车牌识别Python程序Word文档格式.docx
《车牌识别Python程序Word文档格式.docx》由会员分享，可在线阅读，更多相关《车牌识别Python程序Word文档格式.docx（29页珍藏版）》请在冰豆网上搜索。
PROVINCE_START=1000
#读取图片文件
defimreadex（filename）:
returncv2.imdecode（np.fromfile（filename,dtype=np.uint8）,cv2.IMREAD_COLOR）
defpoint_limit（point）:
ifpoint[0]<
0:
point[0]=0
ifpoint[1]<
point[1]=0
#根据设定的阈值和图片直方图，找出波峰，用于分隔字符
deffind_waves（threshold,histogram）:
up_point=-1#上升点
is_peak=False
ifhistogram[0]>
threshold:
up_point=0
is_peak=True
wave_peaks=[]
fori,xinenumerate（histogram）:
ifis_peakandx<
ifi-up_point>
2:
wave_peaks.append（（up_point,i））
elifnotis_peakandx>
=threshold:
up_point=i
ifis_peakandup_point!
=-1andi-up_point>
4:
returnwave_peaks
#根据找出的波峰，分隔图片，从而得到逐个字符图片
defseperate_card（img,waves）:
part_cards=[]
forwaveinwaves:
part_cards.append（img[:
wave[0]:
wave[1]]）
returnpart_cards
#来自opencv的sample，用于svm训练
defdeskew（img）:
m=cv2.moments（img）
ifabs（m['
mu02'
]）<
1e-2:
returnimg.copy（）
skew=m['
mu11'
]/m['
]
M=np.float32（[[1,skew,-0.5*SZ*skew],[0,1,0]]）
img=cv2.warpAffine（img,M,（SZ,SZ）,flags=cv2.WARP_INVERSE_MAP|cv2.INTER_LINEAR）
returnimg
defpreprocess_hog（digits）:
samples=[]
forimgindigits:
gx=cv2.Sobel（img,cv2.CV_32F,1,0）
gy=cv2.Sobel（img,cv2.CV_32F,0,1）
mag,ang=cv2.cartToPolar（gx,gy）
bin_n=16
bin=np.int32（bin_n*ang/（2*np.pi））
bin_cells=bin[:
10,:
10],bin[10:
:
10],bin[:
10,10:
],bin[10:
10:
mag_cells=mag[:
10],mag[10:
10],mag[:
],mag[10:
hists=[np.bincount（b.ravel（）,m.ravel（）,bin_n）forb,minzip（bin_cells,mag_cells）]
hist=np.hstack（hists）
#transformtoHellingerkernel
eps=1e-7
hist/=hist.sum（）+eps
hist=np.sqrt（hist）
hist/=norm（hist）+eps
samples.append（hist）
returnnp.float32（samples）
#不能保证包括所有省份
provinces=[
"
zh_cuan"
"
川"
zh_e"
鄂"
zh_gan"
赣"
zh_gan1"
甘"
zh_gui"
贵"
zh_gui1"
桂"
zh_hei"
黑"
zh_hu"
沪"
zh_ji"
冀"
zh_jin"
津"
zh_jing"
京"
zh_jl"
吉"
zh_liao"
辽"
zh_lu"
鲁"
zh_meng"
蒙"
zh_min"
闽"
zh_ning"
宁"
zh_qing"
靑"
zh_qiong"
琼"
zh_shan"
陕"
zh_su"
苏"
zh_sx"
晋"
zh_wan"
皖"
zh_xiang"
湘"
zh_xin"
新"
zh_yu"
豫"
zh_yu1"
渝"
zh_yue"
粤"
zh_yun"
云"
zh_zang"
藏"
zh_zhe"
浙"
classStatModel（object）:
defload（self,fn）:
self.model=self.model.load（fn）
defsave（self,fn）:
self.model.save（fn）
classSVM（StatModel）:
def__init__（self,C=1,gamma=0.5）:
self.model=cv2.ml.SVM_create（）
self.model.setGamma（gamma）
self.model.setC（C）
self.model.setKernel（cv2.ml.SVM_RBF）
self.model.setType（cv2.ml.SVM_C_SVC）
#训练svm
deftrain（self,samples,responses）:
self.model.train（samples,cv2.ml.ROW_SAMPLE,responses）
#字符识别
defpredict（self,samples）:
r=self.model.predict（samples）
returnr[1].ravel（）
classCardPredictor:
def__init__（self）:
#车牌识别的部分参数保存在js中，便于根据图片分辨率做调整
f=open（'
config.js'
）
j=json.load（f）
forcinj["
config"
]:
print（c）
ifc["
open"
self.cfg=c.copy（）
break
else:
raiseRuntimeError（'
没有设置有效配置参数'
def__del__（self）:
self.save_traindata（）
deftrain_svm（self）:
#识别英文字母和数字
self.model=SVM（C=1,gamma=0.5）
#识别中文
self.modelchinese=SVM（C=1,gamma=0.5）
ifos.path.exists（"
svm.dat"
）:
self.model.load（"
chars_train=[]
chars_label=[]
forroot,dirs,filesinos.walk（"
train\\chars2"
iflen（os.path.basename（root））>
1:
continue
root_int=ord（os.path.basename（root））
forfilenameinfiles:
filepath=os.path.join（root,filename）
digit_img=cv2.imread（filepath）
digit_img=cv2.cvtColor（digit_img,cv2.COLOR_BGR2GRAY）
chars_train.append（digit_img）
#chars_label.append
（1）
chars_label.append（root_int）
chars_train=list（map（deskew,chars_train））
chars_train=preprocess_hog（chars_train）
#chars_train=chars_train.reshape（-1,20,20）.astype（np.float32）
chars_label=np.array（chars_label）
print（chars_train.shape）
self.model.train（chars_train,chars_label）
svmchinese.dat"
self.modelchinese.load（"
train\\charsChinese"
ifnotos.path.basename（root）.startswith（"
zh_"
pinyin=os.path.basename（root）
index=provinces.index（pinyin）+PROVINCE_START+1#1是拼音对应的汉字
chars_label.append（index）
#chars_train=chars_train.reshape（-1,20,20）.astype（np.float32）
self.modelchinese.train（chars_train,chars_label）
defsave_traindata（self）:
ifnotos.path.exists（"
self.model.save（"
ifnotos.path.exists（"
self.modelchinese.save（"
defaccurate_place（self,card_img_hsv,limit1,limit2,color）:
row_num,col_num=card_img_hsv.shape[:
2]
xl=col_num
xr=0
yh=0
yl=row_num
#col_num_limit=self.cfg["
col_num_limit"
row_num_limit=self.cfg["
row_num_limit"
col_num_limit=col_num*0.8ifcolor!
