本篇文章主要基于python语言和OpenCV库(cv2)进行车牌区域识别和字符分割，开篇之前针对在python中安装opencv的环境这里不做介绍，可以自行安装配置！

车牌号检测需要大致分为四个部分：

1.车辆图像获取

2.车牌定位、

3.车牌字符分割

4.车牌字符识别

具体介绍

车牌定位需要用到的是图片二值化为黑白后进canny边缘检测后多次进行开运算与闭运算用于消除小块的区域，保留大块的区域，后用cv2.rectangle选取矩形框，从而定位车牌位置

车牌字符的分割前需要准备的是只保留车牌部分，将其他部分均变为黑色背景。这里我采用cv2.grabCut方法，可将图像分割成前景与背景。分割完成后，再经过二值化为黑白图后即可进行字符分割。由于图像中只有黑色和白色像素，因此我们需要通过图像的白色像素和黑色像素来分割开字符。即分别通过判断每一行每一列的黑色白色像素值的位置，来定位出字符。

具体步骤如下：

1.灰度转换：将彩色图片转换为灰度图像，常见的R=G=B=像素平均值。

2.高斯平滑和中值滤波：去除噪声。

3.Sobel算子：提取图像边缘轮廓，X方向和Y方向平方和开跟。

4.二值化处理：图像转换为黑白两色，通常像素大于127设置为255，小于设置为0。

5.膨胀和细化：放大图像轮廓，转换为一个个区域，这些区域内包含车牌。

6.通过算法选择合适的车牌位置，通常将较小的区域过滤掉或寻找蓝色底的区域。

7.标注车牌位置

8.图像切割和识别

通过代码实现:

# -*- coding: utf-8 -*-

"""

@email:cuiran2001@163.com

@author: cuiran

"""

import cv2

import numpy as np

from PIL import Image

import os.path

from skimage import io,data

def stretch(img):

'''

图像拉伸函数

'''

maxi=float(img.max())

mini=float(img.min())

for i in range(img.shape[0]):

for j in range(img.shape[1]):

img[i,j]=(255/(maxi-mini)*img[i,j]-(255*mini)/(maxi-mini))

return img

def dobinaryzation(img):

'''

二值化处理函数

'''

maxi=float(img.max())

mini=float(img.min())

x=maxi-((maxi-mini)/2)

#二值化,返回阈值ret 和 二值化操作后的图像thresh

ret,thresh=cv2.threshold(img,x,255,cv2.THRESH_BINARY)

#返回二值化后的黑白图像

return thresh

def find_rectangle(contour):

'''

寻找矩形轮廓

'''

y,x=[],[]

for p in contour:

y.append(p[0][0])

x.append(p[0][1])

return [min(y),min(x),max(y),max(x)]

def locate_license(img,afterimg):

'''

定位车牌号

'''

img,contours,hierarchy=cv2.findContours(img,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

#找出最大的三个区域

block=[]

for c in contours:

#找出轮廓的左上点和右下点，由此计算它的面积和长度比

r=find_rectangle(c)

a=(r[2]-r[0])*(r[3]-r[1]) #面积

s=(r[2]-r[0])*(r[3]-r[1]) #长度比

block.append([r,a,s])

#选出面积最大的3个区域

block=sorted(block,key=lambda b: b[1])[-3:]

#使用颜色识别判断找出最像车牌的区域

maxweight,maxindex=0,-1

for i in range(len(block)):

b=afterimg[block[i][0][1]:block[i][0][3],block[i][0][0]:block[i][0][2]]

#BGR转HSV

hsv=cv2.cvtColor(b,cv2.COLOR_BGR2HSV)

#蓝色车牌的范围

lower=np.array([100,50,50])

upper=np.array([140,255,255])

#根据阈值构建掩膜

mask=cv2.inRange(hsv,lower,upper)

#统计权值

w1=0

for m in mask:

w1+=m/255

w2=0

for n in w1:

w2+=n

#选出最大权值的区域

if w2>maxweight:

maxindex=i

maxweight=w2

return block[maxindex][0]

def find_license(img):

'''

预处理函数

'''

m=400*img.shape[0]/img.shape[1]

#压缩图像

img=cv2.resize(img,(400,int(m)),interpolation=cv2.INTER_CUBIC)

#BGR转换为灰度图像

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

#灰度拉伸

stretchedimg=stretch(gray_img)

'''进行开运算，用来去除噪声'''

r=16

h=w=r*2+1

kernel=np.zeros((h,w),np.uint8)

cv2.circle(kernel,(r,r),r,1,-1)

#开运算

openingimg=cv2.morphologyEx(stretchedimg,cv2.MORPH_OPEN,kernel)

#获取差分图，两幅图像做差 cv2.absdiff('图像1','图像2')

strtimg=cv2.absdiff(stretchedimg,openingimg)

#图像二值化

binaryimg=dobinaryzation(strtimg)

