【原】基于OpenCV 的車(chē)牌識(shí)別

小白學(xué)視覺(jué) 2021-01-28

展開(kāi)全文

重磅干貨，第一時(shí)間送達(dá)

車(chē)牌識(shí)別是一種圖像處理技術(shù)，用于識(shí)別不同車(chē)輛。這項(xiàng)技術(shù)被廣泛用于各種安全檢測(cè)中?，F(xiàn)在讓我一起基于OpenCV編寫(xiě)Python代碼來(lái)完成這一任務(wù)。

車(chē)牌識(shí)別的相關(guān)步驟

1.車(chē)牌檢測(cè)：第一步是從汽車(chē)上檢測(cè)車(chē)牌所在位置。我們將使用OpenCV中矩形的輪廓檢測(cè)來(lái)尋找車(chē)牌。如果我們知道車(chē)牌的確切尺寸，顏色和大致位置，則可以提高準(zhǔn)確性。通常，也會(huì)將根據(jù)攝像機(jī)的位置和該特定國(guó)家/地區(qū)所使用的車(chē)牌類(lèi)型來(lái)訓(xùn)練檢測(cè)算法。但是圖像可能并沒(méi)有汽車(chē)的存在，在這種情況下我們將先進(jìn)行汽車(chē)的，然后是車(chē)牌。

2.字符分割：檢測(cè)到車(chē)牌后，我們必須將其裁剪并保存為新圖像。同樣，這可以使用OpenCV來(lái)完成。

3. 字符識(shí)別：現(xiàn)在，我們?cè)谏弦徊街蝎@得的新圖像肯定可以寫(xiě)上一些字符（數(shù)字/字母）。因此，我們可以對(duì)其執(zhí)行OCR（光學(xué)字符識(shí)別）以檢測(cè)數(shù)字。

1.車(chē)牌檢測(cè)

讓我們以汽車(chē)的樣本圖像為例，首先檢測(cè)該汽車(chē)上的車(chē)牌。然后，我們還將使用相同的圖像進(jìn)行字符分割和字符識(shí)別。如果您想直接進(jìn)入代碼而無(wú)需解釋?zhuān)瑒t可以向下滾動(dòng)至此頁(yè)面的底部，提供完整的代碼，或訪問(wèn)以下鏈接。https://github.com/GeekyPRAVEE/OpenCV-Projects/blob/master/LicensePlateRecoginition.ipynb

在次使用的測(cè)試圖像如下所示。

圖片來(lái)源鏈接：https : //rb.gy/lxmiuv

第1步：將圖像調(diào)整為所需大小，然后將其灰度。相同的代碼如下

img = cv2.resize(img, (620,480) )gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #convert to grey scale

調(diào)整大小后，可以避免使用較大分辨率的圖像而出現(xiàn)的以下問(wèn)題，但是我們要確保在調(diào)整大小后，車(chē)號(hào)牌仍保留在框架中。在處理圖像時(shí)如果不再需要處理顏色細(xì)節(jié)，那么灰度變化就必不可少，這加快了其他后續(xù)處理的速度。完成此步驟后，圖像將像這樣被轉(zhuǎn)換

步驟2：每張圖片都會(huì)包含有用和無(wú)用的信息，在這種情況下，對(duì)于我們來(lái)說(shuō)，只有牌照是有用的信息，其余的對(duì)于我們的程序幾乎是無(wú)用的。這種無(wú)用的信息稱(chēng)為噪聲。通常，使用雙邊濾波（模糊）會(huì)從圖像中刪除不需要的細(xì)節(jié)。

gray = cv2.bilateralFilter(gray, 13, 15, 15)

語(yǔ)法為 destination_image = cv2.bilateralFilter(source_image, diameter of pixel, sigmaColor, sigmaSpace)。我們也可以將sigma顏色和sigma空間從15增加到更高的值，以模糊掉更多的背景信息，但請(qǐng)注意不要使有用的部分模糊。輸出圖像如下所示可以看到該圖像中的背景細(xì)節(jié)（樹(shù)木和建筑物）模糊了。這樣，我們可以避免程序處理這些區(qū)域。

步驟3：下一步是我們執(zhí)行邊緣檢測(cè)的有趣步驟。有很多方法可以做到，最簡(jiǎn)單和流行的方法是使用OpenCV中的canny edge方法。執(zhí)行相同操作的行如下所示

edged = cv2.Canny(gray, 30, 200) #Perform Edge detection

語(yǔ)法為destination_image = cv2.Canny（source_image，thresholdValue 1，thresholdValue 2）。閾值谷1和閾值2是最小和最大閾值。僅顯示強(qiáng)度梯度大于最小閾值且小于最大閾值的邊緣。結(jié)果圖像如下所示

步驟4：現(xiàn)在我們可以開(kāi)始在圖像上尋找輪廓

contours=cv2.findContours(edged.copy(),cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)contours = imutils.grab_contours(contours)contours = sorted(contours,key=cv2.contourArea, reverse = True)[:10]screenCnt = None

一旦檢測(cè)到計(jì)數(shù)器，我們就將它們從大到小進(jìn)行排序，并只考慮前10個(gè)結(jié)果而忽略其他結(jié)果。在我們的圖像中，計(jì)數(shù)器可以是具有閉合表面的任何事物，但是在所有獲得的結(jié)果中，牌照號(hào)碼也將存在，因?yàn)樗彩情]合表面。

