目錄

一、基礎理論

1、思想

2、大致過程

二、詳細過程

1、首先需要模板庫

2、得到模板

3、原圖限定大小

4、模板匹配

5、匹配所有子文件夾，保存最佳得分（最匹配項）

三、大致過程（細分類，節省時間）

1、漢字匹配

?2、英文字符匹配

3、數字/英文匹配

?4、顯示

模板匹配總代碼

參考資料

---

一、基礎理論

1、思想

把提取到的每一張字符，和模板庫中的所有字符進行對比。

2、大致過程

先拿到模板庫，把模板和待匹配的圖像大小限制一致，匹配每一張子模板圖，匹配每張模板圖匹配后都會有一個得分，得分最高的最相近。再把每個子文件夾最高得分對比，用index找到最高的那個子文件夾下標，得到模板。

二、詳細過程

1、首先需要模板庫

模板庫下載鏈接1：（推薦）

https://download.csdn.net/download/great_yzl/21974008

模板庫下載鏈接2：（不推薦）

http://www.zengqiang.club/blog/34

一個大文件夾下包含很多子文件夾：

?

?每一個子文件夾內包含該字符的一系列模板（為了更精確，犧牲了不少時間）：

2、得到模板

# 路徑path = 'Template/' + List[i] + '/' + filename# 1、得到模板template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1)    #彩（類似imread）gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY)                 #灰ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU)      #二值cv.imshow('template', template)cv.waitKey(0)

3、原圖限定大小

# 2、原圖限定大小（和模板相似）h, w = template.shapeimage = cv.resize(image, (w, h))cv.imshow('image_', image)cv.waitKey(0)

4、模板匹配

??按照名稱列表的方式，遍歷模板庫的所有子文件夾、子文件夾內的所有子圖。

# 3、模板匹配，得到得分（匹配度越高，得分越大）result = cv.matchTemplate(image, template, cv.TM_CCOEFF)score.append(result[0][0])          #得分（每張模板圖）

?

5、匹配所有子文件夾，保存最佳得分（最匹配項）

匹配所有子文件夾的子圖：?

# 模板匹配，得到得分（匹配度越高，得分越大）result = cv.matchTemplate(image, template, cv.TM_CCOEFF)score.append(result[0][0])          #得分（每張模板圖）

?每個文件夾的最佳得分：

# 一個文件夾的最高得分（得分越高，匹配度越高）best_score.append(max(score))# 根據所有文件夾的最佳得分確定下標index = best_score.index(max(best_score))+34

三、大致過程（細分類，節省時間）

由于第一個必定是漢字，第二個必定是英文字符，后面的必定是英文字符/數字，我們在那里只需要做相應的判斷即可。節約了很多時間。

1、漢字匹配

# (1) 漢字（首個位置只能是漢字(省)）（為了節約時間）if con == 0:# 遍歷34——65文件夾（漢字）for i in range(34,65):# 單個圖片的得分score = []ForderPath = 'Template/' + List[i]# 遍歷單文件夾（每一個文件匹配）for filename in os.listdir(ForderPath):# 路徑path = 'Template/' + List[i] + '/' + filename# 1、得到模板template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1)    #彩（類似imread）gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY)                 #灰ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU)      #二值# 2、原圖限定大小（和模板相似）h, w = template.shapeimage = cv.resize(image, (w, h))cv.imshow('image_', image)cv.waitKey(0)# 3、模板匹配，得到得分（匹配度越高，得分越大）result = cv.matchTemplate(image, template, cv.TM_CCOEFF)score.append(result[0][0])          #得分（每張模板圖）# 4、保存子文件夾的最高得分（得分越高，匹配度越高）best_score.append(max(score))# 5、根據所有文件夾的最佳得分確定下標index = best_score.index(max(best_score))+34

?

