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。
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,
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.appr
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 = cv
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) =
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("Detec
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()
写在最后：
欢迎有兴趣的同学私信交流，不定期会分享一些人工智能，教学视频、项目是实战、经典案例等分享给大家~
如果需要资料可以关注公众号：**【咕泡AI】回复：168 **
