxHeight - 1]], dtype="float32")

    # 获取透视变换矩阵并应用它
    M = cv2.getPerspectiveTransform(rect, dst)
    # 进行透视变换
    warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))

    # 返回变换后的结果
    return warped

if __name__ == "__main__":
    global points
    total = []
    for item in os.listdir(os.path.join('/civi/CCPD_Test/CPDD_Dataset/train_dataset/')):
        img = cv2.imread('/civi/CCPD_Test/CPDD_Dataset/train_dataset/'+item)
        _, _, bbox, points, label, _, _ = item.split('-')


        points = points.split('_')
        tmp = points
        points = []
        for _ in tmp:
            points.append([int(_.split('&')[0]), int(_.split('&')[1])])
        #print(points)

        label = label.split('_')
        con = con_list[int(label[0])]
        words = [words_list[int(_)] for _ in label[1:]]
        label = con + ''.join(words)
        line = item + '\t' + label
        line = line[:] + '\n'
        total.append(line)


        # 还原像素位置
        points = np.array(points, dtype=np.float32)
        warped = four_point_transform(img, points)
        save_path = os.path.join('/civi/CCPD_Test/challenge_dataset/train_dataset', item)
        cv2.imwrite(save_path, warped)

    with open('/civi/CCPD_Test/challenge_dataset/'+'train_dataset.txt', 'w', encoding='UTF-8') as f:
        for line in total:
            f.write(line)

2--结果展示

原图：

预处理后的图片：

 标签文件：（参考Paddle OCR格式）

3--参考

CCPD车牌数据集介绍

图像矫正--python_OpenCV实现透视变换

4--补充（基于Paddle_OCR对于数据集的格式，划分训练集和测试集）

import numpy as np
import cv2
import os

words_list = [
    "A","B","C","D","E",
    "F","G","H","J","K",
    "L","M","N","P","Q",
    "R","S","T","U","V",
    "W","X","Y","Z","0",
    "1","2","3","4","5",
    "6","7","8","9"
]

con_list = [
    "皖", "沪", "津", "渝", "冀",
    "晋", "蒙", "辽", "吉", "黑",
    "苏", "浙", "京", "闽", "赣",
    "鲁", "豫", "鄂", "湘", "粤",
    "桂", "琼", "川", "贵", "云",
    "西", "陕", "甘", "青", "宁",
    "新"
]


def order_points(pts):
    # 初始化坐标点
    rect = np.zeros((4, 2), dtype='float32')

    # 获取左上角和右下角坐标点
    s = pts.sum(axis=1)  # 每行像素值进行相加；若axis=0，每列像素值相加
    rect[0] = pts[np.argmin(s)]  # top_left,返回s首个最小值索引，eg.[1,0,2,0],返回值为1
    rect[2] = pts[np.argmax(s)]  # bottom_left,返回s首个最大值索引，eg.[1,0,2,0],返回值为2

    # 分别计算左上角和右下角的离散差值
    diff = np.diff(pts, axis=1)  # 第i+1列减第i列
    rect[1] = pts[np.argmin(diff)]
    rect[3] = pts[np.argmax(diff)]

    return rect


def four_point_transform(image, pts):
    # 获取坐标点，并将它们分离开来
    rect = order_points(pts)
    (tl, tr, br, bl) = rect

    # 计算新图片的宽度值，选取水平差值的最大值
    widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))
    widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))
    maxWidth = max(int(widthA), int(widthB))

    # 计算新图片的高度值，选取垂直差值的最大值
    heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))
    heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))
    maxHeight = max(int(heightA), int(heightB))

    # 构建新图片的4个坐标点,左上角为原点
    dst = np.array([
        [0, 0],
        [maxWidth - 1, 0],
        [maxWidth - 1, maxHeight - 1],
        [0, maxHeight - 1]], dtype="float32")

    # 获取透视变换矩阵并应用它
    M = cv2.getPerspectiveTransform(rect, dst)
    # 进行透视变换
    warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))

    # 返回变换后的结果
    return warped

if __name__ == "__main__":

    global points
    total = []
    count = 0
    for item in os.listdir(os.path.join('/civi/CCPD_Test/CPDD_Dataset/train_dataset/')):
        img = cv2.imread('/civi/CCPD_Test/CPDD_Dataset/train_dataset/'+item)
        _, _, bbox, points, label, _, _ = item.split('-')


        points = points.split('_')
        tmp = points
        points = []
        for _ in tmp:
            points.append([int(_.split('&')[0]), int(_.split('&')[1])])
        #print(points)

        label = label.split('_')
        con = con_list[int(label[0])]
        words = [words_list[int(_)] for _ in label[1:]]
        label = con + ''.join(words)
        line = item + '\t' + label
        line = line[:] + '\n'
        total.append(line)


