python+opencv实现车牌定位功能(实例代码)
写在前面
HIT大三上学期视听觉信号处理课程中视觉部分的实验三，经过和学长们实验的对比发现每一级实验要求都不一样，因此这里标明了是2019年秋季学期的视觉实验三。
由于时间紧张，代码没有进行任何优化，实验算法仅供参考。
实验要求
对给定的车牌进行车牌识别
实验代码
代码首先贴在这里，仅供参考
源代码
实验代码如下：
importcv2
importnumpyasnp
deflpr(filename):
img=cv2.imread(filename)
#预处理，包括灰度处理，高斯滤波平滑处理，Sobel提取边界，图像二值化
#对于高斯滤波函数的参数设置，第四个参数设为零，表示不计算y方向的梯度，原因是车牌上的数字在竖方向较长，重点在于得到竖方向的边界
#对于二值化函数的参数设置，第二个参数设为127，是二值化的阈值，是一个经验值
gray_img=cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
GaussianBlur_img=cv2.GaussianBlur(gray_img,(3,3),0)
Sobel_img=cv2.Sobel(GaussianBlur_img,-1,1,0,ksize=3)
ret,binary_img=cv2.threshold(Sobel_img,127,255,cv2.THRESH_BINARY)
#形态学运算
kernel=np.ones((5,15),np.uint8)
#先闭运算将车牌数字部分连接，再开运算将不是块状的或是较小的部分去掉
close_img=cv2.morphologyEx(binary_img,cv2.MORPH_CLOSE,kernel)
open_img=cv2.morphologyEx(close_img,cv2.MORPH_OPEN,kernel)
#kernel2=np.ones((10,10),np.uint8)
#open_img2=cv2.morphologyEx(open_img,cv2.MORPH_OPEN,kernel2)
#由于部分图像得到的轮廓边缘不整齐，因此再进行一次膨胀操作
element=cv2.getStructuringElement(cv2.MORPH_RECT,(5,5))
dilation_img=cv2.dilate(open_img,element,iterations=3)
#获取轮廓
contours,hierarchy=cv2.findContours(dilation_img,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
#测试边框识别结果
#cv2.drawContours(img,contours,-1,(0,0,255),3)
#cv2.imshow("lpr",img)
#cv2.waitKey(0)
#将轮廓规整为长方形
rectangles=[]
forcincontours:
x=[]
y=[]
forpointinc:
y.append(point[0][0])
x.append(point[0][1])
r=[min(y),min(x),max(y),max(x)]
rectangles.append(r)
#用颜色识别出车牌区域
#需要注意的是这里设置颜色识别下限low时，可根据识别结果自行调整
dist_r=[]
max_mean=0
forrinrectangles:
block=img[r[1]:r[3],r[0]:r[2]]
hsv=cv2.cvtColor(block,cv2.COLOR_BGR2HSV)
low=np.array([100,60,60])
up=np.array([140,255,255])
result=cv2.inRange(hsv,low,up)
#用计算均值的方式找蓝色最多的区块
mean=cv2.mean(result)
ifmean[0]>max_mean:
max_mean=mean[0]
dist_r=r
#画出识别结果，由于之前多做了一次膨胀操作，导致矩形框稍大了一些，因此这里对于框架+3-3可以使框架更贴合车牌
cv2.rectangle(img,(dist_r[0]+3,dist_r[1]),(dist_r[2]-3,dist_r[3]),(0,255,0),2)
cv2.imshow("lpr",img)
cv2.waitKey(0)
#主程序
foriinrange(5):
lpr(str(i+1)+".jpg")
参数调整
上述代码中，所有涉及到参数调整的函数，例如形态学操作，都需边调整边观察当前参数下的运行结果，待本步运行结果较好时，再继续写下一步。
该代码对具体图片要求较高，不同的图片可能无法成功识别车牌，此时可尝试依次调整预处理部分，形态学部分，hsv检测部分函数的参数
实验结果
ps:图五是最难识别的图片，最后是通过调整hsv下限为[100,60,60]实现的
总结
以上所述是小编给大家介绍的python+opencv实现车牌定位功能，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对毛票票网站的支持！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。