基于opencv的车牌识别用python

实现车牌识别的Python程序通常包括以下步骤：

1. 导入库和数据集：导入OpenCV、numpy、skimage、matplotlib、imutils等库，并加载训练好的机器学习模型和数据集。

2. 读取车辆图像：读取车辆图像文件，并把图像转换成二值图像。

3. 车牌定位：通过车牌定位算法（如Sobel算子、Canny边缘检测、形态学运算等方法）对车身图像进行处理，找出其中的车牌区域。

4. 车牌字符分割：根据车牌镜像的特性，通过垂直方向的投影法、水平方向的投影法等方法，把车牌区域切分成若干个字符。

5. 字符识别：基于机器学习算法（如支持向量机、K最近邻等算法），对每个字符进行识别，识别结果就是车牌号码。

以下是一个简单的基于OpenCV的车牌识别Python程序的代码示例：

import cv2
import imutils
import numpy as np
import argparse
 
# 定义车牌定位函数
def locate_license_plate(img):
    # 图像的预处理
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    edged = cv2.Canny(blurred, 100, 200)
 
    # 查找轮廓
    cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
    cnts = imutils.grab_contours(cnts)
 
    # 定义最大的轮廓面积
    max_area = 0
    max_cnt = None
 
    # 循环遍历所有轮廓
    for cnt in cnts:
        area = cv2.contourArea(cnt)
        if area > max_area:
            max_area = area
            max_cnt = cnt
 
    # 定义车牌区域的边界框
    x, y, w, h = cv2.boundingRect(max_cnt)
    plate_img = img[y:y+h, x:x+w]
    return plate_img
 
# 定义字符分割函数
def segment_license_plate(plate_img):
    # 图像的预处理：灰度化、二值化、去除噪声
    gray = cv2.cvtColor(plate_img, cv2.COLOR_BGR2GRAY)
    thresh = cv2.threshold(gray, 0, 255,cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
    opened = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=1)
 
    # 执行水平方向的投影
    hist = cv2.reduce(opened, 1, cv2.REDUCE_AVG)
    th = 0
    H, W = plate_img.shape[:2]
    points = []
    result = plate_img.copy()
    for y in range(H):
        if hist[y] <= th:
            y0 = y
            while y < H and hist[y] <= th:
                y += 1
            y1 = y
            if y1-y0 > 10:
                cv2.line(result, (0, y0), (W-1, y0), (0, 255, 0), 2)
                cv2.line(result, (0, y1-1), (W-1, y1-1), (0, 255, 0), 2)
                points.append((y0, y1))
 
    # 执行字符分割
    segments = []
    for i in range(len(points)):
        y0, y1 = points[i]
        roi = opened[y0:y1, 0:W]
        column_hists = cv2.reduce(roi, 0, cv2.REDUCE_AVG)
        th2 = 0
        X = int(W*0.1)
        while X < W:
            if column_hists[X] <= th2:
                x0 = X
                while X < W and column_hists[X] <= th2:
                    X += 1
                x1 = X
                if x1-x0 >= 6:
                    segments.append((x0, y0, x1, y1))
 
            X += 1
    return segments
 
# 定义字符识别函数
def recognize_license_plate(plate_img, segments):
    # 导入机器学习模型
    svm = cv2.ml.SVM_create()
    svm.load('svm.xml')
 
    # 定义检测结果
    result = ''
 
    # 循环遍历每个字符
    for i, segment in enumerate(segments):
        x0, y0, x1, y1 = segment
        roi = plate_img[y0:y1, x0:x1]
        roi = cv2.resize(roi, (20, 20))
        hog_desc = hog.compute(roi).flatten()
        pred = svm.predict(hog_desc)
        result += str(int(pred[1][0]))
 
    return result
 
# 测试程序
if __name__ == '__main__':
    # 解析命令行参数
    parser = argparse.ArgumentParser()
    parser.add_argument('-i', '--image', required=True, help='path to input image')
    args = parser.parse_args()
 
    # 读取车辆图像
    img = cv2.imread(args.image)
 
    # 定位车牌区域
    plate_img = locate_license_plate(img)
 
    # 把车牌区域可视化
    cv2.imshow('Plate', plate_img)
 
    # 分割字符
    segments = segment_license_plate(plate_img)
 
    # 对每个字符执行识别
    result = recognize_license_plate(plate_img, segments)
 
    # 输出识别结果
    print('License Plate:', result)
 
    cv2.waitKey(0)
    cv2.destroyAllWindows()