        # 还原像素位置
        points = np.array(points, dtype=np.float32)
        warped = four_point_transform(img, points)
        if count < 5:
            save_path = os.path.join('/civi/CCPD_Test/challenge_dataset/train_dataset', item)
        else:
            save_path = os.path.join('/civi/CCPD_Test/challenge_dataset/test_dataset', item)

        cv2.imwrite(save_path, warped)
        count = count + 1

    count = 0
    for line in total:
        if count < 5:
            with open('/civi/CCPD_Test/challenge_dataset/'+'train_dataset.txt', 'a', encoding='UTF-8') as f:
                f.write(line)
        else:
            with open('/civi/CCPD_Test/challenge_dataset/' + 'test_dataset.txt', 'a', encoding='UTF-8') as f:
                f.write(line)
        count = count + 1

晓晓纳兰容若
关注
  • 7
    点赞
  • 踩
  • 38
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
caffe 人脸关键点检测_PaddleHub：人脸关键点检测实现猫脸人嘴特效
weixin_28267011的博客
01-09 696
前段时间，下班后闲来无事，参加了百度PaddleHub的AI人像抠图创意赛，之前也有文章介绍，凭借着大家的阅读量，获得了一个第三名，得了一个小度音响，真香啊！fahai：PaddleHub人像分割模型：AI人像抠图及图像合成​zhuanlan.zhihu.comPaddleHub创意赛第二期又出来了，这次要做什么呢? 人脸检测主题创意赛，爱搞事的我肯定是少不了搞一波事情的，想想这能玩出什么花样来...
CCPD2019车牌数据集，共10000张图片，含YOLO格式标签
02-20
《CCPD2019车牌数据集：深度学习与YOLO技术在车牌检测中的应用》 CCPD2019车牌数据集是一个专门用于车牌识别的图像数据集，包含了10000张精心挑选的图片，这些图片代表了各种实际场景下的车牌，旨在为深度学习模型...
【项目三、车牌检测+识别项目】一、CCPD车牌数据集转为YOLOv5格式和LPRNet格式
热门推荐
qq_38253797的博客
05-30 3万+
目录前言一、CCPD数据集介绍二、CCPD数据集下载三、划分训练集、验证集和测试集四、车牌检测数据集制作五、车牌识别数据集制作六、我的车牌检测+识别数据集Reference 前言 马上要找工作了，想总结下自己做过的几个小项目。 之前已经总结过了我做的第一个项目：xxx病虫害检测项目，github源码地址：HuKai97/FFSSD-ResNet。CSDN讲解地址： 【项目一、xxx病虫害检测项目】1、SSD原理和源码分析 【项目一、xxx病虫害检测项目】2、网络结构尝试改进：Resnet50、SE、CBAM
中国车牌数据集以及车牌识别代码
weixin_45724232的博客
01-19 3405
数剧来源于网上 我们打了标 打标方式 左上点开始顺时针标注四个点 目录为下 链接：https://pan.baidu.com/s/1JZbIC6gRMFuHMNLVAgwRdg 提取码：3qut 复制这段内容后打开百度网盘手机App，操作更方便哦
【开源数据集】智慧城市之CCPD车牌数据集
hzg19930513的博客
05-09 1976
传统车牌检测和识别都是在小规模数据集上进行实验和测试，所获得的算法模型无法胜任环境多变、角度多样的车牌图像检测和识别任务。为此，中科大团队建立了CCPD数据集，这是一个用于车牌识别的大型国内停车场车牌数据集——CCPD(Chinese City Parking Dataset)，数据集主要在合肥市的停车场采集得来，采集时间早上7:30到晚上10:00，手工标注车牌位置。拍摄的车牌照片涉及多种复杂环境，包括模糊、倾斜、阴雨天、雪天等等。CCPD数据集一共包含将近30万张图片。
深度学习实战中国车牌检测与识别【数据集+模型+源码+PyQt5界面】
weixin_40280870的博客
08-26 5139
深度学习在车牌识别领域的研究背景源于计算机视觉和模式识别领域的发展。车牌识别是一种重要的图像处理任务，它在交通管理、安防监控、停车管理等领域具有广泛的应用价值。
使用paddleX进行目标检测详解
weixin_45259896的博客
10-14 4498
数据标注 这部分直接复制了paddleX里的文档 数据标注。 手机拍照图片旋转 当您收集的样本图像来源于手机拍照时，请注意由于手机拍照信息内附带水平垂直方向信息，这可能会使得在标注和训练时出现问题，因此在拍完照后注意根据方向对照片进行处理，使用如下函数即可解决 from PIL import Image, ExifTags def rotate(im): try: for orientation in ExifTags.TAGS.keys(): if Exi
