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。

由于時間緊張，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

# 對于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，重點在于得到豎方向的邊界

# 對于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)

# 由于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，由于之前多做了一次膨脹操作，導致矩形框稍大了一些，因此這里對于框架+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")

參數調整

上述代碼中，所有涉及到參數調整的函數，例如形態學操作，都需邊調整邊觀察當前參數下的運行結果，待本步運行結果較好時，再繼續寫下一步。

該代碼對具體圖片要求較高，不同的圖片可能無法成功識別車牌，此時可嘗試依次調整預處理部分，形態學部分，hsv檢測部分函數的參數

實驗結果

ps:圖五是最難識別的圖片，最后是通過調整hsv下限為[100, 60, 60]實現的

總結

以上所述是小編給大家介紹的python+opencv實現車牌定位功能，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復大家的。在此也非常感謝大家對腳本之家網站的支持！

如果你覺得本文對你有幫助，歡迎轉載，煩請注明出處，謝謝！

總結

以上是生活随笔為你收集整理的python车牌识别系统开源代码_python+opencv实现车牌定位功能(实例代码)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。