ifi-up_point>2:
is_peak=False
wave_peaks.append（（up_point,i））
elifnotis_peakandx>=threshold:
is_peak=True
up_point=i
ifis_peakandup_point!
=-1andi-up_point>4:
wave_peaks.append（（up_point,i））
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['mu02']
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
#来自opencv的sample，用于svm训练
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,:
10],mag[10:
:
10],mag[:
10,10:
],mag[10:
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（"svm.dat"）
else:
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）
ifos.path.exists（"svmchinese.dat"）:
self.modelchinese.load（"svmchinese.dat"）
else:
chars_train=[]
chars_label=[]
forroot,dirs,filesinos.walk（"train\\charsChinese"）:
ifnotos.path.basename（root）.startswith（"zh_"）:
continue
pinyin=os.path.basename（root）
index=provinces.index（pinyin）+PROVINCE_START+1#1是拼音对应的汉字
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（index）
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.modelchinese.train（chars_train,chars_label）
defsave_traindata（self）:
ifnotos.path.exists（"svm.dat"）:
self.model.save（"svm.dat"）
ifnotos.path.exists（"svmchinese.dat"）:
self.modelchinese.save（"svmchinese.dat"）
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）
iflimit1count+=1
ifcount>col_num_limit:
ifyl>i:
yl=i
ifyhyh=i
forjinrange（col_num）:
count=0
foriinrange（row_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）
iflimit1count+=1
ifcount>row_num-row_num_limit:
ifxl>j:
xl=j
ifxrxr=j
returnxl,xr,yh,yl
defpredict（self,car_pic）:
iftype（car_pic）==type（""）:
img=imreadex（car_pic）
else:
img=car_pic
pic_hight,pic_width=img.shape[:
2]
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>0:
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_widtharea_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]<1:
#创造角度，使得左、高、右、低拿到正确的值
angle=1
else:
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
box=cv2.boxPoints（rect）
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 