python-opencv实战:车牌识别(一):精度还不错的车牌定位

2023年12月8日发(作者：标致301二手车值得买吗)

python-opencv实战：车牌识别（一）：精度还不错的车牌定位

本文为基于python的opencv的车牌定位源码+讲解。

文章目录

一. 车牌定位整体构架

1. 整体思路

首先，车牌定位是车牌识别的第一步也是必要的一步，同时，车牌定位的好坏直接性的决定了车牌识别的好坏，因此车牌定位是一定要尽量

好的实现。对一张图片来说，车牌定位的几个过程其实很简单。

1. 去除噪音

2. 通过颜色特征筛选（或者通过形状筛选）

3. 通过形态特征再筛选（或通过颜色特征再筛选）

4. 定位候选区域列表

5. 选出最优的候选区域

6. 画出矩形，返回矩形的对角顶点。

其实过程并不复杂，但是每一步的各种操作混杂在一块就令如我这样的小白懵。不过问题不大，我们分开来看。

2. 分析原理

选择从通过形态特征先筛选入手。

先将图片转化为灰度图（边缘检测和轮廓识别需要灰度图），要去除噪音，防止不必要的干扰，通过灰度拉伸算法获取效果更良好的灰度

图。做边缘检测，轮廓发现，之后找出所有的矩形轮廓，利用国内车牌的特征选出最优的几个轮廓。接着对这几个轮廓进行色彩特征分析，

转化为HSV色彩空间（为了使用inrange方法找出掩膜），找出掩膜，利用算法求得每个掩膜的评分，选出最优评分的掩膜，并返回其图片

下标。是不是一气呵成。

3. 算法构造

要实现良好的车牌定位，肯定是不能直接用其固定好的API因为，API终究是局限于语言，它考虑的没有办法像活生生的人那么多。如果你

足够优秀的话，一定程度上是可以超越API的。

①. 灰度拉伸算法

灰度拉伸又叫对比度拉伸，它是最基本的一种灰度变换，使用的是最简单的分段线性变换函数，它的主要思想是提高图像处理时灰度级的动

态范围。它可以改善图像，说的白一点，它可以让有些不可见的地方变得可见。这是防止图片的拍摄角度或者光线问题导致车牌不清晰。

公式：g(x,y) = 255 / (B - A) * [f(x,y) - A]

②. 二值化的阈值选取

图像二值化时边缘检测的必备，我们学习过二值化，不论是自适应二值化，还是otus二值化，其自动算出的阈值在部分图的表现很好，但我

们不能直接带入车牌图像，因为APi提供的二值化时考虑全图，或者一个个部分块，但是我们需要的是足够清晰不会影响到车牌轮廓的二值

化。因此选择自己构造阈值。

个人建议利用阈值如下：

ret=max_value-(max_value-min_value)/2

其中为最大像素点和最小像素点，不妨思考一下，如果图片为一张纯色图，那么阈值就为该像素值。如果图片是最大为250最小为0那么阈

值为122，蓝色和白色为高像素值，这样无论如何都能找出其合适的轮廓。

③. 合适的分值的选取

学习目标识别的朋友一定经常和分值打交道把，通过一系列方法选出待选区域，最后评分，没有达到期望，就继续循环，继续评分，直到满

足或者循环停止。

这里的评分当然没有用到神经网络的东西，而是利用选好的掩膜的像素值来评掩膜得到的像素值是255与0，那么我们寻找掩膜的条件是蓝

色，注意这个蓝色，那么是不是可以想象，如果蓝色够多，那么分就够高呢，当然可以，于是可以对每个图像得到的HSV三个通道进行加权

求和，若是分数最够则认定为车牌，目前测试的图片，该方法吗，没有失败的。

二. 代码

\'\'\'

车牌识别

2021/2/24 python3.6 by ksks14

\'\'\'

#

导库

import cv2 as cv

import numpy as np

import os

#

方法

#

导入图片资源

path

为路径

def load_image(path):

src=(path)

return src

#

灰度拉伸方法

\'\'\'

它可以有选择的拉伸某段灰度区间以改善输出图像,如果一幅图像的灰度集中

在较暗的区域而导致图像偏暗，可以用灰度拉伸功能来拉伸(斜率>1)物体灰度区间以改善图像；同样如果图像灰度集中在较亮的区域而导致图像偏亮，也可以用

灰

度拉伸功能来压缩(斜率<1)物体灰度区间以改善图像质量。

灰度拉伸

定义：灰度拉伸，也称对比度拉伸，是一种简单的线性点运算。作用：扩展图像的

直方图，使其充满整个灰度等级范围内

公式：

g(x,y) = 255 / (B - A) * [f(x,y) - A],

其中，A = min[f(x,y)],最小灰度级；B = max[f(x,y)],最大灰度级；

f(x,y)为输入图像,g(x,y)为输出图像

缺点：如果灰度图像中最小值A=0，最大值B=255，则图像没有什么改变

\'\'\'

def gray_stretch(image):

max_value=float(())

min_value=float(())

for i in range([0]):

for j in range([1]):

image[i,j]=(255/(max_value-min_value)*image[i,j]-(255*min_value)/(max_value-min_value))

return image

\'\'\'

