一. 项目背景

一键运行

该项目旨在通过Python编程语言结合OpenCV库，实现一个完整的车牌识别系统。项目将演示从图像预处理到车牌定位、分割，以及最终通过模板匹配技术实现车牌号码的自动识别。这一技术在智能交通、车辆管理和监控等领域具有显著的实际应用价值，能够显著提升交通管理的效率和准确性。

二. 项目亮点

• OpenCV应用：本项目采用OpenCV这一强大的图像处理和计算机视觉库，实现高效的图像分析和处理功能。OpenCV的集成使得车牌识别过程更加精确和快速。

• Python编程：选择Python作为开发语言，得益于其简洁的语法和丰富的库支持，使得开发过程更加高效。Python的易学性和广泛的社区资源为项目提供了强大的后盾。

  立即学习“Python免费学习笔记（深入）”；

• 高级图像处理：项目中运用了多种高级图像处理技术，包括但不限于灰度转换以增强图像对比度、噪声过滤以净化图像质量、边缘检测以识别图像轮廓、形态学操作以改善图像结构，以及透视变换以校正图像视角。

• 创新算法集成：通过结合多种图像处理技术，项目开发了一套创新的算法流程，有效提升了车牌识别的准确性和鲁棒性，特别是在复杂环境下的表现。

• 实用性与灵活性：项目不仅注重技术实现，还强调算法的实用性和灵活性，确保能够适应不同的应用场景和需求，如智能交通监控、车辆自动登记等。

三. 技术原理

OpenCV（Open Source Computer Vision Library）是一个功能强大的开源计算机视觉库，广泛应用于图像处理和计算机视觉任务。它提供了丰富的算法和功能，包括但不限于图像处理、视频分析、物体识别、机器学习等 。

AI Web Designer

AI网页设计师，快速生成个性化的网站设计

下载

技术原理方面，OpenCV主要基于以下几个方面：

• 图像表示：图像在OpenCV中通常以矩阵的形式表示，其中每个元素对应图像的一个像素点，像素值通常以BGR格式存储 。
• 图像处理技术：OpenCV提供了大量的图像处理技术，如灰度化、噪声去除、边缘检测、形态学操作、透视变换等 。
• 特征提取：在图像处理的基础上，OpenCV能够进行特征提取，例如角点检测、斑点检测等，这些特征可以用于后续的图像分析 。
• 目标检测与跟踪：OpenCV实现了多种目标检测算法，如Haar Cascade、HOG等，以及目标跟踪算法，如CamShift、MeanShift等 。
• 深度学习集成：OpenCV的dnn模块支持多种深度学习框架，可以加载预训练模型进行图像分类、目标检测等任务 。
• OpenCV的架构主要由核心模块、高级模块、辅助模块以及接口和平台适配组成。核心模块提供图像处理和计算机视觉的基础功能，高级模块提供更复杂的视觉功能，辅助模块提供文件读写等辅助功能，接口和平台适配使得OpenCV可以跨语言和平台使用 。

在实际应用中，OpenCV可以用于人脸检测、物体识别、图像拼接、视频分析等多种场景。例如，使用Haar Cascade算法可以检测图像中的人脸位置，物体识别可以通过深度学习算法实现，图像拼接可以通过Stitcher类将多个图像拼接成一个大视场图像 。

四. 代码实现

4.1. 导入依赖

import cv2from matplotlib import pyplot as pltimport osimport numpy as npfrom PIL import ImageFont, ImageDraw, Image

4.2. 图像预处理

cv2.GaussianBlur参数说明：

• src：输入图像，可以是任意数量的通道，这些通道可以独立处理，但深度应为 CV_8U、CV_16U、CV_16S、CV_32F 或 CV_64F。
• ksize：高斯核的大小，必须是正奇数，例如 (3, 3)、(5, 5) 等。如果 ksize 的值为零，那么它会根据 sigmaX 和 sigmaY 的值来计算。
• sigmaX：X 方向上的高斯核标准偏差。
• dst：输出图像，大小和类型与 src 相同。
• sigmaY：Y 方向上的高斯核标准偏差，如果 sigmaY 是零，那么它会与 sigmaX 的值相同。如果 sigmaY 是负数，那么它会从 ksize.width 和 ksize.height 计算得出。
• borderType：像素外插法，有默认值。

def plt_show0(img):
    b,g,r = cv2.split(img)
    img = cv2.merge([r, g, b])
    plt.imshow(img)
    plt.show()def plt_show(img):
    plt.imshow(img,cmap='gray')
    plt.show()def gray_guss(image):
    image = cv2.GaussianBlur(image, (3, 3), 0)
    gray_image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)    return gray_image