為了過(guò)濾獲得的結(jié)果中的車(chē)牌圖像，我們將遍歷所有結(jié)果，并檢查其具有四個(gè)側(cè)面和閉合圖形的矩形輪廓。由于車(chē)牌肯定是四邊形的矩形。

for c in cnts: # approximate the contour peri = cv2.arcLength(c, True) approx = cv2.approxPolyDP(c, 0.018 * peri, True) # if our approximated contour has four points, then # we can assume that we have found our screen if len(approx) == 4: screenCnt = approx break

找到正確的計(jì)數(shù)器后，我們將其保存在名為screenCnt的變量中，然后在其周?chē)L制一個(gè)矩形框，以確保我們已正確檢測(cè)到車(chē)牌。

步驟5：現(xiàn)在我們知道車(chē)牌在哪里，剩下的信息對(duì)我們來(lái)說(shuō)幾乎沒(méi)有用。因此，我們可以對(duì)整個(gè)圖片進(jìn)行遮罩，除了車(chē)牌所在的地方。相同的代碼如下所示

# Masking the part other than the number platemask = np.zeros(gray.shape,np.uint8)new_image = cv2.drawContours(mask,[screenCnt],0,255,-1,)new_image = cv2.bitwise_and(img,img,mask=mask)

被遮罩的新圖像將如下所示

2.字符分割

車(chē)牌識(shí)別的下一步是通過(guò)裁剪車(chē)牌并將其保存為新圖像，將車(chē)牌從圖像中分割出來(lái)。然后，我們可以使用此圖像來(lái)檢測(cè)其中的字符。下面顯示了從主圖像裁剪出ROI（感興趣區(qū)域）圖像的代碼

# Now crop(x, y) = np.where(mask == 255)(topx, topy) = (np.min(x), np.min(y))(bottomx, bottomy) = (np.max(x), np.max(y))Cropped = gray[topx:bottomx+1, topy:bottomy+1]

結(jié)果圖像如下所示。通常添加到裁剪圖像中，如果需要，我們還可以對(duì)其進(jìn)行灰色處理和邊緣化。這樣做是為了改善下一步的字符識(shí)別。但是我發(fā)現(xiàn)即使使用原始圖像也可以正常工作。

3.字符識(shí)別

該車(chē)牌識(shí)別的最后一步是從分割的圖像中實(shí)際讀取車(chē)牌信息。就像前面的教程一樣，我們將使用pytesseract包從圖像讀取字符。相同的代碼如下

#Read the number platetext = pytesseract.image_to_string(Cropped, config='--psm 11')print("Detected license plate Number is:",text)

原始圖像上印有數(shù)字“ CZ20FSE”，并且我們的程序檢測(cè)到它在jupyter筆記本上打印了相同的值。

車(chē)牌識(shí)別失敗案例

車(chē)牌識(shí)別的完整代碼，其中包含程序和我們用來(lái)檢查程序的測(cè)試圖像。要記住，此方法的結(jié)果將不準(zhǔn)確。準(zhǔn)確度取決于圖像的清晰度，方向，曝光等。為了獲得更好的結(jié)果，您可以嘗試同時(shí)實(shí)現(xiàn)機(jī)器學(xué)習(xí)算法。

這個(gè)案例中我們的程序能夠正確檢測(cè)車(chē)牌并進(jìn)行裁剪。但是，Tesseract庫(kù)無(wú)法正確識(shí)別字符。OCR已將其識(shí)別為“ MH13CD 0036”，而不是實(shí)際的“ MH 13 CD 0096”。通過(guò)使用更好的方向圖像或配置Tesseract引擎，可以糾正此類(lèi)問(wèn)題。

其他成功的例子

大多數(shù)時(shí)候，圖像質(zhì)量和方向都是正確的，程序能夠識(shí)別車(chē)牌并從中讀取編號(hào)。下面的快照顯示了獲得的成功結(jié)果。

完整代碼

#@programming_feverimport cv2import imutilsimport numpy as npimport pytesseractpytesseract.pytesseract.tesseract_cmd = r'C:\Program Files (x86)\Tesseract-OCR\tesseract.exe'

img = cv2.imread('D://skoda1.jpg',cv2.IMREAD_COLOR)img = cv2.resize(img, (600,400) )

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray = cv2.bilateralFilter(gray, 13, 15, 15)

edged = cv2.Canny(gray, 30, 200) contours = cv2.findContours(edged.copy(), cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)contours = imutils.grab_contours(contours)contours = sorted(contours, key = cv2.contourArea, reverse = True)[:10]screenCnt = None

for c in contours: peri = cv2.arcLength(c, True) approx = cv2.approxPolyDP(c, 0.018 * peri, True) if len(approx) == 4: screenCnt = approx break

if screenCnt is None: detected = 0 print ("No contour detected")else: detected = 1

if detected == 1: cv2.drawContours(img, [screenCnt], -1, (0, 0, 255), 3)

mask = np.zeros(gray.shape,np.uint8)new_image = cv2.drawContours(mask,[screenCnt],0,255,-1,)new_image = cv2.bitwise_and(img,img,mask=mask)

(x, y) = np.where(mask == 255)(topx, topy) = (np.min(x), np.min(y))(bottomx, bottomy) = (np.max(x), np.max(y))Cropped = gray[topx:bottomx+1, topy:bottomy+1]

text = pytesseract.image_to_string(Cropped, config='--psm 11')print("programming_fever's License Plate Recognition\n")print("Detected license plate Number is:",text)img = cv2.resize(img,(500,300))Cropped = cv2.resize(Cropped,(400,200))cv2.imshow('car',img)cv2.imshow('Cropped',Cropped)

cv2.waitKey(0)cv2.destroyAllWindows()

Github鏈接-https: //github.com/GeekyPRAVEE/OpenCV-Projects/blob/master/LicensePlateRecoginition.ipynb

交流群