使用opencv和python实现车牌区域提取

最近在研究人工智能和图像识别技术,涉及到一个车牌号码识别的研究,网上查找到的方案有tensorflow和opencv,opencv也是比较成熟的方案,先从简单的开始,以下是关于使用opencv实现车牌号码提取的部分。

说明

本文是我学习过程的笔记,在某些的场景下的识别率较高,但是不足以在实际的商业环境上使用,因为准确率还没有达到工业水平,还需要通过调整算法,机器学习相关技术才能有较高的准确度。车牌识别不是我的最终目标,我主要是要研究人工智能和图像识别相关的技术,本文只是提供一些图像识别的思路。下面每个步骤都不是必须的,而且还有很多的优化空间,如果你参考本文做实验,可以调整不同的参数,删除部分的步骤查看效果。

整体流程

  1. 高斯模糊
  2. 图片灰度化
  3. Sobel算子
  4. 图像二值化
  5. 闭操作
  6. 膨胀腐蚀
  7. 中值滤波
  8. 查找轮廓
  9. 判断车牌区域

原图

image.png

高斯模糊

通过高斯模糊,可以去除部分的干扰,让识别更加准确,做实验可以屏蔽代码,看看这一步对结果的影响。

import cv2
rawImage = cv2.imread("image.jpg")
image = cv2.GaussianBlur(rawImage, (3, 3), 0)
# 预览效果
cv2.imshow('image', image)
cv2.waitKey(0)
image.png

图片灰度化

将彩色图像转化成为灰度图像。

image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
image.png

Sobel算子(X方向)

图像边缘检测。

Sobel_x = cv2.Sobel(image, cv2.CV_16S, 1, 0)
# Sobel_y = cv2.Sobel(image, cv2.CV_16S, 0, 1)
absX = cv2.convertScaleAbs(Sobel_x)  # 转回uint8
# absY = cv2.convertScaleAbs(Sobel_y)
# dst = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
image = absX
image.png

图像二值化

就是将图像上的像素点的灰度值设置为0或255,图像呈现出明显的只有黑和白。

ret, image = cv2.threshold(image, 0, 255, cv2.THRESH_OTSU)
image.png

闭操作

闭操作可以将目标区域连成一个整体,便于后续轮廓的提取。

kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5))
image = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernelX)
image.png

膨胀腐蚀

通过膨胀连接相近的图像区域,通过腐蚀去除孤立细小的色块。

kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (20, 1))
kernelY = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 19))

image = cv2.dilate(image, kernelX)
image = cv2.erode(image, kernelX)

image = cv2.erode(image, kernelY)
image = cv2.dilate(image, kernelY)
image.png

中值滤波

去除图像或者其它信号中的噪声。

image = cv2.medianBlur(image, 15)
image.png

查找轮廓

tmp, contours, w1 = cv2.findContours(image, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) 
# 绘制轮廓
image = cv2.drawContours(rawImage, contours, -1, (0, 0, 255), 3)
cv2.imshow('image', image)
image.png

判断车牌区域

我这里的判断比较简单是判断,宽高大于2比1的,实际上应该更加复杂一些,仅供学习参考。

for item in contours:
    rect = cv2.boundingRect(item)
    x = rect[0]
    y = rect[1]
    weight = rect[2]
    height = rect[3]
    if weight > (height * 2):
        image = rawImage[y:y + height, x:x + weight]
        cv2.imshow('image', image)

image.png

完整代码

#!/usr/bin/env python 
# -*- coding:utf-8 -*-
import cv2

# 读取图片
rawImage = cv2.imread("photo.jpg")
# 高斯模糊,将图片平滑化,去掉干扰的噪声
image = cv2.GaussianBlur(rawImage, (3, 3), 0)
# 图片灰度化
image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
# Sobel算子(X方向)
Sobel_x = cv2.Sobel(image, cv2.CV_16S, 1, 0)
# Sobel_y = cv2.Sobel(image, cv2.CV_16S, 0, 1)
absX = cv2.convertScaleAbs(Sobel_x)  # 转回uint8
# absY = cv2.convertScaleAbs(Sobel_y)
# dst = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
image = absX
# 二值化:图像的二值化,就是将图像上的像素点的灰度值设置为0或255,图像呈现出明显的只有黑和白
ret, image = cv2.threshold(image, 0, 255, cv2.THRESH_OTSU)
# 闭操作:闭操作可以将目标区域连成一个整体,便于后续轮廓的提取。
kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (17, 5))
image = cv2.morphologyEx(image, cv2.MORPH_CLOSE, kernelX)
# 膨胀腐蚀(形态学处理)
kernelX = cv2.getStructuringElement(cv2.MORPH_RECT, (20, 1))
kernelY = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 19))
image = cv2.dilate(image, kernelX)
image = cv2.erode(image, kernelX)
image = cv2.erode(image, kernelY)
image = cv2.dilate(image, kernelY)
# 平滑处理,中值滤波
image = cv2.medianBlur(image, 15)
# 查找轮廓
tmp, contours, w1 = cv2.findContours(image, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

for item in contours:
    rect = cv2.boundingRect(item)
    x = rect[0]
    y = rect[1]
    weight = rect[2]
    height = rect[3]
    if weight > (height * 2):
        # 裁剪区域图片
        chepai = rawImage[y:y + height, x:x + weight]
        cv2.imshow('chepai'+str(x), chepai)

# 绘制轮廓
image = cv2.drawContours(rawImage, contours, -1, (0, 0, 255), 3)
cv2.imshow('image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

推荐阅读更多精彩内容