Python项目演练：使用深度学习自动识别车牌号【附源代码】

清疚 2022-08-28 00:41 165阅读 0赞

本文分享的项目旨在识别车牌。为了检测车牌，我们将使用 OpenCV 来识别车牌，并使用 python pytesseract 从车牌中提取字符和数字。

![b3105776a69d427ead3c6a0734c9d404.gif][]

OpenCV 是一个开源机器学习库，为计算机视觉提供通用基础设施。而 Pytesseract 是一个 Tesseract-OCR 引擎，用于读取图像类型并提取图像中存在的信息。

### 安装 OpenCV 和 Pytesseract pip3 python 包： ###

pip3 install opencv-python
    pip3 install pytesseract
    复制代码

在这个python项目中，为了识别输入图像中的车牌，我们将使用openCV的以下功能：

*  高斯模糊：这里我们使用高斯核来平滑图像。这种技术对于去除高斯噪声非常有效。OpenCV 为这个任务提供了一个 cv2.GaussianBlur() 函数。
 *  Sobel：这里我们计算图像的导数。此功能对于许多计算机视觉任务很重要。我们使用导数计算梯度，梯度的高变化表示图像的主要变化。OpenCV 提供了一个 cv2.Sobel() 函数来计算 Sobel 算子。
 *  形态变换：这些是基于图像形状的操作，并在二值图像上执行。基本的形态学操作是侵蚀、膨胀、开运算、闭运算。 OpenCV 中提供的不同功能是：

cv2.erode()  
cv2.dilate()  
cv2.morphologyEx()

*  轮廓：轮廓是包含相同强度的所有连续点的曲线。这些是非常有用的对象识别工具。 OpenCV 为此功能提供了 cv2.findContours() 函数。

### 下载项目源代码 ###

在继续本项目之前，请下载源代码：Automatic Number Plate Recognition（代码包见评论）

现在，让我们深入研究车牌识别代码。请按照以下步骤操作：

1. 导入： 对于这个项目，我们需要带有 openCV 和 pytesseract 的 numpy 和 pillow python 库：

import numpy as np
    import cv2
    from PIL import Image
    import pytesseract as tess
    复制代码

2. 现在我们将定义三个函数，以找出 openCV 可能识别但它没有可能是车牌的不必要的轮廓。

2.1. 检查面积范围和宽高比的第一个函数：

def ratioCheck(area, width, height):
        ratio = float(width) / float(height)
        if ratio < 1:
            ratio = 1 / ratio
        if (area < 1063.62 or area > 73862.5) or (ratio < 3 or ratio > 6):
            return False
        return True
    复制代码

2.2. 检查图像矩阵平均值的第二个函数：

def isMaxWhite(plate):
        avg = np.mean(plate)
        if(avg>=115):
            return True
        else:
             return False
    复制代码

2.3. 检查轮廓旋转的第三个函数：

def ratio_and_rotation(rect):
        (x, y), (width, height), rect_angle = rect
    
        if(width>height):
            angle = -rect_angle
        else:
            angle = 90 + rect_angle
    
        if angle>15:
             return False
    
        if height == 0 or width == 0:
            return False
    
        area = height*width
        if not ratioCheck(area,width,height):
            return False
        else:
            return True
    复制代码

3.现在我们将编写一个函数，在喂入 pytesseract 之前清理识别的车牌进行预处理：

def clean2_plate(plate):
        gray_img = cv2.cvtColor(plate, cv2.COLOR_BGR2GRAY)
    
        _, thresh = cv2.threshold(gray_img, 110, 255, cv2.THRESH_BINARY)
        if cv2.waitKey(0) & 0xff == ord('q'):
            pass
        num_contours,hierarchy = cv2.findContours(thresh.copy(),cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
    
        if num_contours:
            contour_area = [cv2.contourArea(c) for c in num_contours]
            max_cntr_index = np.argmax(contour_area)
    
            max_cnt = num_contours[max_cntr_index]
            max_cntArea = contour_area[max_cntr_index]
            x,y,w,h = cv2.boundingRect(max_cnt)
    
            if not ratioCheck(max_cntArea,w,h):
                return plate,None
    
            final_img = thresh[y:y+h, x:x+w]
            return final_img,[x,y,w,h]
    
        else:
            return plate, None
    复制代码

4. 在这一步中，我们将进行图像输入。我们将执行高斯模糊、Sobel 和形态学操作。在我们找到图像中的轮廓并循环遍历每个轮廓以识别车牌之后。然后我们将清理图像轮廓并将其提供给 pytesseract 以识别数字和字符。

