车牌检测系统

描述

print('Hello! Thanks for reading this project')

在这篇文章中，我将解释车牌检测系统。

你兴奋吗？好吧……让我们开始吧。

要构建这个项目，您需要 OpenCV 和 imutils。您可以使用此命令安装它。

- 打开您的命令提示符并输入。

pip install opencv-python

pip install imutils

为什么是imutils？

使用 OpenCV 以及 Python 2.7 和 Python 3 使基本图像处理功能（如平移、旋转、调整大小、骨架化、显示 Matplotlib 图像、排序轮廓、检测边缘等）更容易的一系列便利功能。

现在，我们已经安装了这个项目所需的包。让我们开始建造吧。

1. Import packages. 在这里，我们正在导入 OpenCV 和 imutils。

import cv2
import imutils as im

2. Read Image file从特定文件夹。最好在源文件目录下。

# specify the path 
input = 'car5.jpg'
image = cv2.imread(input)

3. Resizing输入图像，因为每个图像都有不同的形状。因此，调整大小使所有内容都采用一种标准尺寸。

newwidth = 500
resize_image = im.resize(image, width=newwidth)

4. Color conversion

在这里，我们将输入颜色（BGR）图像转换为灰度图像。因为canny边缘检测器输入图像应该是单通道8位输入图像。

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

5. Image Smoothing

过滤可能是图像处理中最基本的操作。高斯和中值滤波器倾向于模糊边缘。所以我将应用一个双边滤波器，它可以很好地减少不需要的噪声，同时保持边缘相当清晰。但是，与大多数过滤器相比，它非常慢。

给定参数：

src：1 或 3 通道图像

d：过滤期间使用的每个像素邻域的直径。

sigmaColor：在颜色空间中过滤 sigma。

sigmaSpace：在坐标空间中过滤sigma。

为简单起见，您可以将 2 个 sigma 值设置为相同。如果它们很小（< 10），则滤镜不会有太大的效果，而如果它们很大（> 150），它们会产生非常强烈的效果，使图像看起来“卡通”​​。

欲了解更多信息：https ://docs.opencv.org/trunk/d4/d86/group__imgproc__filter.html#ga9d7064d478c95d60003cf839430737ed

d, sigmaColor, sigmaSpace = 10,15,15
filtered_img = cv2.bilateralFilter(gray, d, sigmaColor, sigmaSpace)

6. Edge Detection

Canny Edge Detection 是一种流行的边缘检测算法。第一个参数是我们的输入图像。第二个和第三个参数分别是我们的下限和上限。

好的！什么是下限和上限？

Canny 使用两个阈值（上限和下限）

• 如果像素梯度大于上限阈值，则接受像素作为边缘。
• 如果像素梯度低于较低值，则将其拒绝。
• 如果像素梯度在两个阈值之间，那么只有当它连接到高于阈值上限的像素时才会被接受。

 

 

# Find Edges in the grayscale image
lower, upper = 170, 200
edged = cv2.Canny(filtered_img, lower, upper)

 

7. Contours

轮廓被定义为连接沿图像边界具有相同强度的所有点的线。轮廓用于形状分析和对象检测。轮廓适用于二值图像。在此处阅读有关此内容的更多信息。

cnts,hir = cv2.findContours(edged.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

它将返回图像中所有轮廓的 Python 列表。每个轮廓都是对象的 (x, y) 坐标的 numpy 数组。像这样

[[[218 353]]

 [[219 376]]

 [[331 375]]

 [[328 352]]]

它将返回这么多轮廓坐标。所以，我们必须根据它的面积来整理列表。python 中的 sorted 函数在这里很有用。

参数：

• 可迭代 - 轮廓列表
• 可以提供 key 函数来自定义排序顺序，我们将使用区域进行排序。
• 对于降序列​​表，可以将反向标志设置为 true。

# Return list with 10 biggest contour area
cnts=sorted(cnts, key = cv2.contourArea, reverse = True)[:10]

print("Number of Contours found : " + str(len(cnts))) # 10

8. Number plate Detection

最后，我们有大面积的轮廓及其坐标。

循环遍历我们的轮廓以找到车牌的最佳轮廓。

好的！现在我们将把循环内部发生的事情分解成碎片。

count = 0
for c in cnts:
        perimeter = cv2.arcLength(c, True)
        epsilon = 0.01 * perimeter
        approx = cv2.approxPolyDP(c, epsilon , True)
        if len(approx) == 4:  # Select the contour with 4 corners
            print(approx)
            NumberPlateCnt = approx #This is our approx Number Plate Contour
            break

首先，我们必须找到周长。它也称为弧长。

周长是二维形状周围的距离。

第一个参数是轮廓点，True 指定形状是否为闭合轮廓。

perimeter = cv2.arcLength(c,True)

接下来，轮廓逼近

说明来源：OpenCV Documentation要理解这个，假设你试图在图像中找到一个正方形，但是由于图像中的一些问题，你没有得到一个完美的正方形，而是一个“坏形状”（如第一下图）。现在您可以使用此函数来近似形状。在此，第二个参数称为epsilon，它是从轮廓到近似轮廓的最大距离。它是一个精度参数。需要明智地选择epsilon以获得正确的输出。

epsilon = 0.01 * perimeter
approx = cv2.approxPolyDP(c, epsilon , True)

最后，选择具有 4 个角的轮廓。

if len(approx) == 4:  # Select the contour with 4 corners
      print(approx)
      NumberPlateCnt = approx #This is our approx Number Plate Contour
      break

9. Draw Contours

# Draw all contours
# -1 signifies drawing all contours
cv2.drawContours(image, [NumberPlateCnt], -1, (255,0,0), 2)

大多数读者都没有读完博客，但你做到了，因为你很特别，你不只是放弃阅读。