一步一步详细讲解:python+opencv的车牌提取大全

1 说明：

=====

1.1 环境：

python3.8，深度操作系统deepin-linux，微软编辑器vscode，opencv版本4.2.0。

1.2 上一篇：

《强！全套完整中文车牌识别，纯python来实现和代码分析》

1.3 本次讲解：超级详细，一步一步，注释分析，小白都会。

1.4 注意：代码为注释讲解版，有点繁琐，但是可读性较高，大神可以封装成函数，去掉注释和窗口显示过程。

2 图片：来自今日头条免费正版图库：

===代码逐步分析===

3 读取图片并显示原始图片：额外知识

=============================

3.1 cv2法：显示是原图，省略。牵涉到知识点是图片的通道的拆分和合并。

import cv2
origin_image = cv2.imread('/home/xgj/Desktop/car911/2.jpeg')
cv2.imshow('image', origin_image)
cv2.waitKey(0)

3.2 matplotlib法：

import cv2
#---第2步：读取待检测原始的图片---
origin_image = cv2.imread('/home/xgj/Desktop/car911/2.jpeg')

#---第3步：显示图片法---
'''
# cv2显示图片法：原图
cv2.imshow('image', origin_image)
cv2.waitKey(0)
'''

'''
# matplotlib法直接显示，不是原图
from matplotlib import pyplot as plt
plt.imshow(origin_image)
plt.show()
'''


# 调整通道的顺序，显示原图
# 分割通道
from matplotlib import pyplot as plt
#说明cv2读取的顺序是bgr
#而matplotlib显示rgb，故显示plt原图法需要转换
b,g,r = cv2.split(origin_image)
# 合并通道
img = cv2.merge([r, g, b])
plt.imshow(img)
plt.show()

3.3 图：

4 提取蓝色车牌：

============

4.1 代码：

#---第1步：导入所需模块---
import cv2
from matplotlib import pyplot as plt

#---第2步：读取待检测原始的图片---
origin_image = cv2.imread('/home/xgj/Desktop/car911/2.jpeg')

# 可注释掉
# 调整通道的顺序
# 分割通道
b,g,r = cv2.split(origin_image)
# 合并通道
img = cv2.merge([r, g, b])
#用matplotlib的plt显示图片
plt.imshow(img)
plt.show()

#---第3步：提取车牌部分图片---
#图像去噪灰度处理
# 3-1：对原始图片origin_image进行高斯模糊
Gausiian_image = cv2.GaussianBlur(origin_image, (3, 3), 0)
#可注释掉
plt.imshow(Gausiian_image)
plt.show()

# 3-2：灰度化处理图像
gray_image = cv2.cvtColor(Gausiian_image, cv2.COLOR_RGB2GRAY)
#可注释掉
plt.imshow(gray_image)
plt.show()

# 3-3：Sobel算子
Sobel_x = cv2.Sobel(gray_image, cv2.CV_16S, 1, 0) # 对x求一阶导，垂直检测
#Sobel_y = cv2.Sobel(gray_image, cv2.CV_16S, 0, 1) # 附注：对y求一阶导，水平检测
absX = cv2.convertScaleAbs(Sobel_x)  # 转回uint8
#定义车牌
imagechepai = absX

# 3-4：图像二值化
ret, image2 = cv2.threshold(imagechepai, 0, 255, cv2.THRESH_OTSU)

# 3-5：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))
image3 = cv2.morphologyEx(image2, cv2.MORPH_CLOSE, kernelX,iterations = 3)
#可注释掉
plt.imshow(image3)
plt.show()

# 3-6：膨胀和腐蚀
#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))
#膨胀第1次
image4 = cv2.dilate(image3, kernelX)
plt.imshow(image4)
plt.show()
#腐蚀第1次
image5 = cv2.erode(image4, kernelX)
plt.imshow(image5)
plt.show()
#腐蚀第2次
image6 = cv2.erode(image5, kernelY)
plt.imshow(image6)
plt.show()
#膨胀第2次
image7 = cv2.dilate(image6, kernelY)
plt.imshow(image7)
plt.show()