车牌识别算法
这个人很懒什么都没有~
02-25 1976
一般来说摄像头的头端的车牌识别用opencv纯图像处理可以达到300-400毫秒一张已经是很成熟商用的方案了。 其他的识别方案比如地感+云识别也是500毫秒左右一张。 尝试过用深度学习的方法来做车牌检测+车牌识别，比较慢。 开源的easypr用的svm等比较古老的方法，尝试了一把识别一张在400毫秒左右。 链接：https://blog.csdn.net/qq_31186123/article/details/78661566 之前有个学弟找我做一个桌面的java版拿去做毕设，直接复用...
车牌检测-基于YOLOv5+LPRNet实现的车牌检测+识别-提供CCPD数据集下载-项目源码-优质项目实战.zip
05-31
车牌检测-基于YOLOv5+LPRNet实现的车牌检测+识别-提供CCPD数据集下载-项目源码-优质项目实战.zip本资源中的源码都是经过本地编译过可运行的，评审分达到95分以上。资源项目的难度比较适中，内容都是经过助教老师审定...
智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》.txt
01-29
智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》：https://blog.csdn.net/guyuealian/article/details/128704181 更多项目《智能驾驶 车牌检测和识别》系列文章请参考： （1）智能驾驶 车牌检测和识别（一）...
基于YOLOv5和LPRNet进行车牌检测+识别（CCPD数据集）对车牌进行检测和识别
最新发布
06-17
车牌识别项目（CCPD数据集） 这个项目是使用YOLOv5s和LPRNet对CCPD车牌进行检测和识别。之前一直在学习OCR相关的东西，就想着能不能做一个车牌识别的项目出来， 刚好车牌检测以前也做过，直接用YOLOv5就可以了。我的...
车牌检测数据集
12-31
适用于 车辆检测 动态开发车牌识别系统的实用数据集。都是彩色图像灰度化以后的图像。 适用于 车辆检测 动态开发车牌识别系统的实用数据集。都是彩色图像灰度化以后的图像。
CCPD2019车牌提取和字符提取
十点二十五的博客
08-03 1058
CCPD2019车牌提取和字符提取数据集介绍
CCPD车牌数据集+LPRNet车辆识别模型
weixin_47531501的博客
03-09 1791
CCPD数据集+LPRNet车牌识别
基于opencv的车牌识别（二）车牌定位与提取预处理操作思路
老狗识屠的博客
06-17 1万+
如题，我们这一篇博文的目的是为了将车牌提取出来的预处理，我将之总结为车牌特征提取。 （1）首先我们来看车牌部分与其他部分的区别，及车牌的特征，整体的车牌定位及提取方案即时基于此（基于灰度图像中考虑）： a.车牌部分是矩形 b.车牌具有特定的长宽比； c.车牌的面积一定 （2）接着我们对整幅图片进行预处理(车牌特征提取思路，实际代码部分可能为了更好的显示效果会稍加修改) a.图像转为灰度
车牌识别之预处理（灰度化，去噪，二值化，分割）
NewDay_的博客
04-11 1万+
灰度化 灰度即R=G=B 二值化只取255 0 对图片进行灰度化处理，目的是 1 减少数据量 （减少不明显） 2 为二值化准备 对数据进行灰度发现数据量减少并不明显 尤其是 最大 和 平均 灰度法 权重法数据量减少明显 但是权重不容易处理（权重需要自己去调整到自己想要的） python 二值化代码 1. 使用cv2方法(注意cv2读取图片是BGR通道,保存的图片时单通道) def gray_cv(img): img2 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
利用透视变换完成车牌图像校正
weixin_42142612的博客
07-16 6822
1.透视变换原理：可以看大牛的博客图像几何变换之透视变换点击打开链接warpPerspective函数点击打开链接2.OpenCV实现车牌图像校正在车牌识别之前，一般都需要对车牌图像进行校正，校正的图像便于后续字符分割。#include &lt;opencv2\opencv.hpp&gt; using namespace std; using namespace cv; int main() ...
3、程计算1!-2!+3!-4!+5!-6!之和。
11-02
```java public class cpdd{ public static void main(String[] args){ int i=1; int sum=0; int sum1=0; //偶数的和 int sum2=2; //奇数的差，初始值为2.使得减去1之后仍为1. for(i=1;i<=6;i++){ int temp = 1; //每次循环都要重新计算阶乘 for(int j=1;j<=i;j++){ temp *= j; } if(i%2==0){ sum1+=temp; } else if(i%2!=0){ sum2-=temp; } } sum = sum1+sum2; System.out.println(sum); } } ``` 答案：-1814

“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
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