#|OpenCV（项目）车牌识别1 -- 车牌提取（形态学）项目|opencv|python|计算机视觉|人

目录
一、形态学车牌提取（简单：单情景）
1、读取图片，转灰度图
2、提取轮廓（Sobel算子提取y方向边缘）
3、自适应二值化
4、闭运算处理，把图像闭合、揉团，使图像区域化
5、腐蚀/膨胀去噪得到车牌区域
5-1、横向腐蚀、膨胀
5-2、纵向腐蚀、膨胀
6、获取外轮廓
6-1、得到轮廓
6-2、画出轮廓并显示
7、截取得到车牌
二、形态学车牌提取（优化：多情景）
1、转灰度图
2、顶帽运算
3、Sobel算子提取Y方向边缘
4、二值化图像
5、开运算分割（纵向分割）
6、闭运算合并
7、横/纵方向腐蚀/膨胀
7-1、纵方向：腐蚀+膨胀
7-2、横方向：膨胀+腐蚀
8、腐蚀膨胀：去噪
9、获取外轮廓
10、根据车牌特征找到车牌轮廓
代码
参考资料
一、形态学车牌提取（简单：单情景）（单图片还不错，但多图片不准确）
1、读取图片，转灰度图

# 1、读取图片，转灰度图 img = cv.imread('Resource/car.jpg') gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY) cv.imshow('gray', gray)

文章图片

2、提取轮廓（Sobel算子提取y方向边缘）为什么对Y方向取边缘：让图像变“瘦”，便于把车牌揉成一团。

# 2、提取轮廓（Sobel算子提取y方向） y = cv.Sobel(gray, cv.CV_16S, 1,0) # 注：对x/y微分和得到x/y方向图像相反要得到x/y方向边缘，就要求y/x方向的微分。 absY = cv.convertScaleAbs(y) cv.imshow('Y', absY)

文章图片

3、自适应二值化注：threshold函数返回两个参数，第二个参数才是二进制图像！！！

# 3、自适应二值化 ret, binary = cv.threshold(absY, 0, 255, cv.THRESH_OTSU) cv.imshow('binary', binary)

文章图片

4、闭运算处理，把图像闭合、揉团，使图像区域化

闭运算处理，图像区域化，便于找到车牌区域，进而得到轮廓

测试多组图片，发现（17, 5）的卷积核比较好，能达到目的。

文章图片

# 4、闭运算处理，把图像闭合、揉团，使图像区域化，便于找到车牌区域，进而得到轮廓 kernel = cv.getStructuringElement(cv.MORPH_RECT, (17,5)) print('kernel= \n', kernel) close = cv.morphologyEx(binary, cv.MORPH_CLOSE, kernel) cv.imshow('close', close)

（这里采用矩形卷积核处理。）

5、腐蚀/膨胀去噪得到车牌区域上面虽然得到了二进制图像，且得到了大致区域，但是噪声（杂质）仍然太多，下面通过腐蚀、膨胀去噪。
5-1、横向腐蚀、膨胀

# 5-1、水平方向腐蚀/膨胀 erode = cv.morphologyEx(close, cv.MORPH_ERODE, kernel_x) cv.imshow('erode_x', erode) dilate = cv.morphologyEx(erode, cv.MORPH_DILATE, kernel_x) cv.imshow('dilate_x', dilate)

文章图片

文章图片

横向处理完之后，继续对纵向进行处理。

5-2、纵向腐蚀、膨胀

# 5-2、竖直方向腐蚀/膨胀 erode = cv.morphologyEx(dilate, cv.MORPH_ERODE, kernel_y) cv.imshow('erode_y', erode) dilate = cv.morphologyEx(erode, cv.MORPH_DILATE, kernel_y) cv.imshow('dilate_y', dilate)

文章图片

文章图片

如上图，得到了想要的结果，基本只剩下几个轮廓了，且车牌区域保留完好，不影响车牌的定位。

6、获取外轮廓这里想先把包括车牌轮廓的外轮廓一起显示。
6-1、得到轮廓

# 6-1、得到轮廓 contours, hierarchy = cv.findContours(dilate_y, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)

6-2、画出轮廓并显示

# 6-2、画出轮廓 cv.drawContours(img_copy, contours, -1, (255,0,255), 2) cv.imshow('Contours', img_copy)

获取轮廓代码及效果：

# 6、获取外轮廓 img_copy = img.copy() # 6-1、得到轮廓 contours, hierarchy = cv.findContours(dilate_y, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE) # 6-2、画出轮廓并显示 cv.drawContours(img_copy, contours, -1, (255,0,255), 2) cv.imshow('Contours', img_copy)