运行下面的cell，显示处理的原始图片

from IPython.display import Image# 显示图片Image(filename='work/1.jpeg')

<IPython.core.display.Image object>

origin_image = cv2.imread('work/1.jpeg')# 高斯去噪image = origin_image.copy()
gray_image = gray_guss(image)
Sobel_x = cv2.Sobel(gray_image, cv2.CV_16S, 1, 0)
absX = cv2.convertScaleAbs(Sobel_x)
image = absX# 图像阈值化操作——获得二值化图ret, image = cv2.threshold(image, 0, 255, cv2.THRESH_OTSU)# 显示灰度图像plt_show(image)

<Figure size 640x480 with 1 Axes>

4.3. 车牌定位

kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (30, 10))
image = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernelX,iterations = 1)# 显示灰度图像plt_show(image)

<Figure size 640x480 with 1 Axes>

# 腐蚀（erode）和膨胀（dilate）kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (50, 1))
kernelY = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 20))#x方向进行闭操作（抑制暗细节）image = cv2.dilate(image, kernelX)
image = cv2.erode(image, kernelX)#y方向的开操作image = cv2.erode(image, kernelY)
image = cv2.dilate(image, kernelY)# 中值滤波（去噪）image = cv2.medianBlur(image, 21)# 显示灰度图像plt_show(image)

<Figure size 640x480 with 1 Axes>

contours, hierarchy = cv2.findContours(image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)for item in contours:
    rect = cv2.boundingRect(item)
    x = rect[0]
    y = rect[1]
    weight = rect[2]
    height = rect[3]    # 根据轮廓的形状特点，确定车牌的轮廓位置并截取图像
    if (weight > (height * 3)) and (weight < (height * 4.5)):
        image = origin_image[y:y + height, x:x + weight]
        plt_show(image)

<Figure size 640x480 with 1 Axes>

运行下面的cell，对车牌字符分割

# 图像去噪灰度处理gray_image = gray_guss(image)
ret, image = cv2.threshold(gray_image, 0, 255, cv2.THRESH_OTSU) # 阈值化plt_show(image)

<Figure size 640x480 with 1 Axes>

#膨胀操作kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (4, 4))
image = cv2.dilate(image, kernel)
plt_show(image)

<Figure size 640x480 with 1 Axes>

运行下面的cell，对车牌号排序

# 查找轮廓contours, hierarchy = cv2.findContours(image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
words = []
word_images = []#对所有轮廓逐一操作for item in contours:
    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)
i = 0#word中存放轮廓的起始点和宽高for word in words:    # 筛选字符的轮廓
    if (word[3] > (word[2] * 1.5)) and (word[3] < (word[2] * 5.5)) and (word[2] > 10):
        i = i+1
        if word[2] < 15:
            splite_image = image[word[1]:word[1] + word[3], word[0]-word[2]:word[0] + word[2]*2]        else:
            splite_image = image[word[1]:word[1] + word[3], word[0]:word[0] + word[2]]
        word_images.append(splite_image)

for i,j in enumerate(word_images):  
    plt.subplot(1,7,i+1)
    plt.imshow(word_images[i],cmap='gray')
plt.show()

