車牌識別分三步：車牌定位，車牌字符分割，車牌字符識別。

本篇就車牌定位進行講述。車牌定位顧名思義——找出車牌的位置。如何實現，又分三步：圖像預處理，數學形態學粗定位，長寬比例精確定位。

首先，對圖像預處理：

彩色圖像轉灰度圖

高斯濾波，中值濾波

邊緣化檢測

二值化操作

#-*- coding: utf-8 -*-

import cv2

import numpy as np

def Process(img):

# 高斯平滑

gaussian = cv2.GaussianBlur(img, (3, 3), 0, 0, cv2.BORDER_DEFAULT)

#cv2.GaussianBlur(src,ksize,sigmaX[,sigmaxY[,borderType]]])高斯濾波函數

#src: 輸入圖像

#ksize: 高斯內核大小,元組類型

#sigmaX: 高斯核函數在X方向上的標準偏差

#sigmaY: 高斯核函數在Y方向上的標準偏差，如果sigmaY是0，則函數會自動將sigmaY的值設置為與sigmaX相同的值，如果sigmaX和sigmaY都是0，這兩個值將由ksize[0]和ksize[1]計算而來。建議將size、sigmaX和sigmaY都指定出來。

#borderType: 推斷圖像外部像素的某種便捷模式，有默認值cv2.BORDER_DEFAULT，如果沒有特殊需要不用更改，具體可以參考borderInterpolate()函數。

# 中值濾波

median = cv2.medianBlur(gaussian, 5)

#cv2.medianBlur(src,ksize)

#src: 輸入圖像

#ksize: 高斯內核大小,元組類型

# Sobel算子

# 梯度方向: x

sobel = cv2.Sobel(median, cv2.CV_8U, 1, 0, ksize=3)

# 利用Sobel方法可以進行sobel邊緣檢測

# img表示源圖像，即進行邊緣檢測的圖像

# 圖像深度是cv2.CV_8U、cv2.CV_16U、cv2.CV_16S、cv2.CV_32F以及cv2.CV_64F其中的某一個

# 第三和第四個參數分別是對X和Y方向的導數(即dx,dy)，對于圖像來說就是差分，這里1表示對X求偏導(差分)，0表示不對Y求導(差分)。其中，X還可以求2次導。

# 注意：對X求導就是檢測X方向上是否有邊緣。

# 第五個參數ksize是指核的大小。

# 這里說明一下，這個參數的前四個參數都沒有給誰賦值，而ksize則是被賦值的對象

# 實際上，這是可省略的參數，而前四個是不可省的參數。注意其中的不同點值化

ret, binary = cv2.threshold(sobel, 170, 255, cv2.THRESH_BINARY)

#灰度值小于175的點置0，灰度值大于175的點置255

#最后的參數是閾值類型，對應一個公式，一般用這個就可以

然后，數學形態學處理： 形態學處理的核心就是定義結構元素，一般情況下對二值化圖像進行的操作。

# 膨脹和腐蝕操作的核函數

element1 = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 1))

element2 = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 7))

#第一個參數定義結構元素，如橢圓(MORPH_ELLIPSE)、交叉形結構(MORPH_CROSS)和矩形(MORPH_RECT)

#第二個參數就是指和函數的size，9×1

# 膨脹一次，讓輪廓突出

dilation = cv2.dilate(binary, element2, iterations=1)

# 腐蝕一次，去掉細小雜點

erosion = cv2.erode(dilation, element1, iterations=1)

# 再次膨脹，讓輪廓更明顯

dilation2 = cv2.dilate(erosion, element2, iterations=3)

#存儲中間圖片

cv2.imwrite("binary.png", binary)

cv2.imwrite("dilation.png", dilation)

cv2.imwrite("erosion.png", erosion)

cv2.imwrite("dilation2.png", dilation2)

return dilation2

最后：查找輪廓，精確定位

查找篩選輪廓

車牌長寬比

顏色判斷(沒大必要)

def GetRegion(img):

regions = []

# 查找輪廓

_, contours, hierarchy = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

#三個輸入參數：輸入圖像(二值圖像)，輪廓檢索方式，輪廓近似方法

#輪廓檢索方式：cv2.RETR_EXTERNAL只檢測外輪廓。cv2.RETR_LIST檢測的輪廓不建立等級關系。cv2.RETR_CCOMP建立兩個等級的輪廓，上面一層為外邊界，里面一層為內孔的邊界信息。cv2.RETR_TREE建立一個等級樹結構的輪廓

#輪廓近似方法：cv2.CHAIN_APPROX_NONE存儲所有邊界點。cv2.CHAIN_APPROX_SIMPLE壓縮垂直、水平、對角方向，只保留端點。cv2.CHAIN_APPROX_TX89_L1使用teh-Chini近似算法。cv2.CHAIN_APPROX_TC89_KCOS使用teh-Chini近似算法

#三個返回值：圖像，輪廓，輪廓的層析結構

#篩選面積小的

for contour in contours:

#計算該輪廓的面積

area = cv2.contourArea(contour)

#面積小的都篩選掉

if (area < 2000):

continue

#輪廓近似，作用很小

epslion = 1e-3 * cv2.arcLength(contour, True)

approx = cv2.approxPolyDP(contour, epslion, True)

#epsilon，是從輪廓到近似輪廓的最大距離。是一個準確率參數，好的epsilon的選擇可以得到正確的輸出。True決定曲線是否閉合。

# 找到最小的矩形，該矩形可能有方向

rect = cv2.minAreaRect(contour)

# box是四個點的坐標

box = cv2.boxPoints(rect)

box = np.int0(box)

## 計算高和寬

height = abs(box[0][1] - box[2][1])

width = abs(box[0][0] - box[2][0])

#車牌正常情況下長高比在2-5之間

ratio =float(width) / float(height)

if (ratio < 5 and ratio > 2):

regions.append(box)

return regions

def detect(img):

# 灰度化

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 預處理及形態學處理，得到可以查找矩形的圖片

prc = Process(gray)

#得到車牌輪廓

regions = GetRegion(prc)

print('[INFO]:Detect %d license plates' % len(regions))

#用綠線畫出這些找到的輪廓

for box in regions:

cv2.drawContours(img, [box], 0, (0, 255, 0), 2)

#五個輸入參數：原始圖像，輪廓，輪廓的索引(當設置為-1時，繪制所有輪廓)，畫筆顏色，畫筆大小

#一個返回值：返回繪制了輪廓的圖像

cv2.imshow('Result', img)

#保存結果文件名

cv2.imwrite('result.jpg', img)

cv2.waitKey(0)

cv2.destroyAllWindows()

if __name__ == '__main__':

#輸入的參數為圖片的路徑

img = cv2.imread('1.jpg')

detect(img)

總結

以上是生活随笔為你收集整理的车牌定位html5,车牌识别（一）——车牌定位(附详细代码及注释）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。