OpenCV（项目）车牌识别3 -- 模板匹配
2024-05-29 03:02:10
目录
一、基础理论
1、思想
2、大致过程
二、详细过程
1、首先需要模板库
2、得到模板
3、原图限定大小
4、模板匹配
5、匹配所有子文件夹，保存最佳得分（最匹配项）
三、大致过程（细分类，节省时间）
1、汉字匹配
2、英文字符匹配
3、数字/英文匹配
4、显示
模板匹配总代码
参考资料
一、基础理论
1、思想
把提取到的每一张字符，和模板库中的所有字符进行对比。
2、大致过程
先拿到模板库，把模板和待匹配的图像大小限制一致，匹配每一张子模板图，匹配每张模板图匹配后都会有一个得分，得分最高的最相近。再把每个子文件夹最高得分对比，用index找到最高的那个子文件夹下标，得到模板。
二、详细过程
1、首先需要模板库
模板库下载链接1：（推荐）
https://download.csdn.net/download/great_yzl/21974008
模板库下载链接2：（不推荐）
http://www.zengqiang.club/blog/34
一个大文件夹
下包含很多子文件夹：
每一个子文件夹内包含该字符的一系列模板（为了更精确，牺牲了不少时间）：
2、得到模板
# 路径path = 'Template/' + List[i] + '/' + filename# 1、得到模板template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1) #彩（类似imread）gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY) #灰ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU) #二值cv.imshow('template', template)cv.waitKey(0)
3、原图限定大小
# 2、原图限定大小（和模板相似）h, w = template.shapeimage = cv.resize(image, (w, h))cv.imshow('image_', image)cv.waitKey(0)
4、模板匹配
按照名称列表的方式，遍历模板库的所有子文件夹、子文件夹内的所有子图。
# 3、模板匹配，得到得分（匹配度越高，得分越大）result = cv.matchTemplate(image, template, cv.TM_CCOEFF)score.append(result[0][0]) #得分（每张模板图）
5、匹配所有子文件夹，保存最佳得分（最匹配项）
匹配所有子文件夹的子图：
# 模板匹配，得到得分（匹配度越高，得分越大）result = cv.matchTemplate(image, template, cv.TM_CCOEFF)score.append(result[0][0]) #得分（每张模板图）
每个文件夹的最佳得分：
# 一个文件夹的最高得分（得分越高，匹配度越高）best_score.append(max(score))# 根据所有文件夹的最佳得分确定下标index = best_score.index(max(best_score))+34
三、大致过程（细分类，节省时间）
由于第一个必定是汉字，第二个必定是英文字符，后面的必定是英文字符/数字，我们在那里只需要做相应的判断即可。节约了很多时间。
1、汉字匹配
# (1) 汉字（首个位置只能是汉字(省)）（为了节约时间）if con == 0:# 遍历34——65文件夹（汉字）for i in range(34,65):# 单个图片的得分score = []ForderPath = 'Template/' + List[i]# 遍历单文件夹（每一个文件匹配）for filename in os.listdir(ForderPath):# 路径path = 'Template/' + List[i] + '/' + filename# 1、得到模板template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1) #彩（类似imread）gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY) #灰ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU) #二值# 2、原图限定大小（和模板相似）h, w = template.shapeimage = cv.resize(image, (w, h))cv.imshow('image_', image)cv.waitKey(0)# 3、模板匹配，得到得分（匹配度越高，得分越大）result = cv.matchTemplate(image, template, cv.TM_CCOEFF)score.append(result[0][0]) #得分（每张模板图）# 4、保存子文件夹的最高得分（得分越高，匹配度越高）best_score.append(max(score))# 5、根据所有文件夹的最佳得分确定下标index = best_score.index(max(best_score))+34
2、英文字符匹配
# (2) 字母（第二个位置只能为字母）elif con == 1:# 遍历10~34文件夹（字母文件夹）for i in range(10,34):# 单个图片的得分score = []ForderPath = 'Template/' + List[i]# 遍历单文件夹（每一个文件匹配）for filename in os.listdir(ForderPath):# 路径path = 'Template/' + List[i] + '/' + filename# 模板template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1) #彩（类似imread）gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY) #灰ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU) #二值h, w = template.shapeimage = cv.resize(image, (w, h))# 模板匹配，得到得分（匹配度越高，得分越大）result = cv.matchTemplate(image, template, cv.TM_CCOEFF)score.append(result[0][0]) #得分（每张模板图）# 一个文件夹的最高得分（得分越高，匹配度越高）best_score.append(max(score))# 根据所有文件夹的最佳得分确定下标index = best_score.index(max(best_score)) + 10
3、数字/英文匹配
# (3) 数字+字母else:# 遍历0~34文件夹（数字+字母）for i in range(34):# 单个图片的得分score = []ForderPath = 'Template/' + List[i]# 遍历单文件夹（每一个文件匹配）for filename in os.listdir(ForderPath):# 路径path = 'Template/' + List[i] + '/' + filename# 模板template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1) #彩（类似imread）gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY) #灰ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU) #二值h, w = template.shapeimage = cv.resize(image, (w, h))# 模板匹配，得到得分（匹配度越高，得分越大）result = cv.matchTemplate(image, template, cv.TM_CCOEFF)score.append(result[0][0]) #得分（每张模板图）# 一个文件夹的最高得分（得分越高，匹配度越高）best_score.append(max(score))# 根据所有文件夹的最佳得分确定下标index = best_score.index(max(best_score))
4、显示
在切割字符函数的尾部，所有字符切割完、立刻进行模板匹配，同一张车牌所有字符切割完毕后，进行显示。