<Figure size 640x480 with 7 Axes>

4.4. 模版匹配

解压模版文件，文件路径在/home/aistudio/work/Template.zip，运行完之后可以注释下面的cell

%%capture
!unzip /home/aistudio/work/Template.zip -d /home/aistudio/work

# 准备模板(template[0-9]为数字模板；)template = ['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']# 读取一个文件夹下的所有图片，输入参数是文件名，返回模板文件地址列表def read_directory(directory_name):
    referImg_list = []    for filename in os.listdir(directory_name):
        referImg_list.append(directory_name + "/" + filename)    return referImg_list# 获得中文模板列表（只匹配车牌的第一个字符）def get_chinese_words_list():
    chinese_words_list = []    for i in range(34,64):        #将模板存放在字典中
        c_word = read_directory('/home/aistudio/work/Template/'+ template[i])
        chinese_words_list.append(c_word)    return chinese_words_list
chinese_words_list = get_chinese_words_list()# 获得英文模板列表（只匹配车牌的第二个字符）def get_eng_words_list():
    eng_words_list = []    for i in range(10,34):
        e_word = read_directory('/home/aistudio/work/Template/'+ template[i])
        eng_words_list.append(e_word)    return eng_words_list
eng_words_list = get_eng_words_list()# 获得英文和数字模板列表（匹配车牌后面的字符）def get_eng_num_words_list():
    eng_num_words_list = []    for i in range(0,34):
        word = read_directory('/home/aistudio/work/Template/'+ template[i])
        eng_num_words_list.append(word)    return eng_num_words_list
eng_num_words_list = get_eng_num_words_list()

# 获得英文和数字模板列表（匹配车牌后面的字符）def get_eng_num_words_list():
    eng_num_words_list = []    for i in range(0,34):
        word = read_directory('/home/aistudio/work/Template/'+ template[i])
        eng_num_words_list.append(word)    return eng_num_words_list
eng_num_words_list = get_eng_num_words_list()# 读取一个模板地址与图片进行匹配，返回得分def template_score(template,image):
    #将模板进行格式转换
    template_img=cv2.imdecode(np.fromfile(template,dtype=np.uint8),1)
    template_img = cv2.cvtColor(template_img, cv2.COLOR_RGB2GRAY)    #模板图像阈值化处理——获得黑白图
    ret, template_img = cv2.threshold(template_img, 0, 255, cv2.THRESH_OTSU)#     height, width = template_img.shape#     image_ = image.copy()#     image_ = cv2.resize(image_, (width, height))
    image_ = image.copy()    #获得待检测图片的尺寸
    height, width = image_.shape    # 将模板resize至与图像一样大小
    template_img = cv2.resize(template_img, (width, height))    # 模板匹配，返回匹配得分
    result = cv2.matchTemplate(image_, template_img, cv2.TM_CCOEFF)    return result[0][0]# 对分割得到的字符逐一匹配def template_matching(word_images):
    results = []    for index,word_image in enumerate(word_images):        if index==0:
            best_score = []            for chinese_words in chinese_words_list:
                score = []                for chinese_word in chinese_words:
                    result = template_score(chinese_word,word_image)
                    score.append(result)
                best_score.append(max(score))
            i = best_score.index(max(best_score))            # print(template[34+i])
            r = template[34+i]
            results.append(r)            continue
        if index==1:
            best_score = []            for eng_word_list in eng_words_list:
                score = []                for eng_word in eng_word_list:
                    result = template_score(eng_word,word_image)
                    score.append(result)
                best_score.append(max(score))
            i = best_score.index(max(best_score))            # print(template[10+i])
            r = template[10+i]
            results.append(r)            continue
        else:
            best_score = []            for eng_num_word_list in eng_num_words_list:
                score = []                for eng_num_word in eng_num_word_list:
                    result = template_score(eng_num_word,word_image)
                    score.append(result)
                best_score.append(max(score))
            i = best_score.index(max(best_score))            # print(template[i])
            r = template[i]
            results.append(r)            continue
    return results


word_images_ = word_images.copy()# 调用函数获得结果result = template_matching(word_images_)print(result)print( "".join(result))

['渝', 'B', 'F', 'U', '8', '7', '1']
渝BFU871

4.5. 结果展示

import cv2from matplotlib import pyplot as pltimport osimport numpy as npfrom PIL import ImageFont, ImageDraw, Image

height,weight = origin_image.shape[0:2]


image_1 = origin_image.copy()
cv2.rectangle(image_1, (int(0.2*weight), int(0.75*height)), (int(weight*0.9), int(height*0.95)), (0, 255, 0), 5)#设置需要显示的字体fontpath = "/home/aistudio/work/simsun.ttc"font = ImageFont.truetype(fontpath,64)
img_pil = Image.fromarray(image_1)
draw = ImageDraw.Draw(img_pil)#绘制文字信息draw.text((int(0.2*weight)+25, int(0.75*height)),  "".join(result), font = font, fill = (255, 255, 0))
bk_img = np.array(img_pil)print(result)print( "".join(result))
plt_show0(bk_img)

['渝', 'B', 'F', 'U', '8', '7', '1']
渝BFU871

<Figure size 640x480 with 1 Axes>