写在前面

HIT大三上学期视听觉信号处理课程中视觉部分的实验三，经过和学长们实验的对比发现每一级实验要求都不一样，因此这里标明了是2019年秋季学期的视觉实验三。

由于时间紧张，代码没有进行任何优化，实验算法仅供参考。

实验要求

对给定的车牌进行车牌识别

实验代码

代码首先贴在这里，仅供参考

源代码

实验代码如下：

import cv2import numpy as npdef lpr(filename): img = cv2.imread(filename) # 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 # 对于高斯滤波函数的参数设置，第四个参数设为零，表示不计算y方向的梯度，原因是车牌上的数字在竖方向较长，重点在于得到竖方向的边界 # 对于二值化函数的参数设置，第二个参数设为127，是二值化的阈值，是一个经验值 gray_img = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY) GaussianBlur_img = cv2.GaussianBlur(gray_img, (3, 3), 0) Sobel_img = cv2.Sobel(GaussianBlur_img, -1, 1, 0, ksize=3) ret, binary_img = cv2.threshold(Sobel_img, 127, 255, cv2.THRESH_BINARY) # 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) # kernel2 = np.ones((10, 10), np.uint8) # open_img2 = cv2.morphologyEx(open_img, cv2.MORPH_OPEN, kernel2) # 由于部分图像得到的轮廓边缘不整齐，因此再进行一次膨胀操作 element = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) dilation_img = cv2.dilate(open_img, element, iterations=3) # 获取轮廓 contours, hierarchy = cv2.findContours(dilation_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 测试边框识别结果 # cv2.drawContours(img, contours, -1, (0, 0, 255), 3) # cv2.imshow("lpr", img) # cv2.waitKey(0) # 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) # 用颜色识别出车牌区域 # 需要注意的是这里设置颜色识别下限low时，可根据识别结果自行调整 dist_r = [] max_mean = 0 for r in rectangles: block = img[r[1]:r[3], r[0]:r[2]] hsv = cv2.cvtColor(block, cv2.COLOR_BGR2HSV) low = np.array([100, 60, 60]) up = np.array([140, 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，由于之前多做了一次膨胀操作，导致矩形框稍大了一些，因此这里对于框架+3-3可以使框架更贴合车牌 cv2.rectangle(img, (dist_r[0]+3, dist_r[1]), (dist_r[2]-3, dist_r[3]), (0, 255, 0), 2) cv2.imshow("lpr", img) cv2.waitKey(0)# 主程序for i in range(5): lpr(str(i+1) + ".jpg")

参数调整

上述代码中，所有涉及到参数调整的函数，例如形态学操作，都需边调整边观察当前参数下的运行结果，待本步运行结果较好时，再继续写下一步。

该代码对具体图片要求较高，不同的图片可能无法成功识别车牌，此时可尝试依次调整预处理部分，形态学部分，hsv检测部分函数的参数

实验结果

ps:图五是最难识别的图片，最后是通过调整hsv下限为[100, 60, 60]实现的

总结

以上所述是小编给大家介绍的python+opencv实现车牌定位功能，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对网站的支持！
如果你觉得本文对你有帮助，欢迎转载，烦请注明出处，谢谢！