# 显示识别结果（图像）Show_Result_Image()# 显示识别结果（图像）
def Show_Result_Image():p = image_rect[0], image_rect[1]w, h = image_rect[2] , image_rect[3]# 框出车牌cv.rectangle(img, (p[0],p[1]), (p[0]+w, p[1]+h), (0,0,255), 2)# 输出字符（中文）result = Text(img, str(final_result), p, (255,0,0), 16)cv.imshow('result-%d'%count, result)# cv.waitKey(0)
模板匹配总代码
# 显示文字（中文）（用的PIL，RGB正常显示，即和opencv的RGB相反）
def Text(image, text, p, color, size):# cv2读取图片# BGR转RGB：cv2和PIL中颜色的hex码的储存顺序不同cv2_image = cv.cvtColor(image, cv.COLOR_RGB2BGR)pil_image = Image.fromarray(cv2_image)# PIL图片上打印汉字draw = ImageDraw.Draw(pil_image) # 图片上打印font = ImageFont.truetype("./simhei.ttf", size, encoding="utf-8") # 参数1：字体文件路径，参数2：字体大小draw.text((p[0]-60, p[1]-20), text, color, font=font)# PIL图片转cv2 图片cv2_result = cv.cvtColor(np.array(pil_image), cv.COLOR_RGB2BGR)# cv2.imshow("图片", cv2_result) # 汉字窗口标题显示乱码# cv.imshow("photo", cv2_result) # 输出汉字return cv2_result# 显示识别结果（文字）
def Show_Result_Words(index):print(List[index])final_result.append(List[index])print(final_result)# 显示识别结果（图像）
def Show_Result_Image():p = image_rect[0], image_rect[1]w, h = image_rect[2] , image_rect[3]# 框出车牌cv.rectangle(img, (p[0],p[1]), (p[0]+w, p[1]+h), (0,0,255), 2)# 输出字符（中文）result = Text(img, str(final_result), p, (255,0,0), 16)cv.imshow('result-%d'%count, result)# cv.waitKey(0)# 三、模板匹配
# 原图和模板进行对比，越匹配，得分越大
def Template_Match(image):# 单文件夹内的最佳得分best_score = []# 遍历所有文件夹（每一个文件夹匹配）# (1) 汉字（首个位置只能是汉字(省)）（为了节约时间）if con == 0:# 遍历34——65文件夹（汉字）for i in range(34,65):# 单个图片的得分score = []ForderPath = 'Template/' + List[i]# 遍历单文件夹（每一个文件匹配）for filename in os.listdir(ForderPath):# 路径path = 'Template/' + List[i] + '/' + filename# 1、得到模板template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1) #彩（类似imread）gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY) #灰ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU) #二值# 2、原图限定大小（和模板相似）h, w = template.shapeimage = cv.resize(image, (w, h))# 3、模板匹配，得到得分（匹配度越高，得分越大）result = cv.matchTemplate(image, template, cv.TM_CCOEFF)score.append(result[0][0]) #得分（每张模板图）# 4、保存子文件夹的最高得分（得分越高，匹配度越高）best_score.append(max(score))# 5、根据所有文件夹的最佳得分确定下标index = best_score.index(max(best_score))+34# (2) 字母（第二个位置只能为字母）elif con == 1:# 遍历10~34文件夹（字母文件夹）for i in range(10,34):# 单个图片的得分score = []ForderPath = 'Template/' + List[i]# 遍历单文件夹（每一个文件匹配）for filename in os.listdir(ForderPath):# 路径path = 'Template/' + List[i] + '/' + filename# 模板template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1) #彩（类似imread）gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY) #灰ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU) #二值h, w = template.shapeimage = cv.resize(image, (w, h))# 模板匹配，得到得分（匹配度越高，得分越大）result = cv.matchTemplate(image, template, cv.TM_CCOEFF)score.append(result[0][0]) #得分（每张模板图）# 一个文件夹的最高得分（得分越高，匹配度越高）best_score.append(max(score))# 根据所有文件夹的最佳得分确定下标index = best_score.index(max(best_score)) + 10# (3) 数字+字母else:# 遍历0~34文件夹（数字+字母）for i in range(34):# 单个图片的得分score = []ForderPath = 'Template/' + List[i]# 遍历单文件夹（每一个文件匹配）for filename in os.listdir(ForderPath):# 路径path = 'Template/' + List[i] + '/' + filename# 模板template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1) #彩（类似imread）gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY) #灰ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU) #二值h, w = template.shapeimage = cv.resize(image, (w, h))# 模板匹配，得到得分（匹配度越高，得分越大）result = cv.matchTemplate(image, template, cv.TM_CCOEFF)score.append(result[0][0]) #得分（每张模板图）# 一个文件夹的最高得分（得分越高，匹配度越高）best_score.append(max(score))# 根据所有文件夹的最佳得分确定下标index = best_score.index(max(best_score))# 显示结果（文字）（每识别一个显示一次）Show_Result_Words(index)总的来讲，为了追求较高的精度，匹配时间较长， 一张车牌约20秒。这里的模板匹配不算非常的精确，并且耗时严重，已经逐渐被淘汰了，这里只是作为学习用途，没有太高的实际应用价值。（后期进军深度学习/机器学习，可能会对这些进行优化）。有什么好的建议大家可以提出来，共同进步，谢谢~
参考资料
https://www.bilibili.com/video/BV1yg4y187kU?p=3
OpenCV（项目）车牌识别3 -- 模板匹配相关推荐
- 【车牌识别】模板匹配新能源、轿车、货车车牌识别【含GUI Matlab源码 2169期】
⛄一.模板匹配车牌识别简介 1 系统整体设计 车牌识别系统包括4个步骤:车牌定位 (包括识别图像中的车牌位置并将其分割) .图像处理.字符分割与字符识别, 如图1所示.车牌定位的主要功能是从图像中可能 ...
