描述

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

在這篇文章中，我將解釋車牌檢測(cè)系統(tǒng)。

你興奮嗎？好吧……讓我們開始吧。

要構(gòu)建這個(gè)項(xiàng)目，您需要 OpenCV 和 imutils。您可以使用此命令安裝它。

- 打開您的命令提示符并輸入。

pip install opencv-python

pip install imutils

為什么是imutils？

使用 OpenCV 以及 Python 2.7 和 Python 3 使基本圖像處理功能（如平移、旋轉(zhuǎn)、調(diào)整大小、骨架化、顯示 Matplotlib 圖像、排序輪廓、檢測(cè)邊緣等）更容易的一系列便利功能。

現(xiàn)在，我們已經(jīng)安裝了這個(gè)項(xiàng)目所需的包。讓我們開始建造吧。

1. Import packages. 在這里，我們正在導(dǎo)入 OpenCV 和 imutils。

import cv2
import imutils as im

2. Read Image file從特定文件夾。最好在源文件目錄下。

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

3. Resizing輸入圖像，因?yàn)槊總€(gè)圖像都有不同的形狀。因此，調(diào)整大小使所有內(nèi)容都采用一種標(biāo)準(zhǔn)尺寸。

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

4. Color conversion

在這里，我們將輸入顏色（BGR）圖像轉(zhuǎn)換為灰度圖像。因?yàn)?a target='_blank' class='arckwlink_none'>canny邊緣檢測(cè)器輸入圖像應(yīng)該是單通道8位輸入圖像。

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

5. Image Smoothing

過濾可能是圖像處理中最基本的操作。高斯和中值濾波器傾向于模糊邊緣。所以我將應(yīng)用一個(gè)雙邊濾波器，它可以很好地減少不需要的噪聲，同時(shí)保持邊緣相當(dāng)清晰。但是，與大多數(shù)過濾器相比，它非常慢。

給定參數(shù)：

src：1 或 3 通道圖像

d：過濾期間使用的每個(gè)像素鄰域的直徑。

sigmaColor：在顏色空間中過濾 sigma。

sigmaSpace：在坐標(biāo)空間中過濾sigma。

為簡單起見，您可以將 2 個(gè) sigma 值設(shè)置為相同。如果它們很?。? 10），則濾鏡不會(huì)有太大的效果，而如果它們很大（> 150），它們會(huì)產(chǎn)生非常強(qiáng)烈的效果，使圖像看起來“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 是一種流行的邊緣檢測(cè)算法。第一個(gè)參數(shù)是我們的輸入圖像。第二個(gè)和第三個(gè)參數(shù)分別是我們的下限和上限。

好的！什么是下限和上限？

Canny 使用兩個(gè)閾值（上限和下限）

• 如果像素梯度大于上限閾值，則接受像素作為邊緣。
• 如果像素梯度低于較低值，則將其拒絕。
• 如果像素梯度在兩個(gè)閾值之間，那么只有當(dāng)它連接到高于閾值上限的像素時(shí)才會(huì)被接受。

?

資料來源：Opencv 文檔

?

?

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

?

精明的邊緣檢測(cè)

?

7. Contours

輪廓被定義為連接沿圖像邊界具有相同強(qiáng)度的所有點(diǎn)的線。輪廓用于形狀分析和對(duì)象檢測(cè)。輪廓適用于二值圖像。在此處閱讀有關(guān)此內(nèi)容的更多信息。

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

它將返回圖像中所有輪廓的 Python 列表。每個(gè)輪廓都是對(duì)象的 (x, y) 坐標(biāo)的 numpy 數(shù)組。像這樣

[[[218 353]]

 [[219 376]]

 [[331 375]]

 [[328 352]]]

它將返回這么多輪廓坐標(biāo)。所以，我們必須根據(jù)它的面積來整理列表。python 中的 sorted 函數(shù)在這里很有用。

參數(shù)：

• 可迭代 - 輪廓列表
• 可以提供 key 函數(shù)來自定義排序順序，我們將使用區(qū)域進(jìn)行排序。
• 對(duì)于降序列??表，可以將反向標(biāo)志設(shè)置為 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，我們有大面積的輪廓及其坐標(biāo)。

循環(huán)遍歷我們的輪廓以找到車牌的最佳輪廓。

好的！現(xiàn)在我們將把循環(huán)內(nèi)部發(fā)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，我們必須找到周長。它也稱為弧長。

周長是二維形狀周圍的距離。

第一個(gè)參數(shù)是輪廓點(diǎn)，True 指定形狀是否為閉合輪廓。

perimeter = cv2.arcLength(c,True)

接下來，輪廓逼近

說明來源：OpenCV Documentation要理解這個(gè)，假設(shè)你試圖在圖像中找到一個(gè)正方形，但是由于圖像中的一些問題，你沒有得到一個(gè)完美的正方形，而是一個(gè)“壞形狀”（如第一下圖）。現(xiàn)在您可以使用此函數(shù)來近似形狀。在此，第二個(gè)參數(shù)稱為epsilon，它是從輪廓到近似輪廓的最大距離。它是一個(gè)精度參數(shù)。需要明智地選擇epsilon以獲得正確的輸出。

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

最后，選擇具有 4 個(gè)角的輪廓。

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)

大多數(shù)讀者都沒有讀完博客，但你做到了，因?yàn)槟愫芴貏e，你不只是放棄閱讀。

?

?