# 3-7：中值滤波：去除图像或者其它信号中的噪声。
image8 = cv2.medianBlur(image7, 15)
plt.imshow(image8)
plt.show()

# 3-8：查找轮廓
contours, hierarchy = cv2.findContours(image8, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 3-9：判断车牌区域：
for item in contours:
    rect = cv2.boundingRect(item)
    x = rect[0]
    y = rect[1]
    weight = rect[2]
    height = rect[3]
    if (weight > (height * 3)) and (weight < (height * 4)):
        image9 = origin_image[y:y + height, x:x + weight]  #侧位车牌和黄色车牌报错
        #提取车牌，生成车牌图片
        cv2.imwrite('/home/xgj/Desktop/car911/chepai1.png', image9)
        cv2.imshow('image', image9)
        cv2.waitKey(0)

4.2 操作和效果图：

4.3 正位绿色车牌：OK，省略。（新能源汽车车牌，正面非侧位OK）

5 bug分析：

============

5.1 图：

6 黄色车牌定位和提取（图：3.jpeg）：

=============================

6.1 代码：换一种思维

#---第1步：导入模块--
import cv2
import numpy as np

#---第2步：读取原图---
img = cv2.imread('/home/xgj/Desktop/car911/3.jpeg')
#可注释掉
cv2.imshow("pic1",img) #显示原图
cv2.waitKey(0)

#---第3步：预处理---
# 包括灰度处理，高斯滤波平滑处理，Sobel提取边界，图像二值化
# 3-1：灰度处理
gray_img = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
cv2.imshow("pic2", gray_img)
cv2.waitKey(0)
# 3-2：高斯滤波平滑处理
GaussianBlur_img = cv2.GaussianBlur(gray_img, (3, 3), 0)
cv2.imshow("pic3", GaussianBlur_img)
cv2.waitKey(0)
# 3-3：Sobel提取边界
Sobel_img = cv2.Sobel(GaussianBlur_img, -1, 1, 0, ksize=3)
cv2.imshow("pic4", Sobel_img)
cv2.waitKey(0)
# 3-4：图像二值化
ret, binary_img = cv2.threshold(Sobel_img, 127, 255, cv2.THRESH_BINARY)

#---第4步：形态学运算---
kernel = np.ones((5, 15), np.uint8)
# 先闭运算将车牌数字部分连接，再开运算将不是块状的或是较小的部分去掉
close_img = cv2.morphologyEx(binary_img, cv2.MORPH_CLOSE, kernel)
open_img = cv2.morphologyEx(close_img, cv2.MORPH_OPEN, kernel)
# 再来一次：修改部分图像得到的轮廓边缘不整齐
kernel2 = np.ones((10, 10), np.uint8)
open_img2 = cv2.morphologyEx(open_img, cv2.MORPH_OPEN, kernel2)
#结构元素可以是矩形/椭圆/十字形，可以用cv2.getStructuringElement()来生成不同形状的结构元素
element = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))  #矩形结构
dilation_img = cv2.dilate(open_img, element, iterations=3)
cv2.imshow("pic4", dilation_img)
cv2.waitKey(0)

#---第5步：获取轮廓---
# 5-1:2个指标，易报错，与opencv版本有关
contours, hierarchy = cv2.findContours(dilation_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 测试边框识别结果，注释掉，否则汽车车牌提取后有绿色轮廓，不好看
#cv2.drawContours(img, contours, -1, (0, 255, 0), 3)
#cv2.imshow("pic5", img)  #绘制轮廓图
#cv2.waitKey(0)

# 5-2：从轮廓中提取坐标
# 将轮廓规整为长方形
rectangles = []
for c in contours:
    x = []
    y = []
    for point in c:
        y.append(point[0][0])
        x.append(point[0][1])
    r = [min(y), min(x), max(y), max(x)]
    rectangles.append(r)
    
# 5-3：用颜色识别出车牌区域
dist_r = []
max_mean = 0
for r in rectangles:
    carmask = img[r[1]:r[3], r[0]:r[2]]  #车牌区域面积大小
    hsv = cv2.cvtColor(carmask, cv2.COLOR_BGR2HSV)
    '''
    #蓝色车牌，可以使用
    low = np.array([100, 60, 60])
    up = np.array([140, 255, 255])
    '''
    #黄色车牌
    low = np.array([15, 55, 55])
    up = np.array([50, 255, 255])
    
