OpenCV+Python识别车牌和字符分割的实现

本篇文章主要基于python语言和OpenCV库（cv2）进行车牌区域识别和字符分割，开篇之前针对在python中安装opencv的环境这里不做介绍，可以自行安装配置！

车牌号检测需要大致分为四个部分：

1.车辆图像获取

2.车牌定位、

3.车牌字符分割

4.车牌字符识别

具体介绍

车牌定位需要用到的是图片二值化为黑白后进canny边缘检测后多次进行开运算与闭运算用于消除小块的区域，保留大块的区域，后用cv2.rectangle选取矩形框，从而定位车牌位置

车牌字符的分割前需要准备的是只保留车牌部分，将其他部分均变为黑色背景。这里我采用cv2.grabCut方法，可将图像分割成前景与背景。分割完成后，再经过二值化为黑白图后即可进行字符分割。由于图像中只有黑色和白色像素，因此我们需要通过图像的白色像素和黑色像素来分割开字符。即分别通过判断每一行每一列的黑色白色像素值的位置，来定位出字符。

具体步骤如下：

1.灰度转换：将彩 * 片转换为灰度图像，常见的R=G=B=像素平均值。

2.高斯平滑和中值滤波：去除噪声。

3.Sobel算子：提取图像边缘轮廓，X方向和Y方向平方和开跟。

4.二值化处理：图像转换为黑白两色，通常像素大于127设置为255，小于设置为0。

5.膨胀和细化：放大图像轮廓，转换为一个个区域，这些区域内包含车牌。

6.通过算法选择合适的车牌位置，通常将较小的区域过滤掉或寻找蓝色底的区域。

7.标注车牌位置

8.图像切割和识别

通过代码实现:

# -*- coding: utf-8 -*-
"""
@email:cuiran2001@163.com
@author: cuiran
"""
import cv2
import numpy as np
from PIL import Image
import os.path
from skimage import io,data
def stretch(img):
'''
图像拉伸函数
'''
maxi=float(img.max())
mini=float(img.min())

for i in range(img.shape[0]):
 for j in range(img.shape[1]):
  img[i,j]=(255/(maxi-mini)*img[i,j]-(255*mini)/(maxi-mini))

return img

def dobinaryzation(img):
'''
二值化处理函数
'''
maxi=float(img.max())
mini=float(img.min())

x=maxi-((maxi-mini)/2)
#二值化,返回阈值ret 和 二值化操作后的图像thresh
ret,thresh=cv2.threshold(img,x,255,cv2.THRESH_BINARY)
#返回二值化后的黑白图像
return thresh

def find_rectangle(contour):
'''
寻找矩形轮廓
'''
y,x=[],[]

for p in contour:
 y.append(p[0][0])
 x.append(p[0][1])

return [min(y),min(x),max(y),max(x)]

def locate_license(img,afterimg):
'''
定位车牌号
'''
img,contours,hierarchy=cv2.findContours(img,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

#找出最大的三个区域
block=[]
for c in contours:
 #找出轮廓的左上点和右下点，由此计算它的面积和长度比
 r=find_rectangle(c)
 a=(r[2]-r[0])*(r[3]-r[1]) #面积
 s=(r[2]-r[0])*(r[3]-r[1]) #长度比

block.append([r,a,s])
#选出面积最大的3个区域
block=sorted(block,key=lambda b: b[1])[-3:]

#使用颜色识别判断找出最像车牌的区域
maxweight,maxindex=0,-1
for i in range(len(block)):
 b=afterimg[block[i][0][1]:block[i][0][3],block[i][0][0]:block[i][0][2]]
 #BGR转HSV
 hsv=cv2.cvtColor(b,cv2.COLOR_BGR2HSV)
 #蓝色车牌的范围
 lower=np.array([100,50,50])
 upper=np.array([140,255,255])
 #根据阈值构建掩膜
 mask=cv2.inRange(hsv,lower,upper)
 #统计权值
 w1=0
 for m in mask:
  w1+=m/255

w2=0
 for n in w1:
  w2+=n

#选出最大权值的区域
 if w2>maxweight:
  maxindex=i
  maxweight=w2

return block[maxindex][0]

def find_license(img):
'''
预处理函数
'''
m=400*img.shape[0]/img.shape[1]

#压缩图像
img=cv2.resize(img,(400,int(m)),interpolation=cv2.INTER_CUBIC)

#BGR转换为灰度图像
gray_img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

#灰度拉伸
stretchedimg=stretch(gray_img)

'''进行开运算，用来去除噪声'''
r=16
h=w=r*2+1
kernel=np.zeros((h,w),np.uint8)
cv2.circle(kernel,(r,r),r,1,-1)
#开运算
openingimg=cv2.morphologyEx(stretchedimg,cv2.MORPH_OPEN,kernel)
#获取差分图，两幅图像做差 cv2.absdiff('图像1','图像2')
strtimg=cv2.absdiff(stretchedimg,openingimg)