img = cv2.imread("testData/sample15.jpg")
    print("Number  input image...",)
    cv2.imshow("input",img)
    
    if cv2.waitKey(0) & 0xff == ord('q'):
        pass
    img2 = cv2.GaussianBlur(img, (3,3), 0)
    img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
    
    img2 = cv2.Sobel(img2,cv2.CV_8U,1,0,ksize=3)    
    _,img2 = cv2.threshold(img2,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
    
    element = cv2.getStructuringElement(shape=cv2.MORPH_RECT, ksize=(17, 3))
    morph_img_threshold = img2.copy()
    cv2.morphologyEx(src=img2, op=cv2.MORPH_CLOSE, kernel=element, dst=morph_img_threshold)
    num_contours, hierarchy= cv2.findContours(morph_img_threshold,mode=cv2.RETR_EXTERNAL,method=cv2.CHAIN_APPROX_NONE)
    cv2.drawContours(img2, num_contours, -1, (0,255,0), 1)
    
    
    for i,cnt in enumerate(num_contours):
    
        min_rect = cv2.minAreaRect(cnt)
    
        if ratio_and_rotation(min_rect):
    
            x,y,w,h = cv2.boundingRect(cnt)
            plate_img = img[y:y+h,x:x+w]
            print("Number  identified number plate...")
            cv2.imshow("num plate image",plate_img)
            if cv2.waitKey(0) & 0xff == ord('q'):
                pass
    
            if(isMaxWhite(plate_img)):
                clean_plate, rect = clean2_plate(plate_img)
                if rect:
                    fg=0
                    x1,y1,w1,h1 = rect
                    x,y,w,h = x+x1,y+y1,w1,h1
                    # cv2.imwrite("clena.png",clean_plate)
                    plate_im = Image.fromarray(clean_plate)
                    text = tess.image_to_string(plate_im, lang='eng')
                    print("Number  Detected Plate Text : ",text)
    复制代码

### 项目 GUI 代码 ###

创建一个新文件 gui.py 并粘贴以下代码：

import tkinter as tk
    from tkinter import filedialog
    from tkinter import *
    from PIL import ImageTk, Image
    from tkinter import PhotoImage
    import numpy as np
    import cv2
    import pytesseract as tess
    def clean2_plate(plate):
        gray_img = cv2.cvtColor(plate, cv2.COLOR_BGR2GRAY)
    
        _, thresh = cv2.threshold(gray_img, 110, 255, cv2.THRESH_BINARY)
        num_contours,hierarchy = cv2.findContours(thresh.copy(),cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
    
        if num_contours:
            contour_area = [cv2.contourArea(c) for c in num_contours]
            max_cntr_index = np.argmax(contour_area)
    
            max_cnt = num_contours[max_cntr_index]
            max_cntArea = contour_area[max_cntr_index]
            x,y,w,h = cv2.boundingRect(max_cnt)
    
            if not ratioCheck(max_cntArea,w,h):
                return plate,None
    
            final_img = thresh[y:y+h, x:x+w]
            return final_img,[x,y,w,h]
    
        else:
            return plate,None
    
    def ratioCheck(area, width, height):
        ratio = float(width) / float(height)
        if ratio < 1:
            ratio = 1 / ratio
        if (area < 1063.62 or area > 73862.5) or (ratio < 3 or ratio > 6):
            return False
        return True
    
    def isMaxWhite(plate):
        avg = np.mean(plate)
        if(avg>=115):
            return True
        else:
            return False
    
    def ratio_and_rotation(rect):
        (x, y), (width, height), rect_angle = rect
    
        if(width>height):
            angle = -rect_angle
        else:
            angle = 90 + rect_angle
    
        if angle>15:
            return False
    
        if height == 0 or width == 0:
            return False
    
        area = height*width
        if not ratioCheck(area,width,height):
            return False
        else:
            return True
    
    top=tk.Tk()
    top.geometry('900x700')
    top.title('Number Plate Recognition')
    top.iconphoto(True, PhotoImage(file="/home/shivam/Dataflair/Keras Projects_CIFAR/GUI/logo.png"))
    img = ImageTk.PhotoImage(Image.open("logo.png"))
    top.configure(background='#CDCDCD')
    label=Label(top,background='#CDCDCD', font=('arial',35,'bold'))
    # label.grid(row=0,column=1)
    sign_image = Label(top,bd=10)
    plate_image=Label(top,bd=10)
    def classify(file_path):
        res_text=[0]
        res_img=[0]
        img = cv2.imread(file_path)
        img2 = cv2.GaussianBlur(img, (3,3), 0)
        img2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY)
    