文章图片

7、截取得到车牌首先判断车牌的特征（比如宽：高一般在3~4），然后根据这个特征进行判断，只保留符合特征的图片（车牌）。

# 7、遍历所有轮廓，找到车牌轮廓 for contour in contours: # 7-1、得到矩形区域：左顶点坐标、宽和高 rect = cv.boundingRect(contour) # 7-2、判断宽高比例是否符合车牌标准，截取符合图片 if rect[2]>rect[3]*3 and rect[2]



  

文章图片 



 

 

 
二、形态学车牌提取（优化：多情景） 
1、转灰度图 
gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY)
cv.imshow('gray', gray)


 

 
2、顶帽运算 把较亮部分提取出来，使得车牌区域更加明显。

 
# 2、顶帽运算
# gray = cv.equalizeHist(gray)
kernel = cv.getStructuringElement(cv.MORPH_RECT, (17,17))
tophat = cv.morphologyEx(gray, cv.MORPH_TOPHAT, kernel)
cv.imshow('tophat', tophat)


  

文章图片 



 

 
3、Sobel算子提取Y方向边缘 纵向化车牌区域，使车牌更加明显。

 
# 3、Sobel算子提取y方向边缘（揉成一坨）
y = cv.Sobel(tophat, cv.CV_16S, 1,0)
absY = cv.convertScaleAbs(y)
cv.imshow('absY', absY)


  

文章图片 



 

 
4、二值化图像 根据自己的实际情况选取阈值，阈值越大，变成白色(255)的门槛越多，则白色部分越少。 （这里阈值比较小，但阈值大也有不少利弊）

 
# 4、自适应二值化（阈值自己可调）
ret, binary = cv.threshold(absY, 75, 255, cv.THRESH_BINARY)
cv.imshow('binary', binary)


 

 
5、开运算分割（纵向分割） 为了防止后面的闭运算错误连接外部的杂质，需要先用开运算把它们分隔开。

 
# 5、开运算处理（纵向去噪，分隔）
kernel = cv.getStructuringElement(cv.MORPH_RECT, (1, 15))
Open = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel)
cv.imshow('Open', Open)


 分割前：

 可以看出来，这写杂质已经完全融入车牌中了，后续想要分离它们就十分困难了。

  

文章图片 



  分割后：

 虽然也有少部分的连接，但不是之前的那种大块连接，相对 比较好去除。

  

文章图片 



 

 
6、闭运算合并 
# 6、闭运算合并，把图像闭合、揉团，使图像区域化，便于找到车牌区域，进而得到轮廓
kernel = cv.getStructuringElement(cv.MORPH_RECT, (41, 15))
close = cv.morphologyEx(Open, cv.MORPH_CLOSE, kernel)
cv.imshow('close', close)


 效果上面有。

 

 
7、横/纵方向腐蚀/膨胀 
# 7、膨胀/腐蚀（去噪得到车牌区域）
# 中远距离车牌识别
kernel_x = cv.getStructuringElement(cv.MORPH_RECT, (25, 7))
kernel_y = cv.getStructuringElement(cv.MORPH_RECT, (1, 11))
# 近距离车牌识别
# kernel_x = cv.getStructuringElement(cv.MORPH_RECT, (91, 31))
# kernel_y = cv.getStructuringElement(cv.MORPH_RECT, (1, 31))
# 7-1、腐蚀、膨胀（去噪）
erode_y = cv.morphologyEx(close, cv.MORPH_ERODE, kernel_y)
cv.imshow('erode_y', erode_y)
dilate_y = cv.morphologyEx(erode_y, cv.MORPH_DILATE, kernel_y)
cv.imshow('dilate_y', dilate_y)
# 7-1、膨胀、腐蚀（连接）（二次缝合）
dilate_x = cv.morphologyEx(dilate_y, cv.MORPH_DILATE, kernel_x)
cv.imshow('dilate_x', dilate_x)
erode_x = cv.morphologyEx(dilate_x, cv.MORPH_ERODE, kernel_x)
cv.imshow('erode_x', erode_x)


 
7-1、纵方向： 腐蚀+膨胀

 分割上下距离比较近的物体。

  

文章图片 



 
7-2、横方向：膨胀+腐蚀

 进一步连接横向的物体 （继上面的闭运算，再次连接车牌的内容）

  

文章图片 



 

