点击上方“AI算法与图像处理”，选择加"星标"或“置顶”

重磅干货，第一时间送达

车牌识别是一种图像处理技术，用于识别不同车辆。这项技术被广泛用于各种安全检测中。现在让我一起基于OpenCV编写Python代码来完成这一任务。

车牌识别的相关步骤

1.车牌检测：第一步是从汽车上检测车牌所在位置。我们将使用OpenCV中矩形的轮廓检测来寻找车牌。如果我们知道车牌的确切尺寸，颜色和大致位置，则可以提高准确性。通常，也会将根据摄像机的位置和该特定国家/地区所使用的车牌类型来训练检测算法。但是图像可能并没有汽车的存在，在这种情况下我们将先进行汽车的，然后是车牌。

2.字符分割：检测到车牌后，我们必须将其裁剪并保存为新图像。同样，这可以使用OpenCV来完成。

3. 字符识别：现在，我们在上一步中获得的新图像肯定可以写上一些字符（数字/字母）。因此，我们可以对其执行OCR（光学字符识别）以检测数字。

1.车牌检测

让我们以汽车的样本图像为例，首先检测该汽车上的车牌。然后，我们还将使用相同的图像进行字符分割和字符识别。如果您想直接进入代码而无需解释，则可以向下滚动至此页面的底部，提供完整的代码，或访问以下链接。https://github.com/GeekyPRAVEE/OpenCV-Projects/blob/master/LicensePlateRecoginition.ipynb

在次使用的测试图像如下所示。

图片来源链接：https : //rb.gy/lxmiuv

第1步：将图像调整为所需大小，然后将其灰度。相同的代码如下

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

调整大小后，可以避免使用较大分辨率的图像而出现的以下问题，但是我们要确保在调整大小后，车号牌仍保留在框架中。在处理图像时如果不再需要处理颜色细节，那么灰度变化就必不可少，这加快了其他后续处理的速度。完成此步骤后，图像将像这样被转换

步骤2：每张图片都会包含有用和无用的信息，在这种情况下，对于我们来说，只有牌照是有用的信息，其余的对于我们的程序几乎是无用的。这种无用的信息称为噪声。通常，使用双边滤波（模糊）会从图像中删除不需要的细节。

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

语法为 destination_image = cv2.bilateralFilter(source_image, diameter of pixel, sigmaColor, sigmaSpace)。我们也可以将sigma颜色和sigma空间从15增加到更高的值，以模糊掉更多的背景信息，但请注意不要使有用的部分模糊。输出图像如下所示可以看到该图像中的背景细节（树木和建筑物）模糊了。这样，我们可以避免程序处理这些区域。

步骤3：下一步是我们执行边缘检测的有趣步骤。有很多方法可以做到，最简单和流行的方法是使用OpenCV中的canny edge方法。执行相同操作的行如下所示

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

语法为destination_image = cv2.Canny（source_image，thresholdValue 1，thresholdValue 2）。阈值谷1和阈值2是最小和最大阈值。仅显示强度梯度大于最小阈值且小于最大阈值的边缘。结果图像如下所示

步骤4：现在我们可以开始在图像上寻找轮廓

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

一旦检测到计数器，我们就将它们从大到小进行排序，并只考虑前10个结果而忽略其他结果。在我们的图像中，计数器可以是具有闭合表面的任何事物，但是在所有获得的结果中，牌照号码也将存在，因为它也是闭合表面。

为了过滤获得的结果中的车牌图像，我们将遍历所有结果，并检查其具有四个侧面和闭合图形的矩形轮廓。由于车牌肯定是四边形的矩形。

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

找到正确的计数器后，我们将其保存在名为screenCnt的变量中，然后在其周围绘制一个矩形框，以确保我们已正确检测到车牌。

步骤5：现在我们知道车牌在哪里，剩下的信息对我们来说几乎没有用。因此，我们可以对整个图片进行遮罩，除了车牌所在的地方。相同的代码如下所示

# 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)

被遮罩的新图像将如下所示

2.字符分割

车牌识别的下一步是通过裁剪车牌并将其保存为新图像，将车牌从图像中分割出来。然后，我们可以使用此图像来检测其中的字符。下面显示了从主图像裁剪出ROI（感兴趣区域）图像的代码

# 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]

结果图像如下所示。通常添加到裁剪图像中，如果需要，我们还可以对其进行灰色处理和边缘化。这样做是为了改善下一步的字符识别。但是我发现即使使用原始图像也可以正常工作。

3.字符识别

该车牌识别的最后一步是从分割的图像中实际读取车牌信息。就像前面的教程一样，我们将使用pytesseract包从图像读取字符。相同的代码如下

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

原始图像上印有数字“ CZ20FSE”，并且我们的程序检测到它在jupyter笔记本上打印了相同的值。

车牌识别失败案例

车牌识别的完整代码，其中包含程序和我们用来检查程序的测试图像。要记住，此方法的结果将不准确。准确度取决于图像的清晰度，方向，曝光等。为了获得更好的结果，您可以尝试同时实现机器学习算法。

这个案例中我们的程序能够正确检测车牌并进行裁剪。但是，Tesseract库无法正确识别字符。OCR已将其识别为“ MH13CD 0036”，而不是实际的“ MH 13 CD 0096”。通过使用更好的方向图像或配置Tesseract引擎，可以纠正此类问题。

其他成功的例子

大多数时候，图像质量和方向都是正确的，程序能够识别车牌并从中读取编号。下面的快照显示了获得的成功结果。

完整代码

#@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链接-https: //github.com/GeekyPRAVEE/OpenCV-Projects/blob/master/LicensePlateRecoginition.ipynb

下载1：动手学深度学习

在「AI算法与图像处理」公众号后台回复：动手学深度学习，即可下载547页《动手学深度学习》电子书和源码。该书是面向中文读者的能运行、可讨论的深度学习教科书，它将文字、公式、图像、代码和运行结果结合在一起。本书将全面介绍深度学习从模型构造到模型训练，以及它们在计算机视觉和自然语言处理中的应用。

下载2

在「AI算法与图像处理」公众号后台回复：OpenCV实战项目20讲，即可下载20个有趣的OpenCV实战项目

个人微信（如果没有备注不拉群！）

请注明：地区+学校/企业+研究方向+昵称

手动搭建一个车牌识别系统 | 附源码