#图像二值化
binaryimg=dobinaryzation(strtimg)

#canny边缘检测
canny=cv2.Canny(binaryimg,binaryimg.shape[0],binaryimg.shape[1])

'''消除小的区域，保留大块的区域，从而定位车牌'''
#进行闭运算
kernel=np.ones((5,19),np.uint8)
closingimg=cv2.morphologyEx(canny,cv2.MORPH_CLOSE,kernel)

#进行开运算
openingimg=cv2.morphologyEx(closingimg,cv2.MORPH_OPEN,kernel)

#再次进行开运算
kernel=np.ones((11,5),np.uint8)
openingimg=cv2.morphologyEx(openingimg,cv2.MORPH_OPEN,kernel)

#消除小区域，定位车牌位置
rect=locate_license(openingimg,img)

return rect,img

def cut_license(afterimg,rect):
'''
图像分割函数
'''
#转换为宽度和高度
rect[2]=rect[2]-rect[0]
rect[3]=rect[3]-rect[1]
rect_copy=tuple(rect.copy())
rect=[0,0,0,0]
#创建掩膜
mask=np.zeros(afterimg.shape[:2],np.uint8)
#创建背景模型 大小只能为13*5，行数只能为1，单通道浮点型
bgdModel=np.zeros((1,65),np.float64)
#创建前景模型
fgdModel=np.zeros((1,65),np.float64)
#分割图像
cv2.grabCut(afterimg,mask,rect_copy,bgdModel,fgdModel,5,cv2.GC_INIT_WITH_RECT)
mask2=np.where((mask==2)|(mask==0),0,1).astype('uint8')
img_show=afterimg*mask2[:,:,np.newaxis]

return img_show

def deal_license(licenseimg):
'''
车牌图片二值化
'''
#车牌变为灰度图像
gray_img=cv2.cvtColor(licenseimg,cv2.COLOR_BGR2GRAY)

#均值滤波 去除噪声
kernel=np.ones((3,3),np.float32)/9
gray_img=cv2.filter2D(gray_img,-1,kernel)

#二值化处理
ret,thresh=cv2.threshold(gray_img,120,255,cv2.THRESH_BINARY)

return thresh

def find_end(start,arg,black,white,width,black_max,white_max):
end=start+1
for m in range(start+1,width-1):
 if (black[m] if arg else white[m])>(0.98*black_max if arg else 0.98*white_max):
  end=m
  break
return end

if __name__=='__main__':
img=cv2.imread('test_images/car001.jpg',cv2.IMREAD_COLOR)
#预处理图像
rect,afterimg=find_license(img)

#框出车牌号
cv2.rectangle(afterimg,(rect[0],rect[1]),(rect[2],rect[3]),(0,255,0),2)
cv2.imshow('afterimg',afterimg)

#分割车牌与背景
cutimg=cut_license(afterimg,rect)
cv2.imshow('cutimg',cutimg)

#二值化生成黑白图
thresh=deal_license(cutimg)
cv2.imshow('thresh',thresh)
cv2.waitKey(0)

#分割字符
'''
判断底色和字色
'''
#记录黑白像素总和
white=[]
black=[]
height=thresh.shape[0] #263
width=thresh.shape[1] #400
#print('height',height)
#print('width',width)
white_max=0
black_max=0
#计算每一列的黑白像素总和
for i in range(width):
 line_white=0
 line_black=0
 for j in range(height):
  if thresh[j][i]==255:
   line_white+=1
  if thresh[j][i]==0:
   line_black+=1
 white_max=max(white_max,line_white)
 black_max=max(black_max,line_black)
 white.append(line_white)
 black.append(line_black)
 print('white',white)
 print('black',black)
#arg为true表示黑底白字，False为白底黑字
arg=True
if black_max<white_max:
 arg=False

n=1
start=1
end=2
s_width=28
s_height=28
while n<width-2:
 n+=1
 #判断是白底黑字还是黑底白字 0.05参数对应上面的0.95 可作调整
 if(white[n] if arg else black[n])>(0.02*white_max if arg else 0.02*black_max):
  start=n
  end=find_end(start,arg,black,white,width,black_max,white_max)
  n=end
  if end-start>5:
   cj=thresh[1:height,start:end]

# new_image = cj.resize((s_width,s_height),Image.BILINEAR)
   # cj=cj.reshape(28, 28)
   print("result/％s.jpg" ％ (n))
   #保存分割的图片 by cayden
   # cj.save("result/％s.jpg" ％ (n))
   infile="result/％s.jpg" ％ (n)
   io.imsave(infile,cj)

# im = Image.open(infile)
   # out=im.resize((s_width,s_height),Image.BILINEAR)
   # out.save(infile)

cv2.imshow('cutlicense',cj)
   cv2.waitKey(0)

cv2.waitKey(0)
cv2.destroyAllWindows()

运行效果如图所示

车牌定位并进行处理

车牌分割如图所示

来源：https://blog.csdn.net/cuiran/article/details/86706441