点击上方“”，选择加""或“”
重磅干货，第一时间送达 车牌识别是用来识别不同车辆的图像处理技术。该技术广泛应用于各种安全检测。现在让我一起基于它OpenCV编写Python该任务由代码完成。
车牌识别步骤
1.车牌检测:第一步是从汽车上检测车牌的位置。我们将使用OpenCV找车牌进行中矩形轮廓检测。如果我们知道车牌的确切尺寸、颜色和大致位置，我们可以提高准确性。通常，检测算法也会根据相机的位置和特定国家/地区使用的车牌类型进行训练。但是图像可能不存在汽车。在这种情况下，我们将先进行汽车，然后进行车牌。
2.字符分割：检测到车牌后，我们必须将其切割并保存为新图像。同样，它也可以使用OpenCV来完成。
3. 字符识别:现在，我们在上一步获得的新图像肯定可以写一些字符(数字/字母)。因此，我们可以执行它OCR(光学字符识别)检测数字。
1.车牌检测
让我们以汽车样本图像为例，首先检测汽车上的车牌。然后，我们将使用相同的图像来分割和识别字符。如果您想直接进入代码而无需解释，您可以向下滚动到页面底部，提供完整的代码，或访问以下链接。https://github.com/GeekyPRAVEE/OpenCV-Projects/blob/master/LicensePlateRecoginition.ipynb
如下所示。
图片源链接：https : //rb.gy/lxmiuv
第1步：将图像调整到所需的大小，然后灰度。相同的代码如下
img = cv2.resize(img, (620,480) ) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #convert to grey scale 调整尺寸后，可以避免使用高分辨率图像时出现的以下问题，但要保证调整尺寸后车牌仍保留在框架内。如果在处理图像时不再需要处理颜色细节，灰度变化至关重要，这加快了其他后续处理。完成此步骤后，图像将被这样转换
第二步：每张图片都包含有用和无用的信息。在这种情况下，只有许可证是有用的信息，其余的对我们的程序几乎没用。这种无用的信息被称为噪音。通常，使用双边滤波器（模糊）从图像中删除不必要的细节。
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sigma颜色和sigma为了模糊更多的背景信息，空间从15增加到更高的值，但请注意不要模糊有用的部分。如下图所示，输出图像中的背景细节(树木和建筑物)模糊。这样，我们就可以避免程序处理这些区域。
第三步:下一步是我们实施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。只显示强度梯度大于最小阈值，小于最大阈值的边缘。图像如下所示
第四步:现在我们可以开始在图像上寻找轮廓了
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，我们将从大到小对它们进行排序，只考虑前10个结果而忽略其他结果。在我们的图像中，计数器可以关闭任何表面，但许可证号码也存在于所有结果中，因为它也关闭表面。
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 在找到正确的计数器后，我们将其保存在名称中screenCnt在变量中，然后在周围画一个矩形框，以确保我们正确检测到车牌。
第五步：现在我们知道车牌在哪里，剩下的信息对我们几乎没用。因此，除了车牌所在地，我们还可以覆盖整个图片。相同的代码如下所示
# Masking the part other than the number plate 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) 覆盖的新图像将如下所示
2.字符分割
车牌识别的下一步是切割车牌并将其保存为新图像，并将车牌从图像中分割出来。然后，我们可以使用这个图像来检测字符。下面显示了从主图像中的ROI图像代码(感兴趣区域)
# 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] 图像的结果如下所示。通常添加到切割图像中，如有必要，我们也可以进行灰色处理和边缘化。这是为了改善下一步的字符识别。但我发现即使使用原始图像也可以正常工作。
3.字符识别
车牌识别的最后一步是从分割图像中读取车牌信息。就像之前的教程一样样，我们将使用pytesseract包从图像读取字符。相同的代码如下
#Read the number plate
text = 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_fever
import cv2
import imutils
import numpy as np
import pytesseract
pytesseract.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
在「」公众号后台回复：即可下载全网第一份OpenCV扩展模块教程中文版，涵盖等二十多章内容。
在「」公众号后台回复：即可下载包括等31个视觉实战项目，助力快速学校计算机视觉。
在「」公众号后台回复：即可下载含有个基于实现20个，实现OpenCV学习进阶。
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。在群内发送广告，否则会请出群，谢谢理解~