?2、英文字符匹配

# (2) 字母（第二個位置只能為字母）elif con == 1:# 遍歷10~34文件夾（字母文件夾）for i in range(10,34):# 單個圖片的得分score = []ForderPath = 'Template/' + List[i]# 遍歷單文件夾（每一個文件匹配）for filename in os.listdir(ForderPath):# 路徑path = 'Template/' + List[i] + '/' + filename# 模板template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1)    #彩（類似imread）gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY)                 #灰ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU)      #二值h, w = template.shapeimage = cv.resize(image, (w, h))# 模板匹配，得到得分（匹配度越高，得分越大）result = cv.matchTemplate(image, template, cv.TM_CCOEFF)score.append(result[0][0])          #得分（每張模板圖）# 一個文件夾的最高得分（得分越高，匹配度越高）best_score.append(max(score))# 根據所有文件夾的最佳得分確定下標index = best_score.index(max(best_score)) + 10

3、數字/英文匹配

# (3) 數字+字母else:# 遍歷0~34文件夾（數字+字母）for i in range(34):# 單個圖片的得分score = []ForderPath = 'Template/' + List[i]# 遍歷單文件夾（每一個文件匹配）for filename in os.listdir(ForderPath):# 路徑path = 'Template/' + List[i] + '/' + filename# 模板template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1)    #彩（類似imread）gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY)                 #灰ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU)      #二值h, w = template.shapeimage = cv.resize(image, (w, h))# 模板匹配，得到得分（匹配度越高，得分越大）result = cv.matchTemplate(image, template, cv.TM_CCOEFF)score.append(result[0][0])          #得分（每張模板圖）# 一個文件夾的最高得分（得分越高，匹配度越高）best_score.append(max(score))# 根據所有文件夾的最佳得分確定下標index = best_score.index(max(best_score))

?

?4、顯示

在切割字符函數的尾部，所有字符切割完、立刻進行模板匹配，同一張車牌所有字符切割完畢后，進行顯示。?

# 顯示識別結果（圖像）Show_Result_Image()

# 顯示識別結果（圖像）
def Show_Result_Image():p = image_rect[0], image_rect[1]w, h = image_rect[2] , image_rect[3]# 框出車牌cv.rectangle(img, (p[0],p[1]), (p[0]+w, p[1]+h), (0,0,255), 2)# 輸出字符（中文）result = Text(img, str(final_result), p, (255,0,0), 16)cv.imshow('result-%d'%count, result)# cv.waitKey(0)

?

