当前位置： 首页 > news >正文

石景山郑州阳网站建设,31省新增最新消息,做网站需要哪个专业,长沙做网站推广写目录一. #x1f981; 设计任务说明1.1 主要设计内容1.1.1 设计并实现车牌自动识别算法#xff0c;基本功能要求1.1.2 参考资料1.1.3 参考界面布局1.2 开发该系统软件环境及使用的技术说明1.3 开发计划二. #x1f981; 系统设计2.1 功能分析2.1.1 车辆图像获取2.1.2 车牌… 写目录一. 设计任务说明1.1 主要设计内容1.1.1 设计并实现车牌自动识别算法基本功能要求1.1.2 参考资料1.1.3 参考界面布局1.2 开发该系统软件环境及使用的技术说明1.3 开发计划二. 系统设计2.1 功能分析2.1.1 车辆图像获取2.1.2 车牌定位2.1.3 车牌字符分割2.1.4 车牌字符识别2.2 部分功能代码实现2.3 概要设计2.4 详细设计2.4.1 读取图像2.4.2 降噪2.4.3 二值化2.4.4 将图像边缘连接为一个整体2.4.5 查找车牌矩形区域2.4.6 图形修正2.4.7 颜色识别2.4.8 车牌部分二值化2.4.9 字符分割(投影法)2.4.10 匹配模板三. 程序运行结果四. 算法性能五. 总结一. 设计任务说明 1.1 主要设计内容 1.1.1 设计并实现车牌自动识别算法基本功能要求 Ⅰ. 对给定的包含有汽车车牌的照片进行处理利用图像分割算法将目标从背景中分离出来。 Ⅱ. 对目标图像进行合适的处理然后利用Tesseract库实现车牌号码的识别将结果输出。 Ⅲ. 要求提供比较友好的用户接口可以对新的图片导入到系统中进行处理并将结果返回给用户。 Ⅳ. 要求处理过程的自动化即输入图像自动输出车牌信息无需人去干预。 1.1.2 参考资料 Ⅰ. OpenCV官方参考文档 Ⅱ. Github网站 Ⅲ. 文字识别可以用Tesseract库实现也可以用其他方式实现 1.1.3 参考界面布局 1.2 开发该系统软件环境及使用的技术说明 PyQt55.11.3 opencv-python4.2 1.3 开发计划 二. 系统设计 2.1 功能分析 2.1.1 车辆图像获取 车辆图像获取是车牌识别的第一步也是很重要的一步车辆图像的好坏对后面的工作有很大的影响。如果车辆图像的质量太差连人眼都没法分辨那么肯定不会被机器所识别出来。车辆图像都是在实际现场拍摄出来的实际环境情况比较复杂图像受天气和光线等环境影响较大在恶劣的工作条件下系统性能将显著下降。 现有的车辆图像获取方式主要有两种一种是由彩色摄像机和图像采集卡组成其工作过程是当车辆检测器如地感线圈、红外线等检测到车辆进入拍摄范围时向主机发送启动信号主机通过采集卡采集一幅车辆图像为了提高系统对天气、环境、光线等的适应性摄像机一般采用自动对焦和自动光圈的一体化机同时光照不足时还可以自动补光照明保证拍摄图片的质量另一种是由数码照相机构成其工作过程是当车辆检测器检测到车辆进入拍摄范围时直接给数码照相机发送一个信号数码相机自动拍摄一幅车辆图像再传到主机上数码相机的一些技术参数可以通过与数码相机相连的主机进行设置光照不足时也需要自动开启补光照明保证拍摄图片的质量。 2.1.2 车牌定位 车牌定位的主要工作是从摄入的汽车图像中找到汽车牌照所在位置并把车牌从该区域中准确地分割出来供字符分割使用。因此牌照区域的确定是影响系统性能的重要因素之一牌照的定位与否直接影响到字符分割和字符识别的准确率。目前车牌定位的方法很多但总的来说可以分为以下4类 1基于颜色的分割方法这种方法主要利用颜色空间的信息实现车牌分割包括彩色边缘算法、颜色距离和相似度算法等2基于纹理的分割方法这种方法主要利用车牌区域水平方向的纹理特征进行分割包括小波纹理、水平梯度差分纹理等3基于边缘检测的分割方法4基于数学形态法的分割方法。 2.1.3 车牌字符分割 要识别车牌字符前提是先进行车牌字符的正确分割与提取。字符分割的任务是把多列或多行字符图像中的每个字符从整个图像中切割出来成为单个字符。车牌字符的正确分割对字符的识别是很关键的。传统的字符分割算法可以归纳为以下三类直接分割法、基于识别基础上的分割法、自适应分割线类聚法。 直接分割法简单但它的局限是分割点的确定需要较高的准确性基于识别基础上的分割法是把识别和分割结合起来但是需要识别的高准确性它根据分类和识别的耦合程度又有不同的划分自适应分割线聚类法是要建立一个分类器用它来判断图像的每一列是否是分割线它是根据训练样本来进行自适应学习的神经网络分类器但对于粘连字符训练困难。也有直接把字符组成的单词当作一个整体来识别的诸如运用马尔科夫数学模型等方法进行处理这些算法主要应用于印刷体文本识别。 