="
green"
elsecol_num*0.5#绿色有渐变
foriinrange（row_num）:
count=0
forjinrange（col_num）:
H=card_img_hsv.item（i,j,0）
S=card_img_hsv.item（i,j,1）
V=card_img_hsv.item（i,j,2）
iflimit1<
H<
=limit2and34<
Sand46<
V:
count+=1
ifcount>
col_num_limit:
ifyl>
i:
yl=i
ifyh<
yh=i
row_num-row_num_limit:
ifxl>
j:
xl=j
ifxr<
xr=j
returnxl,xr,yh,yl
defpredict（self,car_pic）:
iftype（car_pic）==type（"
"
img=imreadex（car_pic）
img=car_pic
pic_hight,pic_width=img.shape[:
ifpic_width>
MAX_WIDTH:
resize_rate=MAX_WIDTH/pic_width
img=cv2.resize（img,（MAX_WIDTH,int（pic_hight*resize_rate））,interpolation=cv2.INTER_AREA）
blur=self.cfg["
blur"
#高斯去噪
ifblur>
img=cv2.GaussianBlur（img,（blur,blur）,0）#图片分辨率调整
oldimg=img
img=cv2.cvtColor（img,cv2.COLOR_BGR2GRAY）
#equ=cv2.equalizeHist（img）
#img=np.hstack（（img,equ））
#去掉图像中不会是车牌的区域
kernel=np.ones（（20,20）,np.uint8）
img_opening=cv2.morphologyEx（img,cv2.MORPH_OPEN,kernel）
img_opening=cv2.addWeighted（img,1,img_opening,-1,0）;
#找到图像边缘
ret,img_thresh=cv2.threshold（img_opening,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU）
img_edge=cv2.Canny（img_thresh,100,200）
#使用开运算和闭运算让图像边缘成为一个整体
kernel=np.ones（（self.cfg["
morphologyr"
],self.cfg["
morphologyc"
]）,np.uint8）
img_edge1=cv2.morphologyEx（img_edge,cv2.MORPH_CLOSE,kernel）
img_edge2=cv2.morphologyEx（img_edge1,cv2.MORPH_OPEN,kernel）
#查找图像边缘整体形成的矩形区域，可能有很多，车牌就在其中一个矩形区域中
image,contours,hierarchy=cv2.findContours（img_edge2,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE）
contours=[cntforcntincontoursifcv2.contourArea（cnt）>
Min_Area]
print（'
len（contours）'
len（contours））
#一一排除不是车牌的矩形区域
car_contours=[]
forcntincontours:
rect=cv2.minAreaRect（cnt）
area_width,area_height=rect[1]
ifarea_width<
area_height:
area_width,area_height=area_height,area_width
wh_ratio=area_width/area_height
#print（wh_ratio）
#要求矩形区域长宽比在2到5.5之间，2到5.5是车牌的长宽比，其余的矩形排除
ifwh_ratio>
2andwh_ratio<
5.5:
car_contours.append（rect）
box=cv2.boxPoints（rect）
box=np.int0（box）
#oldimg=cv2.drawContours（oldimg,[box],0,（0,0,255）,2）
#cv2.imshow（"
edge4"
oldimg）
#print（rect）
print（len（car_contours））
print（"
精确定位"
card_imgs=[]
#矩形区域可能是倾斜的矩形，需要矫正，以便使用颜色定位
forrectincar_contours:
ifrect[2]>
-1andrect[2]<
#创造角度，使得左、高、右、低拿到正确的值
angle=1
angle=rect[2]
rect=（rect[0],（rect[1][0]+5,rect[1][1]+5）,angle）#扩大范围，避免车牌边缘被排除
heigth_point=right_point=[0,0]
left_point=low_point=[pic_width,pic_hight]
forpointinbox:
ifleft_point[0]>
point[0]:
left_point=point
iflow_point[1]>
point[1]:
low_point=point
ifheigth_point[1]<
heigth_point=point
ifright_point[0]<
right_point=point
ifleft_point[1]<
=right_point[1]:
#正角度
new_right_point=[right_point[0],heigth_point[1]]
pts2=np.float32（[left_point,heigth_point,new_right_point]）#字符只是高度需要改变
pts1=np.float32（[left_point,heigth_point,right_point]）
M=cv2.getAffineTransform（pts1,pts2）
dst=cv2.warpAffine（oldimg,M,（pic_width,pic_hight））
point_limit（new_right_point）
point_limit（heigth_point）
point_limit（left_point）
card_img=dst[int（left_point[1]）:
int（heigth_point[1]）,int（left_point[0]）:
int（new_right_point[0]）]
card_imgs.append（card_img）
升级会员 