如何使用Python检测和识别车牌?

译文
开发 前端
本文将使用Python创建一个车牌检测和识别程序。该程序对输入图像进行处理,检测和识别车牌,最后显示车牌字符,作为输出内容。

​译者 | 布加迪

审校 | 孙淑娟

车牌检测与识别技术用途广泛,可以用于道路系统、无票停车场、车辆门禁等。这项技术结合了计算机视觉和人工智能。

本文将使用Python创建一个车牌检测和识别程序。该程序对输入图像进行处理,检测和识别车牌,最后显示车牌字符,作为输出内容。

一、创建Python环境

要轻松地完成本教程,您需要熟悉Python基础知识。应先创建程序环境。

在开始编程之前,您需要在环境中安装几个库。打开任何Python IDE,创建一个Python文件。在终端上运行命令以安装相应的库。您应该在计算机上预先安装Python PIP。

  • OpenCV-Python:您将使用这个库对输入图像进行预处理,并显示各个输出图像。pip install OpenCV-Python
  • imutils:您将使用这个库将原始输入图像裁剪成所需的宽度。pip install imutils
  • pytesseract:您将使用这个库提取车牌字符,并将它们转换成字符串。pip install pytesseractpytesseract库依赖Tesseract OCR引擎进行字符识别。

二、如何在您的计算机上安装Tesseract OCR?

Tesseract OCR是一种可以识别语言字符的引擎。在使用pytesseract库之前,您应该在计算机上安装它。步骤如下:

1. 打开任何基于Chrome的浏览器。

2. 下载Tesseract OCR安装程序。

3. 运行安装程序,像安装其他程序一样安装它。

准备好环境并安装tesseract OCR后,您就可以编写程序了。

1.导入库

首先导入在环境中安装的库。导入库让您可以在项目中调用和使用它们的函数。

  • import cv2
  • import imutils
  • import pytesseract

您需要以cv2形式导入OpenCV-Python库。使用与安装时相同的名称导入其他库。

2.获取输入

然后将pytesseract指向安装Tesseract引擎的位置。使用cv2.imread函数将汽车图像作为输入。将图像名称换成您在使用的那个图像的名称。将图像存储在项目所在的同一个文件夹中,以方便操作。

pytesseract.pytesseract.tesseract_cmd = 'C:\\Program Files\\Tesseract-OCR\\tesseract.exe'
original_image = cv2.imread('image3.jpeg')

您可以将下面的输入图像换成想要使用的图像。

3.预处理输入

将图像宽度调整为500像素,然后将图像转换成灰度图像,因为canny边缘检测函数只适用于灰度图像。最后,调用bilateralFilter函数以降低图像噪声。

original_image = imutils.resize(original_image, width=500 )
gray_image = cv2.cvtColor(original_image, cv2.COLOR_BGR2GRAY)
gray_image = cv2.bilateralFilter(gray_image, 11, 17, 17)

4.在输入端检测车牌

检测车牌是确定汽车上有车牌字符的那部分的过程。

(1)执行边缘检测

先调用cv2.Canny函数,该函数可自动检测预处理图像上的边缘。

edged_image = cv2.Canny(gray_image, 30,200)

我们将通过这些边缘找到轮廓。

(2)寻找轮廓

调用cv2.findContours函数,并传递边缘图像的副本。这个函数将检测轮廓。使用cv2.drawContours函数,绘制原始图像上已检测的轮廓。最后,输出所有可见轮廓已绘制的原始图像。

contours, new = cv2.findContours(edged_image.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
img1 = original_image.copy()
cv2.drawContours(img1, contours, -1, (0, 255, 0), 3)
cv2.imshow("img1", img1)

该程序绘制它在汽车图像上找到的所有轮廓。

图片

找到轮廓后,您需要对它们进行筛选,以确定最佳候选轮廓。

(3)筛选轮廓

根据最小面积30对轮廓进行筛选。忽略小于这个面积的轮廓,因为它们不太可能是车牌轮廓。复制原始图像,在图像上绘制前30个轮廓。最后,显示图像。

contours = sorted(contours, key = cv2.contourArea, reverse = True)[:30]
# stores the license plate contour
screenCnt = None
img2 = original_image.copy()

