點擊上方“AI算法與圖像處理”，選擇加"星標"或“置頂”

重磅干貨，第一時間送達

車牌識別的相關(guān)步驟

1.車牌檢測：第一步是從汽車上檢測車牌所在位置。我們將使用OpenCV中矩形的輪廓檢測來尋找車牌。如果我們知道車牌的確切尺寸，顏色和大致位置，則可以提高準確性。通常，也會將根據(jù)攝像機的位置和該特定國家/地區(qū)所使用的車牌類型來訓練檢測算法。但是圖像可能并沒有汽車的存在，在這種情況下我們將先進行汽車的，然后是車牌。

2.字符分割：檢測到車牌后，我們必須將其裁剪并保存為新圖像。同樣，這可以使用OpenCV來完成。

3. 字符識別：現(xiàn)在，我們在上一步中獲得的新圖像肯定可以寫上一些字符（數(shù)字/字母）。因此，我們可以對其執(zhí)行OCR（光學字符識別）以檢測數(shù)字。

讓我們以汽車的樣本圖像為例，首先檢測該汽車上的車牌。然后，我們還將使用相同的圖像進行字符分割和字符識別。如果您想直接進入代碼而無需解釋，則可以向下滾動至此頁面的底部，提供完整的代碼，或訪問以下鏈接。https://github.com/GeekyPRAVEE/OpenCV-Projects/blob/master/LicensePlateRecoginition.ipynb

在次使用的測試圖像如下所示。

圖片來源鏈接：https : //rb.gy/lxmiuv

第1步：?將圖像調(diào)整為所需大小，然后將其灰度。相同的代碼如下

img = cv2.resize(img, (620,480) )gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) #convert to grey scale

調(diào)整大小后，可以避免使用較大分辨率的圖像而出現(xiàn)的以下問題，但是我們要確保在調(diào)整大小后，車號牌仍保留在框架中。在處理圖像時如果不再需要處理顏色細節(jié)，那么灰度變化就必不可少，這加快了其他后續(xù)處理的速度。完成此步驟后，圖像將像這樣被轉(zhuǎn)換

步驟2：每張圖片都會包含有用和無用的信息，在這種情況下，對于我們來說，只有牌照是有用的信息，其余的對于我們的程序幾乎是無用的。這種無用的信息稱為噪聲。通常，使用雙邊濾波（模糊）會從圖像中刪除不需要的細節(jié)。

gray = cv2.bilateralFilter(gray, 13, 15, 15)

語法為?destination_image = cv2.bilateralFilter(source_image, diameter of pixel, sigmaColor, sigmaSpace)。我們也可以將sigma顏色和sigma空間從15增加到更高的值，以模糊掉更多的背景信息，但請注意不要使有用的部分模糊。輸出圖像如下所示可以看到該圖像中的背景細節(jié)（樹木和建筑物）模糊了。這樣，我們可以避免程序處理這些區(qū)域。

步驟3：下一步是我們執(zhí)行邊緣檢測的有趣步驟。有很多方法可以做到，最簡單和流行的方法是使用OpenCV中的canny edge方法。執(zhí)行相同操作的行如下所示

edged = cv2.Canny(gray, 30, 200) #Perform Edge detection

語法為destination_image = cv2.Canny（source_image，thresholdValue 1，thresholdValue 2）。閾值谷1和閾值2是最小和最大閾值。僅顯示強度梯度大于最小閾值且小于最大閾值的邊緣。結(jié)果圖像如下所示

步驟4：現(xiàn)在我們可以開始在圖像上尋找輪廓

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

一旦檢測到計數(shù)器，我們就將它們從大到小進行排序，并只考慮前10個結(jié)果而忽略其他結(jié)果。在我們的圖像中，計數(shù)器可以是具有閉合表面的任何事物，但是在所有獲得的結(jié)果中，牌照號碼也將存在，因為它也是閉合表面。

為了過濾獲得的結(jié)果中的車牌圖像，我們將遍歷所有結(jié)果，并檢查其具有四個側(cè)面和閉合圖形的矩形輪廓。由于車牌肯定是四邊形的矩形。

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

找到正確的計數(shù)器后，我們將其保存在名為screenCnt的變量中，然后在其周圍繪制一個矩形框，以確保我們已正確檢測到車牌。

步驟5：現(xiàn)在我們知道車牌在哪里，剩下的信息對我們來說幾乎沒有用。因此，我們可以對整個圖片進行遮罩，除了車牌所在的地方。相同的代碼如下所示

# Masking the part other than the number platemask = np.zeros(gray.shape,np.uint8)new_image = cv2.drawContours(mask,[screenCnt],0,255,-1,)new_image = cv2.bitwise_and(img,img,mask=mask)

被遮罩的新圖像將如下所示

車牌識別的下一步是通過裁剪車牌并將其保存為新圖像，將車牌從圖像中分割出來。然后，我們可以使用此圖像來檢測其中的字符。下面顯示了從主圖像裁剪出ROI（感興趣區(qū)域）圖像的代碼

# 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]

結(jié)果圖像如下所示。通常添加到裁剪圖像中，如果需要，我們還可以對其進行灰色處理和邊緣化。這樣做是為了改善下一步的字符識別。但是我發(fā)現(xiàn)即使使用原始圖像也可以正常工作。

該車牌識別的最后一步是從分割的圖像中實際讀取車牌信息。就像前面的教程一樣，我們將使用pytesseract包從圖像讀取字符。相同的代碼如下

#Read the number platetext = pytesseract.image_to_string(Cropped, config='--psm 11')print("Detected license plate Number is:",text)

原始圖像上印有數(shù)字“ CZ20FSE”，并且我們的程序檢測到它在jupyter筆記本上打印了相同的值。

車牌識別的完整代碼，其中包含程序和我們用來檢查程序的測試圖像。要記住，此方法的結(jié)果將不準確。準確度取決于圖像的清晰度，方向，曝光等。為了獲得更好的結(jié)果，您可以嘗試同時實現(xiàn)機器學習算法。

這個案例中我們的程序能夠正確檢測車牌并進行裁剪。但是，Tesseract庫無法正確識別字符。OCR已將其識別為“ MH13CD 0036”，而不是實際的“ MH 13 CD 0096”。通過使用更好的方向圖像或配置Tesseract引擎，可以糾正此類問題。

大多數(shù)時候，圖像質(zhì)量和方向都是正確的，程序能夠識別車牌并從中讀取編號。下面的快照顯示了獲得的成功結(jié)果。

#@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()

Github鏈接-https:?//github.com/GeekyPRAVEE/OpenCV-Projects/blob/master/LicensePlateRecoginition.ipynb?

下載1：動手學深度學習

在「AI算法與圖像處理」公眾號后臺回復(fù)：動手學深度學習，即可下載547頁《動手學深度學習》電子書和源碼。該書是面向中文讀者的能運行、可討論的深度學習教科書，它將文字、公式、圖像、代碼和運行結(jié)果結(jié)合在一起。本書將全面介紹深度學習從模型構(gòu)造到模型訓練，以及它們在計算機視覺和自然語言處理中的應(yīng)用。

個人微信（如果沒有備注不拉群！）
請注明：地區(qū)+學校/企業(yè)+研究方向+昵稱