某天回家之时，听到有个朋友说起他正在做一个车牌识别的项目
于是对其定位车牌的位置算法颇有兴趣，今日有空得以研究，事实上车牌识别算是比较成熟的技术了，
这里我只是简单实现。
我的思路为：
对图片进行一些预处理，包括灰度化、高斯平滑、中值滤波、Sobel算子边缘检测等等。
利用OpenCV对预处理后的图像进行轮廓查找，然后根据一些参数判断该轮廓是否为车牌轮廓。
效果如下：
test1：
test2
实现代码如下（对图像预处理（滤波器等）的原理比较简单，这里只是对一些函数进行调包）：
import cv2 import numpy as np # 形态学处理 def Process(img): # 高斯平滑 gaussian = cv2.GaussianBlur(img, (3, 3), 0, 0, cv2.BORDER_DEFAULT) # 中值滤波 median = cv2.medianBlur(gaussian, 5) # Sobel算子 # 梯度方向: x sobel = cv2.Sobel(median, cv2.CV_8U, 1, 0, ksize=3) # 二值化 ret, binary = cv2.threshold(sobel, 170, 255, cv2.THRESH_BINARY) # 核函数 element1 = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 1)) element2 = cv2.getStructuringElement(cv2.MORPH_RECT, (9, 7)) # 膨胀 dilation = cv2.dilate(binary, element2, iterations=1) # 腐蚀 erosion = cv2.erode(dilation, element1, iterations=1) # 膨胀 dilation2 = cv2.dilate(erosion, element2, iterations=3) return dilation2 def GetRegion(img): regions = [] # 查找轮廓 _, contours, hierarchy = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) for contour in contours: area = cv2.contourArea(contour) if (area < 2000): continue eps = 1e-3 * cv2.arcLength(contour, True) approx = cv2.approxPolyDP(contour, eps, True) rect = cv2.minAreaRect(contour) box = cv2.boxPoints(rect) box = np.int0(box) height = abs(box[0][1] - box[2][1]) width = abs(box[0][0] - box[2][0]) ratio =float(width) / float(height) if (ratio < 5 and ratio > 1.8): regions.append(box) return regions def detect(img): # 灰度化 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) prc = Process(gray) regions = GetRegion(prc) print('[INFO]:Detect %d license plates' % len(regions)) for box in regions: cv2.drawContours(img, [box], 0, (0, 255, 0), 2) cv2.imshow('Result', img) #保存结果文件名 cv2.imwrite('result2.jpg', img) cv2.waitKey(0) cv2.destroyAllWindows() if __name__ == '__main__': #输入的参数为图片的路径 img = cv2.imread('test2.jpg') detect(img) 以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持亿速云。
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