- 【车牌识别】模板匹配车牌库识别【含GUI Matlab源码 416期】
⛄一.车牌识别简介 车牌识别技术起源于20世纪80年代初期,图像模式识别和计算机视觉在其中起到至关重要的作用.随着计算机技术的迅速普及和进步,80年代中后期,车牌识别系统逐步投入市场并使用,但识别精度 ...
- 【车牌识别】模板匹配新能源车牌识别【含Matlab源码 865期】
⛄一.简介 1 在进行图像处理任务之前,首先要明确处理对象和处理流程 处理对象: 新能源车牌和蓝色车牌 处理流程: 2 由于要对蓝色和新能源车牌进行识别,而且新能源车牌是渐变色,所以直接通过设定阈值的 ...
- OpenCV学习(二十三) ：模板匹配:matchTemplate(),minMaxLoc()
OpenCV学习(二十三) :模板匹配:matchTemplate() 1.概述 模板匹配是一种最原始.最基本的模式识别方法,研究某一特定对象物的图案位于图像的什么地方,进而识别对象物,这就是一个匹配 ...
- 开源项目车牌识别EasyPR的使用
开源项目车牌识别EasyPR的使用 1.配置Visual studio+opencv 2.下载源码 https://gitee.com/easypr/EasyPR?hmsr=aladdin1e6 3. ...
- 【树莓派开发】02-基于OpenCV的车牌识别处理(LPR)
[说明]:疫情期间比较闲学习了python.LPR这个东西,基于OpenCV已经做过很多遍了,通过这个小项目利用树莓派来熟悉Python编程,而且通过实际操作可以掌握一些具体的细节与技巧,这里我将整个 ...
- 2021-01-07 python opencv实现车牌识别 颜色定位
python opencv实现车牌识别 颜色定位 主要代码参考https://blog.csdn.net/wzh191920/article/details/79589506 GitHub:https ...
- Python+Opencv简易车牌识别(二)：形态学运算，HSV颜色空间筛选与图像分割
注:这是依然一个简单的车牌识别demo 1.前言 在上一篇Python+Opencv简易车牌识别(一):基于HSV颜色空间的图像分割中,我们讲了如何仅基于颜色来进行简单粗暴的车牌分割.今天我们考虑对图 ...
- OpenCV中的图像处理 —— 傅里叶变换+模板匹配
OpenCV中的图像处理 -- 傅里叶变换+模板匹配 现在也在逐渐深入啦,希望跟大家一起进步越来越强 目录 OpenCV中的图像处理 -- 傅里叶变换+模板匹配 1. 傅里叶变换 1.1 Numpy实 ...
最新文章
- 对比测试LM358， LMV358双运放基本参数，测试之后发现是假货
- MPLS标签分发、通告及管理方式
- java swt 双屏_Java中AWT、Swing与SWT三大GUI技术的原理与效率差异
- MySQL查询数据操作（DQL）
- c#补充print（多态性问题）【C#】
- 页面点击提交跳转_一个入口一次提交！“六税合一”综合申报操作指南请收好~...
- Apache服务安全加固及Apache优化
- 萌新接触前端的第三课——JavaScript
- 张樟兴策略分析：数据库营销顾客
- tftp 查看服务器文件夹,TFTP服务器的配置
- 图解物联网---物联网基础知识
- 【机器学习】网络表征学习、网络嵌入必读论文
- java mac算法_Mac算法的java实现
- 计算机桌面设置定时,电脑桌面定时提醒休息如何设置？
- 漫漫长路——微信十年历程
- Vue笔记 （二） 如何做移动端适配 让你只用关心设计稿
- 06-1-SVM原理
- 易文档（yidocs），更简单的markdown静态文档生成模板
- 科技百咖 | 天威诚信：韶光与共，不负前路
- 九度OJ-1163：素数(未关联)