車牌識別的相關步驟

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，也會將根據攝像機的位置和該特定國家/地區所使用的車牌類型來訓練檢測算法。但是圖像可能並沒有汽車的存在，在這種情況下我們將先進行汽車的，然後是車牌。

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

3. 字符識別：現在，我們在上一步中獲得的新圖像肯定可以寫上一些字符（數字/字母）。因此，我們可以對其執行OCR（光學字符識別）以檢測數字。

1.車牌檢測

讓我們以汽車的樣本圖像為例，首先檢測該汽車上的車牌。然後，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。

基於OpenCV 的車牌識別_字符識別

圖片來源鏈接：https : //rb.gy/lxmiuv

第1步： 將圖像調整為所需大小，然後將其灰度。相同的代碼如下

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

調整大小後，可以避免使用較大分辨率的圖像而出現的以下問題，但是我們要確保在調整大小後，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，那麼灰度變化就必不可少，這加快了其他後續處理的速度。完成此步驟後，圖像將像這樣被轉換

基於OpenCV 的車牌識別_字符識別_02

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，對於我們來説，只有牌照是有用的信息，其餘的對於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。

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（樹木和建築物）模糊了。這樣，我們可以避免程序處理這些區域。

基於OpenCV 的車牌識別_OpenCV_03

步驟3：下一步是我們執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。僅顯示強度梯度大於最小閾值且小於最大閾值的邊緣。結果圖像如下所示

基於OpenCV 的車牌識別_字符識別_04

步驟4：現在我們可以開始在圖像上尋找輪廓

cnotallow=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

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

為了過濾獲得的結果中的車牌圖像，我們將遍歷所有結果，並檢查其具有四個側面和閉合圖形的矩形輪廓。由於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

找到正確的計數器後，我們將其保存在名為screenCnt的變量中，然後在其周圍繪製一個矩形框，以確保我們已正確檢測到車牌。

基於OpenCV 的車牌識別_字符識別_05

步驟5：現在我們知道車牌在哪裏，剩下的信息對我們來説幾乎沒有用。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 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)

被遮罩的新圖像將如下所示

基於OpenCV 的車牌識別_車牌識別_06

2.字符分割

車牌識別的下一步是通過裁剪車牌並將其保存為新圖像，將車牌從圖像中分割出來。然後，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。但是我發現即使使用原始圖像也可以正常工作。

基於OpenCV 的車牌識別_車牌識別_07

3.字符識別

該車牌識別的最後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 plate
text = pytesseract.image_to_string(Cropped, cnotallow='--psm 11')
print("Detected license plate Number is:",text)

基於OpenCV 的車牌識別_字符識別_08

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

車牌識別失敗案例

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，此方法的結果將不準確。準確度取決於圖像的清晰度，方向，曝光等。為了獲得更好的結果，您可以嘗試同時實現機器學習算法。

基於OpenCV 的車牌識別_字符識別_09

這個案例中我們的程序能夠正確檢測車牌並進行裁剪。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。

其他成功的例子

大多數時候，圖像質量和方向都是正確的，程序能夠識別車牌並從中讀取編號。下面的快照顯示了獲得的成功結果。

基於OpenCV 的車牌識別_字符識別_10

基於OpenCV 的車牌識別_字符識別_11

完整代碼

#@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, cnotallow='--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()