2.1.4 车牌字符识别 与一般印刷体字符识别相比车牌字符识别尤其自身的特点它是文字识别技术与车牌图像自身因素协调兼顾的综合技术目前车牌字符识别算法主要是基于模板匹配、特征匹配或神经网络的方法。我国的车牌字符包括50多个汉字25个大写英文字母10个数字总共也就80多个字符鉴于车牌识别系统的特殊性如果照搬普通汉字识别的方法对文字细化后再提取其结构或统计特征非但得不到意想的结果反而会降低识别率。 2.2 部分功能代码实现 def __imreadex(self, filename):return cv2.imdecode(np.fromfile(filename, dtypenp.uint8), cv2.IMREAD_COLOR)def __point_limit(self, point):if point[0] 0:point[0] 0if point[1] 0:point[1] 0def __find_waves(self, threshold, histogram):up_point -1 # 上升点is_peak Falseif histogram[0] threshold:up_point 0is_peak Truewave_peaks []for i, x in enumerate(histogram):if is_peak and x threshold:if i - up_point 2:is_peak Falsewave_peaks.append((up_point, i))elif not is_peak and x threshold:is_peak Trueup_point iif is_peak and up_point ! -1 and i - up_point 4:wave_peaks.append((up_point, i))return wave_peaksdef __seperate_card(self, img, waves):part_cards []for wave in waves:part_cards.append(img[:, wave[0]:wave[1]])return part_cardsdef __accurate_place(self, card_img_hsv, limit1, limit2, color):row_num, col_num card_img_hsv.shape[:2]xl col_numxr 0yh 0yl row_num# col_num_limit self.cfg[col_num_limit]row_num_limit self.cfg[row_num_limit]col_num_limit col_num * 0.8 if color ! green else col_num * 0.5 # 绿色有渐变for i in range(row_num):count 0for j in range(col_num):H card_img_hsv.item(i, j, 0)S card_img_hsv.item(i, j, 1)V card_img_hsv.item(i, j, 2)if limit1 H limit2 and 34 S and 46 V:count 1if count col_num_limit:if yl i:yl iif yh i:yh ifor j in range(col_num):count 0for i in range(row_num):H card_img_hsv.item(i, j, 0)S card_img_hsv.item(i, j, 1)V card_img_hsv.item(i, j, 2)if limit1 H limit2 and 34 S and 46 V:count 1if count row_num - row_num_limit:if xl j:xl jif xr j:xr jreturn xl, xr, yh, yldef preTreatment(self, car_pic):if type(car_pic) type():img self.imreadex(car_pic)else:img car_picpic_hight, pic_width img.shape[:2]if pic_width self.MAX_WIDTH:resize_rate self.MAX_WIDTH / pic_widthimg cv2.resize(img, (self.MAX_WIDTH, int(pic_hight * resize_rate)),interpolationcv2.INTER_AREA)