 
8、腐蚀膨胀：去噪 
# 8、腐蚀、膨胀：去噪
kernel_e = cv.getStructuringElement(cv.MORPH_RECT, (25, 11))
erode = cv.morphologyEx(erode_x, cv.MORPH_ERODE, kernel_e)
cv.imshow('erode', erode)
kernel_d = cv.getStructuringElement(cv.MORPH_RECT, (25, 13))
dilate = cv.morphologyEx(erode, cv.MORPH_DILATE, kernel_d)
cv.imshow('dilate', dilate)


  

文章图片 



 

 
9、获取外轮廓 
# 9、获取外轮廓
img_copy = img.copy()
# 9-1、得到轮廓
contours, hierarchy = cv.findContours(dilate, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
# 9-2、画出轮廓并显示
cv.drawContours(img_copy, contours, -1, (255, 0, 255), 2)
cv.imshow('Contours', img_copy)


   

文章图片 



 

 
10、 根据车牌特征找到车牌轮廓 车牌宽高比一般为3~4之间，但我这里首先是图比较多，有些图附带的杂质没有清除干净，所以就设置在3~6.5之间。

 
# 10、遍历所有轮廓，找到车牌轮廓
i = 0
for contour in contours:
# 10-1、得到矩形区域：左顶点坐标、宽和高
rect = cv.boundingRect(contour)
# 10-2、判断宽高比例是否符合车牌标准，截取符合图片
if rect[2]>rect[3]*3 and rect[2]


 中远距离：

 正常车牌成功率：100%（测试了11例，均成功）

 倾斜车牌成功率：67%（测试2例,，3车牌，最小的车牌识别失败）（但是处理不是很好）

 近距离车牌成功率：0%（测试2例，均失败）

   

文章图片 



 

 近距离：

 （近距离成功率50%，因为只做了2个）

  

文章图片 



 

 
代码 
# 车牌识别
import cv2 as cv
import numpy as np
import os# 提取车牌（形态学）
def Morph_Distinguish(img):
# 1、转灰度图
gray = cv.cvtColor(img, cv.COLOR_RGB2GRAY)
cv.imshow('gray', gray)# 2、顶帽运算
# gray = cv.equalizeHist(gray)
kernel = cv.getStructuringElement(cv.MORPH_RECT, (17,17))
tophat = cv.morphologyEx(gray, cv.MORPH_TOPHAT, kernel)
cv.imshow('tophat', tophat)# 3、Sobel算子提取y方向边缘（揉成一坨）
y = cv.Sobel(tophat, cv.CV_16S, 1,0)
absY = cv.convertScaleAbs(y)
cv.imshow('absY', absY)# 4、自适应二值化（阈值自己可调）
ret, binary = cv.threshold(absY, 75, 255, cv.THRESH_BINARY)
cv.imshow('binary', binary)# 5、开运算分割（纵向去噪，分隔）
kernel = cv.getStructuringElement(cv.MORPH_RECT, (1, 15))
Open = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel)
cv.imshow('Open', Open)# 6、闭运算合并，把图像闭合、揉团，使图像区域化，便于找到车牌区域，进而得到轮廓
kernel = cv.getStructuringElement(cv.MORPH_RECT, (41, 15))
close = cv.morphologyEx(Open, cv.MORPH_CLOSE, kernel)
cv.imshow('close', close)# 7、膨胀/腐蚀（去噪得到车牌区域）
# 中远距离车牌识别
kernel_x = cv.getStructuringElement(cv.MORPH_RECT, (25, 7))
kernel_y = cv.getStructuringElement(cv.MORPH_RECT, (1, 11))
# 近距离车牌识别
# kernel_x = cv.getStructuringElement(cv.MORPH_RECT, (79, 15))
# kernel_y = cv.getStructuringElement(cv.MORPH_RECT, (1, 31))
# 7-1、腐蚀、膨胀（去噪）
erode_y = cv.morphologyEx(close, cv.MORPH_ERODE, kernel_y)
cv.imshow('erode_y', erode_y)
dilate_y = cv.morphologyEx(erode_y, cv.MORPH_DILATE, kernel_y)
cv.imshow('dilate_y', dilate_y)
# 7-1、膨胀、腐蚀（连接）（二次缝合）
dilate_x = cv.morphologyEx(dilate_y, cv.MORPH_DILATE, kernel_x)
cv.imshow('dilate_x', dilate_x)
erode_x = cv.morphologyEx(dilate_x, cv.MORPH_ERODE, kernel_x)
cv.imshow('erode_x', erode_x)# 8、腐蚀、膨胀：去噪
kernel_e = cv.getStructuringElement(cv.MORPH_RECT, (25, 9))
erode = cv.morphologyEx(erode_x, cv.MORPH_ERODE, kernel_e)
cv.imshow('erode', erode)
kernel_d = cv.getStructuringElement(cv.MORPH_RECT, (25, 11))
dilate = cv.morphologyEx(erode, cv.MORPH_DILATE, kernel_d)
cv.imshow('dilate', dilate)# 9、获取外轮廓
img_copy = img.copy()
# 9-1、得到轮廓
contours, hierarchy = cv.findContours(dilate, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
# 9-2、画出轮廓并显示
cv.drawContours(img_copy, contours, -1, (255, 0, 255), 2)
cv.imshow('Contours', img_copy)# 10、遍历所有轮廓，找到车牌轮廓
i = 0
for contour in contours:
# 10-1、得到矩形区域：左顶点坐标、宽和高
rect = cv.boundingRect(contour)
# 10-2、判断宽高比例是否符合车牌标准，截取符合图片
if rect[2]>rect[3]*3 and rect[2]