# draws top 30 contours
cv2.drawContours(img2, contours, -1, (0, 255, 0), 3)
cv2.imshow("img2", img2)

现在轮廓数量比开始时要少。唯一绘制的轮廓是那些近似含有车牌的轮廓。

图片

最后,您需要遍历已筛选的轮廓,确定哪一个是车牌。

(4)遍历前30个轮廓

创建遍历轮廓的for循环。寻找有四个角的轮廓,确定其周长和坐标。存储含有车牌的轮廓的图像。最后,在原始图像上绘制车牌轮廓并加以显示。

count = 0
idx = 7

for c in contours:
# approximate the license plate contour
contour_perimeter = cv2.arcLength(c, True)
approx = cv2.approxPolyDP(c, 0.018 * contour_perimeter, True)

# Look for contours with 4 corners
if len(approx) == 4:
screenCnt = approx

# find the coordinates of the license plate contour
x, y, w, h = cv2.boundingRect(c)
new_img = original_image [ y: y + h, x: x + w]

# stores the new image
cv2.imwrite('./'+str(idx)+'.png',new_img)
idx += 1
break

# draws the license plate contour on original image
cv2.drawContours(original_image , [screenCnt], -1, (0, 255, 0), 3)
cv2.imshow("detected license plate", original_image )

循环之后,程序已识别出含有车牌的那个轮廓。

图片

5.识别检测到的车牌

识别车牌意味着读取已裁剪车牌图像上的字符。加载之前存储的车牌图像并显示它。然后,调用pytesseract.image_to_string函数,传递已裁剪的车牌图像。这个函数将图像中的字符转换成字符串。

# filename of the cropped license plate image
cropped_License_Plate = './7.png'
cv2.imshow("cropped license plate", cv2.imread(cropped_License_Plate))

# converts the license plate characters to string
text = pytesseract.image_to_string(cropped_License_Plate, lang='eng')

已裁剪的车牌如下所示。上面的字符将是您稍后在屏幕上输出的内容。

图片

检测并识别车牌之后,您就可以显示输出了。

6.显示输出

这是最后一步。您将提取的文本输出到屏幕上。该文本含有车牌字符。

print("License plate is:", text)
cv2.waitKey(0)
cv2.destroyAllWindows()

程序的预期输出应该如下图所示:

图片

车牌文本可以在终端上看到。

三、磨砺您的Python技能

用Python检测和识别车牌是一个有意思的项目。它有挑战性,所以应该会帮助您学到关于Python的更多知识。

说到编程,实际运用是掌握一门语言的关键。为了锻炼技能,您需要开发有意思的项目。

原文链接:https://www.makeuseof.com/python-car-license-plates-detect-and-recognize/

责任编辑:武晓燕 来源: 51CTO技术栈
相关推荐

2024-01-29 08:21:59

AndroidOpenCV车牌

2020-10-15 12:00:01

Python 开发编程语言

2018-05-08 14:25:22

Pythondlib人脸检测

2020-03-26 17:11:36

AI疫情新冠病毒

2020-03-04 10:51:35

Python算法脚本语言

2014-12-16 10:28:49

2020-10-12 09:22:30

PythonCNN检测

2023-08-30 19:10:17

2023-09-05 09:00:00

工具Python抄袭检测系统

2017-10-17 15:44:53

一体机

2018-03-26 20:14:32

深度学习

2017-08-02 07:36:06

大数据PythonOpenCV

2017-08-03 11:00:20

2013-08-26 10:53:26

人脸检测API

2018-02-05 08:58:36

Python神经网络识别图像

2024-02-17 09:00:00

机器学习AI自动检测人工智能

2021-12-02 14:49:40

人工智能数据ANPR

2011-09-08 16:24:25

Win 7语音识别

2018-03-27 13:50:59

意图识别

2021-04-14 08:20:46

Lighthouse工具性能检测
点赞
收藏

51CTO技术栈公众号