模板匹配總代碼

# 顯示文字（中文）（用的PIL，RGB正常顯示，即和opencv的RGB相反）
def Text(image, text, p, color, size):# cv2讀取圖片# BGR轉RGB：cv2和PIL中顏色的hex碼的儲存順序不同cv2_image = cv.cvtColor(image, cv.COLOR_RGB2BGR)pil_image = Image.fromarray(cv2_image)# PIL圖片上打印漢字draw = ImageDraw.Draw(pil_image)  # 圖片上打印font = ImageFont.truetype("./simhei.ttf", size, encoding="utf-8")  # 參數1：字體文件路徑，參數2：字體大小draw.text((p[0]-60, p[1]-20), text, color, font=font)# PIL圖片轉cv2 圖片cv2_result = cv.cvtColor(np.array(pil_image), cv.COLOR_RGB2BGR)# cv2.imshow("圖片", cv2_result)      # 漢字窗口標題顯示亂碼# cv.imshow("photo", cv2_result)     # 輸出漢字return cv2_result# 顯示識別結果（文字）
def Show_Result_Words(index):print(List[index])final_result.append(List[index])print(final_result)# 顯示識別結果（圖像）
def Show_Result_Image():p = image_rect[0], image_rect[1]w, h = image_rect[2] , image_rect[3]# 框出車牌cv.rectangle(img, (p[0],p[1]), (p[0]+w, p[1]+h), (0,0,255), 2)# 輸出字符（中文）result = Text(img, str(final_result), p, (255,0,0), 16)cv.imshow('result-%d'%count, result)# cv.waitKey(0)# 三、模板匹配
# 原圖和模板進行對比，越匹配，得分越大
def Template_Match(image):# 單文件夾內的最佳得分best_score = []# 遍歷所有文件夾（每一個文件夾匹配）# (1) 漢字（首個位置只能是漢字(省)）（為了節約時間）if con == 0:# 遍歷34——65文件夾（漢字）for i in range(34,65):# 單個圖片的得分score = []ForderPath = 'Template/' + List[i]# 遍歷單文件夾（每一個文件匹配）for filename in os.listdir(ForderPath):# 路徑path = 'Template/' + List[i] + '/' + filename# 1、得到模板template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1)    #彩（類似imread）gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY)                 #灰ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU)      #二值# 2、原圖限定大小（和模板相似）h, w = template.shapeimage = cv.resize(image, (w, h))# 3、模板匹配，得到得分（匹配度越高，得分越大）result = cv.matchTemplate(image, template, cv.TM_CCOEFF)score.append(result[0][0])          #得分（每張模板圖）# 4、保存子文件夾的最高得分（得分越高，匹配度越高）best_score.append(max(score))# 5、根據所有文件夾的最佳得分確定下標index = best_score.index(max(best_score))+34# (2) 字母（第二個位置只能為字母）elif con == 1:# 遍歷10~34文件夾（字母文件夾）for i in range(10,34):# 單個圖片的得分score = []ForderPath = 'Template/' + List[i]# 遍歷單文件夾（每一個文件匹配）for filename in os.listdir(ForderPath):# 路徑path = 'Template/' + List[i] + '/' + filename# 模板template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1)    #彩（類似imread）gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY)                 #灰ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU)      #二值h, w = template.shapeimage = cv.resize(image, (w, h))# 模板匹配，得到得分（匹配度越高，得分越大）result = cv.matchTemplate(image, template, cv.TM_CCOEFF)score.append(result[0][0])          #得分（每張模板圖）# 一個文件夾的最高得分（得分越高，匹配度越高）best_score.append(max(score))# 根據所有文件夾的最佳得分確定下標index = best_score.index(max(best_score)) + 10# (3) 數字+字母else:# 遍歷0~34文件夾（數字+字母）for i in range(34):# 單個圖片的得分score = []ForderPath = 'Template/' + List[i]# 遍歷單文件夾（每一個文件匹配）for filename in os.listdir(ForderPath):# 路徑path = 'Template/' + List[i] + '/' + filename# 模板template = cv.imdecode(np.fromfile(path, dtype=np.uint8), 1)    #彩（類似imread）gray = cv.cvtColor(template, cv.COLOR_RGB2GRAY)                 #灰ret, template = cv.threshold(gray, 0, 255, cv.THRESH_OTSU)      #二值h, w = template.shapeimage = cv.resize(image, (w, h))# 模板匹配，得到得分（匹配度越高，得分越大）result = cv.matchTemplate(image, template, cv.TM_CCOEFF)score.append(result[0][0])          #得分（每張模板圖）# 一個文件夾的最高得分（得分越高，匹配度越高）best_score.append(max(score))# 根據所有文件夾的最佳得分確定下標index = best_score.index(max(best_score))# 顯示結果（文字）（每識別一個顯示一次）Show_Result_Words(index)

????????總的來講，為了追求較高的精度，匹配時間較長， 一張車牌約20秒。這里的模板匹配不算非常的精確，并且耗時嚴重，已經逐漸被淘汰了，這里只是作為學習用途，沒有太高的實際應用價值。（后期進軍深度學習/機器學習，可能會對這些進行優化）。有什么好的建議大家可以提出來，共同進步，謝謝~

參考資料

https://www.bilibili.com/video/BV1yg4y187kU?p=3

總結

以上是生活随笔為你收集整理的OpenCV（项目）车牌识别3 -- 模板匹配的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。