 

 代买仅供参考借鉴，目前只能提取一定距离的汽车车牌，太远或太近都太不行，也没有做倾斜处理，很难应用到实际生活中，实际生活中情景复杂的多，有什么建议或者批评可以尽管说出来。（后期可能会在此加入倾斜处理）

 

 

 

 
参考资料 【项目实战】基于OpenCV模板匹配的车牌识别项目_哔哩哔哩_bilibili

 【#|OpenCV（项目）车牌识别1 -- 车牌提取（形态学）】基于python+OpenCV的车牌号码识别_PYH1009的博客-CSDN博客_基于python的车牌识别系统



		  	

    
    




    
    
    


推荐阅读

           
                  
              
                  redis实现延迟消息队列 redis实现im 
                
                   
                
              
            

                  
              
                  真正的伏羲八卦图 八卦是谁发明的 
                
                   
                
              
            

                  
              
                  USBCleaner卸载技巧 USBCleaner如何卸载 
                
                   
                
              
            

                  
              
                  适合小学生的书包品牌 小学一年级书包品牌推荐 
                
                   
                
              
            

                  
              
                  情侣网名简短好听 情侣网名简短好听的有哪些 
                
                   
                
              
            

                  
              
                  7天居家健康监测可以上班吗 
                
                   
                
              
            

                  
              
                  GIS高端论坛，gis交流网站 
                
                   
                
              
            

                  
              
                  离职多久后社保被停 被辞退的员工多久停社保？ 
                
                   
                
              
            

                  
              
                  绑架罪的追诉期 法律绑架犯罪追诉标准是什么 
                
                   
                
              
            

                  
              
                  我现在得了流行性感冒，会不会得啥病?流行性感冒会不会让我死？ 
                
                   
                
              
            

                  
              
                  同花顺数据分析,数据分析与同花顺的作用 
                
                   
                
              
            

                  
              
                  华为鸿蒙电脑操作系统测试版,华为鸿蒙OS测试 
                
                   
                
              
            

                  
              
                  经实践确实有效的老化电池恢复方法 
                
                   
                
              
            

                  
              
                  如何修改代理服务器的IP地址？ 代理服务器怎么改ip 
                
                   
                
              
            

                  
              
                  血统|小米新机泄露，有高端机血统、中端机颜值，都是米粉期待的设计 
                
                   
                
              
            

                  
              
                  kol费用什么意思 跨境电商kol什么意思，kol与mcn什么意思 
                
                   
                
              
            

                  
              
                  向日葵怎么插花瓶好看 如何插向日葵好看 
                
                   
                
              
            

                  
              
                  轻乳酪蛋糕的做法 
                
                   
                
              
            

                  
              
                  脸上有这特征恐是致命征兆 
                
                   
                
              
            

                  
              
                  山药豆和红薯一起吃吗 
                
                   
                
              
            

          

opencv|opencv C++模板匹配的简单实现 
 Java|Java OpenCV图像处理之SIFT角点检测详解 
 17|17 关山松 第二课作业#公众号项目# D20 
 RxJava|RxJava 在Android项目中的使用（一） 
 Hacking|Hacking with iOS: SwiftUI Edition - SnowSeeker 项目（一） 
 靠QQ月入上万灰色暴利偏门的项目 
 spring|spring boot项目启动websocket 
 vuex|vuex 基础结构 
 区块链开发平台（以太坊） 
 如何在手机上查看测试vue-cli构建的项目