#确定车牌颜色 colors [] for card_index, card_img in enumerate(card_imgs):green yellow blue black white 0try:card_img_hsv cv2.cvtColor(card_img, cv2.COLOR_BGR2HSV)except:card_img_hsv Noneif card_img_hsv is None:continuerow_num, col_num card_img_hsv.shape[:2]card_img_count row_num * col_numfor i in range(row_num):for j in range(col_num):H card_img_hsv.item(i, j, 0)S card_img_hsv.item(i, j, 1)V card_img_hsv.item(i, j, 2)if 11 H 34 and S 34: yellow 1elif 35 H 99 and S 34: green 1elif 99 H 124 and S 34: blue 1if 0 H 180 and 0 S 255 and 0 V 46:black 1elif 0 H 180 and 0 S 43 and 221 V 225:white 1color nolimit1 limit2 0if yellow * 2 card_img_count:color yellowlimit1 11limit2 34 elif green * 2 card_img_count:color greenlimit1 35limit2 99elif blue * 2 card_img_count:color bluelimit1 100limit2 124 elif black white card_img_count * 0.7:color bw# print(color)colors.append(color)if limit1 0:continuexl, xr, yh, yl self.accurate_place(card_img_hsv, limit1, limit2, color)if yl yh and xl xr:continueneed_accurate Falseif yl yh:yl 0yh row_numneed_accurate Trueif xl xr:xl 0xr col_numneed_accurate Truecard_imgs[card_index] card_img[yl:yh, xl:xr] \if color ! green or yl (yh - yl) // 4 else card_img[yl - (yh - yl) // 4:yh, xl:xr]if need_accurate: card_img card_imgs[card_index]card_img_hsv cv2.cvtColor(card_img, cv2.COLOR_BGR2HSV)xl, xr, yh, yl self.accurate_place(card_img_hsv, limit1, limit2, color)if yl yh and xl xr:continueif yl yh:yl 0yh row_numif xl xr:xl 0xr col_numcard_imgs[card_index] card_img[yl:yh, xl:xr] \if color ! green or yl (yh - yl) // 4 else card_img[yl - (yh - yl) // 4:yh, xl:xr]return card_imgs, colors2.3 概要设计 2.4 详细设计 2.4.1 读取图像 使用cv2.imdecode()函数将图片文件转换成流数据赋值到内存缓存中便于后续图像操作。使用cv2.resize()函数对读取的图像进行缩放以免图像过大导致识别耗时过长。 2.4.2 降噪 使用cv2.GaussianBlur()进行高斯去噪。使用cv2.morphologyEx()函数进行开运算再使用cv2.addWeighted()函数将运算结果与原图像做一次融合从而去掉孤立的小点毛刺等噪声。 高斯去噪 : if blur 0: img cv2.GaussianBlur(img, (blur, blur), 0)
oldimg img
img cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

