寫在前面

HIT大三上學期視聽覺信號處理課程中視覺部分的實驗三，經過和學長們實驗的對比發現每一級實驗要求都不一樣，因此這里標明了是2019年秋季學期的視覺實驗三。

由於時間緊張，代碼沒有進行任何優化，實驗算法僅供參考。

實驗要求

對給定的車牌進行車牌識別

實驗代碼

代碼首先貼在這里，僅供參考

源代碼

實驗代碼如下：

import cv2
import numpy as np

def lpr(filename):
    img = cv2.imread(filename)
    # 預處理，包括灰度處理，高斯濾波平滑處理，Sobel提取邊界，圖像二值化
    # 對於高斯濾波函數的參數設置，第四個參數設為零，表示不計算y方向的梯度，原因是車牌上的數字在豎方向較長，重點在於得到豎方向的邊界
    # 對於二值化函數的參數設置，第二個參數設為127，是二值化的閾值，是一個經驗值
    gray_img = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
    GaussianBlur_img = cv2.GaussianBlur(gray_img, (3, 3), 0)
    Sobel_img = cv2.Sobel(GaussianBlur_img, -1, 1, 0, ksize=3)
    ret, binary_img = cv2.threshold(Sobel_img, 127, 255, cv2.THRESH_BINARY)

    # 形態學運算
    kernel = np.ones((5, 15), np.uint8)
    # 先閉運算將車牌數字部分連接，再開運算將不是塊狀的或是較小的部分去掉
    close_img = cv2.morphologyEx(binary_img, cv2.MORPH_CLOSE, kernel)
    open_img = cv2.morphologyEx(close_img, cv2.MORPH_OPEN, kernel)
    # kernel2 = np.ones((10, 10), np.uint8)
    # open_img2 = cv2.morphologyEx(open_img, cv2.MORPH_OPEN, kernel2)
    # 由於部分圖像得到的輪廓邊緣不整齊，因此再進行一次膨脹操作
    element = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
    dilation_img = cv2.dilate(open_img, element, iterations=3)

    # 獲取輪廓
    contours, hierarchy = cv2.findContours(dilation_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # 測試邊框識別結果
    # cv2.drawContours(img, contours, -1, (0, 0, 255), 3)
    # cv2.imshow("lpr", img)
    # cv2.waitKey(0)

    # 將輪廓規整為長方形
    rectangles = []
    for c in contours:
        x = []
        y = []
        for point in c:
            y.append(point[0][0])
            x.append(point[0][1])
        r = [min(y), min(x), max(y), max(x)]
        rectangles.append(r)

    # 用顏色識別出車牌區域
    # 需要注意的是這里設置顏色識別下限low時，可根據識別結果自行調整
    dist_r = []
    max_mean = 0
    for r in rectangles:
        block = img[r[1]:r[3], r[0]:r[2]]
        hsv = cv2.cvtColor(block, cv2.COLOR_BGR2HSV)
        low = np.array([100, 60, 60])
        up = np.array([140, 255, 255])
        result = cv2.inRange(hsv, low, up)
        # 用計算均值的方式找藍色最多的區塊
        mean = cv2.mean(result)
        if mean[0] > max_mean:
            max_mean = mean[0]
            dist_r = r

    # 畫出識別結果，由於之前多做了一次膨脹操作，導致矩形框稍大了一些，因此這里對於框架+3-3可以使框架更貼合車牌
    cv2.rectangle(img, (dist_r[0]+3, dist_r[1]), (dist_r[2]-3, dist_r[3]), (0, 255, 0), 2)
    cv2.imshow("lpr", img)
    cv2.waitKey(0)

# 主程序
for i in range(5):
    lpr(str(i+1) + ".jpg")