    '''
    #绿色车牌：系能源汽车报错，因为车牌底色不是全绿，白色渐变绿色
    low = np.array([50, 50, 50])
    up = np.array([100, 255, 255])
    '''

    result = cv2.inRange(hsv, low, up)
    # 用计算均值的方式找蓝色最多的区块
    mean = cv2.mean(result)
    if mean[0] > max_mean:
        max_mean = mean[0]
        dist_r = r

# 画出识别结果，定位用，截取车牌时就不要了，否则车牌上有绿色框，不好看
#cv2.rectangle(img, (dist_r[0]+3, dist_r[1]), (dist_r[2]-3, dist_r[3]), (0, 255, 0), 2)

#参数格式：cv2.rectangle(image, (x,y), (x+w,y+h), (0,255,0), 2)
#一般格式
#qichechepai = img[y:y + height, x:x + weight]

qichechepai = img[dist_r[1]:dist_r[3], dist_r[0]+3:dist_r[2]-3]
#提取车牌，生成车牌图片
cv2.imwrite('/home/xgj/Desktop/car911/chepai3.png', qichechepai)
cv2.imshow('qichechepaitiqu', qichechepai)
cv2.waitKey(0)

6.2 操作和效果图：

6.3 新能源汽车车牌就不适合。

7 侧面车牌定位和提取：

=================

7.1 分类器：下载地址

https://github.com/zeusees/HyperLPR/blob/master/model/cascade.xml  #分类器来自别人，感谢

7.2 代码：

#---第1步：导出模块--
import cv2
import numpy as np

#---第2步：定义侦测函数
def detect(image):
    # 调用分类器，提前下载好
    cascade_path = '/home/xgj/Desktop/car911/cascade.xml'
    cascade = cv2.CascadeClassifier(cascade_path)  

    # 修改图片大小
    resize_h = 400
    height = image.shape[0]
    scale = image.shape[1] / float(height)
    image = cv2.resize(image, (int(scale * resize_h), resize_h))
    # 转为灰度图
    image_gray = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
    #查找车牌
    car_plates = cascade.detectMultiScale(image_gray, 1.1, 2, minSize=(36, 9), maxSize=(36 * 40, 9 * 40))
    # print("检测到车牌数", len(car_plates))
    #判断
    if len(car_plates) > 0:
        for car_plate in car_plates:
            x, y, w, h = car_plate
            #画汽车车牌矩形并截取
            qichechepai = image[y-10: y + h + 10, x-10: x + w + 10] 
            cv2.imshow('plate', qichechepai)  #显示车牌窗口
            cv2.imwrite('/home/xgj/Desktop/car911/ccnew.png', qichechepai) #保存提取汽车车牌
            #画车牌识别定位框
            cv2.rectangle(image, (x - 10, y - 10), (x + w + 10, y + h + 10), (0, 255, 0), 2)
    cv2.imshow("image", image) #显示原图上定位并画出识别框
    
if __name__ == '__main__':
    #导入原图
    image = cv2.imread('/home/xgj/Desktop/1-chepai-dingwei/fenleiqi/cc.jpeg') 
    detect(image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

7.3 操作和效果图：

7.4 侧面新能源汽车车牌，可以搞定，小bug：

===汽车车牌定位和提取大全===

高手可以整合、定义函数、封装

不管了，好东西就应该分享。

相关推荐

idea本地配置连接远程hadoop集群的一些网络问题解决汇总

无缓存不行?例行升级的入门级阿斯加特AN2 SSD装机点评

Ceph运维手册(基于P版本)

Docker 命令大全（docker命令大全记录表）

替代Docker build的Buildah简单介绍

Docker Desktop安装使用指南:零基础教程

大数据开发前要做什么准备?8台Hadoop服务器进行集群规划前配置

Tensorflow分类loss函数总结 tensorflow绘制loss曲线

R语言学习笔记(七) -离散型数据的模型预测2

iOS Runtime详解