#canny边缘检测

canny=cv2.Canny(binaryimg,binaryimg.shape[0],binaryimg.shape[1])

'''消除小的区域，保留大块的区域，从而定位车牌'''

#进行闭运算

kernel=np.ones((5,19),np.uint8)

closingimg=cv2.morphologyEx(canny,cv2.MORPH_CLOSE,kernel)

#进行开运算

openingimg=cv2.morphologyEx(closingimg,cv2.MORPH_OPEN,kernel)

#再次进行开运算

kernel=np.ones((11,5),np.uint8)

openingimg=cv2.morphologyEx(openingimg,cv2.MORPH_OPEN,kernel)

#消除小区域，定位车牌位置

rect=locate_license(openingimg,img)

return rect,img

def cut_license(afterimg,rect):

'''

图像分割函数

'''

#转换为宽度和高度

rect[2]=rect[2]-rect[0]

rect[3]=rect[3]-rect[1]

rect_copy=tuple(rect.copy())

rect=[0,0,0,0]

#创建掩膜

mask=np.zeros(afterimg.shape[:2],np.uint8)

#创建背景模型 大小只能为13*5，行数只能为1，单通道浮点型

bgdModel=np.zeros((1,65),np.float64)

#创建前景模型

fgdModel=np.zeros((1,65),np.float64)

#分割图像

cv2.grabCut(afterimg,mask,rect_copy,bgdModel,fgdModel,5,cv2.GC_INIT_WITH_RECT)

mask2=np.where((mask==2)|(mask==0),0,1).astype('uint8')

img_show=afterimg*mask2[:,:,np.newaxis]

return img_show

def deal_license(licenseimg):

'''

车牌图片二值化

'''

#车牌变为灰度图像

gray_img=cv2.cvtColor(licenseimg,cv2.COLOR_BGR2GRAY)

#均值滤波 去除噪声

kernel=np.ones((3,3),np.float32)/9

gray_img=cv2.filter2D(gray_img,-1,kernel)

#二值化处理

ret,thresh=cv2.threshold(gray_img,120,255,cv2.THRESH_BINARY)

return thresh

def find_end(start,arg,black,white,width,black_max,white_max):

end=start+1

for m in range(start+1,width-1):

if (black[m] if arg else white[m])>(0.98*black_max if arg else 0.98*white_max):

end=m

break

return end

if __name__=='__main__':

img=cv2.imread('test_images/car001.jpg',cv2.IMREAD_COLOR)

#预处理图像

rect,afterimg=find_license(img)

#框出车牌号

cv2.rectangle(afterimg,(rect[0],rect[1]),(rect[2],rect[3]),(0,255,0),2)

cv2.imshow('afterimg',afterimg)

#分割车牌与背景

cutimg=cut_license(afterimg,rect)

cv2.imshow('cutimg',cutimg)

#二值化生成黑白图

thresh=deal_license(cutimg)

cv2.imshow('thresh',thresh)

cv2.waitKey(0)

#分割字符

'''

判断底色和字色

'''

#记录黑白像素总和

white=[]

black=[]

height=thresh.shape[0] #263

width=thresh.shape[1] #400

#print('height',height)

#print('width',width)

white_max=0

black_max=0

#计算每一列的黑白像素总和

for i in range(width):

line_white=0

line_black=0

for j in range(height):

if thresh[j][i]==255:

line_white+=1

if thresh[j][i]==0:

line_black+=1

white_max=max(white_max,line_white)

black_max=max(black_max,line_black)

white.append(line_white)

black.append(line_black)

print('white',white)

print('black',black)

#arg为true表示黑底白字，False为白底黑字

arg=True

if black_max

arg=False

n=1

start=1

end=2

s_width=28

s_height=28

while n

n+=1

#判断是白底黑字还是黑底白字 0.05参数对应上面的0.95 可作调整

if(white[n] if arg else black[n])>(0.02*white_max if arg else 0.02*black_max):

start=n

end=find_end(start,arg,black,white,width,black_max,white_max)

n=end

if end-start>5:

cj=thresh[1:height,start:end]

# new_image = cj.resize((s_width,s_height),Image.BILINEAR)

# cj=cj.reshape(28, 28)

print("result/%s.jpg" % (n))

#保存分割的图片 by cayden

# cj.save("result/%s.jpg" % (n))

infile="result/%s.jpg" % (n)

io.imsave(infile,cj)

# im = Image.open(infile)

# out=im.resize((s_width,s_height),Image.BILINEAR)

# out.save(infile)

cv2.imshow('cutlicense',cj)

cv2.waitKey(0)

cv2.waitKey(0)

cv2.destroyAllWindows()

运行效果如图所示

车牌定位并进行处理

车牌分割如图所示

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我们。

本文标题: OpenCV+Python识别车牌和字符分割的实现

本文地址: http://www.cppcns.com/jiaoben/python/251517.html