        img2 = cv2.Sobel(img2,cv2.CV_8U,1,0,ksize=3)    
        _,img2 = cv2.threshold(img2,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
    
        element = cv2.getStructuringElement(shape=cv2.MORPH_RECT, ksize=(17, 3))
        morph_img_threshold = img2.copy()
        cv2.morphologyEx(src=img2, op=cv2.MORPH_CLOSE, kernel=element, dst=morph_img_threshold)
        num_contours, hierarchy= cv2.findContours(morph_img_threshold,mode=cv2.RETR_EXTERNAL,method=cv2.CHAIN_APPROX_NONE)
        cv2.drawContours(img2, num_contours, -1, (0,255,0), 1)
    
    
        for i,cnt in enumerate(num_contours):
    
            min_rect = cv2.minAreaRect(cnt)
    
            if ratio_and_rotation(min_rect):
    
                x,y,w,h = cv2.boundingRect(cnt)
                plate_img = img[y:y+h,x:x+w]
                print("Number  identified number plate...")
                res_img[0]=plate_img
                cv2.imwrite("result.png",plate_img)
                if(isMaxWhite(plate_img)):
                    clean_plate, rect = clean2_plate(plate_img)
                    
                    if rect:
                        fg=0
                        x1,y1,w1,h1 = rect
                        x,y,w,h = x+x1,y+y1,w1,h1
                        plate_im = Image.fromarray(clean_plate)
                        text = tess.image_to_string(plate_im, lang='eng')
                        res_text[0]=text
                        if text:
                            break
        label.configure(foreground='#011638', text=res_text[0]) 
    
        uploaded=Image.open("result.png")
        im=ImageTk.PhotoImage(uploaded)
        plate_image.configure(image=im)
        plate_image.image=im
        plate_image.pack()
        plate_image.place(x=560,y=320)
    def show_classify_button(file_path):
        classify_b=Button(top,text="Classify Image",command=lambda: classify(file_path),padx=10,pady=5)
        classify_b.configure(background='#364156', foreground='white',font=('arial',15,'bold'))
        classify_b.place(x=490,y=550)
    def upload_image():
        try:
            file_path=filedialog.askopenfilename()
            uploaded=Image.open(file_path)
            uploaded.thumbnail(((top.winfo_width()/2.25),(top.winfo_height()/2.25)))
            im=ImageTk.PhotoImage(uploaded)
            sign_image.configure(image=im)
            sign_image.image=im
            label.configure(text='')
            show_classify_button(file_path)
        except:
            pass
    upload=Button(top,text="Upload an image",command=upload_image,padx=10,pady=5)
    upload.configure(background='#364156', foreground='white',font=('arial',15,'bold'))
    upload.pack()
    upload.place(x=210,y=550)
    
    sign_image.pack()
    sign_image.place(x=70,y=200)
    
    
    label.pack()
    label.place(x=500,y=220)
    heading = Label(top,image=img)
    heading.configure(background='#CDCDCD',foreground='#364156')
    heading.pack()
    top.mainloop()
    复制代码

### 概括 ###

在本文中，我们开发了一个深度学习项目来识别车牌。我们讨论了 openCV 的一些重要特性，如高斯模糊、Sobel 算子、形态变换。 该应用可以从图像中检测车牌文本。为了识别车牌数字和字符，我们使用了 pytesseract。

### 应用 ###

自动车牌识别技术的应用也越来越广泛，比如安防、交通监管、违停监测、停车场、收费站、公安布控等等。随着这项技术越来越成熟，市场上也涌现了很多基于这项技术而开发的终端应用。

在人工智能技术+视频领域，TSINGSEE青犀视频基于多年视频领域的技术经验积累，也不断研发，将AI检测、智能识别技术融合到各个视频应用场景中。典型的示例如EasyCVR视频融合云服务，具有AI人脸识别、车牌识别、语音对讲、云台控制、声光告警、监控视频分析与数据汇总的能力。

[b3105776a69d427ead3c6a0734c9d404.gif]: /images/20220828/c446a333bcdb44a08b19dca1d7b800c8.png