cv2.imshow(GaussianBlur, img)

kernel np.ones((20, 20), np.uint8)
img_opening cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel) # 开运算
img_opening cv2.addWeighted(img, 1, img_opening, -1, 0); # 与上一次开运算结果融合

cv2.imshow(img_opening, img_opening) 2.4.3 二值化

使用cv2.threshold()函数进行二值化处理再使用cv2.Canny()函数找到各区域边缘。 ret, img_thresh cv2.threshold(img_opening, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 二值化
img_edge cv2.Canny(img_thresh, 100, 200)

cv2.imshow(img_edge, img_edge) 2.4.4 将图像边缘连接为一个整体

使用cv2.morphologyEx()和cv2.morphologyEx()两个函数分别进行一次开运算先腐蚀运算再膨胀运算和一个闭运算先膨胀运算再腐蚀运算去掉较小区域同时填平小孔弥合小裂缝。将车牌位置凸显出来。 kernel np.ones((self.cfg[morphologyr], self.cfg[morphologyc]), np.uint8)
img_edge1 cv2.morphologyEx(img_edge, cv2.MORPH_CLOSE, kernel) # 闭运算
img_edge2 cv2.morphologyEx(img_edge1, cv2.MORPH_OPEN, kernel) # 开运算

cv2.imshow(img_edge2, img_edge2) 2.4.5 查找车牌矩形区域

查找图像边缘整体形成的矩形区域可能有很多车牌就在其中一个矩形区域中逐个排除不是车牌的矩形区域。车牌形成的矩形区域长宽比在2到5.5之间因此使用cv2.minAreaRect()函数框选矩形区域计算长宽比长宽比在2到5.5之间的可能是车牌其余的矩形排除。最后使用cv2.drawContours()函数将可能是车牌的区域在原图中框选出来。
2.4.6 图形修正 矩形区域可能是倾斜的矩形需要矫正以便使用颜色定位从而进一步确认是否是车牌。类似下两图仅列举出两个可能有很多。 在这里插入图片描述 在这里插入图片描述
2.4.7 颜色识别 使用颜色定位排除不是车牌的矩形目前只识别车牌的颜色主要为蓝、绿、黄三种颜色车牌。根据矩形的颜色不同从而选出最可能是车牌的矩形。同时匹配出车牌的类型颜色类型。使用参数为cv2.COLOR_BGR2HSV的cv2.cvtColor()函数将原始的RGB图像转换成HSV图像以便定位颜色。 基于HSV颜色模型可知色调H的取值范围为0°360°从红色开始按逆时针方向计算红色为0°绿色为120°,蓝色为240°。它们的补色是黄色为60°青色为180°,品红为300°查阅相关资料确定出下表: 黄色绿色蓝色H14-3434-9999-124 根据上表计算出每个矩形中各颜色的占有量比较每个矩形三个颜色的占有量即可确定最可能是车牌的矩形以及车牌颜色。
2.4.8 车牌部分二值化 利用参数为cv2.COLOR_BGR2GRAY的cv2.cvtColor()函数将定位到的车牌部分RGB图像转化为灰度图像再利用cv2. threshold() 函数将灰度图像二值化。需要注意的是黄、绿色车牌字符比背景暗、与蓝的车牌刚好相反所以黄、绿车牌在二值化前需要利用cv2.bitwise_not( )函数取反向。

做一次锐化处理

kernel np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]], np.float32) # 锐化
card_img cv2.filter2D(card_img, -1, kernelkernel)

cv2.imshow(custom_blur, card_img) # RGB转GARY

gray_img cv2.cvtColor(card_img, cv2.COLOR_BGR2GRAY)

cv2.imshow(gray_img, gray_img) # 黄、绿车牌字符比背景暗、与蓝车牌刚好相反所以黄、绿车牌需要反向

if color green or color yellow: gray_img cv2.bitwise_not(gray_img)

二值化

ret, gray_img cv2.threshold(gray_img, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU)

cv2.imshow(gray_img, gray_img)2.4.9 字符分割(投影法)

根据设定的阈值和图片直方图找出波峰利用找出的波峰分隔图片。因为车牌中“ • ”也会产生一组波峰因此将八组波峰中的第三组去除掉即可得到每个字符的波峰再根据每组波峰的宽度分割牌照图像得到每个字符的图像。
2.4.10 匹配模板 将分割后的每个图像逐个与已训练好的模板进行匹配得到识别结果。 from _collections import OrderedDict from flask import Flask, request, jsonify from json_utils import jsonify import numpy as np import cv2 import time from collections import OrderedDict from Recognition import PlateRecognition# 实例化 app Flask(name) PR PlateRecognition()# 设置编码-否则返回数据中文时候-乱码 app.config[JSON_AS_ASCII] False# route()方法用于设定路由类似spring路由配置 app.route(/, methods[POST]) # 在线识别 def forecast():# 获取输入数据stat time.time()file request.files[image]img_bytes file.read()image np.asarray(bytearray(img_bytes), dtypeuint8)image cv2.imdecode(image, cv2.IMREAD_COLOR)RES PR.VLPR(image)if RES is not None:result OrderedDict(Error0,Errmsgsuccess,InputTimeRES[InputTime],UseTime{:.2f}.format(time.time() - stat), # RES[UseTime],NumberRES[Number],FromRES[From],TypeRES[Type],ListRES[List])else:result OrderedDict(Error1,Errmsgunsuccess)return jsonify(result)if name main:app.run() 三. 程序运行结果 系统测试结果 点击打开文件在本地中选择要识别的车辆的照片 点击导出数据得到所识别的车牌数据
四. 算法性能 每次处理时间小于1s 算法准确度为97% 五. 总结 设计过程中对于车牌部分的矩形的识别出现识别错误区域的问题通过查找网上的相关案例设定好判断条件以及和周围相同题目的同学请教其如何识别出车牌区域得以解决。通过此次综合项目练习让我对以往的知识点的运用有了更进一步的实践和运用。 tips: 一个数字图像分析期末考核实验如果您喜欢可以一键三连哟 【源码】后续会传上来敬请期待吧