图像整体二值化

\'\'\'

def image_binary(image):

def image_binary(image):

max_value=float(())

min_value=float(())

\'\'\'

这里利用自适应二值化以及自动求阈值的方法明显效果不好。因此设置阈值这样设置的效果很容易想到，当图片为一张纯色图时阈值为对应像素值，当图包

含

255与0时，阈值为122，总体的适应的效果会比较好。方法返回二值图

\'\'\'

ret=max_value-(max_value-min_value)/2

ret,thresh=old(image,ret,255,_BINARY)

return thresh

\'\'\'

矩形轮廓角点，寻找到矩形之后记录角点，用来做参考以及画图。

\'\'\'

def find_rectangle(contour):

y,x=[],[]

for value in contour:

(value[0][0])

(value[0][1])

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

\'\'\'

车牌定位方法，需要两个参数，第一个是用来寻找位置，第二个为原图，用来绘制矩形。寻找位置的图片为经过几次形态学操作的图片。这里利用权值的操作，

实

现了定位的最高概率。

\'\'\'

def loacte_plate(image,after):

\'\'\'

定位车牌号

\'\'\'

#

寻找轮廓

contours,hierarchy=ntours(image,_EXTERNAL,_APPROX_SIMPLE)

img_copy = ()

#

找出最大的三个区域

solving=[]

for c in contours:

r=find_rectangle(c)

\'\'\'

这里就算出面积和长宽比

\'\'\'

a=(r[2]-r[0])*(r[3]-r[1])

s=(r[2]-r[0])/(r[3]-r[1])

([r,a,s])

#

通过参考选出面积最大的区域

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

#

颜色识别

maxweight,maxindex=0,-1

for i in range(len(solving)):#

wait_solve=after[solving[i][0][1]:solving[i][0][3],solving[i][0][0]:solving[i][0][2]]

#BGR

转

HSV

hsv=or(wait_solve,_BGR2HSV)

#

蓝色车牌的范围

Hsv

色彩空间的设置。

lower=([100,50,50])

upper=([140,255,255])

#

利用

inrange

找出掩膜

mask=e(hsv,lower,upper)

#

计算权值用来判断。

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

maxindex=i

maxweight=w2

return solving[maxindex][0]

\'\'\'

框出车牌 获取位置坐标，并返回图像

\'\'\'

#

对图像的预处理

def find_plates(image):

image=(image,(400,int(400 * [0] / [1])))

#

转换为灰度图像

gray_image=or(image,_BGR2GRAY)

#

灰度拉伸

#

如果一幅图像的灰度集中在较暗的区域而导致图像偏暗，可以用灰度拉伸功能来拉伸

(

斜率

>1)

物体灰度区间以改善图像；

#

同样如果图像灰度集中在较亮的区域而导致图像偏亮，也可以用灰度拉伸功能来压缩

(

斜率

<1)

物体灰度区间以改善图像质量

stretchedimage=gray_stretch(gray_image)#

进行灰度拉伸，是因为可以改善图像的质量

\'\'\'进行开运算，用来去除噪声\'\'\'

#

构造卷积核

kernel=ucturingElement(_ELLIPSE,(30,30))

#

开运算

openingimage=logyEx(stretchedimage,_OPEN,kernel)

#

获取差分图，两幅图像做差

f(\'

图像

1\',\'

图像

2\')

strtimage=f(stretchedimage,openingimage)

#

图像二值化

binaryimage=image_binary(strtimage)

#canny

边缘检测

canny=(binaryimage,[0],[1])

#5 24

效果最好

kernel=((5,24),8)

closingimage=logyEx(canny,_CLOSE,kernel)

openingimage=logyEx(closingimage,_OPEN,kernel)

#11 6

的效果最好

kernel=((11,6),8)

openingimage=logyEx(openingimage,_OPEN,kernel)

#

消除小区域，定位车牌位置

rect=loacte_plate(openingimage,image)#rect

包括轮廓的左上点和右下点，长宽比以及面积

#

展示图像

(\'image\',image)

gle(image, (rect[0]-5, rect[1]-5), (rect[2]+5,rect[3]+5), (0, 255, 0), 2)

(\'after\', image)

y(0)

yAllWindows()

def runing():

file_path=\'.plates\'

for filewalks in (file_path):

for files in filewalks[2]:

print(\'正在处理\',(filewalks[0],files))

find_plates(load_image((filewalks[0],files)))

runing()

结果如下：

总结

搞定度车牌定位不仅仅是算法需要一些自己设置一些改进，同时对卷积核的设定也十分重要，建议大家可以试一下，用循环遍历的方法去找

最优，也可以从数学角度分析。这里就不多阐述了。之后会写关于字符分割的博客，这俩步基础完了就该到深度学习了。距离比赛还有一个

月。。我时间也不多了。